CN111639467A - 一种基于长短期记忆网络的航空发动机寿命预测方法 - Google Patents
一种基于长短期记忆网络的航空发动机寿命预测方法 Download PDFInfo
- Publication number
- CN111639467A CN111639467A CN202010514899.4A CN202010514899A CN111639467A CN 111639467 A CN111639467 A CN 111639467A CN 202010514899 A CN202010514899 A CN 202010514899A CN 111639467 A CN111639467 A CN 111639467A
- Authority
- CN
- China
- Prior art keywords
- data
- life
- engine
- long
- term memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006403 short-term memory Effects 0.000 title claims description 10
- 230000007787 long-term memory Effects 0.000 title claims description 8
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的航空发动机寿命预测方法,将发动机的历史数据分为训练集、测试集和验证集;给训练集中航空发动机的每个周期添加剩余寿命标签并进行预处理;设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型并训练;将测试集的数据放入训练的模型中得出测试集在模型训练中MAE值和MSE值;将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比,得出相应的拟合优度验证预测的准确度和方法的可行性;将准确率最高的模型进行封装放到一个计算单元中,同时预测结果可视化。本发明所设置的神经网络移植性高、预测速度快、预测精度高且预测过程和结果完全可以可视化,操作方便简单。
Description
技术领域
本发明属于技术领域,具体涉及一种基于长短期记忆网络的航空发动机寿命预测方法。
背景技术
航空发动机作为飞机的核心部件,其稳定性和可靠性直接决定了飞机的安全性能。因此,每次飞机起飞前都必须对发动机进行仔细的检测和维修,但是这种维修方式无疑在一定程度上增加了航空公司的运营成本。
为了确保飞机可以安全飞行,并且降低飞机的维护成本,英国CAA在十九世纪八十年代提出了故障预测和健康管理(Prognostics and Health Management,PHM)。而对剩余寿命(Remaining Useful Life,RUL)定义是从当前点到设备出现故障的时间段。如果可以提前并准确预测航空发动机剩余寿命,则可以根据航空发动机的剩余寿命进行合理的维修和更换,减少对零件的无效维护次数,从而降低运营成本,并且提高航空发动机的可靠性。
现如今对剩余寿命进行预测的方法主要可以分为三类:基于物理模型方法、数据驱动方法以及两者结合的方法。由于航空发动机退化模型较为复杂,各零部件之间关系紧密,耦合度高,很难精确建立物理模型。因此传统的物理建模方法在航空发动机的剩余寿命预测方面受到了较大的限制。基于数据驱动的方法是利用发动机监测数据(或实验数据)进行预测设备的剩余寿命。基于数据驱动的退化量统计模型的建立只需要收集到足够多的性能退化量数据即可,避免了直接建立物理模型,是一种新型的航空发动机寿命预测方法。基于数据驱动的方法利用大量的监测数据,采用机器学习如线性回归、人工神经网络、支持向量回归等即可较为准确的预测发动机的剩余寿命。本发明介绍了一种基于数据驱动的深度神经网络实现对航空发动机剩余寿命的精确预测方法。
当前已经公开的基于数据驱动的航空发动机进行寿命预测方法,绝大部分都是使用传统的线性回归,没有应用现在发展迅速的深度学习,所以剩余寿命预准确精度并不令人满意,同时有很多方法是通过均方根误差(RMSE)、平均绝对误差(MAE)等进行评价,只关注了寿命预测模型的好坏,并没有从根本直观上的对寿命预测的精确率进行评判。随着深度学习的快速发展,这些传统的寿命预测方法的精确度已经不能满足人们在某些领域的使用。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于长短期记忆网络的航空发动机寿命预测方法,能够准确预测航空发动机在使用一段时间后的剩余寿命,并且可以对发动机进行在实时的检测,输出结果可视化。
本发明采用以下技术方案:
一种基于长短期记忆网络的航空发动机寿命预测方法,包括以下步骤:
S1、将发动机的历史数据分为训练集、测试集和验证集;
S2、给训练集中航空发动机的每个周期添加剩余寿命标签;
S3、对步骤S1和步骤S2的数据进行预处理;
S4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型,训练模型;
S5、将测试集的数据放入步骤S4训练出的模型中,得出测试集在模型训练中MAE值和MSE值;
S6、经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命,将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比,得出相应的拟合优度R2验证预测的准确度和方法的可行性;
