基于RF-DGRU-SA的渦扇發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)

馬鳴風(fēng)，王力

(1.中國(guó)民航大學(xué)電子信息與自動(dòng)化學(xué)院，天津 300300；2.中國(guó)民航大學(xué)職業(yè)技術(shù)學(xué)院，天津 300300)

0 前言

渦扇發(fā)動(dòng)機(jī)作為航空飛行器的重要部件，一方面對(duì)航空飛行器的正常飛行起著至關(guān)重要的作用，另一方面其復(fù)雜的內(nèi)部結(jié)構(gòu)以及對(duì)可靠性和安全性的嚴(yán)苛要求使得維護(hù)成本高昂。因此，需要對(duì)渦扇發(fā)動(dòng)機(jī)的健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)其剩余使用壽命(Remaining Useful Life, RUL)進(jìn)行精準(zhǔn)預(yù)測(cè)，從而做到實(shí)時(shí)維護(hù)，防止故障的發(fā)生[1-3]。目前有兩大方法可以實(shí)現(xiàn)對(duì)渦扇發(fā)動(dòng)機(jī)RUL的預(yù)測(cè)：基于物理模型的預(yù)測(cè)方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法[4]。

由于發(fā)動(dòng)機(jī)內(nèi)部機(jī)制復(fù)雜，物理模型通常難以建立。隨著發(fā)動(dòng)機(jī)歷史失效數(shù)據(jù)的大量積累，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法已成為時(shí)下研究熱點(diǎn)。最小二乘支持向量機(jī)(Least Squares Support Vector Machine, LS-SVM)[5]、半馬爾可夫決策過(guò)程框架[6]等機(jī)器學(xué)習(xí)算法被用來(lái)解決RUL預(yù)測(cè)問(wèn)題。上述方法均沒(méi)有對(duì)數(shù)據(jù)進(jìn)行深層次的挖掘，因而預(yù)測(cè)精度較低。和機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)更能充分挖掘數(shù)據(jù)間復(fù)雜關(guān)系[7]。長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)[8]、循環(huán)門(mén)控單元(Gated Recurrent Units，GRU)[9]等神經(jīng)網(wǎng)絡(luò)模型被用來(lái)預(yù)測(cè)發(fā)動(dòng)機(jī)的RUL。上述研究在剩余壽命預(yù)測(cè)領(lǐng)域取得了一定的成果，但單一神經(jīng)網(wǎng)絡(luò)的使用無(wú)法優(yōu)化隱藏信息權(quán)重，缺少不同網(wǎng)絡(luò)的優(yōu)勢(shì)互補(bǔ)。文獻(xiàn)[10]將自編碼(Autoencoder)神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶(Bidirectional Long Short-Term Memory, BLSTM)相結(jié)合；文獻(xiàn)[11]將自注意力機(jī)制(Self-attention，SA)與LSTM相融合；文獻(xiàn)[12]將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)與LSTM相融合。上述研究均采用融合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)RUL的預(yù)測(cè)，雖然取得了一定成果，但是仍存在輸入數(shù)據(jù)維度過(guò)高的問(wèn)題。

本文作者提出了將隨機(jī)森林(Random Forest, RF)、深度門(mén)控循環(huán)單元(Deep Gated Recurrent Units，DGRU)和自注意力機(jī)制相融合的預(yù)測(cè)模型來(lái)對(duì)渦扇發(fā)動(dòng)機(jī)RUL進(jìn)行預(yù)測(cè)。首先，將數(shù)據(jù)輸入RF模塊，通過(guò)重要度閾值的設(shè)置，剔除無(wú)關(guān)特征，解決輸入數(shù)據(jù)維數(shù)過(guò)高的問(wèn)題；其次，利用DGRU處理此類狀態(tài)檢測(cè)數(shù)據(jù)的優(yōu)勢(shì)，挖掘出相關(guān)狀態(tài)特征和剩余使用壽命之間的內(nèi)在聯(lián)系，獲取更深層次的隱藏信息；最后，利用SA對(duì)隱藏信息添加不同大小的權(quán)重，進(jìn)行重要度區(qū)分，提高模型的預(yù)測(cè)精度。

