摘要
飞行引擎剩余使用寿命（RUL）的预测有助于基于状态的维护，但大多数数据驱动模型都假设传感器的可用性是固定的。电源供应、数据采集或通信故障可能会使这一假设失效。我们提出了剩余使用寿命双重注意力鲁棒网络（RUL-DARNet），该网络结合了卷积神经网络-长短期记忆（CNN-LSTM）框架、训练阶段的整个通道传感器丢弃（SD）机制、掩码感知（MA）特征注意力和时间注意力。SD使模型能够处理传感器数量减少的情况，而MA则通过显式的可用性掩码将不可用的通道排除在特征注意力归一化之外。在四种商用模块化航空推进系统模拟（C-MAPSS）子集上，针对受控的合成传感器不可用情况评估了十个种子数据和十个配对掩码。轨迹指标使用了125个周期的标签上限和相等的引擎权重。在预先指定的FD001（40%的传感器完全随机缺失）终点处，RUL-DARNet的RMSE为17.474 ± 1.410个周期，而仅使用SD的RMSE为19.023 ± 0.706个周期。在应用Holm校正后，九个种子数据中，将MA添加到SD之后RMSE减少了1.549个周期。在值相关的缺失、多种操作条件和几个轨迹级别的故障情况下，这种优势减弱或消失了。训练阶段的暴露情况解释了观察到的大部分鲁棒性，而掩码感知的重新加权在测试的C-MAPSS协议中提供了较小的、有条件的优势，前提是可用性标签是可靠的，并且剩余通道能够保留退化信息。
