CN112560252A - 一种航空发动机剩余寿命预测方法 - Google Patents

Abstract

一种航空发动机剩余寿命预测方法，涉及航空发动机。1：获取航空发动机历史失效数据，数据预处理，构造用于DCNN训练的标准训练集以及测试集；2：构建深度卷积神经网络，设置惩罚函数，加大滞后预测的惩罚权重，从噪声数据中提取更有代表性的深层特征；3：将步骤2中构建的DCNN中平铺层的数据提取出来，作为LightGBM算法的输入，完成后续预测过程，并用评估指标对预测结果进行评估。利用DCNN提取原始数据深层特征，同时增加滞后预测的惩罚，抛弃传统全连接层改用更强大的分类器LightGBM对提取出的特征进行预测。在保证训练时间几乎不增加的前提下，大幅提高预测准确率，为航空发动机剩余寿命预测提供可靠支持。

Description

一种航空发动机剩余寿命预测方法

技术领域

本发明涉及航空发动机，尤其是涉及基于深度卷积神经网络和LightGBM的一种航空发动机剩余寿命预测方法。

背景技术

航空发动机是飞机的关键部件，为飞机提供推力。为了保证飞机的安全，对发动机剩余使用寿命进行预估具有重要意义。预测与健康管理(PHM)是一种新兴技术，旨在监测工程系统的可靠性和安全性，从而提高最大运行可用性并降低维护成本。航空发动机的剩余寿命(RUL)预测是预测与健康管理里最具挑战性的技术之一。

近年来，航空发动机剩余寿命预测受到高度重视。目前的剩余可用寿命预测方法主要有基于物理模型的预测方法和基于数据驱动的预测方法。由于模型结构复杂性和环境的不确定性，基于物理模型的预测方法很难建立精确模型，从而限制了模型法的广泛使用。数据驱动的方法基于历史运行故障数据建立评估模型，利用信号处理等技术分析和挖掘传感器数据，提取反映系统退化和故障的特征，并通过人工智能算法实现设备的剩余寿命预测。由于其计算成本低、精度高，近年来出现许多数据驱动的预测方法。常用的人工智能算法包括神经网络、支持向量机、模糊逻辑系统等。传统的人工智能方法在考虑时间序列相关性和挖掘复杂数据信息方面需要改进。近年，深度学习逐渐出现在PHM领域，如循环神经网络、卷积神经网络和长短时记忆网络等。深度学习方法更能有效提取由多传感器性能参数组成的大数据的深层特征。然而，一些深度学习方法对提取到的非线性组合特征只进行简单地学习导致剩余寿命的预测不够准确。

发明内容

本发明的目的在于针对背景技术中存在的上述不足，提供基于深度卷积神经网络(Deep Convolution Neural Networks)和LightGBM(the light gradient boostingmachine)的航空发动机剩余寿命预测方法。

本发明包括以下步骤：

步骤1：获取航空发动机历史失效数据，数据预处理，构造用于DCNN训练的标准训练集以及测试集；

在步骤1中，所述数据预处理，构造用于DCNN训练的标准训练集以及测试集方法为：

(1)选取有效特征，按“最小-最大”归一化方法将数据归一到[0,1]范围内，具体方法如下：

其中，x^i,j是第j个传感器的第i个测量点，

是x^i,j归一化后的结果，

和

是第j个传感器的最大值和最小值。

(2)对归一化后的数据采用窗口滑动法构建样本输入，且对应的输出，剩余寿命标签采用分段线性函数修正；所述窗口滑动法是指选取一个长度为N_tw的时间窗，时间窗内的全部历史数据组成高维特征向量作为输入；所述分段线性函数表达式如下：

其中，label_c表示修正后的剩余寿命，label_real表示获取到的历史航空发动机失效数据中实际剩余寿命，R_early表示根据情况而设置的阈值。

步骤2：构建深度卷积神经网络(Deep Convolution Neural Networks，DCNN)，设置惩罚函数，加大滞后预测的惩罚权重，从噪声数据中提取更有代表性的深层特征；

在步骤2中，所述深度卷积神经网络的结构为：

首先，输入数据是二维数据，一个维度是特征数，另一个维度是传感器的时间序列；接下来是四个相同结构的卷积层(卷积核尺寸为10×1，卷积核个数为10)用来提取输入数据特征；然后，用一个卷积层(卷积核尺寸为3×1，卷积核个数为1)组合特征映射；该特征经平铺层与全连接层连接，完成剩余寿命预测任务；此过程使用的激活函数均为ReLU，优化器为Adam,使用Dropout技术避免过拟合；

所述惩罚函数如下：

其中，y_i为实际值，

为预测值，N是验证集的数目；当实际值y_i大于预测值

时，惩罚系数ω＝1，否则ω＝2。

步骤3：将步骤2中构建的DCNN中平铺层的数据提取出来，作为LightGBM算法的输入，让LightGBM算法完成后续的预测过程，并用评估指标对预测结果进行评估，评估方法如下：

