CN112100865B - 基于并行cnn模型的航空发动机剩余寿命预测方法 - Google Patents

Abstract

本发明提供基于并行CNN模型的航空发动机剩余寿命预测方法，属于故障预测与健康管理(Prognostics and Health Management,PHM)领域。首先获取航空发动机历史失效数据，将删除常值变量余下的变量作为特征变量，并对标准化后的特征变量作一阶差分运算生成新的特征(差分特征)。进一步针对原始特征和差分特征构建出并行架构的CNN网络，按照监测变量和剩余寿命间的映射关系构建样本的输入输出，用于训练并行CNN网络，得到训练好的航空发动机剩余寿命预测模型。对于待进行剩余寿命预测的航空发动机的监测数据，按照同样的方式构建测试样本输入，形成测试集并输入到剩余寿命预测模型中，得到航空发动机的剩余寿命预测值。本发明所提方法计算过程简单有效，且预测精度很高。

Description

基于并行CNN模型的航空发动机剩余寿命预测方法

技术领域

本发明是涉及航空发动机剩余寿命(Remaining Useful Life,RUL)预测方法，特别是涉及差分技术和并行架构的卷积神经网络(Convolutional Neural Network,CNN)模型的航空发动机剩余寿命预测方法，属于故障预测与健康管理(Prognostics and HealthManagement,PHM)领域。

背景技术

作为飞机的核心部件，航空发动机被誉为“皇冠上的明珠”，其性能决定着飞机的飞行速度、机动性、航程、可靠性、经济性和环境适应性。剩余寿命预测是故障预测与健康管理的重点研究内容，在预测结果基础上制定适当的维修计划以实现减少维修费用的目的，并最大限度实现其使用价值。

航空发动机是一种典型的复杂非线性系统，难以建立有效的物理模型来刻画其退化过程。传感器技术的发展为航空发动机剩余寿命预测提供了丰富的数据基础，同时人工智能技术的发展尤其是深度学习技术应用的日渐成熟为数据驱动的剩余寿命预测问题提供了新的技术方案。CNN是在感受野概念和神经认知机理论的基础上提出的，泛化了视觉系统模型化后的应用实践，已成功应用于图像识别、物体检测、自然语言处理、医药发现、计算机视觉、人机对弈等方面。针对由于监测技术、手段和环境因素等的影响，使得采集到的航空发动机的监测数据中会存在噪声，CNN由于其特征提取方面的优势使得其能够从监测数据中提取到退化的本质信息。

发明内容

本发明要解决的技术问题在于：针对传感器技术下采集到的航空发动机监测数据呈现出多维度、高噪声等特点，为有效地进行剩余寿命预测，需从多维噪声数据中提取到丰富且充分的退化特征信息。为了解决这一技术问题，本发明主要贡献体现在两个方面：(1)通过对原始特征采用一阶差分计算得到新生成的差分特征，可以丰富航空发动机的退化信息(原始特征被看作退化量，差分特征被看作是退化速度)；(2)并行CNN网络的架构旨在分别从原始特征和差分特征中进一步提取航空发动机退化的本质信息。因此，本发明提出基于并行CNN模型的航空发动机剩余寿命预测方法。

为实现本发明之目的，采用以下技术方案予以实现：

基于并行CNN模型的航空发动机剩余寿命预测方法，包括：

步骤一，获取历史航空发动机失效数据，形成训练集X_L×V，其中，L＝L₁+L₂+…+L_N表示N个航空发动机样本总的运行轨迹长度，且N表示航空发动机样本个数，L_n表示第n个航空发动机样本的监测轨迹长度，n＝1,2,…,N，V表示航空发动机中传感器的个数；

步骤二，对V个监测变量进行特征选择，得到F个监测变量，原来的训练集降维为X_L×F；对F个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：

