面向涡轮风扇发动机剩余使用寿命预测的含学习偶然不确定性的不确定性感知深度学习框架
机器学习
2025-11-27 v2 人工智能
摘要
准确的剩余使用寿命（RUL）预测 coupled with 不确定性量化仍然是航空发动机预测中的关键挑战。本研究引入了一种新颖的不确定性感知深度学习框架，通过概率建模直接学习偶然不确定性，这是现有 CMAPSS 文献中尚未探索的方法。我们的分层架构集成了用于时间模式提取的多尺度 Inception 模块、用于序列建模的双向长短期记忆网络，以及同时作用于传感器和时间维度的双级注意力机制。创新之处在于贝叶斯输出层，它同时预测 RUL 均值与方差，使模型能够学习数据固有不确定性。全面的预处理采用条件感知聚类、小波去噪和智能特征选择。在 NASA CMAPSS 基准（FD001-FD004）上的实验验证展示了具有竞争力的整体性能，RMSE 值分别为 16.22、19.29、16.84 和 19.98。显著地，我们的框架在关键区域（RUL ≤ 30 cycles）取得了突破性性能，RMSE 分别为 5.14、6.89、5.27 和 7.16，相比传统方法实现了 25-40% 的提升，为安全关键预测建立了新基准。学习到的不确定性提供了校准良好的 95% 置信区间，覆盖率在 93.5% 至 95.2% 之间，使得此前在 CMAPSS 文献中无法实现的风险感知维护调度成为可能。
引用
@article{arxiv.2511.19124,
title = {Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty},
author = {Krishang Sharma},
journal= {arXiv preprint arXiv:2511.19124},
year = {2025}
}
备注
10 pages, 2 figures, 3 tables