其中，N表示测试集中测试样本个数，d_i＝RUL′_i-RUL_i表示测试集中第i个测试样本预测值与真实值之间的误差。

采用本发明基于DCNN-LightGBM算法的航空发动机剩余寿命预测方法，与其他航空发动机剩余寿命预测方法相比，本发明的有益效果为：将DCNN与LightGBM算法相融合，提出一种新颖的DCNN-LightGBM算法；该模型利用DCNN提取原始数据深层特征，同时增加滞后预测的惩罚，抛弃传统全连接层改用更强大的分类器LightGBM对提取出的特征进行预测。与传统DCNN算法相比，在保证训练时间几乎不增加的前提下，大幅提高预测准确率，为航空发动机剩余寿命预测提供可靠支持。

附图说明

图1是本发明基于DCNN-LightGBM算法的航空发动机剩余寿命预测方法的流程图；

图2是本发明构建的深度卷积神经网络结构图；

图3是100个测试发动机排序后的预测结果对比图；

图4是本发明与其他五种不同方法运行时间与均方误差结果图。

具体实施方式

以下实施例将结合本发明实施例中图1对本发明实施例中的技术方案进行完整描述。

图1是本发明基于DCNN-LightGBM算法的航空发动机剩余寿命预测方法的流程图，本发明实施例具体包括以下步骤：

步骤一：数据处理

采用CMAPSS仿真数据集获取历史航空发动机失效数据，进行特征选择，构造时间序列特征，对数据归一化处理，得处理后的训练集、测试集、RUL标签；

(1)采用CMAPSS仿真数据集获取历史航空发动机失效数据，对收集到的数据特征进行可视化，选取有效特征。

(2)按照“最小-最大”归一化方法将选取的特征变量归一化到[0,1]范围内，具体计算公式如下：

其中，x^i,j是第j个传感器的第i个测量点，

是x^i,j归一化后的结果，

和

是第j个传感器的最大值和最小值。

(3)对归一化后的数据采用窗口滑动法构建样本输入。所述窗口滑动法是指选取一个长度为N_tw的时间窗，时间窗内的全部历史数据组成高维特征向量作为输入，在本发明中N_tw可取30。剩余寿命标签采用分段线性函数修正，所述分段线性函数表达式如下：

其中，label_c表示修正后的剩余寿命，label_real表示获取到的历史航空发动机失效数据中实际剩余寿命，R_early表示根据情况而设置的阈值。本发明中R_early默认取125。

步骤二：

构建深度卷积神经网络(Deep Convolution Neural Networks)，初始化DCNN参数，将特征变量X和标签剩余寿命作为DCNN的输入输出，利用反向传播算法训练DCNN网络，保存平铺层数据；初始化梯度增强树，更新树模型，得到训练好的航空发动机剩余寿命预测模型。本发明采用的DCNN网络结构如图2所示。考虑到不同传感器提取数据之间的关联性不大，本发明卷积核尺寸选择了10×1，经实验验证了卷积层5层时实验效果最佳。深度卷积神经网络的具体结构为：

首先，输入数据是二维数据。一个维度是特征数，另一个维度是传感器的时间序列。接下来是四个相同结构的卷积层(卷积核尺寸为10×1，卷积核个数为10)用来提取输入数据特征。然后，用一个卷积层(卷积核尺寸为3×1，卷积核个数为1)组合特征映射。该特征经平铺层与全连接层连接，完成剩余寿命预测任务。此过程使用的激活函数均为ReLU,优化器为Adam,使用Dropout技术避免过拟合。

在训练模型的过程中，对惩罚函数进行优化，加大滞后预测的惩罚权重。改进后的惩罚函数如下：

其中，y_i为实际值，

为预测值。N是验证集的数目。当实际值y_i大于预测值

时，惩罚系数ω＝1，否则ω＝2。

步骤三：将上述构建的DCNN中平铺层的原始数据深层特征提取出来，作为LightGBM算法的输入，让LightGBM算法完成后续的预测过程，并用评估指标对预测结果进行评估，评估方法如下：

其中，N表示测试集中测试样本个数，d_i＝RUL′_i-RUL_i表示测试集中第i个测试样本预测值与真实值之间的误差。

以下结合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和验证：

本具体实施例中，采用的是NASA提供关于航空发动机的CMAPSS仿真数据集。该数据集来源于美国国家航空航天局的商用模块化航空推进仿真系统模拟器，模拟90000磅推力的发动机模型由正常到故障的整个退化过程，为预测模型提供数据基础。CMAPSS数据集被广泛用于预测研究，它包含发动机在不同工况和故障模式下的4个子数据集。每个子数据集包含训练集、测试集和测试RUL值，由21个传感器和3个操作设置组成。每个发动机单元都有不同程度的磨损；随着时间的推移，发动机单元开始退化，直到它们达到系统故障，即所谓的不健康时间周期。测试集中的传感器记录在系统故障前终止；试验的目的是预测试验装置中各发动机单元的RUL。在本发明具体实施例中选取编号为FD001的数据集；它有100个训练样本和100个测试样本。