其中，

表示第n个发动机信号j的第i个时刻的原始数据，

是

标准化后的值，而

和

分别表示信号j的最大值和最小值。

然后，将标准化后的变量做差分运算生成新的变量，和原始特征共同组成航空发动机性能退化的数据矩阵X_L×2F，其中，d阶差分运算的计算公式如下：

在本发明中，d默认取值为1，即进行一阶差分运算。通过一阶差分运算生成的新变量用来刻画系统退化的速度。

步骤三，构建并行CNN模型的网络架构

首先，建立监测变量X和剩余寿命RUL之间的映射关系，表示如下：

f:X→RUL i.e.,RUL(t)＝f(X_t-s+1,X_t-s+2,…,X_t)。

其中，t表示时刻，s表示时间步，X_i,i＝t-s+1,…,t表示时刻i所对应的监测数据，其长度为2F的向量形式。

在对航空发动机剩余寿命预测时，并行CNN模型的设计则是为了分别从原始特征和差分特征提取到退化特征的本质信息。由于所收集到的数据来自于多个不同传感器监测到的时序数据，考虑到不同特征的差异性，在CNN中的卷积运算采用一维卷积运算，其目的是对同一特征上的数据才进行聚合操作，具体阐述如下：

确定输入的1维序列数据是x＝[x₁,x₂,…,x_N]，其中N表示序列长度，卷积层中的卷积运算定义为滤波器内核w，

和串联向量

的乘法运算，表示如下

其中，输出z_i是由卷积核w学得的特征，

表示非线性激活函数，b表示偏置，*^T表示转置操作，

表示一个从第i个数据点开始的窗口长度为F_L的序列数据，由

表示的如下数据连接操作：

因此，将经第j个卷积核操作后得到的特征图表示为：

其中，

表示第j个卷积核对序列

进行非线性操作

后的向量形式的输出。

构造样本的输入和输出。对X_L×2F中每个发动机的退化轨迹数据分别采用窗口滑动法构建出训练样本的输入，且其对应输出的标签即剩余寿命RUL根据分阶线性函数进行修正，最终将得到成对的样本的输入和输出，其中窗口滑动法描述如下：

对于X_L×2F中第n个发动机的退化轨迹数据

表示为如下的二维矩阵形式

进一步，按照步长s＝1得到如下第n个发动机的第k个样本：

其中，N_t表示所构建样本时间窗口的长度。

其中分阶线性函数表达式如下：

其中，Label表示构建样本数据的标签，RUL表示获取到的历史航空发动机失效数据中的实际剩余寿命，R_early表示根据情况而设置的阈值，如在本发明中将其默认取值为125。

步骤四，对于待进行剩余寿命预测的在役航空发动机的监测数据，构建出测试样本的输入，形成测试集。将构建的测试集输入到训练好的航空发动机剩余寿命预测模型中，得到在役航空发动机的剩余寿命预测值。

本发明的优点在于：

以航空发动机的剩余寿命RUL为预测目标，首先，建立了用以表征系统退化过程的特征变量与预测目标之间的映射关系，同时为丰富退化特征信息，进一步采用差分技术生成新的特征变量来共同作为特征变量；其次，利用了CNN网络能够从无论是发生位移、扭曲或畸变等情形的数据中提取数据信息的能力，旨在对由于监测技术、手段和环境的限制使得采集到的信号数据中带有噪声的情形中提取到高质量的退化特征，并建立并行架构模型来分别对原始特征变量和差分特征变量进行特征信息的提取。因此，提出了基于差分技术和并行架构的CNN模型来学习这一映射关系。

附图说明

为了更清楚地说明本发明实施例中或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一实施例中基于并行CNN模型的航空发动机剩余寿命预测方法的流程图；

图2为并行CNN模型示意图；

图3为一维卷积运算示意图；

图4为本发明一实施例中航空发动机结构和仿真模块逻辑关系图；

图5为本发明一实施例中航空发动其21个传感器信号散点图；

图6为并行CNN模型网络结构图；

图7为100个测试发动机按RUL排序后的预测结果对比图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造劳动前提下所获得的所有其它实施例，均属于本发明保护的范围。

