基于双向长短期记忆网络（BLSTM）的涡扇发动机剩余使用寿命预测
机器学习
2024-11-26 v1 人工智能
信号处理
摘要
航空业正快速演进，受技术进步的驱动。用于商业航空的涡扇发动机是高度复杂的系统。涡扇发动机的大部分组件在使用寿命内都易受到退化。涡扇发动机退化会影响发动机性能、可操作性和可靠性。基于各种复杂传感器数据预测商业涡扇发动机的准确剩余使用寿命（RUL）对于乘客安全、飞行安全以及高效运营至关重要。这就是为什么必须对涡扇发动机进行监控、控制和维护的原因。RUL 预测可以来自基于模型或基于数据的方法。基于模型的方法由于数学模型的复杂性以及需要在物理系统领域拥有深厚专业知识而非常昂贵。基于数据的方法由于计算机的高计算复杂度、机器学习模型的进步以及传感器的进步，现在使用得更为频繁。本文将聚焦于双向长短期记忆网络（BLSTM）模型，但也将提供几个 RUL 预测基于数据的方法的基准。 proposed RUL 预测模型将基于商业模块化航空推进系统仿真（CMAPSS）进行评估。CMAPSS 数据集来自 NASA，包含涡扇发动机全寿命循环事件。
引用
@article{arxiv.2411.16422,
title = {Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM)},
author = {Abedin Sherifi},
journal= {arXiv preprint arXiv:2411.16422},
year = {2024}
}