1 理論方法

1.1 基于改進(jìn)隨機(jī)森林的特征提取

RF是一個(gè)以多個(gè)決策樹(shù)分類器為基礎(chǔ)的集成算法，屬于自舉匯聚法(Bootstrap Aggregating)，決策樹(shù)采用CART(Classification and Regression Tree)算法構(gòu)建[13]。RF采用有放回的抽樣方式在原始數(shù)據(jù)上進(jìn)行抽樣，抽選出k個(gè)數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，使用每一個(gè)訓(xùn)練集訓(xùn)練出一個(gè)決策樹(shù)即弱分類器，對(duì)多個(gè)弱分類器預(yù)測(cè)結(jié)果進(jìn)行組合得到最終集成結(jié)果。傳統(tǒng)的RF算法采取算術(shù)平均法作為集成結(jié)果，考慮到不同弱分類器的預(yù)測(cè)精度不同，本文作者將為不同弱分類器添加誤差權(quán)重，剔除誤差最大的弱分類器，改變其余弱分類器對(duì)隨機(jī)森林集成結(jié)果的影響。改進(jìn)算法具體描述如下。

(1)在原始數(shù)據(jù)集上進(jìn)行k次有放回的采樣，得到k個(gè)采樣數(shù)據(jù)集Di(i=1,2,…,k)，其中每個(gè)采樣數(shù)據(jù)集都與原始數(shù)據(jù)集有著相同的大小。

(2)設(shè)原始數(shù)據(jù)具有x個(gè)特征，隨機(jī)挑選m個(gè)特征作為單一弱分類器每個(gè)節(jié)點(diǎn)的分枝變量，根據(jù)已有分枝選出最優(yōu)分枝，采用CART算法構(gòu)建出沒(méi)有剪枝的弱分類器。

(3)以弱分類器中最大預(yù)測(cè)誤差為基準(zhǔn)將所有弱分類器的預(yù)測(cè)誤差進(jìn)行歸一化，用最大值1減去各個(gè)弱分類器的誤差歸一化結(jié)果得到每個(gè)弱分類器的誤差權(quán)重αi。

(1)

(4)將上一步計(jì)算出的誤差權(quán)重αi與各個(gè)弱分類器預(yù)測(cè)結(jié)果相乘得到優(yōu)化后預(yù)測(cè)結(jié)果，將優(yōu)化后預(yù)測(cè)結(jié)果求和得到最終集成結(jié)果r。

(2)

在上述通過(guò)有放回的采樣方式得到訓(xùn)練數(shù)據(jù)集訓(xùn)練弱分類器的過(guò)程中，大約有1/3的數(shù)據(jù)未被采樣，這些未參與訓(xùn)練弱分類器的數(shù)據(jù)被稱為袋外(Out of Bag，OOB)數(shù)據(jù)。此類數(shù)據(jù)常被用于計(jì)算不同特征對(duì)目標(biāo)值的重要度，具體思想是對(duì)OOB中的單個(gè)特征隨機(jī)添加噪聲，分別計(jì)算噪聲添加前后的預(yù)測(cè)誤差，噪聲添加前后的誤差變化越大，證明該特征對(duì)目標(biāo)值的重要度越高。

利用改進(jìn)RF計(jì)算特征重要度的步驟：

(1)每個(gè)弱分類器都有對(duì)應(yīng)的袋外數(shù)據(jù)，將袋外數(shù)據(jù)輸入弱分類器，輸出預(yù)測(cè)結(jié)果，將預(yù)測(cè)值與真實(shí)值進(jìn)行比較得到袋外數(shù)據(jù)誤差，記為e1i。

(2)對(duì)袋外數(shù)據(jù)的某一特征Tj(1≤j≤x)進(jìn)行噪聲添加，利用新的袋外數(shù)據(jù)再次計(jì)算袋外數(shù)據(jù)誤差，結(jié)果記為e2i。

(3)用誤差權(quán)重乘以e1i和e2i的差，將二者乘積再除以原數(shù)據(jù)集中特征Tj的標(biāo)準(zhǔn)誤差Tj,std，即得到單一特征Tj對(duì)目標(biāo)值的重要度。重要度的最終結(jié)果被限制在[0，1]內(nèi)。

(3)

(4)

1.2 GRU的結(jié)構(gòu)介紹

GRU作為RNN的一種變體，模擬了人的大腦記憶，通過(guò)不同門(mén)控的使用將前面有用的時(shí)間序列信息進(jìn)行編碼，重新放到模型的參數(shù)當(dāng)中。GRU神經(jīng)網(wǎng)絡(luò)模型有兩個(gè)控制門(mén)：控制重置的門(mén)控(Reset Gate)和控制更新的門(mén)控(Update Gate)。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 GRU網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of GRU