参照图1，图1为本发明一实施例中航空发动机剩余寿命预测方法的流程图，包括以下步骤：

步骤一，获取历史航空发动机失效数据，形成训练数据X_L×V，其中，L＝L₁+L₂+…+L_N表示N个航空发动机样本总的运行轨迹长度，且N表示航空发动机样本个数，L_n表示第n个航空发动机样本的监测轨迹长度，n＝1,2,…,N，V表示航空发动机中传感器的个数；

步骤二，对V个监测变量进行特征选择，得到F个监测变量，原来的训练集降维为X_L×F。对F个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：

其中，

表示第n个发动机信号j的第i个时刻的原始数据，

是

标准化后的值，而

和

分别表示信号j的最大值和最小值；

然后，将标准化后的变量做差分运算生成新的变量，和原始特征共同组成发动机性能退化的数据矩阵形式X_L×2F，且d阶差分运算的计算公式如下：

在本发明中，d默认取值为1，即进行一阶差分运算，通过一阶差分运算生成的新变量用来刻画系统退化的速度；

步骤三，构建并行CNN模型的网络架构

首先，建立监测变量X和剩余寿命RUL之间的映射关系，表示如下：

f:X→RUL i.e.,RUL(t)＝f(X_t-s+1,X_t-s+2,…,X_t)。

其中，t表示时刻，s表示时间步，X_i,i＝t-s+1,…,t表示时刻i所对应的监测数据，其长度为2F的向量形式；

在对航空发动机剩余寿命预测时，并行CNN模型示意图如图2所示。在CNN中的卷积运算采用图3中的一维卷积运算，以便对同一特征上的数据才进行聚合操作，具体阐述如下：

确定输入的1维序列数据是x＝[x₁,x₂,…,x_N]，其中N表示序列长度，卷积层中的卷积运算定义为滤波器内核w，

和串联向量

的乘法运算，表示如下

其中，输出z_i是由卷积核w学得的特征，

表示非线性激活函数，b表示偏置，*^T表示转置操作，

表示一个从第i个数据点开始的窗口长度为F_L的序列数据，由

表示的如下数据连接操作：

将经第j个卷积核操作后得到的特征图表示为：

其中，

表示第j个卷积核对序列

进行非线性操作

后的向量形式的输出；

构造样本的输入和输出，对X_L×2F中每个发动机的退化轨迹数据分别采用窗口滑动法构建出训练样本的输入，且其对应输出的标签即剩余寿命RUL根据分阶线性函数进行修正，最终将得到成对的样本的输入和输出，其中窗口滑动法描述如下：

对于X_L×2F中第n个发动机的退化轨迹数据

表示为如下的二维矩阵形式

进一步，按照步长s＝1得到如下第n个发动机的第k个样本：

其中，N_t表示所构建样本时间窗口的长度。

其中分阶线性函数表达式如下：

其中，Label表示构建样本数据的标签，RUL表示获取到的历史航空发动机失效数据中的实际剩余寿命，R_early表示根据情况而设置的阈值，如在本发明中将其默认取值为125；

步骤四，对于待进行剩余寿命预测的在役航空发动机的监测数据，构建出测试样本的输入，形成测试集。将构建的测试集输入到训练好的航空发动机剩余寿命预测模型中，得到在役航空发动机的剩余寿命预测值。

下面结合一具体应用实例对本发明的实现过程以及预测效果进行说明：

本具体实施中，采用的是NASA提供关于航空发动机的CMAPSS仿真数据集。CMAPSS是美国NASA的格林研究中心研发了的一款模块化的航空推进系统仿真软件，旨在模拟出飞机由正常到故障的整个退化过程，为预测模型提供数据基础。仿真实验是在MatlabSimulink工具下创建的，仿真了具有90000磅推力的发动机模型，程序包括一个大气模型和电管理系统，涉及风扇、低压压缩机(LPC)、高压压缩机(HPC)、高压涡轮机(HPC)和低压涡轮机(LPT)五个部件模块。图4中显示了航空发动机仿真实验中的五个模块的逻辑结构关系。

