宋海龙，黎明，苟江，赵庆贺

（中电科航空电子有限公司，成都 611731）

0 引言

航空发动机作为飞机的“心脏”［1］，其可靠性和安全性至关重要，也是日常航空维修作业中的重点关注对象。故障预测与健康管理（prognos⁃tics and health management，PHM）［2］技术能够突破传统航空维护技术的瓶颈，改变传统的维修保障方式，提高设备维修保障效率。

从工程应用和技术研究角度来看，发动机剩余使用寿命预测主要有三个方向：基于物理模型、基于数据驱动和融合预测［3］。其中，基于数据驱动的机器学习的预测方法，能够根据发动机的历史数据和状态数据信息，通过特征提取、趋势预测等技术，构建剩余使用寿命预测模型，预测得到发动机的剩余使用寿命，为预防性维修提供技术支撑，也是目前行业研究的主流方向。

周俊［4］研究了基于退化轨迹相似性、基于相关向量机和基于随机过程的剩余寿命预测方法，并对多种预测方法进行融合；唐王［5］研究了基于改进循环神经网络（LSTM-NN）模型的发动机非线性剩余寿命预测；于会越［6］运用多种机器学习方法（SVR、CNN、CNN-LSTM和GBDT）实现了发动机剩余寿命预测；马忠等［7］采用改进的卷积神经网络（CNN）方法对发动机剩余寿命进行预测；车畅畅等［8］采用一维卷积神经网络（1D-CNN）和双向长短时记忆神经网络（Bi-LSTM）建立航空发动机剩余寿命预测模型；李杰等［9］提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。

但目前的研究主要集中在算法层面，通过利用不同的、先进的机器学习算法对剩余使用寿命进行预测，缺乏在数据层面对已有模型进行优化的研究。……