基于传感器时序信息增强的剩余寿命预测方法

doi:10.7527/S1000-6893.2025.31634

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于传感器时序信息增强的剩余寿命预测方法

曲桂娴¹^,²^,³, 刘冬阳⁴, 杨旭¹, 邱天¹^,²^,³(), 刘传凯¹^,³, 丁水汀¹^,²^,³, 袁树峥⁵, 郭侃⁶

^1.北京航空航天大学航空发动机研究院，北京 100191
^2.天目山实验室，杭州 310023
^3.北京航空航天大学未来航空发动机协同设计中心，北京 102206
^4.北京航空航天大学能源与动力工程学院，北京 100191
^5.中国航发北京航科发动机控制系统科技有限公司，北京 102200
^6.北京工业大学信息科学技术学院，北京 100124

收稿日期:2024-12-09 修回日期:2025-01-02 接受日期:2025-05-06 出版日期:2025-07-21 发布日期:2025-05-08
通讯作者: 邱天 E-mail:qiutian@buaa.edu.cn
基金资助:
国家自然科学基金(52302510);北京市自然科学基金(3252015);中央高校基本科研费专项资金(YWF-23-Q-1066);天目山实验室交叉创新研究团队项目(TK-2024-D-001);北航大学生创新创业训练计划项目(X202410006108)

Remaining useful life prediction method based on temporal information enhancement of sensors

Guixian QU¹^,²^,³, Dongyang LIU⁴, Xu YANG¹, Tian QIU¹^,²^,³(), Chuankai LIU¹^,³, Shuiting DING¹^,²^,³, Shuzheng YUAN⁵, Kan GUO⁶

^1.Research Institute of Aero-Engine，Beihang University，Beijing 100191，China
^2.Tianmushan Laboratory，Hangzhou 310023，China
^3.Collaborative Innovation Center for Future Aero-Engines，Beihang University，Beijing 102206，China
^4.School of Energy and Power Engineering，Beihang University，Beijing 100191，China
^5.AECC Beijing Hangke Engine Control System Science & Technology Co. ，Ltd. ，Beijing 102200，China
^6.School of Information Science and Technology，Beijing University of Technology，Beijing 100124，China

Received:2024-12-09 Revised:2025-01-02 Accepted:2025-05-06 Online:2025-07-21 Published:2025-05-08
Contact: Tian QIU E-mail:qiutian@buaa.edu.cn
Supported by:
National Natural Science Foundation of China(52302510);Beijing Natural Science Foundation(3252015);the Fundamental Research Funds for the Central Universities(YWF-23-Q-1066);Tianmushan Laboratory Cross-Innovation Research Team Project(TK-2024-D-001);College Students’ Innovative Entrepreneurial Training Program(X202410006108)

摘要/Abstract

摘要：

针对航空发动机剩余使用寿命（RUL）在线准确预测问题，提出一种基于多源传感器时序特征增强的航空发动机RUL预测方法。首先，集成自注意力机制与双向长短期记忆网络建立RUL预测网络框架，用于捕捉航空发动机多源传感器信号的长时序依赖关系及多源传感器时变性能之间的耦合关系，提取影响RUL的时序特征；在此基础上，引入残差模块解决预测网络在训练过程中潜在的梯度消失问题，提升模型训练的稳定性，同时结合多头自注意力机制从特征中提取和增强关键特征，实现RUL在线预测精度和稳定性的双重提升。最后，利用NASA的C-MAPSS航空发动机数据集进行对比实验，结果表明，所提出的方法可充分利用传感器时序信息，在大范围时空尺度上实现精确的航空发动机剩余寿命预测和退化趋势预测，RUL预测的均方根误差（RMSE）相较于其他深度学习模型平均下降了21.74%，决定系数（R²）平均提升了15.81%，可为航空发动机健康管理系统的发展应用以及航空发动机预测性维护提供有效的技术支撑。

关键词: 航空发动机, 剩余使用寿命, 特征注意力, 双向长短期记忆网络, 残差网络, 多头注意力机制

Abstract:

To address the challenge of accurately predicting the Remaining Useful Life （RUL） of aircraft engines online， this paper pro-poses a novel RUL prediction method that enhances multi-source sensor temporal feature information. The approach first establishes a prediction network framework by integrating the self-attention mechanism with Bidirectional Long Short-Term Memory （Bi-LSTM） networks. This framework captures the long-term temporal dependencies of multi-source sensor signals and the coupling relationships between their time-varying performance， enabling the extraction of temporal features that in-fluence RUL. To address the potential gradient vanishing issue during training， a residual module is introduced， improving model stability. Additionally， a multi-head self-attention mechanism is employed to extract and enhance key features， leading to dual improvements in both the accuracy and stability of RUL online prediction. Comparative experiments using NASA’s C-MAPSS aircraft engine dataset demonstrate the effectiveness of the proposed method. The results show that the method leverages sensor temporal information to make precise RUL predictions and degradation trend forecasts across a wide range of time and spatial scales. Specifically， the Root Mean Square Error （RMSE） of RUL prediction is reduced by an average of 21.74% compared to other deep learning models， while the coefficient of determination （R²） is improved by an average of 15.81%. This approach offers valuable technical support for the development of aircraft engine health management systems and predictive maintenance strategies.

Key words: aircraft engine, remaining useful life, feature attention, bidirectional long short-term memory network, residual network, multi-head attention mechanism

中图分类号:

V263.6

曲桂娴, 刘冬阳, 杨旭, 邱天, 刘传凯, 丁水汀, 袁树峥, 郭侃. 基于传感器时序信息增强的剩余寿命预测方法[J]. 航空学报, 2025, 46(17): 231634.

Guixian QU, Dongyang LIU, Xu YANG, Tian QIU, Chuankai LIU, Shuiting DING, Shuzheng YUAN, Kan GUO. Remaining useful life prediction method based on temporal information enhancement of sensors[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(17): 231634.

图/表 18

图 1

图 2

图3

图 4

图 5

图 6

表1

表2

图 7

图 8

图 9

表3

图 10

图 11

图 12

表4

表5

表6

参考文献 22

[1]	FU S， ZHANG Y J， LIN L， et al. Deep residual LSTM with domain-invariance for remaining useful life prediction across domains［J］. Reliability Engineering & System Safety， 2021， 216： 108012.
[2]	HENG A， ZHANG S， TAN A C C， et al. Rotating machinery prognostics： State of the art， challenges and opportunities［J］. Mechanical Systems and Signal Processing， 2009， 23（3）： 724-739.
[3]	EL-THALJI I， JANTUNEN E. A summary of fault modelling and predictive health monitoring of rolling element bearings［J］. Mechanical Systems and Signal Processing， 2015， 60： 252-272.
[4]	SI X S， WANG W B， HU C H， et al. Remaining useful life estimation–A review on the statistical data driven approaches［J］. European Journal of Operational Research， 2011， 213（1）： 1-14.
[5]	韩淞宇，邵海东，姜洪开，等. 基于提升卷积神经网络的航空发动机高速轴承智能故障诊断［J］. 航空学报， 2022， 43（9）： 625479.
	HAN S Y， SHAO H D， JIANG H K， et al. Intelligent fault diagnosis of aero-engine high-speed bearings using enhanced CNN［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625479 （in Chinese）.
[6]	李晖，陈银超，孙绍山，等. 基于联邦图网络的转子系统故障诊断方法［J］. 航空学报， 2024， 45（17）： 530611.
	LI H， CHEN Y C， SUN S S， et al. Fault diagnosis method of rotor system based on federated graph network［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（17）： 530611 （in Chinese）.
[7]	胡渊豪，宋艺博，刘家辉，等. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断［J］. 航空学报， 2024， 45（15）： 630407.
	HU Y H， SONG Y B， LIU J H， et al. Fault diagnosis of electro-hydraulic proportional servo valves based on attention convolutional capsule networks［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（15）： 630407 （in Chinese）.
[8]	XIANG S， QIN Y， LUO J， et al. Multicellular LSTM-based deep learning model for aero-engine remaining useful life prediction［J］. Reliability Engineering & System Safety， 2021， 216： 107927.
[9]	LI H， LI Y， WANG Z J， et al. Remaining useful life prediction of aero-engine based on PCA-LSTM［C］∥2021 7th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations （CMMNO）. Piscataway： IEEE Press， 2021： 63-66.
[10]	CHEN Z H， WU M， ZHAO R， et al. Machine remaining useful life prediction via an attention-based deep learning approach［J］. IEEE Transactions on Industrial Electronics， 2021， 68（3）： 2521-2531.
[11]	PALANGI H， DENG L， SHEN Y L， et al. Deep sentence embedding using long short-term memory networks： analysis and application to information retrieval［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2016， 24（4）： 694-707.
[12]	HUA Y X， ZHAO Z F， LI R P， et al. Deep learning with long short-term memory for time series prediction［J］. IEEE Communications Magazine， 2019， 57（6）： 114-119.
[13]	杨超，张开富. 基于PSO-BiLSTM神经网络的机身筒段应力预测［J］. 航空学报， 2023， 44（7）： 426991.
	YANG C， ZHANG K F. Stress prediction of fuselage tube section based on PSO-BiLSTM neural network［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（7）： 426991 （in Chinese）.
[14]	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 770-778.
[15]	HU J J， WANG X F， ZHANG Y， et al. Time series prediction method based on variant LSTM recurrent neural network［J］. Neural Processing Letters， 2020， 52（2）： 1485-1500.
[16]	ZHAO Z Q， LIANG B， WANG X Q， et al. Remaining useful life prediction of aircraft engine based on degradation pattern learning［J］. Reliability Engineering & System Safety， 2017， 164： 74-83.
[17]	GUO X J， CHEN L， SHEN C Q. Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis［J］. Measurement， 2016， 93： 490-502.
[18]	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： 1-11.
[19]	ZHANG C， LIM P， QIN A K， et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics［J］. IEEE Transactions on Neural Networks and Learning Systems， 2017， 28（10）： 2306-2318.
[20]	LI H， ZHAO W， ZHANG Y X， et al. Remaining useful life prediction using multi-scale deep convolutional neural network［J］. Applied Soft Computing， 2020， 89： 106113.
[21]	LI X Q， JIANG H K， LIU Y， et al. An integrated deep multiscale feature fusion network for aeroengine remaining useful life prediction with multisensor data［J］. Knowledge-Based Systems， 2022， 235： 107652.
[22]	XU W Y， JIANG Q S， SHEN Y H， et al. New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 3507909.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