该开源数据一共包含四组仿真数据，本发明具体实施过程分别选取“train_FD001”和“test_FD001”分别作为训练集和测试集，其中，每个子数据集含有26列，即包括编号、运行周期、环境设置1、环境设置2、环境设置3以及21个监测指标，而21个监测数据用于输出仿真实验中发动机退化过程中的信号数据，所代表的具体含义描述如表1所示。

表1.发动机监测指标描述

应用本发明方法进行寿命预测的具体过程如下：

步骤一，从第一组仿真数据集中的train_FD001.txt文件中可获取航空发动机失效数据X_20631×26，指的是从某一开始时刻到最终故障的全过程数据。20631行是100台发动机运行周期的总时长，26列包括编号、运行周期、环境设置1、环境设置2、环境设置3以及21个监测指标。其中，21个监测指标的可视化结果如图5所示。

步骤二，从图5中21个监测变量在整个寿命周期中的变化趋势将传感器数据大致分为两类：常值的和变化的(即递增或递减趋势的)。在对发动机退化过程的刻画上，常值的信号显然是不起作用的，故在后期模型的输入变量上将不予考虑。另外，Sensor 6同样被认为对刻画发动机退化现象是没有贡献的。因此，选取其中的14个指标作为RUL预测模型的原始输入特征，其编号分别为2、3、4、7、8、9、11、12、13、14、15、17、20和21。

接着，对选择的14个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：

其中，

表示第n个发动机信号j的第i个时刻的原始数据，

是

标准化后的值，而

和

分别表示信号j的最大值和最小值；

然后，将标准化后的变量做一阶差分运算生成新的变量，和原始特征共同组成发动机性能退化的数据矩阵形式X_20631×28，一阶差分运算的计算公式如下：

步骤三，并行的CNN网络架构的绘制模型如图6所示，分别对原始特征和新的(差分)特征进行两层的卷积运算，且第一层卷积层设置10个大小为(10，1)的卷积核，而第二层为1个大小为(10，1)的卷积核；将得到的特征图组合并输入到展开层；随后接一个大小为200的全连接层，并在该层中采用dropout技术(大小为0.5)；最后输出到一个神经单元(target)的输出层。将由训练集构建的样本输入到所述网络架构中，训练轮次epoch＝200且损失函数cost＝RMSE+α·Score(α＝0.05)，得到训练好的航空发动机剩余寿命预测模型。其中，RMSE和Score的表达式如下所示：

其中，n表示样本个数，d_i＝RUL′_i-RUL_i表示第i个样本预测值和真实值之间的误差。

对于训练集中的每台发动机数据，按照时间窗方法构造出尺寸大小为N_t×N_f的样本输入，其中N_t＝30,N_f＝28；采用分阶线性函数方法对真实的剩余寿命进行重置形成样本输出，假设在初始阶段具有恒定的RUL值R_early＝125。

步骤四，对测试集test_FD001.txt中的数据经步骤二的数据预处理后，按照步骤三中的方法构建出网络的样本输入。将100台测试发动机的样本输入到训练好的航空发动机剩余寿命预测模型中，得到预测结果，如图7。

综上，本发明建立了用以表征系统退化过程的特征变量与预测目标(RUL)之间的映射关系；根据差分技术来获得新生成的差分特征用以刻画系统退化速度的信息，而并行CNN结构的设计则是为了分别从原始特征和新生成的差分特征中提取到高质量的退化信息，并用所构建网络模型来学习提出的映射关系。对原始监测数据进行预处理并构建出用于输入所提模型的样本，将所构建的样本输入到设置好的模型中训练得到最终的预测模型；最后将测试样本输入到训练好的模型中得到预测结果和预测性能指标。本发明通过上述步骤很好的解决了数据驱动的航空发动机剩余寿命预测问题，有助于建立起大数据和智能系统健康管理连接的桥梁。相比现有方法，本发明所提出的算法计算过程简单有效。通过上述具体实施方式可知，本发明所提出的方法预测精度很高。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明，任何本领域普通技术人员，在不脱离本发明的精神和范围内，当可作各种更动与润饰，因此本发明的保护范围当视权利要求书界定的范围为准。

