针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory,MS...针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory,MSDCNN-LSTM)的设备剩余寿命预测方法。对传感器数据进行标准化和滑动时间窗口处理得到输入样本;采用基于多尺度深度卷积神经网络(MSDCNN)提取空间详细特征,采用长短时记忆网络(LSTM)提取时间相关性特征以进行有效的预测。基于商用模块化航空推进系统仿真数据集的实验表明,相较于其他最新方法,文中提出的方法取得了较好的预测结果,尤其是对于故障模式和运行条件复杂的设备寿命预测需求,该方法效果明显。展开更多
文摘针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory,MSDCNN-LSTM)的设备剩余寿命预测方法。对传感器数据进行标准化和滑动时间窗口处理得到输入样本;采用基于多尺度深度卷积神经网络(MSDCNN)提取空间详细特征,采用长短时记忆网络(LSTM)提取时间相关性特征以进行有效的预测。基于商用模块化航空推进系统仿真数据集的实验表明,相较于其他最新方法,文中提出的方法取得了较好的预测结果,尤其是对于故障模式和运行条件复杂的设备寿命预测需求,该方法效果明显。