S7、将准确率最高的模型进行封装放到一个计算单元中,将预测结果可视化。
具体的,步骤S1中,训练集中的数据为发动机从初始状态一直运行到出现故障时的各个传感器数据和运行时长;测试集中的数据为发动机从初始状态运行到随机停止的某一时刻的各个传感器数据和运行时长;验证集中的数据只有测试集中未运行完的时长。
具体的,步骤S2中,剩余寿命标签是从每个航空发动机运行周期中选取对应周期中的最大值,然后添加到航空发动机标号之前,开始依次递减,直到递减到0,标志着一个周期运行结束。
具体的,步骤S3中,采用归一化中的线性函数归一化,使参数全为(0,1)之间的小数,数据集中的每个发动机都包含24个传感器数据和3个条件设置数据,将27个参数进行预处理。
具体的,步骤S4中,将经过步骤S3数据归一化与添加剩余寿命标签后的训练集作为卷积神经网络的输入,在经过CNN构建和参数调试后,提取出数据特征后作为长短期记忆网络的输入,在经过LSTM网络构建和参数调试后,输出航空发动机从初始状态到出现故障之间不同传感器参数所对应剩余寿命,得到一个剩余寿命预测模型。
进一步的,对数据进行处理之前可以使用CNN对收据进行特征选取,具体为:
其中,n=1,2,...,N,m为传感器数目,T为卷积核一次处理的时间序列长度,σ表示激活函数,W表示权重,b表示偏置。
进一步的,经过CNN提取数据特征后作为LSTM网络的输入,其LSTM的公式如下:
其中,σ表示激活函数,W表示权重,b表示偏置,Ct表示LSTM网络的记忆状态量,it表示输入门的输出,ft表示遗忘门的输出,Ot表示输出门的输出。
具体的,步骤S5中,对基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型的评估使用的算法性能指标MAE和MSE如下:
具体的,步骤S6中,拟合优度R2为:
具体的,步骤S7具体为:
S701、通过数据采集器对发动机上的传感器数据进行采集;
S702、将采集的数据进行归一化处理,并存储原始数据到历史数据中;
S703、将处理后的数据放入计算单元中进行剩余寿命预测;
S704、将发动机的剩余寿命结果可视化。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于长短期记忆网络的航空发动机寿命预测方法,立足于航空发动机对飞机安全的影响,充分挖掘出航空发动机传感器数据和剩余寿命之间潜在的规律和特征,构建基于卷积神经网络和长短期记忆网络航空发动机剩余寿命预测的模型,为飞机的航行和维修提供安全管理措施,采用卷积神经网络对数据进行特征提取,既避免了传统算法的人工提取,又提高算法的可移植性,同时可以抽取高层的抽象特征,并进行传感器的数据融合,为长短期记忆网络提供了稳定、高效的数据输入,保证了航空发动机剩余寿命预测的精确度;采用长短期记忆网络对关于时间序列的航空发动机的剩余寿命进行预测,长短期记忆网络分为输入门、输出门和遗忘门三部分,信息通过三个门后可以有选择保留关键信息或者遗忘无关信息,然后将关键信息更新后传输到下一个神经元中,这样就可以连接先前的信息到当前任务,利用前一时刻的信息对当前时刻进行预测,并且克服循环神经网络梯度消失和梯度爆炸的缺陷;因为对航空发动机进行剩余寿命预测可以视为一个线性回归问题,所以本发明的研究结果使用拟合优度R2对预测结果进行评判,可以清楚直观的看到卷积神经网络和长短期记忆网络对航空发动机的剩余寿命的预测精度;航空发动机的数据是使用数据采集器实时采集的,然后将采集的数据预处理后输入到神经网络训练好的模型中,可以实现对发动机剩余寿命的实时预测,且结果可视化。同时,训练集如果越多,则训练的模型会越好,所以在对实时的数据经过相应处理过后在放入到历史数据中重新训练,以此往复,模型的将得到提升,剩余寿命的预测精度也会随之提升。
进一步的,通过训练集对数据进行训练构建神经网络模型,然后经过测试集和验证集验证模型的好坏程度以及精确度。
进一步的,通过给训练集的数据添加剩余寿命标签,可以使发动机在每运行一个小时后得到当前所剩余寿命以及对应的传感器数据。
进一步的,对数据进行预处理可以提高神经网络模型的收敛速率和准确率。
进一步的,设置卷积神经网络和长短期记忆网络,并将数据放入网络中进行训练,可以充分挖掘数据中隐藏信息,得出预测发动机的剩余寿命的模型。
进一步的,将测试集放入到已经训练好的模型中,通过对比MAE和MSE值来评判模型的优劣,如果结果不理想则需要重新设置神经网络的参数。
进一步的,将较好的模型测试出来的结果值与验证集比较,可获得一个拟合优度值以及对比图,可以清晰直观的了解到发动机在运行到某一段时间时所剩余的寿命和这个剩余寿命的准确度。
进一步的,将好的模型放入一个计算单元中可以提高神经网络的移植性以及可以对新获取的数据进行快速预测。
综上所述,本发明所设置的神经网络移植性高、预测速度快、预测精度高且预测过程和结果完全可以可视化,操作方便简单,同时可以将预测过的数据放入历史数据库进行重新训练以提高预测模型的精确度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为航空发动机寿命预测的原理图;
图2为神经网络模型构架图;
图3为数据采集器的构架图;
图4为卷积神经网络和长短期记忆网络结合的模型MAE图;
图5为卷积神经网络和长短期记忆网络结合的模型MSE图;
图6为卷积神经网络和长短期记忆网络结合的剩余寿命预测图。
具体实施方式
本发明提供了一种基于长短期记忆网络的航空发动机寿命预测方法,采用。
