典型文献
基于改进CNN-LSTM的飞控系统剩余寿命预测
文献摘要：
数据驱动的剩余寿命(remaining useful life,RUL)预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究.针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法.该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取.首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络(long short-term memory,LSTM)提取系统状态参数时间序列的故障信息,结合一维卷积神经网络(1D-CNN)提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络.充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测.
文献关键词：
剩余寿命预测;建模仿真;长短时记忆网络;一维卷积神经网络
中图分类号：
作者姓名：
李梦蝶;赵光;罗灵鲲;胡士强
作者机构：
上海交通大学 航空航天学院,上海 200240;中国商用飞机有限责任公司,上海 200126
文献出处：
引用格式：
[1]李梦蝶;赵光;罗灵鲲;胡士强-.基于改进CNN-LSTM的飞控系统剩余寿命预测)[J].计算机工程与应用,2022(16):274-283
A类：
B类：
飞控系统,剩余寿命预测,remaining,useful,life,RUL,复杂系统,同系,混合驱动,模型仿真,故障数据,故障信息,信息提取,故障模式,模式建立,蒙特卡罗方法,随机故障,故障时间,真响,失效阈值,随机序列,失效数据,长短时记忆网络,long,short,term,memory,提取系统,状态参数,一维卷积神经网络,1D,关联特征,形成时序,预测网络,建模仿真
AB值：
0.343151
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。
