9941.
针对发动机运行数据的多模态以及难以实现有效的发动机寿命预测问题,提出一种融合图像和发动机运行时间数据潜在关系的多模态融合特征并分支发动机寿命预测方法。首先,利用滑动窗口对发动机运行数据进行分割,以构造发动机运行数据的序列样本,并采用格拉姆角场(GAF)将构造的序列样本转化为图像;其次,用序列样本和图像分别通过双向长短期记忆(BiLSTM)网络和卷积神经网络(CNN)获取趋势和周期等传感器之间的潜在关系特征;最后,引入交叉注意力机制(CAM)实现2种模态特征的融合并实现发动机寿命的预测。在公开的C-MAPSS数据集上的实验结果表明,该预测方法的R-squared(R
2)高于0.99,而均方根误差(RMSE)在1以内。可见,该方法能在保证预测精度的同时改善计算效率。… …
相似文献