柳长源， 何先平， 于会越

(哈尔滨理工大学 测控技术与通信工程学院，哈尔滨 150080)

0 引 言

涡轮发动机的工作状态直接影响飞机的性能，而飞机由于其起飞后长时间滞空等客观原因，其发生故障后不管是对人身安全方面的危害，还是经济方面的损失，都是无法估量的。为了保障涡轮发动机的运行的可靠性，并降低飞机的维修成本，美国等航空发达国家早在1977年就将故障预测和健康管理应用于发动机的维修[1]。ISO13881-1定义故障预测为：对设备失效或出现风险的时间点进行估计。而设备的剩余寿命(remaining useful life RUL)[2]指的是设备从初始状态到设备完全失效这一阶段的时间。预先精准的剩余寿命预测能够使航空公司提前做出明智的维护决策，避免永久性损坏，显著的降低了运营和维护成本。

涡轮发动机剩余寿命预测主要有2个方向，1)基于物理模型：在发动机失效原理基础上建立模型后对剩余寿命进行预测操作；2)基于数据驱动，通过采集或者仿真发动机失效过程中的数据，利用算法、机器学习等结合失效阈值进行剩余寿命预测，如基于滑动窗口的算法[3]、基于隐马尔科夫的算法(HMM)[4]、基于K-Means的算法[5]、基于支持向量机的算法(SVM)[6]、基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的算法等[7-8]；基于物理模型建立寿命预测模型的泛化性较差，所以本文采用第二种方式进行寿命预测。

基于支持向量回归的算法不能良好利用性能参数对应的提取时间来预测剩余寿命，而且SVR模型的参数较多，在实际应用的在参数设置方面会耗费大量的资源，并且预测效果和算法的效率一般。……