【航空发动机寿命预测】基于SE-ResNet网络的发动机寿命预测，C-MAPSS航空发动机寿命预测研究附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥内容介绍

一、研究背景与意义

航空发动机作为飞机的“心脏”，其运行状态直接决定飞行安全与运营成本，剩余使用寿命（Remaining Useful Life, RUL）预测是航空预测性维护（Predictive Maintenance, PdM）的核心环节。传统固定间隔维护模式存在过度维修、资源浪费或维护不及时导致安全风险等问题，而数据驱动的深度学习方法能通过挖掘传感器时序数据中的退化特征，实现精准RUL预测，为动态维护决策提供支撑。

C-MAPSS（Commercial Modular Aero-Propulsion System Simulation）数据集作为NASA公开的航空发动机退化模拟数据集，包含多工况、多故障模式下的传感器监测数据，是行业内验证寿命预测模型性能的基准数据集。SE-ResNet（Squeeze-and-Excitation Residual Network）通过将SE注意力机制与ResNet残差网络融合，能自适应强化关键特征通道权重，有效解决传统深度学习模型对多源传感器数据特征提取不充分的问题，为发动机寿命预测提供更强的特征学习能力。本研究基于SE-ResNet网络，以C-MAPSS数据集为研究对象，构建高精度发动机RUL预测模型，旨在为航空发动机智能维护提供技术参考。

二、核心理论与数据集基础

SE-ResNet是在ResNet基础上引入SE注意力模块形成的改进网络，既保留了残差连接解决深层网络梯度消失的优势，又通过通道加权增强关键特征的表达能力，其核心结构包括ResNet残差单元与SE注意力模块两部分。

ResNet的核心是残差连接（Skip Connection），通过恒等映射将输入直接传递至输出端，使网络能深度堆叠而不出现梯度退化，基本公式为：H(x) = F(x) + x，其中F(x)为卷积层的特征映射结果，x为原始输入特征。

SE模块通过“Squeeze-Excitation-Scale”三步实现通道权重自适应调整：①Squeeze（压缩）：对特征图进行全局平均池化，将空间维度压缩为通道维度的统计量，生成每个通道的全局特征表示；②Excitation（激励）：通过两层全连接层构建通道间的非线性依赖关系，第一层将通道维度降至输入的1/r（降维系数），经ReLU激活后，第二层升维至原始通道数，再通过Sigmoid函数输出各通道的权重系数；③Scale（缩放）：将激励生成的权重系数与原始特征图逐通道相乘，强化关键通道特征，抑制冗余信息。

相较于传统ResNet，SE-ResNet在发动机寿命预测中的适配性体现在：发动机多传感器数据（温度、压力、振动等）对RUL的贡献度差异显著，SE模块能自适应识别关键传感器通道特征，提升退化特征的提取精度，且计算开销低，可与残差结构无缝融合。

三、模型构建与数据预处理

3.1 数据预处理流程

为适配SE-ResNet网络输入需求，需对C-MAPSS数据进行特征筛选、归一化、标签生成及时序重构，具体步骤如下：

（1）特征筛选

原始21个传感器中部分数据恒定或噪声过大，对退化特征无贡献。结合文献研究与数据分析，筛选出14个有效传感器（S2、S3、S4、S7、S8、S9、S11、S12、S13、S14、S15、S17、S20、S21），涵盖温度、压力、振动等关键监测维度，剔除冗余特征以降低模型计算成本。

（2）数据归一化

采用Min-Max归一化将特征数据映射至[0,1]区间，消除量纲差异对模型训练的影响，公式为：

X_norm = (X - X_min) / (X_max - X_min)

其中，X为原始特征值，X_min、X_max分别为该特征在训练集中的最小值与最大值。

（3）RUL标签生成

训练集RUL计算方式为：RUL = 总循环周期 - 当前循环周期。考虑到当RUL较大时，精确预测对维护决策意义不大，且会主导模型训练方向，参考行业通用做法，将RUL阈值设为125，即当计算出的RUL大于125时，统一标定为125，聚焦于发动机接近失效阶段（RUL≤125）的精准预测。测试集标签通过官方提供的RUL_FD00x.txt文件获取，对应每个引擎的真实剩余寿命。

（4）时序数据重构

SE-ResNet需输入三维时序特征（样本数×时间步×特征数），采用滑动窗口法对单引擎时序数据进行截取。设窗口大小为N（可调整，常用15、30），即每个样本包含连续N个循环周期的传感器数据，对应预测该窗口结束时刻的RUL。测试集仅保留每个引擎的最后N个循环周期数据作为预测样本，贴合实际维护场景中“基于当前状态预测剩余寿命”的需求。

3.2 SE-ResNet预测模型构建

本研究基于SE-ResNet18构建预测模型，适配C-MAPSS时序数据特征，网络结构从输入层到输出层依次如下：

输入层：维度为（窗口大小×特征数×1），其中1为通道数，对应单通道时序特征输入。
初始卷积块：采用7×1卷积核（适配时序数据的一维特性），输出64通道特征图，经ReLU激活函数与最大池化层（3×1，步长2）处理，降低特征维度，保留关键信息。
SE-残差块：包含4组SE-残差单元，每组由2个卷积层、SE模块及残差连接组成。卷积层采用3×1卷积核，SE模块嵌入残差分支末端，对卷积特征进行通道加权调整，强化退化相关特征。
全局池化层：对最终特征图进行全局平均池化，将三维特征压缩为一维向量。
全连接层：包含两层全连接层，第一层将特征向量映射至128维，经ReLU激活，第二层输出一维RUL预测值。

模型训练采用Adam优化器，学习率设为0.001，批量大小为32，训练轮次为300，以均方误差（MSE）作为损失函数，优化目标为最小化预测RUL与真实RUL的偏差。同时设置验证集（占训练集20%），每轮训练后验证模型性能，避免过拟合。

四、创新点与展望

4.1 研究创新点

（1）将SE注意力机制与ResNet融合，适配航空发动机多传感器数据的通道异质性，强化关键退化特征提取，解决传统模型对不同传感器贡献度区分不足的问题。

（2）优化C-MAPSS数据预处理流程，通过特征筛选与时序窗口重构，平衡模型计算效率与预测精度，且设置RUL阈值聚焦关键预测区间，提升模型实用价值。

4.2 未来研究方向

（1）多工况与多故障模式适配：拓展至C-MAPSS FD004数据集（多工况、多故障），引入工况识别模块，提升模型在复杂场景下的泛化能力。

（2）混合模型融合：结合图注意力机制，挖掘传感器间的空间关联关系，实现时序-空间特征的联合提取，进一步提升预测精度。

（3）工程化应用优化：针对实时监测场景，简化模型结构，降低计算延迟，开发轻量化预测算法，适配航空发动机机载系统的硬件需求。

五、结论

本研究构建了基于SE-ResNet网络的航空发动机RUL预测模型，以C-MAPSS数据集为基准开展实验验证。结果表明，该模型通过SE模块的通道加权与ResNet的残差特征学习，在预测精度、可靠性及失效阶段捕捉能力上均表现优异，相较于传统深度学习与机器学习模型具有显著优势。研究为航空发动机预测性维护提供了高效、精准的技术方案，可有效降低运营成本，提升飞行安全水平，具有重要的工程应用价值。