Devido às deficiências das redes neurais tradicionais no reconhecimento de características de alta resolução em dados multidimensionais e extração precisa de sinais, foi realizada uma pesquisa sobre um algoritmo de previsão da vida útil restante (RUL) baseado em um mecanismo de atenção residual. Foi realizada uma análise comparativa das características estruturais das redes neurais convolucionais (CNN) e das redes neurais de memória de curto e longo prazo (LSTM), revelando suas limitações na capacidade de correlacionar características de informações de sequências longas e extrair características locais. O mecanismo de atenção foi estudado, introduzida uma rede residual de duas camadas para suprimir a difusão na retropropagação da função de erro, e assim foi construído um método de aprendizado profundo baseado no mecanismo de atenção residual com memória convolucional. Com base nesse método, foi realizada uma análise de simulação em um conjunto de dados experimentais típicos de degradação de motores turbofan aeronáuticos; os resultados mostram que o método pode estabelecer efetivamente a relação entre os dados de monitoramento e o estado de saúde do motor, com o indicador chave — o erro médio quadrático da previsão da vida útil restante sendo 225, uma redução de 17,9% em comparação com o mecanismo tradicional de atenção, validando a viabilidade e a eficácia do método.

Mecanismo de atenção residual;Redes neurais;Vida útil restante;Motor aeronáutico