RUL prediction of aero-engine based on residual self-attention mechanism

YE Rui-da; WANG Wei-jie; HE Liang; CHEN Xiao-cen; XUE Yue

doi:10.37188/OPE.20212906.1482

您当前的位置：

首页 >

文章列表页 >

RUL prediction of aero-engine based on residual self-attention mechanism

Information Sciences | 更新时间：2026-09-12

- RUL prediction of aero-engine based on residual self-attention mechanism
- Optics and Precision Engineering Vol. 29, Issue 6, Pages: 1482-1490(2021)
- 作者机构：
  
  1.航天工程大学，北京 101416
  2.清华大学，北京 100089
  3.63931部队，北京 100094
- 作者简介：
  
  E-mail： wangwjie@123.com
- 基金信息：
- DOI：10.37188/OPE.20212906.1482
  CLC： TP277
- Received：28 December 2020，
  
  Revised：2021-02-25，
  
  Published：15 June 2021
- 稿件说明：
移动端阅览
叶瑞达,王卫杰,何亮等.基于残差自注意力机制的航空发动机RUL预测[J].光学精密工程,2021,29(06):1482-1490.

YE Rui-da,WANG Wei-jie,HE Liang,et al.RUL prediction of aero-engine based on residual self-attention mechanism[J].Optics and Precision Engineering,2021,29(06):1482-1490.
叶瑞达,王卫杰,何亮等.基于残差自注意力机制的航空发动机RUL预测[J].光学精密工程,2021,29(06):1482-1490. DOI： 10.37188/OPE.20212906.1482.

YE Rui-da,WANG Wei-jie,HE Liang,et al.RUL prediction of aero-engine based on residual self-attention mechanism[J].Optics and Precision Engineering,2021,29(06):1482-1490. DOI： 10.37188/OPE.20212906.1482.

摘要

针对传统神经网络在多维数据高分辨率特征识别和高精度信号提取方面的缺陷，开展基于残差自注意力机制的剩余使用寿命（RUL）预测算法研究。比较分析卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的结构特性，揭示二者在长序列信息特征关联能力和局部特征提取能力上的局限性。研究自注意力机制，引入双层残差网络抑制误差函数反向传播中扩散性，进而构建了一种卷积记忆残差自注意力机制的深度学习方法。基于上述方法对典型航空涡扇发动机退化实验数据集进行仿真分析，结果表明：所述方法能够有效建立监测数据与发动机健康状态之间的关系，关键评价指标——剩余使用寿命预测的均方误差为225，相比传统自注意力机制均方误差降低了17.9%，验证了所述方法的可行性和有效性。

Abstract

In this study， the remaining useful life （RUL） prediction algorithm based on the residual self-attention mechanism is employed to address the shortcomings of traditional neural networks in the context of multi-dimensional data high-resolution feature recognition and high-precision signal extraction. The structural characteristics of a convolutional neural network and long short-term memory （LSTM） neural network are compared and analyzed， whereby their limitations are revealed in terms of their long-sequence information feature correlation and local feature extraction abilities. Furthermore， as part of our research on the self-attention mechanism， we introduce a double-layer residual network to suppress the spread of the error function back propagation， following which we construct a deep learning method for the convolutional memory residual self-attention mechanism. Simulation analyses of the typical aviation aero-engine degradation experiment data set show that the proposed method can effectively establish the relationship between the monitoring data and engine health status. The obtained value of the key evaluation index， namely， the mean square error （MSE） of the RUL prediction， is 225. When compared with that of the traditional self-attention mechanism， the MSE in this case is reduced by 17.9%， which verifies the feasibility and effectiveness of the proposed method.

关键词

Keywords

references

彭宇，刘大同 . 数据驱动故障预测和健康管理综述［J］. 仪器仪表学报， 2014 ， 35 （ 3 ）： 481 - 495 .

PENG Y ， LIU D T . Data-driven prognostics and health management： A review of recent advances ［J］. Chinese Journal of Scientific Instrument ， 2014 ， 35 （ 3 ）： 481 - 495 . （in Chinese）

陈煜 . 基于非线性模型的涡喷发动机气路故障诊断研究［D］. 南京：南京航空航天大学， 2014 .

CHEN Y . Gas Path Fault Diagnosis for Turbojet Engine Based on Nonlinear Model ［D］. Nanjing ： Nanjing University of Astronautics ， 2014 . （in Chinese）

葛怡 . 航空发动机几种典型故障建模仿真与预测［D］. 西安：西安理工大学， 2020 .

GE E . Modeling ， Simulation and Prediction of Several Typical Faults of Aeroengine ［D］. Xi'an ： Xi'an University of Technology ， 2020 . （in Chinese）

赵琳，王艺鹏，郝勇 . 在轨飞轮故障诊断混合框架设计［J］. 光学精密工程， 2018 ， 26 （ 7 ）： 1728 - 1740 .

ZHAO L ， WANG Y P ， HAO Y . Hybrid frame design for on orbit flywheel fault diagnosis ［J］. Opt. Precision Eng. ， 2018 ， 26 （ 7 ）： 1728 - 1740 . （in Chinese）

徐彦伟，刘明明，刘洋，等 . 基于信息融合的机器人薄壁轴承故障智能诊断［J］. 光学精密工程， 2019 ， 27 （ 7 ）： 1577 - 1592 .