应用本发明方法进行寿命预测的具体过程如下：

步骤一：选取上述数据集了14个传感器(编号为2,3,4,7,8,9,11,12,13,14,15,17,20和21)，消除不规则或无变化的传感器数据。通过使用“最小-最大”归一化方法将每个特征的范围归一化到[0,1]；时间窗长度N_tw选为30进行窗口滑动，构造DCNN的输入特征矩阵。对标签RUL采用分阶线性函数对真实剩余寿命进行修正，Rearly＝125。

步骤二：按图2构造DCNN结构，用步骤一的输入输出对网络进行训练。DCNN网络架构为：InputLayer(30×14)→ConvolutionalLayer(10@30×14)→Convolutional Layer(10@30×14)→Convolutional Layer(10@30×14)→Convolutional Layer(10@30×14)→Convolutional Layer(1@30×14)→Flatten Layer(30×14)→Dropout Layer(0.5)→Fully Connection Layer(100)→Outpu t Layer(1)。训练轮次epoch＝50得到训练好的DCNN模型，用作深层特征提取。

步骤三：将平铺层数据保存下来，作为LightGBM算法的输入，训练LightGBM模型，完成完整的航空发动机剩余寿命预测模型。

步骤四：将测试集100个样本放入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3所示。

从图3可以看出，随着发动机剩余寿命的减少，本发明的预测结果越准确。航空发动机剩余寿命预测模型预测性能指标：Score＝219.4，RMSE＝12.8。为了进一步证明本发明实施方法的有效性，图4给出本发明DCNN-LightGBM方法与其他常见五种寿命预测方法(XGBoost、LightGBM、DCNN、DNN、RNN)的运行时间和RMSE的比较。从图4可以看出，本发明方法较XGBoost、LightGBM、DCNN、DNN模型比训练时间长，但是在预测准确率上本发明方法明显优于其他传统算法。

Claims (5)

1.一种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1：获取航空发动机历史失效数据，数据预处理，构造用于DCNN训练的标准训练集以及测试集；

步骤2：构建深度卷积神经网络DCNN，设置惩罚函数，加大滞后预测的惩罚权重，从噪声数据中提取更有代表性的深层特征；

步骤3：将步骤2中构建的深度卷积神经网络DCNN中平铺层的数据提取出来，作为LightGBM算法的输入，完成后续的预测过程，并用评估指标对预测结果进行评估。

2.如权利要求1所述一种航空发动机剩余寿命预测方法，其特征在于在步骤1中，所述数据预处理，构造用于DCNN训练的标准训练集以及测试集方法为：

(1)选取有效特征，按“最小-最大”归一化方法将数据归一到[0,1]范围内，具体方法如下：

其中，x^i,j是第j个传感器的第i个测量点，

是x^i,j归一化后的结果，

和

是第j个传感器的最大值和最小值；

(2)对归一化后的数据采用窗口滑动法构建样本输入，且对应的输出，剩余寿命标签采用分段线性函数修正；所述窗口滑动法是指选取一个长度为N_tw的时间窗，时间窗内的全部历史数据组成高维特征向量作为输入；所述分段线性函数表达式如下：

其中，label_c表示修正后的剩余寿命，label_real表示获取到的历史航空发动机失效数据中实际剩余寿命，R_early表示根据情况而设置的阈值。

3.如权利要求1所述一种航空发动机剩余寿命预测方法，其特征在于在步骤2中，所述深度卷积神经网络的结构为：

首先，输入数据是二维数据，一个维度是特征数，另一个维度是传感器的时间序列；接下来是四个相同结构的卷积层(卷积核尺寸为10×1，卷积核个数为10)用来提取输入数据特征；然后，用一个卷积层(卷积核尺寸为3×1，卷积核个数为1)组合特征映射；该特征经平铺层与全连接层连接，完成剩余寿命预测任务；此过程使用的激活函数均为ReLU，优化器为Adam,使用Dropout技术避免过拟合。

4.如权利要求1所述一种航空发动机剩余寿命预测方法，其特征在于在步骤2中，所述惩罚函数如下：

其中，y_i为实际值，

为预测值，N是验证集的数目；当实际值y_i大于预测值

时，惩罚系数ω＝1，否则ω＝2。

5.如权利要求1所述一种航空发动机剩余寿命预测方法，其特征在于在步骤3中，所述评估方法如下：

其中，N表示测试集中测试样本个数，d_i＝RUL′_i-RUL_i表示测试集中第i个测试样本预测值与真实值之间的误差。

Images