GRU對(duì)上一個(gè)時(shí)刻傳輸下來(lái)的隱狀態(tài)ht-1進(jìn)行保留，再將它與當(dāng)前節(jié)點(diǎn)的輸入xt進(jìn)行向量相連，利用sigmoid函數(shù)得到控制重置和更新的兩個(gè)門(mén)控狀態(tài)rt和zt。然后將rt與ht-1進(jìn)行矩陣相乘，得到ht-1′，將ht-1′和當(dāng)前節(jié)點(diǎn)的輸入xt進(jìn)行向量拼接，利用tanh激活函數(shù)將向量相乘的結(jié)果縮放在-1～1之間，經(jīng)過(guò)縮放得到的ht′主要包含的是當(dāng)前輸入數(shù)據(jù)。最后利用zt對(duì)上一時(shí)刻的隱狀態(tài)ht-1和當(dāng)前時(shí)刻的隱狀態(tài)ht′進(jìn)行綜合運(yùn)算，確定出傳遞給下一時(shí)刻的隱狀態(tài)ht。具體過(guò)程如下所示：

rt=sigmoid(Wr·[ht-1,xt])

(5)

zt=sigmoid(Wz·[ht-1,xt])

(6)

ht-1′=ht-1×r

(7)

ht′=tanh(Wht′·[ht-1′,xt])

(8)

ht=(1-zt)×ht-1+ht′

(9)

式中：[]表示向量相連；×表示矩陣之間的相乘運(yùn)算；Wr、Wz、Wht′分別表示不同的權(quán)重。

2 RF-DGRU-SA預(yù)測(cè)模型

2.1 模型構(gòu)建

文中所提出的RUL預(yù)測(cè)模型主要分為基于改進(jìn)隨機(jī)森林算法的特征提取模塊和DGRU-SA壽命預(yù)測(cè)模塊。首先將預(yù)處理之后的數(shù)據(jù)輸入到特征提取模塊當(dāng)中，通過(guò)設(shè)置重要度閾值從中篩選出所需特征，實(shí)現(xiàn)特征維度的降低；然后將降維過(guò)后的數(shù)據(jù)輸入DGRU-SA模塊。DGRU模塊由多個(gè)GRU層堆疊形成，通過(guò)多層網(wǎng)絡(luò)的構(gòu)建自適應(yīng)捕獲數(shù)據(jù)中的潛在特征。單個(gè)GRU網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)只在隱藏層之間實(shí)現(xiàn)傳遞，在多個(gè)GRU層構(gòu)造的DGRU模型當(dāng)中，能完成對(duì)輸入數(shù)據(jù)的深層挖掘[11]。在DGRU模塊當(dāng)中，第一層GRU的隱狀態(tài)只與時(shí)刻有關(guān)，輸出當(dāng)前時(shí)刻下的隱藏信息，其余GRU層與第一層依次相連，實(shí)現(xiàn)了數(shù)據(jù)在空間上的交互，隱藏信息會(huì)從上層依次傳輸入下層神經(jīng)元，每個(gè)GRU層的輸出都將作為下一GRU層的輸入，同一GRU層下包含多個(gè)GRU神經(jīng)元，各個(gè)神經(jīng)元之間互相交換信息以發(fā)掘輸入信息的長(zhǎng)期依賴性，實(shí)現(xiàn)跨時(shí)間的自連接。DGRU從輸入數(shù)據(jù)中提取出大量隱藏信息，SA機(jī)制自動(dòng)為隱藏信息添加不同大小的權(quán)重，使得重要信息獲得更高的關(guān)注，最后通過(guò)一層全連接層輸出預(yù)測(cè)RUL。圖2展示了文中模型的整體架構(gòu)。

圖2 模型整體結(jié)構(gòu)Fig.2 Structure of model

假設(shè)輸入特征數(shù)據(jù)X=[x1,x2,x3,…,xN]，目標(biāo)值Y=[y1,y2,y3,…,ym]T。其中xN為m維列向量。輸入數(shù)據(jù)通過(guò)特征提取模塊，得到各個(gè)特征與目標(biāo)值間的重要度，設(shè)置重要度閾值P，當(dāng)輸入特征與目標(biāo)值間的重要度小于P時(shí)，該特征被剔除。設(shè)n個(gè)特征得到保留，此時(shí)X=[x1,x2,x3,…,xn]。

