Remaining useful life prognosis of turbofan engines based on deep feature extraction and fusion.
Remaining useful life prognosis of turbofan engines based on deep feature extraction and fusion.
复制标题
基于深度特征提取与融合的涡轮风扇发动机剩余使用寿命预测
DOI：
10.1038/s41598-022-10191-2
复制
发表时间：
2022-04-20
影响因子：
4.6
通讯作者：
Li, Changyun
中科院分区：
文献类型：
--
作者：
Peng, Cheng;Chen, Yufeng;Gui, Weihua;Tang, Zhaohui;Li, Changyun
针对涡扇发动机数据集中噪声干扰大、数据类型多样、数据量大、特征提取复杂、无法有效描述退化趋势、剩余寿命预测效果差等问题，提出了一种改进的堆栈稀疏自动编码器(ImSSAE)和改进的回声状态网络(ImESN)相结合的剩余寿命预测模型。首先采用3-西格玛准则对数据进行去噪和重构，然后利用IMSSAE提取发动机的深层特征，并融合成描述发动机退化趋势的健康指标(HI)曲线。最后，将注意力机制引入到imESN中，自适应地处理不同类型的数据，得到RUL。基于商用模块化航空推进系统仿真(C-MAPSS)数据集的实验结果表明，与其他流行的RUL预测模型相比，本文提出的组合模型具有更高的预测精度，评价指标也表明了该模型的有效性和优越性。
In turbofan engine datasets, to address problems, such as noise interference, diverse data types, large data volumes, complex feature extraction, inability to effectively describe degradation trends, and poor remaining useful life (RUL) prognosis effects, a remaining useful life prognosis model combining an improved stack sparse autoencoder (imSSAE) and an improved echo state network (imESN) is proposed in this paper. First, the 3-sigma criterion is adopted to remove the noise and reconstruct the data, and then the deep features of the engine are extracted by using an imSSAE and fused into health indicator (HI) curves describing the engine degradation trend. Finally, an attention mechanism is introduced into an imESN to adaptively process different types of data and obtain the RUL. The experimental results based on the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset show that compared with the other popular RUL prediction models, the combined model proposed in this paper has higher prediction accuracy, and the evaluation indices also show the effectiveness and superiority of the model.
登录
查看更多内容
DOI：
10.1142/s0218001415510131
发表时间：
2015-12-01
影响因子：
1.5
作者：
Famouri, Mahmoud;Taheri, Mohammad;Azimifar, Zohreh
通讯作者：
Azimifar, Zohreh
基于深度信念网络的健康指标构建和使用改进的粒子过滤器的剩余使用寿命预测
影响因子：
6
作者：
Peng, Kaixiang;Jiao, Ruihua;Pi, Yanting
通讯作者：
Pi, Yanting
基于非线性隐式退化模型的设备剩余使用寿命预测
影响因子：
2.1
作者：
Cai Zhongyi;Wang Zezhou;Xiang Huachun
通讯作者：
Xiang Huachun
影响因子：
11.2
作者：
Hua, Zhiguang;Zheng, Zhixue;Gao, Fei
通讯作者：
Gao, Fei
影响因子：
12.3
作者：
Xia, Min;Li, Teng;Wang, Zhongren
通讯作者：
Wang, Zhongren