请参阅图1,本发明一种基于长短期记忆网络的航空发动机寿命预测方法,对航空发动机剩余寿命预测基于对航空发动机上所携带的传感器和条件设置数据进行回归分析并预测,包括以下步骤:
S1、将发动机的历史数据进行分类,分为训练集、测试集和验证集;
请参阅图2,训练集中的数据为发动机从初始状态一直运行到出现故障时的各个传感器数据和运行时长;测试集中的数据为发动机从初始状态运行到随机停止的某一时刻的各个传感器数据和运行时长;验证集中的数据只有测试集中未运行完的时长。
S2、给训练集添加标签;
由于训练集中没有直接给出剩余寿命,只有从初始状态一直到出现故障所运行的周期,所以就需要给训练集中的航空发动机的每个周期添加剩余寿命标签。剩余寿命标签是从每个航空发动机运行周期中选取该周期中最大值,然后添加到航空发动机标号之前,开始依次递减,直到递减到0,标志着一个周期运行结束。
S3、对步骤S1和S2的数据进行预处理;
为了提高神经网络模型的收敛速率和准确率,采用的是归一化中的线性函数归一化(Max-Min Normalization),使参数全为(0,1)之间的小数,提高神经网络模型的收敛速率和准确率。
数据集中的每个发动机都包含24个传感器(如表1所示)数据和3个条件设置(如表2所示)数据,将这27个参数进行预处理,预处理主要包括数据归一化和添加标签。
表1传感器名称
表2条件设置名称
S4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型,训练模型;
卷积神经网络结构从数据流角度可分为输入层、隐藏层和输出层。在数据预测领域的应用中,输入层可对输入数据进行标准化处理,以提高模型性能和实现数据特征自动提取。
将经过步骤S3数据归一化与添加的剩余寿命标签后的训练集作为卷积神经网络的输入,在经过CNN构建和参数调试后,提取出数据特征后作为长短期记忆网络的输入,在经过LSTM网络构建和参数调试后,输出航空发动机从初始状态到出现故障之间不同传感器参数所对应剩余寿命,此时得到一个剩余寿命预测模型。
具体的神经网络层设置如表3所示。其中损失函数选择平均绝对误差,激活函数采用linear,优化器采用RMSProp,为预防训练模型过拟合,所以在每个LSTM层之后都加入Dropout,并在模型训练中加入Early-Stopping机制,用来监督模型是否在一定迭代次数之内是否未发生一定的改变,如果没有发生,则提前结束模型训练。
表3神经网络层参数设置
由于卷积神经网络对提取数据抽象特征有很大优势,避免了传统算法的人工选取特征,并且可以提高算法的移植性,因此在对数据进行处理之前可以使用CNN对收据进行特征选取,具体为:
其中,n=1,2,...,N,m为传感器数目,T为卷积核一次处理的时间序列长度,σ表示激活函数,W表示权重,b表示偏置。
经过CNN提取数据特征后作为LSTM网络的输入,其LSTM的公式如下:
其中,σ表示激活函数,W表示权重,b表示偏置,Ct表示LSTM网络的记忆状态量,it表示输入门的输出,ft表示遗忘门的输出,Ot表示输出门的输出。
训练过后,输出航空发动机从开始到出现故障之间不同传感器参数所对应剩余寿命标签,得到一个训练模型。
S5、模型测试;
将测试集的数据放入到步骤S4训练出的模型中,得出测试集在模型训练中MAE值和MSE值,验证模型的优劣。
请参阅图4和图5,在确定基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型框架基础上,需进一步评估、优化模型性能。通过对模型的训练、验证及测试,并记录训练过程中所设置的算法性能的变化,损失函数能够反映模型对航空发动机剩余寿命准确预测的能力,对于评判较好的将确定为RUL模型。本发明对基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型的评估使用的算法性能指标有MAE和MSE如下:
S6、剩余寿命预测;
经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命,将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比,得出相应的拟合优度R2来验证预测的准确度和方法的可行性。
请参阅图6,将测试集中的数据放入RUL模型中验证,会得到一组关于测试集中每组航空发动机运行到某一时刻的剩余寿命,然后将预测出的剩余寿命与验证集中真实的剩余寿命做比较,进而判断剩余寿命预测的精确度,准确度具体为:
S7、将准确率高的模型进行封装放到一个计算单元中,方便以后采集到的新的数据进行实时的预测,最后将预测结果可视化。
S701、通过数据采集器对发动机上的传感器数据进行采集;
S702、将采集的数据进行归一化处理,并存储原始数据到历史数据中;
S703、将处理后的数据放入计算单元中进行剩余寿命预测;
S704、将发动机的剩余寿命结果可视化。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对航空发动机上的数据进行实时采集和预测
1、对发动机上的传感器进行实时的采集
航空发动上有24个传感器和3条件设置的数据,因此需要数据采集系统对这27个数据进行实时采集。而一个典型的数据采集系统通常包括传感器、信号调理、数据采集器、计算机及应用软件部分,如图3所示。当航空发动机上的传感器经过信号调理输入到数据采集器中,数据采集器包括非电物理量向电信号的转化、信号放大或滤波、信号传输、模数转换等环节。数据采集设备的作用是将电信号转换为计算机可识别的数字信号送给计算机进行处理,计算机上安装了驱动程序和应用软件,可与硬件交互,完成数据采集任务,并对采集的数据进行后续分析和处理。最后将采集到的数据传输到数据处理模块,并同时将采集的信号传输到界面显示,用来实时监控传感器和条件设置的变化。
