用于发动机健康管理与剩余使用寿命预测的科学机器学习

arXiv cs.LG 论文
machine-learning engine-health remaining-useful-life prognostics uncertainty-quantification turbine

摘要

本文提出了一种用于涡轮机预测的多任务科学机器学习框架，该框架使用共享序列编码器和任务特定头，联合预测发动机健康指标和剩余使用寿命，并量化不确定性。

arXiv:2605.30593v1 公告类型：新 摘要：发动机健康管理（EHM）依赖于剩余使用寿命（RUL）的可靠预测以及涡轮机燃气温度（TGT）等热指标的跟踪。实际中，真实机队数据具有异质性和非平稳性，仅靠点预测不足以支持风险感知的维护决策。本文提出了一种用于涡轮机预测的多任务科学机器学习框架，联合预测未修正的涡轮机燃气温度（TGTU）、涡轮机燃气温度差值（DTGT）和剩余使用寿命（RUL），并输出具有经验覆盖率评估的预测区间形式的量化不确定性。共享序列编码器（卷积前端配合残差双向LSTM层及注意力池化）为任务特定头提供输入，包括用于概率回归的均值-方差估计头，以及可选的用于基于阈值事件建模的生存头。该框架可通过少量面向实践者的参数（如DTGT阈值规则和RUL目标构建）进行调整，以便部署时能与内部策略和专有标准保持一致。使用点和区间两种度量评估了所提框架的预测性能，包括平均绝对误差（MAE）、预测区间覆盖概率（PICP）、平均预测区间宽度（MPIW）以及覆盖宽度准则（CWC）。结果按总体、飞行阶段和维护段分别报告，以突出运行环境的影响并支持不确定性感知的监控。
查看原文
查看缓存全文

缓存时间: 2026/06/01 09:28 

# 科学机器学习在发动机健康管理与剩余寿命预测中的应用
来源：https://arxiv.org/abs/2605.30593
查看PDF（https://arxiv.org/pdf/2605.30593）

> **摘要：** 发动机健康管理（EHM）依赖于对剩余使用寿命（RUL）的可靠预测以及对涡轮燃气温度（TGT）等热指标的跟踪。在实际中，真实机队数据具有异质性和非平稳性，仅靠点预测不足以支撑风险感知的维护决策。本文提出了一种面向涡轮机预测的多任务科学机器学习框架，该框架联合预测涡轮燃气温度未修正值（TGTU）、涡轮燃气温度差值（DTGT）和剩余使用寿命（RUL），并以预测区间的形式给出量化不确定性，并评估其经验覆盖率。共享序列编码器（卷积前端结合残差双向LSTM层与注意力池化）为任务特定头提供输入，包括用于概率回归的均值-方差估计，以及可选的用于基于阈值的事件建模的生存头。该框架设计为可通过少量面向实践者的参数（例如，DTGT阈值规则和RUL目标构建）进行调优，以便部署时能够与内部策略和专有标准保持一致。所提框架的预测性能通过点度量和区间度量进行评估，包括平均绝对误差（MAE）、预测区间覆盖概率（PICP）、平均预测区间宽度（MPIW）以及覆盖宽度准则（CWC）。结果按总体统计以及按飞行阶段和维护片段分层报告，以突出运行背景效应并支持不确定性感知监测。

## 提交历史

来自：Jostein Barry-Straume [查看邮件](https://arxiv.org/show-email/25a4c5b3/2605.30593) **\[v1\]** 2026年5月28日星期四 21:39:53 UTC（3,443 KB）

相似文章

AeroJEPA：学习用于可扩展3D气动场建模的语义潜在表示

arXiv cs.LG

本文介绍了AeroJEPA，一种用于可扩展3D气动场建模的联合嵌入预测架构。它通过预测流场的语义潜在表示，解决了当前代理模型在可扩展性和设计实用性方面的局限性，从而实现了高效的高保真分析和设计优化。

BatteryMFormer：多层级学习用于电池退化轨迹预测

arXiv cs.AI

本文提出了BatteryMFormer，一种用于早期电池退化轨迹预测的多层级Transformer，它集成了老化条件感知解码、元退化模式记忆和双视角编码，以捕捉多层级退化结构和SOC局部变化，在四个电池领域上持续优于最先进的基线方法。