CN113111572B - 航空发动机剩余寿命预测方法及系统 - Google Patents

航空发动机剩余寿命预测方法及系统 Download PDF

Info

Publication number
CN113111572B
CN113111572B CN202110310813.0A CN202110310813A CN113111572B CN 113111572 B CN113111572 B CN 113111572B CN 202110310813 A CN202110310813 A CN 202110310813A CN 113111572 B CN113111572 B CN 113111572B
Authority
CN
China
Prior art keywords
data
support vector
regression model
neighborhood
aircraft engine
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.)
Active
Application number
CN202110310813.0A
Other languages
English (en)
Other versions
CN113111572A (zh
Inventor
刘心报
胡俊迎
钱晓飞
周志平
周谧
陆少军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110310813.0A priority Critical patent/CN113111572B/zh
Publication of CN113111572A publication Critical patent/CN113111572A/zh
Application granted granted Critical
Publication of CN113111572B publication Critical patent/CN113111572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种航空发动机剩余寿命预测方法及系统,涉及航空发动机寿命预测技术领域。本发明利用相空间重构算法对航空发动机运行过程时间序列数据进行相空间重构,并将重构后的时间序列数据分为训练数据和待检测数据,然后利用训练数据训练支持向量回归模型,并采用设计了K种邻域结构的改进的变邻域搜索算法对支持向量回归模型的参数进行协同优化,最终基于待检测数据和优化后的支持向量回归模型对航空发动机剩余寿命进行预测。本发明可以处理非线性和非平稳性的航空发动机运行过程数据序列,对支持向量回归模型的参数进行协同优化,从而实现了基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的目的。

Description

航空发动机剩余寿命预测方法及系统
技术领域
本发明涉及航空发动机寿命预测技术领域,具体涉及一种航空发动机剩余寿命预测方法及系统。
背景技术
航空发动机是一种安全性和可靠性要求极高、设计生产和维修保养花费极大的大型复杂设备,对其剩余寿命进行精确预测可以有效指导航空发动机的使用和维修管理,对保证飞机飞行安全和降低运营成本有着重要意义。近年来,对航空发动机剩余寿命预测主要有基于数据的方法。基于数据驱动的方法由于能直接根据历史运行数据预测航空发动机的剩余寿命,成为目前最常使用的方法之一。
目前,基于数据驱动的航空发动机剩余寿命预测方法主要有时间序列模型、灰色模型、人工神经网络模型和支持向量回归(SVR)等。由于航空发动机运行过程中的数据序列表现出很强的非线性和非平稳性,因此航空发动机运行过程数据序列预测是一个典型的非线性时间序列预测问题,传统的时间序列预测方法只能对线性、平稳的数据进行分析和预测,对非线性系统的时间序列预测效果低下;另外,支持向量回归模型方法的预测精度的好坏取决于模型参数的选择,但常用的支持向量回归模型参数的选择方法存在不客观、耗时,以及无法实现参数之间协同优化等问题,严重影响了支持向量回归模型的预测效率和精度。
由此可知,现有基于数据驱动的航空发动机剩余寿命预测方法,无法基于航空发动机运行数据对航空发动机剩余寿命进行精准预测。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种航空发动机剩余寿命预测方法及系统,解决了现有技术无法基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明首先提出了一种航空发动机剩余寿命预测方法,所述方法包括:
获取航空发动机运行过程时间序列数据;
基于相空间重构算法对所述时间序列数据进行相空间重构,并将重构后的所述时间序列数据分为训练数据和待检测数据;
利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数;
基于所述待检测数据,利用优化后的所述支持向量机回归模型对航空发动机剩余寿命进行预测。
优选的,所述方法还包括:在获取航空发动机运行过程时间序列数据之后,对所述时间序列数据进行预处理,所述预处理包括归一化处理。
优选的,所述基于相空间重构算法对所述时间序列数据进行相空间重构包括:
确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间。
优选的,所述利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数,包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure GDA0003948505810000035
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure GDA0003948505810000031
其中F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure GDA0003948505810000032
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
其中,所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
优选的,所述S31中设定初始参数包括:
惩罚参数C可以由以下公式来确定:
Figure GDA0003948505810000033
其中,
Figure GDA0003948505810000034
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure GDA0003948505810000041
Figure GDA0003948505810000042
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure GDA0003948505810000043
