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

良性及对抗性客户端异质性下航空发动机预测的鲁棒与个性化联邦学习

arXiv cs.LG

本文针对良性及对抗性客户端异质性下的航空发动机剩余使用寿命预测，对联邦学习进行了受控研究，评估了个性化和拜占庭鲁棒聚合方法。研究发现，共享表示个性化缩小了本地与集中式准确率之间的绝大部分差距；使用Krum的鲁棒聚合能有效缓解后门攻击；将两者结合可形成组合防御，在攻击成功率较低的同时，仅付出较小的准确率代价。

基于时间序列基础模型嵌入的剩余使用寿命估计

Hugging Face Daily Papers

本文介绍了一种轻量级方法，利用Chronos-2时间序列基础模型的冻结嵌入，结合一个简单的回归头，进行剩余使用寿命估计，在工业传感器数据上相比基线方法取得了更优的性能。