將降維過(guò)后的數(shù)據(jù)輸入到DGRU-SA模塊，為了滿足GRU輸入數(shù)據(jù)尺寸要求，采用滑窗處理的方式對(duì)輸入數(shù)據(jù)進(jìn)行處理。已知輸入數(shù)據(jù)的長(zhǎng)度為m，設(shè)滑窗窗口長(zhǎng)度為s，經(jīng)RF降維過(guò)后的維度為n，DGRU模塊的輸入(m-s,s,n)的一個(gè)三維張量，輸出(i,s,e)的一個(gè)三維張量，其中i是新樣本長(zhǎng)度，e為最后一層GRU的隱含層數(shù)。

DGRU模塊輸出的三維張量被傳輸給SA模塊，SA模塊包含一個(gè)編碼器和解碼器，編碼器和解碼器均采用RNN網(wǎng)絡(luò)實(shí)現(xiàn)。當(dāng)前時(shí)刻的每個(gè)輸入xij通過(guò)編碼器會(huì)得到一個(gè)隱層輸出hij，將上一時(shí)刻隱層Si-1作為參考向量計(jì)算出當(dāng)前時(shí)刻每個(gè)hij對(duì)應(yīng)的權(quán)重αij，根據(jù)權(quán)重對(duì)每個(gè)hij進(jìn)行加權(quán)平均得到當(dāng)前時(shí)刻的容量向量ci，最后根據(jù)當(dāng)前容量向量ci、上一時(shí)刻隱層Si-1和上一時(shí)刻最終輸出yi-1計(jì)算出當(dāng)前時(shí)刻隱層Si和當(dāng)前時(shí)刻最終輸出yi，具體計(jì)算過(guò)程如下：

eij=F(Si-1,hij)

(10)

(11)

(12)

Si=F(Si-1,yi-1,ci)

(13)

yi=F(yi-1,Si,ci)

(14)

式中：F表示當(dāng)前神經(jīng)網(wǎng)絡(luò)；i表示當(dāng)前時(shí)刻；j表示當(dāng)前時(shí)刻下的單一輸入；T表示當(dāng)前時(shí)刻下的總輸入數(shù)。

2.2 性能評(píng)價(jià)指標(biāo)

文中采用3個(gè)評(píng)價(jià)指標(biāo)來(lái)評(píng)估不同模型的預(yù)測(cè)性能，分別是平均絕對(duì)誤差(Mean Absolute Error，MAE)、均方根誤差(Root Mean Square Error，RMSE)和Score評(píng)分函數(shù)。MAE和RMSE的定義分別如式(15)、式(16)所示。

(15)

(16)

Score評(píng)分函數(shù)為數(shù)據(jù)集創(chuàng)建者給出[14]，不同于上面兩種評(píng)價(jià)指標(biāo)，Score評(píng)分函數(shù)從實(shí)際出發(fā)，對(duì)滯后的預(yù)測(cè)結(jié)果給予更高的懲罰，能反映出預(yù)測(cè)結(jié)果的超前性與滯后性，是更具參考價(jià)值的評(píng)價(jià)指標(biāo)。Score評(píng)分函數(shù)的定義如下式：

(17)

3 案例驗(yàn)證

為了研究單一故障對(duì)發(fā)動(dòng)機(jī)剩余使用壽命的影響，文中使用的數(shù)據(jù)集是CMAPSS數(shù)據(jù)集下的子集FD001[15]。FD001數(shù)據(jù)集記錄了100臺(tái)發(fā)動(dòng)機(jī)在高壓壓氣機(jī)故障下進(jìn)行仿真得到的各類數(shù)據(jù)，包含21個(gè)傳感器數(shù)據(jù)、3個(gè)運(yùn)行參數(shù)和運(yùn)行周期。FD001數(shù)據(jù)集包含1個(gè)訓(xùn)練集和1個(gè)測(cè)試集，其中訓(xùn)練集為20 631行和26列，除去首列發(fā)動(dòng)機(jī)號(hào)，其余25列作為特征；測(cè)試集為13 096行和27列，與訓(xùn)練集相比多出的1列為真實(shí)RUL。由于原始訓(xùn)練集沒(méi)有給出真實(shí)RUL，文中將訓(xùn)練集中每臺(tái)發(fā)動(dòng)機(jī)的最大運(yùn)行周期數(shù)作為初始?jí)勖?，每運(yùn)行一個(gè)周期壽命自動(dòng)減1直至為零。對(duì)于渦扇發(fā)動(dòng)機(jī)，只有在使用末期失效率才隨著時(shí)間急速增加，而在運(yùn)行初期，渦扇發(fā)動(dòng)機(jī)的失效率隨時(shí)間變化并不明顯，因此文中將根據(jù)渦扇發(fā)動(dòng)機(jī)的RUL構(gòu)建分段函數(shù)。

