Previsão de falhas de motores de aeronaves com base em amostragem híbrida adaptativa e BiLSTM

Para abordar o problema de desbalanceamento de classes na previsão de falhas de motores aeroespaciais, propomos uma nova estrutura que integra amostragem híbrida adaptativa e LSTM bidirecional (BiLSTM). Primeiro, uma estratégia de amostragem adaptativa baseada em k-means é proposta, que equilibra dinamicamente os conjuntos de dados por meio da superamostragem de limites de classe minoritária e subamostragem de clusters majoritários redundantes. Em segundo lugar, um modelo de previsão de falhas utilizando BiLSTM é construído para previsão de falhas, que pode capturar eficazmente dependências temporais bidirecionais. Experimentos com dados de sensores do mundo real demonstram que essa abordagem melhora efetivamente a identificação de amostras de falhas em conjuntos de dados desbalanceados.