航空发动机上的数据应该精密且稳定,所以采集系统必须具有下述特点:
①采集信号种类多、数量多;
信号类型包括温度、压力、流量、电压、电流、振动、转速等,;
②输入信号微弱,幅度可低至微伏;
例如,在发动机测试中热电偶和应变电桥输出的都是低电压小信号,其满量程一般在5~20mV的量级;在风洞试验中,应变传感器输出的电压信号为5μV左右。因此要求模拟输入通道的零点漂移和噪声低到微伏的量级。
③采集速率的范围很宽;
一般要求采集速率从1~100kHz之间,有的试验要求更高的采集速率。
④测量准确度(或精度)和分辨率要求高;
例如发动机的稳态测量中,某些参数的测量要求具有16位分辨率的AD转换器,系统准确度高达±0.05%FS~±0.02%FS。
⑤抗干扰能力强。由于飞机在飞行时环境复杂,所以要求数据采集系统在较强的电磁干扰(包括工频和射频)和同时伴有共模干扰的情况下测出或采集到微弱信号,因此数据采集系统必须有抗干扰设计要求。
2、处理采集器采集的数据
在对传感器收集到数据进行剩余寿命预测前,要先对收集到数据进行处理,使数据可以正常的被核心计算单元中的RUL模型预测识别。数据处理一共包含以下5个方面:
①数据分组;
由于数据采集的信息不单单是一种传感器的输出,所以应该先对数据按着相关信息进行分组。例如本发明中的传感器和条件设置应进行数据分组;
②数据组织;
将分组完成后的数据进行整理安排,形成与发动机历史数据一样的数据形式,以方便对做下一步处理;
③数据计算;
将数据组织过后的数据进行数据预处理(归一化和添加标签),经过数据预处理后便可以输入到计算单元进行剩余寿命预测;
④数据排序;
把数据按着收集的时间顺序进行排列;
⑤数据存储;
将原始数据和预处理过后的数据进行数据排序后保存起来,以方便以后的使用。
⑥结果可视化。
为了使寿命预测系统更加容易理解,故而设置一个人机交互界面。该人机交互界面显示经过数据收集器转换过的各个传感器信息、经过核心计算单元预测出的发动机剩余寿命的实时结果以及飞机的运行状态等。
传感器的数据可视化是为了可以清晰直观的看到传感器随着发动机的运行而产生的变化,如果其中某个或某几个传感器数值出现异常,我们就可以很快的锁定故障部位并进行查检,从而省去很多时间和不必要的工作;经过神经网络预测过的发动机剩余寿命可视化可以使我们随着飞机运行实时的了解到发动机所剩余寿命,以便于选择继续使用该发动机飞行还是发动机进行维修,这样可以保证飞机航行时的安全;飞机运行状态可视化主要显示发动机的运行条件(飞行高度、飞行马赫数、油门杆角度),因为在不同的运行条件下,发动机所携带的传感器数值是不同的,因此需要实时的显示飞机所飞行的条件,对飞机进行实时掌握。
综上所述,本发明一种基于卷积神经网络和长短期记忆网络的航空发动机寿命预测方法,通过对发动机上所携带的传感器数据进行充分挖掘,得到传感器与发动机使用情况的隐藏关系,对动机的剩余寿命进行预测,同时相关结果可以由人机交互界面清晰明了的表示出。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,包括以下步骤:
S1、将发动机的历史数据分为训练集、测试集和验证集;
S2、给训练集中航空发动机的每个周期添加剩余寿命标签;
S3、对步骤S1和步骤S2的数据进行预处理;
S4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型,训练模型;
S5、将测试集的数据放入步骤S4训练出的模型中,得出测试集在模型训练中MAE值和MSE值;
S6、经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命,将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比,得出相应的拟合优度R2验证预测的准确度和方法的可行性;
S7、将准确率最高的模型进行封装放到一个计算单元中,将预测结果可视化。
2.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,步骤S1中,训练集中的数据为发动机从初始状态一直运行到出现故障时的各个传感器数据和运行时长;测试集中的数据为发动机从初始状态运行到随机停止的某一时刻的各个传感器数据和运行时长;验证集中的数据只有测试集中未运行完的时长。
3.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,步骤S2中,剩余寿命标签是从每个航空发动机运行周期中选取对应周期中的最大值,然后添加到航空发动机标号之前,开始依次递减,直到递减到0,标志着一个周期运行结束。
4.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,步骤S3中,采用归一化中的线性函数归一化,使参数全为(0,1)之间的小数,数据集中的每个发动机都包含24个传感器数据和3个条件设置数据,将27个参数进行预处理。
5.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,步骤S4中,将经过步骤S3数据归一化与添加剩余寿命标签后的训练集作为卷积神经网络的输入,在经过CNN构建和参数调试后,提取出数据特征后作为长短期记忆网络的输入,在经过LSTM网络构建和参数调试后,输出航空发动机从初始状态到出现故障之间不同传感器参数所对应剩余寿命,得到一个剩余寿命预测模型。
