涡扬发动机剩余有用寿命估计：经典方法、CNN与LSTM方法的比较研究
机器学习
2026-05-01 v1
摘要
剩余有用寿命（RUL）估计是prognostics和健康管理（PHM）的关键组成部分，使工业设备能够主动维护安排并减少非计划故障。本文针对NASA C-MAPSS涡扬发动机数据集，介绍了一种机器学习方法的比较研究：经典基线（岭回归、多项式岭回归和XGBoost）、1D卷积神经网络（CNN）和长短期记忆网络（LSTM）。在相同的预处理流程下，对FD001和FD003子集进行公平比较。所有模型均在FD001和FD003上进行评估。对于原始序列模型，LSTM在FD001和FD003上的RMSE分别为14.93和14.20，超过了Zheng等人报告的深度LSTM（RMSE 16.14和16.18），尽管采用更简单的单层架构。1D CNN在FD001和FD003上的RMSE分别为16.97和15.68，表现出在FD003上具有竞争力，同时在FD001上产生更保守的RUL预测。岭回归在原始特征和工程特征上进行评估，而其他经典模型仅使用工程输入。XGBoost在FD003上实现RMSE为13.36，凸显了非线性建模的竞争力。
引用
@article{arxiv.2604.27234,
title = {Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches},
author = {Astitva Goel and Samarth Galchar and Sumit Kanu},
journal= {arXiv preprint arXiv:2604.27234},
year = {2026}
}
备注
7 pages, 5 algorithms, 7 figures, 4 tables