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5)
其中,d表示空间维度。
第二方面,本发明提出了一种航空发动机剩余寿命预测系统,所述系统包括:
数据获取模块,用于获取航空发动机运行过程时间序列数据;
数据处理模块,用于基于相空间重构算法对所述时间序列数据进行相空间重构,并将重构后的所述时间序列数据分为训练数据和待检测数据;
模型训练模块,用于利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数;
结果预测模块,用于基于所述待检测数据,利用优化后的所述支持向量回归模型对航空发动机剩余寿命进行预测。
优选的,所述系统还包括:数据预处理模块,用于在获取航空发动机运行过程时间序列数据之后,对所述时间序列数据进行预处理,所述预处理包括归一化处理。
优选的,所述数据处理模块基于相空间重构算法对所述时间序列数据进行相空间重构包括:
确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间。
优选的,所述模型训练模块利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数,包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure GDA0003948505810000053
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure GDA0003948505810000051
其中F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure GDA0003948505810000052
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
优选的,所述S31中设定初始参数包括:
惩罚参数C可以由以下公式来确定:
Figure GDA0003948505810000061
其中,
Figure GDA0003948505810000062
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure GDA0003948505810000063
Figure GDA0003948505810000064
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure GDA0003948505810000065
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5)
其中,d表示空间维度。
(三)有益效果
本发明提供了一种航空发动机剩余寿命预测方法及系统。与现有技术相比,具备以下有益效果:
本发明利用相空间重构算法对航空发动机运行过程时间序列数据进行相空间重构,并将重构后的时间序列数据分为训练数据和待检测数据,然后利用训练数据训练支持向量回归模型,并采用具有K种邻域结构的改进的变邻域搜索算法对支持向量回归模型的参数进行协同优化,最终基于待检测数据和优化后的支持向量回归模型对航空发动机剩余寿命进行预测。本发明不仅可以处理非线性和非平稳性的航空发动机运行过程数据序列,而且还对支持向量回归模型的参数进行协同优化,从而实现了基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的目的。
附图说明
为了更清楚地说明本发明实施例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人员来讲,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他的附图。
图1为本发明实施例一种航空发动机剩余寿命预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。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。
本申请实施例通过提供一种航空发动机剩余寿命预测方法及系统,解决了现有技术无法基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明针对现有技术无法基于航空发动机运行过程数据对航空发动机剩余寿命进行精准预测的问题,首先采用相空间重构算法对原始数据的样本空间进行重构,恢复或近似模拟航空发动机系统的动力学特性,解决了现有技术无法分析处理航空发动机运行过程中非线性、非平稳的时间序列数据的问题;同时,设计了一种具有K种邻域结构的改进的变邻域搜索算法,用于对支持向量回归模型中的参数进行协同优化,最终运用经过参数优化和训练后的支持向量回归模型对航空发动机剩余寿命进行精准预测。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
第一方面,本发明的实施例首先提出了一种航空发动机剩余寿命预测方法,参见图1,所述方法包括:
S1、获取航空发动机运行过程时间序列数据;
S2、基于相空间重构算法对上述时间序列数据进行相空间重构,并将重构后的上述时间序列数据分为训练数据和待检测数据;
S3、利用上述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对上述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;上述K属于正整数;
S4、基于上述待检测数据,利用优化后的上述支持向量回归模型对航空发动机剩余寿命进行预测。
可见,本发明实施例提出的一种航空发动机剩余寿命预测方法,利用相空间重构算法对航空发动机运行过程时间序列数据进行相空间重构,并将重构后的时间序列数据分为训练数据和待检测数据,然后利用训练数据训练支持向量回归模型,并采用具有K种邻域结构的改进的变邻域搜索算法对支持向量回归模型的参数进行协同优化,最终基于待检测数据和优化后的支持向量回归模型对航空发动机剩余寿命进行预测。本发明不仅可以处理非线性和非平稳性的航空发动机运行过程数据序列,而且还对支持向量回归模型的参数进行协同优化,从而实现了基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的目的。
在本发明实施例的上述方法中,为了归纳统一数据样本的统计分布性,以便于后续模型处理,一种较佳的处理方式是在获取航空发动机运行过程时间序列数据之后,对时间序列数据进行预处理,而预处理包括归一化处理。
另外,在本发明实施例的上述方法中,为了可以恢复或近似模拟航空发动机系统的动力学特性,解决了航空发动机退化过程数据序列的非线性和非平稳特性问题,以确定支持向量回归模型的输入特征,一种较佳的处理方式是基于相空间重构算法对航空发动机时间序列数据进行相空间重构,具体包括:确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间。
