飞机在多种工况条件下运行时,发动机退化特征复杂性不断增加,导致发动机剩余寿命预测精度低。针对此问题,提出一种基于聚类分析的端到端剩余寿命(RUL)预测方法。采用K-Means聚类方法对发动机的多种工况和运行条件进行分组;再利用卷积神经网络(CNN)提取反映剩余寿命复杂动态变化的高维特征,将结果输入到双向门控循环单元(BiGRU)中学习特征之间的变化规律,设计并引入了新的混合注意力机制(HAM),充分考虑变量之间的关系,对重要特征信息赋予更大的权重,同时抑制冗余信息的影响;然后进行非线性变换,获得RUL预测结果;最后使用粒子群优化算法对神经网络的超参数进行调优。采用美国航天局NASA研究中心提供的涡轮发动机模拟数据集验证所提网络模型的有效性。结果表明对于多工况运行条件,所提方法的均方根误差相比于CNN、LSTM、BiLSTM、CNN-LSTM分别降低...