Brain-Inspired Spike Echo State Network Dynamics for Aero-Engine Intelligent Fault Prediction

航空发动机故障预测的目标是准确预测未来状态的发展趋势，以便提前诊断故障。传统的航空发动机参数预测方法主要使用时间序列数据的非线性映射关系，但通常忽略了航空发动机数据中包含的充分时空特征。为此，我们提出了一种基于脑启发式脉冲回声状态网络（Spike-ESN）模型的航空发动机智能故障预测方法，用于在时空动态框架中有效捕捉航空发动机时间序列数据的演化过程。在所提出的方法中，我们设计了一个基于泊松分布的脉冲输入层，受生物神经元脉冲神经编码机制的启发，可以提取航空发动机序列数据中有用的时间特征。然后，通过神经元中脉冲积累的电流计算方法，将时间特征输入到脉冲储层中，将数据投影到高维稀疏空间中。此外，我们使用岭回归方法读取脉冲储层的内部状态。最后，航空发动机状态预测的实验结果证明了所提出方法的优越性和潜力。

论文旨在解决航空发动机智能故障预测问题，提出了一种基于脉冲回声状态网络（Spike-ESN）的模型，用于捕捉航空发动机时间序列数据的演化过程。

论文提出了一种基于脉冲神经元编码机制的脉冲输入层，可以提取航空发动机序列数据中的有用时间特征，并通过脉冲积累方法将数据投影到高维稀疏空间中。然后使用岭回归方法读取脉冲池的内部状态，以实现对航空发动机状态的预测。

论文的亮点包括使用脉冲神经元编码机制提取时间特征、使用Spike-ESN模型捕捉航空发动机时间序列数据的演化过程、使用岭回归方法读取脉冲池的内部状态、在实验中展示了模型的优越性和潜力。

最近的相关研究包括基于深度学习的航空发动机故障预测、基于机器学习的航空发动机状态监测、基于时间序列分析的航空发动机性能预测等。