在实际中,为了实现基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的目的,同时使预测结果更加精准,一种较佳的处理方式是,设定邻域结构种类为K种对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差几个参数进行协同优化;所述K属于正整数,具体协同优化步骤包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure GDA0003948505810000093
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure GDA0003948505810000091
其中,F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure GDA0003948505810000092
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
其中,所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
另外,在获取支持向量回归模型的初始参数时,一种较佳的处理方式是,利用以下公式来获取惩罚参数C、容忍误差ε,以及核函数带宽γ:
惩罚参数C可以由以下公式来确定:
Figure GDA0003948505810000101
其中,
Figure GDA0003948505810000102
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure GDA0003948505810000103
Figure GDA0003948505810000104
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure GDA0003948505810000105
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5)
其中,d表示空间维度。
下面结合对S1-S4的步骤的详细阐述,来详细说明本发明一个实施例的具体实现过程。
S1、获取航空发动机运行过程时间序列数据。
获取航空发动机运行过程产生的性能数据,并对收集到的数据进行预处理。对数据进行预处理包括对初始样本数据进行归一化处理,以归纳统一样本的统计分布性。具体地,按照以下公式对初始样本数据进行归一化处理:
Figure GDA0003948505810000106
其中,a′ij是经过归一化处理后的样本数据,aij是样本数据,aimin与aimax是第i个性能特征中的最小值和最大值。
S2、基于相空间重构算法对上述时间序列数据进行相空间重构,并将重构后的上述时间序列数据分为训练数据和待检测数据。
首先,采用Wolf法判断时间序列数据的最大Lyapunov指数λ,然后用C-C法确定嵌入维度m和延迟时间τ,最后将确定的参数λ、参数m,以及参数τ代入相空间重构算法中,对航空发动机运行过程中的数据序列进行相空间重构。具体地,相空间重构算法中各参数的确定包括以下步骤:
用Wolf方法计算每组时间序列数据的最大Lyapunov指数λ,基本步骤包括:对一组时间序列xi,i=1,2,...,N,进行相空间重构,相空间重构后可表示为:
X(t)={x(t),x(t+τ),...,x[t+(m-1)τ]}
取初始点Xt,设其与最邻近点X0(t0)的距离为L0,追踪这两点的时间演化,直到t1时刻,其间距L'0=|X(t1)-X0(t1)|>e,,(e是一个大于0的常量)然后在其邻近位置找另一个点X1(t1),使得L1=|X(t1)-X1(t1)|<e,并且与之夹角尽可能的小;继续以上过程,直至到达时间序列的终点,总的迭代次数为M,则最大Lyapunov指数λ为:
Figure GDA0003948505810000111
用C-C法确定嵌入维度m和延迟时间τ基本步骤包括:
给定临界距离r,定义关联积分:
Figure GDA0003948505810000112
Figure GDA0003948505810000113
其中,M=N-(m-1)τ表示相空间中的点数,Xi={xi,xi+τ,...,xi+(m-1)τ},i=1,2,…,N-(m-1)τ表示重构后的相空间。
将时间序列分成t个不相交的子序列,计算每个子序列的统计量:
Figure GDA0003948505810000121
定义差量为:
ΔS(m,t)=max{S(m,rj,t)}-min{S(m,rj,t)}
计算下列3个统计量:
Figure GDA0003948505810000122
Figure GDA0003948505810000123
Figure GDA0003948505810000124
Figure GDA0003948505810000125
的第一个零点或
Figure GDA0003948505810000126
的第一个极小点就是最优延迟时间τ,Scor(t)的全局最小点就是嵌入窗宽τW=(m-1)τ。
基于上述步骤获取时间序列数据的最大Lyapunov指数λ、嵌入维度m和延迟时间τ,代入相空间重构算法中,然后用相空间重构算法对时间序列数据进行相空间重构,模拟航空发动机的动力学特性,获取更多的航空发动机运行过程中的数据序列的特征,同时将重构后的上述时间序列数据分为训练数据和待检测数据。
S3、利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数。
选择初始值。
由于初始解的选择对VNS算法(变领域搜索算法)的性能有着很大的影响,所以作为参数优化的第一步,需要产生一组(C,γ,ε)的初始值。
选择惩罚参数C。每个支持向量回归模型(SVR)都有合适的惩罚参数C,使得其推广能力最好,当C超过一定值时,SVR的复杂度达到了特征空间允许的最大值,此时经验风险和推广能力几乎不再变化。惩罚参数C可以由以下公式来确定:
Figure GDA0003948505810000131
其中,
Figure GDA0003948505810000132
和σy分别是训练数据yi的均值和标准差。
核函数带宽γ的选择。选用RBF核函数时,一般而言,对于d维空间问题,核函数带宽γ的设置应满足γd∈(0.1,0.5)。
容忍误差ε的选择。容忍误差ε与样本大小和噪声方差成如下关系:
Figure GDA0003948505810000133
其中,n是样本数,σ是样本噪声的标准差,σ是未知的,用K最近邻方法(KNN)对σ进行估计:
Figure GDA0003948505810000134
其中,k表示近邻数,
Figure GDA0003948505810000135
是通过KNN方法对训练数据yi的估计。