传感器序号	参数标号	参数名称	参数单位	传感器序号	参数标号	参数名称	参数单位
1	T2	风机进口总温度	°R	12	phi	燃料流量与P_s30的比率	pps/psi
2	T24	低压压气机出口温度	°R	13	NRf	校正风扇转速	rpm
3	T30	高压压气机出口温度	°R	14	NRc	校正核心转速	rpm
4	T50	低压涡轮出口温度	°R	15	BPR	涵道比
5	P2	风机入口压力	psia	16	farB	燃烧器燃气比
6	P15	旁路管道总压力	psia	17	htBleed	引气焓值
7	P30	高压压气机出口总压力	psia	18	Nf_dmd	设定风扇转速	rpm
8	Nf	发动机风扇速度	rpm	19	PCNfR_dmd	设定核心机换算转速	rpm
9	Nc	发动机核心转速	rpm	20	W31	高压涡轮冷却引气流量	lbm/s
10	epr	发动机压力比		21	W32	低压涡轮冷却引气流量	lbm/s
11	Ps30	高压压气机出口静压	Psia	21	W32	低压涡轮冷却引气流量	lbm/s

训练集	FD001	FD002	FD003	FD004
训练集发动机数量	100	260	100	249
测试集发动机数量	100	259	100	248
操作条件	1	6	1	6
故障模式	1	1	2	2

批次大小	RMSE	R²
4	15.68	0.73
16	16.14	0.72
32	11.27	0.87
64	16.70	0.71
128	19.63	0.60
256	20.61	0.60
512	20.34	0.58

数据集	FD001		FD002		FD003		FD004
数据集	RMSE	R²	RMSE	R²	RMSE	R²	RMSE	R²
LSTM	18.24	0.65	24.81	0.35	17.15	0.66	25.96	0.37
BiLSTM	16.64	0.68	24.57	0.38	16.44	0.69	24.97	0.43
FFBiLSTM	15.43	0.70	23.99	0.41	14.37	0.71	23.26	0.44
FFBiLSTM+MHA	13.47	0.72	21.55	0.52	13.98	0.73	20.17	0.53
FFBiLSTM+ResNet	14.01	0.73	23.71	0.49	14.15	0.75	21.19	0.51
所提方法	11.27	0.87	16.12	0.68	11.52	0.83	15.02	0.71