Claims (3)

1.基于并行CNN模型的航空发动机剩余寿命预测方法，其特征在于，包括以下步骤：

步骤一，获取历史航空发动机失效数据，形成训练集X_L×V，其中，L＝L₁+L₂+…+L_N表示N个航空发动机样本总的运行轨迹长度，N表示航空发动机样本个数，L_n表示第n个航空发动机样本的监测轨迹长度，n＝1,2,…,N，V表示航空发动机中传感器的个数；

步骤二，对V个监测变量进行特征选择，得到F个监测变量，原来的训练集降维为X_L×F；对F个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：

其中，

表示第n个发动机信号j的第i个时刻的原始数据，

是

标准化后的值，而

和

分别表示信号j的最大值和最小值；

然后，将标准化后的变量做差分运算生成新的变量，和原始特征共同组成航空发动机性能退化的数据矩阵X_L×2F，且d阶差分运算的计算公式如下：

步骤三，构建并行CNN模型的网络架构

首先，建立监测变量X和剩余寿命RUL之间的映射关系，表示如下：

f:X→RUL i.e.,RUL(t)＝f(X_t-s+1,X_t-s+2,…,X_t)；

其中，t表示时刻，s表示时间步，X_i,i＝t-s+1,…,t表示时刻i所对应的监测数据，其长度为2F的向量形式；

在对航空发动机剩余寿命预测时，并行CNN模型的设计则是为了分别从原始特征和差分特征提取到退化特征的本质信息；由于所收集到的数据来自于多个不同传感器监测到的时序数据，考虑到不同特征的差异性，在CNN中的卷积运算采用一维卷积运算，其目的是对同一特征上的数据才进行聚合操作，具体阐述如下：

确定输入的1维序列数据是x＝[x₁,x₂,…,x_N]，其中N表示序列长度，卷积层中的卷积运算定义为滤波器内核w，

和串联向量

的乘法运算，表示如下

其中，输出z_i是由卷积核w学得的特征，

表示非线性激活函数，b表示偏置，*^T表示转置操作，

表示一个从第i个数据点开始的窗口长度为F_L的序列数据，由

表示的如下数据连接操作：

因此，将经第j个卷积核操作后得到的特征图表示为：

其中，

表示第j个卷积核对序列

进行非线性操作

后的向量形式的输出；

构造样本的输入和输出，对X_L×2F中每个发动机的退化轨迹数据分别采用窗口滑动法构建出训练样本的输入，且其对应输出的标签即剩余寿命RUL根据分阶线性函数进行修正，最终将得到成对的样本的输入和输出，其中窗口滑动法描述如下：

对于X_L×2F中第n个发动机的退化轨迹数据

表示为如下的二维矩阵形式

进一步，按照步长s＝1得到如下第n个发动机的第k个样本：

其中，N_t表示所构建样本时间窗口的长度；

其中分阶线性函数表达式如下：

其中，Label表示构建样本数据的标签，RUL表示获取到的历史航空发动机失效数据中的实际剩余寿命，R_early表示根据情况而设置的阈值；

步骤四，对于待进行剩余寿命预测的在役航空发动机的监测数据，构建出测试样本的输入，形成测试集；将构建的测试集输入到训练好的航空发动机剩余寿命预测模型中，得到在役航空发动机的剩余寿命预测值。

2.如权利要求1所述的基于并行CNN模型的航空发动机剩余寿命预测方法，其特征在于，所述步骤二中d取值为1，即进行一阶差分运算，通过一阶差分运算生成的新变量用来刻画系统退化的速度。

3.如权利要求1所述的基于并行CNN模型的航空发动机剩余寿命预测方法，其特征在于，所述步骤三中R_early取值为125。

Images