基于门控循环单元的剩余寿命预测方法

摘要

使用设备运行数据对设备进行状态评估,有利于尽早掌握设备退化信息,预测剩余使用寿命(Remaining Useful Life,RUL),保障运行安全.针对设备RUL的预测问题,研究了基于门控循环单元(Gated Recurrent Unit,GRU)的航空发动机RUL预测模型.该模型利用两个门控单元,对发动机整套退化数据进行了时间序列上的特征提取,建立起了特征与实际RUL的映射关系,实现设备RUL预测.经试验测试,该方法预测精度高于多数浅层机器学习方法和部分深度学习方法,而与结构更加复杂的深度学习方法相比,该方法的轻便性和高效性在模型迁移上更具优势.