数据集	FD001		FD002		FD003		FD004
数据集	RMSE	R²	RMSE	R²	RMSE	R²	RMSE	R²
DCNN^［18］	12.61		22.36		12.64		23.31
MODBNE^［19］	15.04		25.05		12.51		28.66
MS-DCNN^［20］	11.44		19.35		11.67		22.22
IDMFFN^［21］	12.18		19.17		11.89		21.72
CNN^［21］	17.91	0.64	22.54	0.42	14.61	0.70	19.85	0.42
CNN-Attention^［22］	16.53	0.69	22.13	0.44	16.43	0.62	18.38	0.50
CNN-LSTM^［22］	14.93	0.75	22.61	0.41	13.15	0.76	20.39	0.39
SARN^［22］	13.84	0.78	18.92	0.59	11.68	0.81	17.74	0.53
所提出的方法	11.27	0.87	16.12	0.68	11.52	0.83	15.02	0.71

基于传感器时序信息增强的剩余寿命预测方法

Remaining useful life prediction method based on temporal information enhancement of sensors

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	姚斡维, 刘高文, 陈燕, 孔晓治, 林阿强. 高性能涡轮低位预旋供气系统正向设计[J]. 航空学报, 2025, 46(7): 130832-130832.
[2]	何雅玲, 姜涛, 杜燊, 徐国强. 飞行包线内空气换热器能力边界研究及进展[J]. 航空学报, 2025, 46(5): 531745-531745.
[3]	杨显赵, 刘高文, 郭令颖, 马佳乐, 林阿强. 高温降涡轮高位预旋供气系统设计[J]. 航空学报, 2025, 46(2): 130672-130672.
[4]	边杰, 王四季, 刘飞春. 航空发动机鼠笼弹支设计与试验研究进展[J]. 航空学报, 2025, 46(17): 231571-231571.
[5]	王志伟, 查天衡, 刘博文, 陈燕, 林阿强, 刘高文. 高转速旋转篦齿流动与温升特性实验[J]. 航空学报, 2025, 46(15): 131534-131534.
[6]	尹泽勇, 李概奇, 石建成, 银越千. 先进通用核心机派生发展的理念、方法及实践[J]. 航空学报, 2024, 45(7): 29713-029713.
[7]	黄维娜, 黎方娟, 祁宏斌. 航空发动机数字工程初步研究与发展思考[J]. 航空学报, 2024, 45(5): 529693-529693.
[8]	齐国宁, 吴宝海, 符江锋. 高速高压燃油齿轮泵典型卸荷槽对比分析[J]. 航空学报, 2024, 45(5): 529666-529666.
[9]	陈立芳, 孙亚冰, 周书华, 高强, 乔保栋, 李栋. 基于真实数据反演的风扇转子本机平衡方法[J]. 航空学报, 2024, 45(4): 628321-628321.
[10]	马瑞贤, 王鑫, 王开明, 李斌, 廖明夫, 王四季. 航空发动机篦齿⁃橡胶涂层机匣碰摩实验[J]. 航空学报, 2024, 45(4): 628350-628350.
[11]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[12]	肖袁, 冯坤, 胡明辉, 江志农. 航空发动机转子非稳态振动分量提取方法[J]. 航空学报, 2024, 45(3): 228158-228158.
[13]	洪志亮, 李煜, 何文博, 丁水汀. 热载荷下螺栓预紧力对非连续转子界面滑移特性影响[J]. 航空学报, 2024, 45(24): 230402-230402.
[14]	潘慕绚, 陆思蓉, 程珂, 李小涛. 航空发动机约束控制综述[J]. 航空学报, 2024, 45(23): 30533-030533.
[15]	王者, 王志平, 丁坤英, 张涛, 王远航. 某型航空发动机涡轮导向叶片热障涂层可靠性分析[J]. 航空学报, 2024, 45(22): 430141-430141.