(18)

式中：Rp表示修正后RUL；Ro表示原始RUL。

為了加快模型運(yùn)行速度、提高模型預(yù)測(cè)精度，首先對(duì)訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的各類特征值進(jìn)行歸一化處理；然后設(shè)置模型的各類參數(shù)：設(shè)置4層GRU，每層GRU神經(jīng)元數(shù)設(shè)置為256，步長(zhǎng)設(shè)置為20，batch size設(shè)置為20，隨機(jī)丟棄層的丟棄率設(shè)置為0.3，輸出層神經(jīng)元數(shù)設(shè)置為1，迭代次數(shù)設(shè)置為100。選擇均方誤差(Mean Square Error，MSE)作為損失函數(shù)，RMSprop作為損失函數(shù)優(yōu)化器。為了提高訓(xùn)練效率，添加監(jiān)視器用以監(jiān)督模型的訓(xùn)練過(guò)程，若連續(xù)10個(gè)時(shí)期內(nèi)驗(yàn)證集的誤差都沒(méi)有發(fā)生明顯下降，則提前終止訓(xùn)練生成最終模型。

將預(yù)處理后的數(shù)據(jù)輸入特征提取模塊，輸出各個(gè)特征對(duì)目標(biāo)RUL的重要度α，結(jié)果如圖3所示。

圖3 各特征重要度αFig.3 Importance of each feature

圖中S1～S21表示21個(gè)傳感器數(shù)據(jù)，cycle表示已運(yùn)行周期，Setting1～Setting3分別表示3個(gè)運(yùn)行參數(shù)，未列出特征參數(shù)的重要度皆為0。特征參數(shù)的重要度為0，意味著這類特征在發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中沒(méi)有發(fā)生變化。

在特征提取模塊中需設(shè)定重要度閾值，將重要度低于此閾值的特征剔除，從而實(shí)現(xiàn)數(shù)據(jù)維度的降低，提升后續(xù)模塊的預(yù)測(cè)表現(xiàn)。重要度閾值的取值范圍設(shè)置為[0，0.01，0.02，0.03，0.05]，在不同閾值下分別進(jìn)行實(shí)驗(yàn)，評(píng)價(jià)指標(biāo)仍為MAE、RMSE和Score函數(shù)，實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同閾值下的評(píng)價(jià)結(jié)果Tab.1 Evaluation results of different thresholds

分析實(shí)驗(yàn)結(jié)果，當(dāng)重要度閾值為0.05時(shí)， RMSE和MAE誤差最大，Score得分次大，表明前9個(gè)特征不能完全囊括特征與目標(biāo)值間的隱藏關(guān)系，隨著重要度閾值的降低，這一現(xiàn)象得到一定程度的改善。但當(dāng)重要度閾值降為0時(shí)，即對(duì)數(shù)據(jù)不做降維處理，預(yù)測(cè)模型并沒(méi)有表現(xiàn)出最好的預(yù)測(cè)效果，表明某些特征對(duì)預(yù)測(cè)結(jié)果起到負(fù)面影響，干擾模型的預(yù)測(cè)。當(dāng)重要度閾值設(shè)置為0.03時(shí)，實(shí)驗(yàn)結(jié)果最佳，與未做降維處理的結(jié)果相比，MAE下降了15.8%，RMSE下降了14.6%，Score下降了32.1%。綜上，通過(guò)比較各閾值下模型的預(yù)測(cè)表現(xiàn)，最終將重要度閾值設(shè)置為0.03，即使用重要度排名前12的特征用于后續(xù)實(shí)驗(yàn)。

