基于貝葉斯優化LSTM 的發動機剩余壽命預測

張其霄，董 鵬，王科文，盧 葦

（海軍工程大學管理工程與裝備經濟系，武漢 430033）

0 引言

航空發動機作為重要的航空裝備，是一個十分復雜的系統，且航空發動機一般在高溫、高壓、高轉速、高負荷等復雜條件下長時間運行，因此，保證航空發動機安全性和可靠性十分必要。其中，發動機的預測與健康管理（prognostics and health management，PHM）是一個有效的解決方案。剩余使用壽命（remaining useful life，RUL）預測是PHM 研究領域中的關鍵任務，目標是根據設備健康狀態的數據，預測設備的剩余使用時間。航空發動機的剩余壽命預測主要方法可分為3 類：基于物理模型的預測方法、基于數據驅動的預測方法和混合預測方法。由于發動機結構復雜，難以建立精確的物理模型來進行描述，因此，基于發動機監控數據的數據驅動模型是有效的研究方法，成為眾多學者們的研究熱點。

基于數據驅動的RUL 預測方法不依賴于物理失效模型，而是基于數據分析和挖掘，提取反映系統健康狀態的特征，繼而借助于人工智能等算法實現剩余壽命預測。常見的數據驅動方法可分為兩類：基于數理統計和基于機器學習的方法。典型的數理統計模型如馬爾科夫、自回歸移動平滑（AMRA）、維納過程等。相較于統計模型，近年來，基于機器學習方法的研究與應用更為廣泛，典型算法有人工神經網絡、支持向量機、深度學習等。KHELIF等人基于支持向量回歸（support vectorregerssion，SVR）對渦輪發動機進行了剩余壽命預測；也有學者利用多層感知機（multi-layerperceptron，MLP）進行剩余壽命預測的研究。……