XU Y W ， LIU M M ， LIU Y ， et al . Intelligent fault diagnosis of robot thin wall bearing based on information fusion ［J］. Opt. Precision Eng. ， 2019 ， 27 （ 7 ）： 1577 - 1592 . （in Chinese）

吴海滨，陈寅生，张庭豪，等 . 改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断［J］. 光学精密工程， 2020 ， 28 （ 3 ）： 621 - 631 .

WU H B ， CHEN Y S ， ZHANG T H ， et al . Rolling bearing fault diagnosis by improved multiscale amplitude-aware permutation entropy and random forest ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 3 ）： 621 - 631 . （in Chinese）

马浩鹏，朱春媚，周文辉，等 . 基于深度学习的乳液泵缺陷检测算法［J］. 液晶与显示， 2019 ， 34 （ 1 ）： 81 - 89 .

MA H P ， ZHU C M ， ZHOU W H ， et al . Defect detection algorithm of lotion pump based on deep learning ［J］. Chinese Journal of Liquid Crystals and Displays ， 2019 ， 34 （ 1 ）： 81 - 89 . （in Chinese）

LI X ， DING Q ， SUN J Q . Remaining useful life estimation in prognostics using deep convolution neural networks ［J］. Reliability Engineering & System Safety ， 2018 ， 172（APR.）： 1 - 11 .

SEN Z ， YONG Z ， SHANG W ， et al . A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method ［J］. Measurement ， 2019 ， 146 ： 279 - 288 .

TAREk B ， MOUSS H ， KADRI O ， et al . Aircraft engines remaining useful life prediction with an adaptive denoising online sequential extreme learning machine ［J］. Engineering Applications of Artificial Intelligence ， 2020 ， 96 （ 103396 ）： 1 - 10 .

彭开香，皮彦婷，焦瑞华，等 . 航空发动机的健康指标构建与剩余寿命预测［J］. 控制理论与应用， 2020 ， 37 （ 4 ）： 713 - 720 .

PENG K ， PI Y ， JIAO R ， TANG P ， et al . Health indicator construction and remaining useful life prediction for aircraft engine ［J］. Control Theory and Applications ， 2020 ， 37 （ 4 ）： 713 - 720 . （in Chinese）

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［J］. arxiv ， 2017 .

LIU S ， YANG N ， LI M ， et al . A recursive recurrent neural network for statistical machine translation ［C］. Meeting of the Association for Computational Linguistics ， 2014 .

ATHIWARATKUN B ， STOKES J W . Malware classification with LSTM and GRU language models and a character-level CNN ［C］. ICMRSAsp IEEE International Conference on Acoustics . IEEE ， 2017 .

HE K ， ZHANG X ， REN S ， et al . Deep Residual Learning for Image Recognition ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE ， 2016 .

SAXENA ， ABHINAV ， GOEBEL ， et al . Damage propagation modeling for aircraft engine run-to-failure simulation ［C］. Prognostics and Health Management ， 2008 International Conference on； Denver ， CO ， USA . 2008 ： 1 - 9 .

吴锐，马洁，丁恺林 . 航空涡扇引擎RUL预测算法研究［J］. 南京理工大学学报（自然科学版）， 2019 ， 43 （ 6 ）： 708 - 714 .

WU R ， MA J ， DING K . Remaining useful life prediction algorithm for aviation turbofan engine ［J］. Journal of Nanjing University of Science And Technology ， 2019 ， 43 （ 6 ）： 708 - 714 . （in Chinese）

马忠，郭建胜，顾涛勇，等 . 基于改进卷积神经网络的航空发动机剩余寿命预测［J］. 空军工程大学学报（自然科学版）， 2020 ， 21 （ 6 ）： 19 - 25 .

MA Z ， GUO J S ， GU T Y ， et al . A Remaining useful life prediction for aero-engine based on improved convolution neural networks ［J］. Journal of Air Force Engineering University （Natural Science Edition）， 2020 ， 21 （ 6 ）： 19 - 25 . （in Chinese）

Views

3326

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Optical fiber measurement system for 3-D variation of turbine blade tip clearance

Compensation and correction of segmented telescopes based on multilayer perceptron neural network

Physics-guided deep neural network for TDI CCD noise modeling

Centroid localization of dynamic star sensors under proton irradiation

Full-stokes photodetector based on neural networks

Related Author

Xiao-dong ZHANG

Bing WU

Si-ying XIE

ZHU Bangkun

WANG Kun

XU Boqian

GAO Yan

JU Guohao

Related Institution

Key Laboratory for Modern Design & Rotor-Bearing System of Ministry of Education, Xi'an Jiaotong University

China Manned Space Engineering Office

CAS Key Laboratory of On-orbit Manufacturing and Integration for Space Optics system

University of Chinese Academy of Sciences

Changchun Institute of Optics， Fine Mechanics and Physics， Chinese Academy of Sciences

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