基于数据驱动的涡轮发动机剩余寿命预测

摘要：

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失.通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识.为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合理的对发动机的剩余寿命进行预测,使用改进后的梯度提升决策树(GBDT)和进行归一化处理后的涡轮发动机性能数据进行实验.在通用数据集上开展测试比较,结果表明改进GBDT模型适用于不同工况下涡轮发动机的剩余使用寿命预测,预测效果优于现有支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络等方法(LSTM),尤其是在运行时间上有较大幅度的提升,对于涡轮发动机的健康管理与运维决策能够提供保证.

关键词：涡轮发动机、剩余寿命预测、梯度提升决策树、数据驱动、互斥特征绑定、梯度单边采样

所属期刊栏目：25

分类号：TM307(电机)

资助基金：国家自然科学基金;黑龙江省自然科学基金

在线出版日期：2021-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：68-74