為了驗(yàn)證加入SA模塊的有效性，將進(jìn)行消融實(shí)驗(yàn)。將原數(shù)據(jù)分別輸入RF-DGRU模型和RF-DGRU-SA模型，特征提取模塊中的重要度閾值都設(shè)置為0.03，兩種模型的對(duì)比結(jié)果如圖4所示。分析圖4可知，SA模塊的引入有效降低了模型預(yù)測(cè)的誤差，其中Score得分下降趨勢(shì)最為明顯。說(shuō)明SA模塊的引入優(yōu)化了隱藏信息的權(quán)重，提高了模型的整體預(yù)測(cè)表現(xiàn)。

圖4 RF-DGRU和RF-DGRU-SA模型對(duì)比

為了更加全面直觀地比較上述模型的預(yù)測(cè)效果，使用上述兩種模型對(duì)測(cè)試集中前50臺(tái)發(fā)動(dòng)機(jī)進(jìn)行剩余壽命預(yù)測(cè)，結(jié)果如圖5所示。比較兩種模型的預(yù)測(cè)曲線，發(fā)現(xiàn)RF-DGRU-SA模型的預(yù)測(cè)曲線更加貼合真實(shí)值，說(shuō)明SA模塊的引入有效提高了模型整體預(yù)測(cè)精度。

圖5 兩類模型對(duì)前50臺(tái)發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)結(jié)果Fig.5 Remaining useful life prediction results of the first 50 engines by two types of models

圖6展示了上述兩種模型預(yù)測(cè)的相對(duì)誤差。可以看出：與RF-DGRU模型相比，RF- DGRU -SA模型預(yù)測(cè)的誤差整體波動(dòng)較小，誤差范圍多集中于[-20，20]，表明RF-DGRU-SA模型具有更好的預(yù)測(cè)穩(wěn)定性。

圖6 兩類模型預(yù)測(cè)相對(duì)誤差erFig.6 Predict relative errors of two kinds of models

選取多層感知機(jī)(Multi-Layer Perceptron, MLP)模型、卷積神經(jīng)網(wǎng)絡(luò)[16](Convolutional Neural Network, CNN)模型、LSTM模型[17-18]、CNN-LSTM模型[12]與文中所提RF-DGRU-SA模型進(jìn)行比較，具體結(jié)果如表2所示。

表2 不同預(yù)測(cè)方法比較結(jié)果Tab.2 The results of different forecasting methods

對(duì)比結(jié)果表明：無(wú)論是在MAE和RMSE的評(píng)價(jià)指標(biāo)下還是在Score的評(píng)價(jià)指標(biāo)下，文中所提方法預(yù)測(cè)誤差都是最低。與其余方法的最優(yōu)表現(xiàn)相比，文中所提方法預(yù)測(cè)誤差的MAE降低了5.3%，RMSE降低了11.6%，Score得分下降了26.9%，這得益于特征提取模塊對(duì)特征維數(shù)的有效降低，DGRU-SA模塊提取出更深層次的隱藏信息，并根據(jù)隱藏信息的重要性賦予不同大小的權(quán)重重構(gòu)隱藏信息，有效提高了對(duì)渦扇發(fā)動(dòng)機(jī)RUL的預(yù)測(cè)精度。

4 結(jié)論

針對(duì)渦扇發(fā)動(dòng)機(jī)退化過(guò)程機(jī)制復(fù)雜、數(shù)據(jù)維數(shù)過(guò)高等問(wèn)題，提出一種RF-DGRU-SA融合模型實(shí)現(xiàn)對(duì)渦扇發(fā)動(dòng)機(jī)RUL的預(yù)測(cè)。利用CMAPSS數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，得到以下結(jié)論：

(1)通過(guò)改進(jìn)隨機(jī)森林算法建立特征提取模塊，得到數(shù)據(jù)樣本中各個(gè)特征與目標(biāo)值間的關(guān)系，設(shè)置合理的重要度閾值，在高維數(shù)據(jù)中提取出重要特征，實(shí)現(xiàn)特征降維。與沒(méi)有添加此模塊，即特征提取模塊的重要度閾值為零的DGRU-SA方法相比，MAE下降了15.8%，RMSE下降了14.6%，Score下降了32.1%，表明特征提取模塊可以對(duì)特征進(jìn)行有效提取。

(2)RF-DGRU-SA模型與其余模型最優(yōu)表現(xiàn)相比，MAE、RMSE和Score評(píng)分分別下降了5.3%，11.6%和26.9%，并且RUL預(yù)測(cè)誤差幅度變化較小，多集中于[-20，20]，表明此模型有效提升了對(duì)渦扇發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的精度，并且具有良好的穩(wěn)定性。