10.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法,其特征在于,步骤S7具体为:
S701、通过数据采集器对发动机上的传感器数据进行采集;
S702、将采集的数据进行归一化处理,并存储原始数据到历史数据中;
S703、将处理后的数据放入计算单元中进行剩余寿命预测;
S704、将发动机的剩余寿命结果可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514899.4A CN111639467B (zh) | 2020-06-08 | 2020-06-08 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514899.4A CN111639467B (zh) | 2020-06-08 | 2020-06-08 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639467A true CN111639467A (zh) | 2020-09-08 |
CN111639467B CN111639467B (zh) | 2024-04-16 |
Family
ID=72331821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514899.4A Active CN111639467B (zh) | 2020-06-08 | 2020-06-08 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639467B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
CN112560252A (zh) * | 2020-12-07 | 2021-03-26 | 厦门大学 | 一种航空发动机剩余寿命预测方法 |
CN112818033A (zh) * | 2021-01-28 | 2021-05-18 | 河北工业大学 | 基于神经网络的袋式除尘器破袋智能检测方法 |
CN112990542A (zh) * | 2021-02-05 | 2021-06-18 | 深圳市浦联智能科技有限公司 | 一种用于空压机的寿命预测方法 |
CN113076913A (zh) * | 2021-04-16 | 2021-07-06 | 嘉兴毕格智能科技有限公司 | 一种航空发动机故障预测方法 |
CN113128047A (zh) * | 2021-04-16 | 2021-07-16 | 长安大学 | 一种航空发动机推力计算方法、存储介质及计算设备 |
CN113139339A (zh) * | 2021-04-16 | 2021-07-20 | 长安大学 | 一种航空发动机排气温度裕度预测方法、存储介质及设备 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
JP2023501030A (ja) * | 2020-09-30 | 2023-01-18 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
CN116484751A (zh) * | 2023-06-21 | 2023-07-25 | 北京尚文汇通能源科技有限公司 | 一种风电机组部件的疲劳寿命评估方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
US20160261115A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN106021719A (zh) * | 2016-05-19 | 2016-10-12 | 浙江工业大学 | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
US20200063665A1 (en) * | 2018-01-25 | 2020-02-27 | Dalian University Of Technology | Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-06-08 CN CN202010514899.4A patent/CN111639467B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
US20160261115A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106021719A (zh) * | 2016-05-19 | 2016-10-12 | 浙江工业大学 | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 |
US20200063665A1 (en) * | 2018-01-25 | 2020-02-27 | Dalian University Of Technology | Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm |
CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
王奉涛;刘晓飞;邓刚;李宏坤;于晓光;: "基于长短期记忆网络的滚动轴承寿命预测方法", 振动.测试与诊断, no. 02 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023501030A (ja) * | 2020-09-30 | 2023-01-18 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
JP7242101B2 (ja) | 2020-09-30 | 2023-03-20 | 西南石油大学 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
CN112231980B (zh) * | 2020-10-19 | 2024-06-07 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
CN112560252B (zh) * | 2020-12-07 | 2023-09-15 | 厦门大学 | 一种航空发动机剩余寿命预测方法 |
CN112560252A (zh) * | 2020-12-07 | 2021-03-26 | 厦门大学 | 一种航空发动机剩余寿命预测方法 |
CN112818033A (zh) * | 2021-01-28 | 2021-05-18 | 河北工业大学 | 基于神经网络的袋式除尘器破袋智能检测方法 |
CN112990542A (zh) * | 2021-02-05 | 2021-06-18 | 深圳市浦联智能科技有限公司 | 一种用于空压机的寿命预测方法 |
CN112990542B (zh) * | 2021-02-05 | 2021-11-19 | 深圳市浦联智能科技有限公司 | 一种用于空压机的寿命预测方法 |
CN113076913A (zh) * | 2021-04-16 | 2021-07-06 | 嘉兴毕格智能科技有限公司 | 一种航空发动机故障预测方法 |
CN113128047A (zh) * | 2021-04-16 | 2021-07-16 | 长安大学 | 一种航空发动机推力计算方法、存储介质及计算设备 |
CN113139339A (zh) * | 2021-04-16 | 2021-07-20 | 长安大学 | 一种航空发动机排气温度裕度预测方法、存储介质及设备 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
CN116484751B (zh) * | 2023-06-21 | 2023-09-05 | 北京尚文汇通能源科技有限公司 | 一种风电机组部件的疲劳寿命评估方法及装置 |
CN116484751A (zh) * | 2023-06-21 | 2023-07-25 | 北京尚文汇通能源科技有限公司 | 一种风电机组部件的疲劳寿命评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111639467B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639467B (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
CN106844775B (zh) | 航天器故障快速检测系统 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN108304661A (zh) | 基于tdp模型的诊断预测方法 | |
CN103499921A (zh) | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
CN104765024A (zh) | 一种机载雷达干扰自动检测系统 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
Guo | Wind turbine generator bearing condition monitoring with NEST method | |
Wang et al. | Time series fragmental variation trend anomaly detection method based on a temporal sequential modeling approach | |
Zhou et al. | Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection | |
Qianqian et al. | Study on life prediction of radar based on non-parametric regression model | |
CN113139339A (zh) | 一种航空发动机排气温度裕度预测方法、存储介质及设备 | |
EP4328687A1 (en) | Method and system for identifying a root cause of an event | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |