典型文献
基于选择性深度神经网络集成的涡扇发动机剩余寿命预测
文献摘要：
大样本高维度状态监测数据对剩余使用寿命(RUL)精准预测有着技术性挑战,为了提高以航空涡轮风扇发动机为代表的复杂装备的预测精度和收敛效率,提出一种两阶段的选择性深度神经网络集成方法.第1阶段为多方法联合扰动下的候选集生成方案,通过采用异质神经网络结构、多时间尺度设计和算法参数随机化消除模型内部耦合关系,强化候选深度神经网络集多样性;第2阶段利用遗传算法集成修剪冗余模型,有效剔除性能不佳的冗余学习器,以获取多样化最优候选子集,并按平均集成输出预测结果.与个体模型的数据实验对比表明,所提方法通过同步增强集成模型准确性和多样性,提升了近20％的RUL预测精度,可为运维决策提供有力支撑.
文献关键词：
剩余寿命预测;选择性集成;异质深度神经网络;集成多样性;涡扇发动机
中图分类号：
作者姓名：
韩冬阳;林泽宇;郑宇;郑美妹;夏唐斌
作者机构：
上海交通大学机械与动力工程学院,上海200240;上海交通大学弗劳恩霍夫协会智能制造项目中心,上海201306
文献出处：
引用格式：
[1]韩冬阳;林泽宇;郑宇;郑美妹;夏唐斌-.基于选择性深度神经网络集成的涡扇发动机剩余寿命预测)[J].浙江大学学报（工学版）,2022(11):2109-2118,2214
A类：
集成修剪,异质深度神经网络,集成多样性
B类：
网络集成,涡扇发动机,剩余寿命预测,大样本,高维度,状态监测数据,剩余使用寿命,RUL,精准预测,涡轮风扇发动机,复杂装备,收敛效率,两阶段,集成方法,多方法,候选集生成,神经网络结构,多时间尺度,尺度设计,和算,算法参数,随机化,耦合关系,算法集成,冗余模型,子集,输出预测,实验对比,集成模型,运维决策,选择性集成
AB值：
0.36541
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
