基于特征注意力机制的GRU-GAN航空发动机 剩余寿命预测 袁烨 1,2,3* , 黄虹 1 , 程骋 1 , 虞文武 4,5 , 丁汉 2,3 1. 华中科技大学人工智能与自化学院, 武 430074; 2. 华中科技大学机械科学与工程学院, 武 430074; 3. 华中科技大学数字造装备与技术国家重点实验室, 武 430074; 4. 东南大学数学学院, 南京 210096; 5. 东南大学复杂工程系测量与控教育部重点实验室, 南京 210096 * E-mail: yye@hust.edu.cn 收稿日期: 2021-09-13; 接受日期: 2021-12-09; 版发表日期: 2021-12-28 国家重点研发计(号: 2018YFB1701202)和国家自然科学基青年基(批号: 61873197, 51905197)资项目 摘要 涡扇发动机作为航空航天领域的核心设备之一, 其健康状况决定了航空器能否稳定可靠地运行. 涡扇发动 机的剩余寿命预测是航天器设备监测与维护的重要一环. 然而涡扇发动机的监测过程具有工况复杂、监测数据 多样、时间跨度长等特点, 针对其数据类型多且体量大、数据冗余度较高、剩余寿命预测精度较低等问题, 本文 通过将生成对抗网络(Generative adversarial network, GAN)的生成能力与门控循环单元(Gate recurrent unit, GRU) 的预测能力相结合, 提出一种基于特征注意力机制的GAN和GRU融合模型. 为了对时序关系进行建模, 首先利用 特征注意力机制和GRU分别提取空间和时间上的相关性, 然后将经过预训练的生成器附加到GRU之后得到整体 模型. 具体来说, 本文采用预训练的GAN网络生成模块替代传统自编码器, 解决了由自编码器参数过多引起的 GRU模块训练不充分的问题, 提升了时空相关特性的提取能力、提高了模型的泛化性能、提升了预测精度. 本 文利用CMAPSS涡扇发动机数据来验证模型效果, 通过与不同机器学习方法进行对比, 实验结果显示, 该方法在 均方根误差和指数型评价指标这两个评价指标上都有较高的预测精度. 关键词 航空航天, 剩余寿命预测, 生成对抗网络, 注意力机制, 特征提取 1 引言 近年来, 随着智能造和工业互联的快速发展, 状态监测(Condition monitoring, CM)技术被广泛应用 于信息物理系 [1] 、电健康管理系 [2] 、设备键 零部件运系 [3] 、电系 [4,5] 等各种工程系中. 状态监测技术对于故障预测和健康管理(Prognostics and health management, PHM)有重要意义. 通过对状 态监测数据的析, 可以预测设备当状态失效状 态的余寿命(Remaining useful life, RUL). 对涡扇发 引用格式: 袁烨, 黄, 程骋, 等. 基于特征注意机的GRU-GAN航空发机余寿命预测. 中国科学: 技术科学, 2022, 52: 198–212 Yuan Y, Huang H, Cheng C, et al. Remaining useful life prediction of the aircraft engine based on the GRU-GAN network with a feature attention mechanism (in Chinese). Sci Sin Tech, 2022, 52: 198–212, doi: 10.1360/SST-2021-0434 © 2021 《中国科学》杂志社 www.scichina.com 中国科学: 技术科学 2022 年 第 52 卷 第 1 期: 198 ~ 212 SCIENTIA SINICA Technologica techcn.scichina.com 工业互联网专辑 论文