文献阅读《Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network》
摘要 准确故障定位(SVM)和RUL预测,在复杂操作条件、混合故障和强噪音下使用LSTM同时进行故障分类和RUL预测
1.这个领域设法解决面对发动机的高复杂度,传统的维修方法无法进行准确和快速地故障定位和RUL预测
2.1⃣️使用物理方法使得研究发展变得昂贵和困难
2⃣️在基于数据的方法中,使用MLP和RBF,传统RNN预测航空发动机RUL
3⃣️使用标准RNN所有layer共享共同权值,形成很深的前馈网络,造成无法解决长期依赖(长期依赖指输出的根据离输出时刻太远,可能会造成梯度消失或梯度爆炸)
4⃣️针对确定的错误进行RUL预测,需要对不同故障模式训练多重估计量,从而使得预测系统变的复杂,难以适应真实况
下一步,针对这些挑战,使用LSTM建立一个适用于多故障和混合故障的模型,进行RUL预测和在此刻每种故障发生的可能性,从而简化RHM系统,对维修计划提供更加全面的信息
想回答的问题 | 解决手段 |
---|---|
长期依赖 | LSTM |
同时(多分类)故障预测和RUL回归预测 | 两个输出层,一个用于RUL预测 |
防止过拟合 | 正则化 |
证明RUL评估的表现 | 使用相对误差和不对称评分进行评估 |
保证代价函数在R |