双流卷积增强Transformer剩余寿命预测模型

预测误差大幅降低

该模型融合多尺度CNN与Transformer，同步提取局部与全局退化特征，并通过正则化约束提高预测可靠性，专为航空发动机剩余寿命预测设计。

Zhu, Jiangyan · 马军 · 吴建德

Engineering Applications of Artificial Intelligence 2024

参数信息

Score降低率

2.71 %

RMSE降低率

3.13 %

Score降低率

4.54 %

RMSE降低率

2.78 %

技术优势

局部与全局特征兼得

并行多尺度CNN与Transformer模块分别提取局部和全局退化特征，同步利用不同时间步与传感器特征。

惩罚延迟预测

引入延迟预测约束项，融入L2正则化损失函数，使预测结果更可靠。

全面超越基线

在C-MAPSS全部四个子数据集上均取得竞争性表现，验证了方法的有效性。

应用场景

• 航空发动机预测性维护：提供更准确的RUL预测，支持按需维护并减少非计划停机。
• 工业设备健康管理：同步提取局部与全局特征，提升复杂设备健康状态评估的准确度。
• 机器人系统寿命预测：处理多传感器时间序列，预测机器人系统寿命并优化维护计划。
• 低空飞行器健康监测：可实时处理飞行数据，为低空飞行器提供及时寿命预警。