一种融合多尺度与频域特征的双维并行神经网络，用于飞机发动机寿命预测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A Dual-dimensional Parallel Neural Network Integrating Multi-scale and Frequency-Domain Features for Aircraft Engine Life Prediction

基于时间-频率特征与多尺度融合的剩余使用寿命预测方法在航空发动机中的应用研究。提出FreTS模型结合atrous卷积和选择性融合策略，有效提取多维、多尺度及时频特征，在C-MAPSS数据集上验证预测精度优于现有方法。

　　

摘要

基于预测与健康管理（PHM）技术的持续监控和预防性维护能够确保飞机的飞行安全。其中，剩余使用寿命（RUL）是评估设备可靠性和确定维护计划的关键指标。数据量的增加使得数据驱动模型拥有更丰富的样本集，有助于提升数据拟合能力和预测精度。然而，在基于数据的剩余使用寿命预测方法中仍存在以下问题：(i) 单维和单尺度方法不足以进行全面的特征提取；(ii) 仅从时域提取特征会忽略某些退化信息。因此，提出了一种结合时域-频域特征以及多尺度特征的方法。该方法利用频域多层感知器（FreTS）同时提取序列和特征维度上的频域特征，通过不同速率的孔洞卷积和选择性融合策略提取多尺度浅层局部特征信息，并通过编码器进一步捕捉整个时间步长内的深层全局退化信息。基于C-MAPSS数据集对飞机发动机的剩余使用寿命进行了预测实验，并研究了预测精度。结果表明，所提出的模型有效提取并融合了多维度、多尺度和时域-频域特征，在剩余使用寿命预测方面优于所有最新方法。