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C的搜索范围C∈[10-3,103],核函数带宽γ的搜索范围γ∈[10-6,101],容忍误差ε∈[10-3,10-1],当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,当K分别为1,2,3,4,5(此处设计5种邻域结构)时,mk分别为5,4,3,2,1,邻域解Xs由以下公式产生:
Figure GDA0003948505810000136
Figure GDA0003948505810000141
其中,ai和bi是xi能取到的最小值和最大值。
S33、选定邻域结构,定义邻域结构的初始解
Figure GDA0003948505810000142
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
参数优化过程中选择可决系数R2为适应度函数,用于表征预测数据与真实数据的误差程度。令yi表示真实值,
Figure GDA0003948505810000143
为预测值,则有:
Figure GDA0003948505810000144
Figure GDA0003948505810000145
其中,
Figure GDA0003948505810000146
为真实值的平均数,SSerr是残差平方和;SStot是总平方和,与样本方差成正比。
适应度函数设置如下:
Figure GDA0003948505810000147
当R2与1越接近,表明回归曲线与数据吻合越好。
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure GDA0003948505810000148
其中,F(X)表示个体x的适应度值。
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure GDA0003948505810000149
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33。
S38、输出Xbest和对应的适应度值。
输出的解Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数,将这三个经过协同优化的参数代入支持向量回归模型中,该模型即为经过训练和优化后的支持向量回归模型。
S4、基于上述待检测数据,利用优化后的上述支持向量回归模型对航空发动机剩余寿命进行预测。
最后,将待检测数据集输入训练和进行参数协同优化后的支持向量回归模型中进行预测,即可对航空发动机剩余寿命进行精准预测。
至此,则完成了本发明一种航空发动机剩余寿命预测方法的全部过程。
实施例2:
第二方面,本发明还提供了一种航空发动机剩余寿命预测系统,该系统包括:
数据获取模块,用于获取航空发动机运行过程时间序列数据;
数据处理模块,用于基于相空间重构算法对所述时间序列数据进行相空间重构,并将重构后的所述时间序列数据分为训练数据和待检测数据;
模型训练模块,用于利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数;
结果预测模块,用于基于所述待检测数据,利用优化后的所述支持向量机回归模型对航空发动机剩余寿命进行预测。
可选的,所述系统还包括:数据预处理模块,用于在获取航空发动机运行过程时间序列数据之后,对所述时间序列数据进行预处理,所述预处理包括归一化处理。
可选的,所述数据处理模块基于相空间重构算法对所述时间序列数据进行相空间重构包括:
确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间。
可选的,所述模型训练模块利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数,包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,k为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure GDA0003948505810000163
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure GDA0003948505810000161
其中F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure GDA0003948505810000162
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
可选的,所述S31中设定初始参数包括:
惩罚参数C可以由以下公式来确定:
Figure GDA0003948505810000171
其中,
Figure GDA0003948505810000172
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure GDA0003948505810000173
Figure GDA0003948505810000174
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure GDA0003948505810000175
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5)
其中,d表示空间维度。
可理解的是,本发明实施例提供的航空发动机剩余寿命预测系统与上述航空发动机剩余寿命预测方法相对应,其有关内容的解释、举例、有益效果等部分可以参考航空发动机剩余寿命预测方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明利用相空间重构算法对航空发动机运行过程时间序列数据进行相空间重构,并将重构后的时间序列数据分为训练数据和待检测数据,然后利用训练数据训练支持向量回归模型,并采用设定邻域结构种类为K的改进的变邻域搜索算法对支持向量回归模型的参数进行协同优化,最终基于待检测数据和优化后的支持向量回归模型对航空发动机剩余寿命进行预测。本发明不仅可以处理非线性和非平稳性的航空发动机运行过程数据序列,而且还对支持向量回归模型的参数进行协同优化,从而实现了基于航空发动机运行数据对航空发动机剩余寿命进行精准预测的目的;
2、本发明采用相空间重构算法对样本空间进行重构,可以恢复或近似模拟航空发动机系统的动力学特性,解决了航空发动机退化过程数据序列的非线性和非平稳特性问题,很好的确定了支持向量回归模型的输入特征;
3、本发明利用改进的变邻域搜索算法对支持向量回归模型中的参数进行协同优化和求解,并在邻域结构设置中共设计了K=5种邻域结构,不仅找到了模型参数的最优组合方案,还使算法在搜索过程中跳出局部最优,避免算法过早收敛,同时拓宽了解的搜索范围,而且总是使解处于较高的水平,进而使航空发动机剩余寿命预测结果更加精准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种航空发动机剩余寿命预测方法,其特征在于,所述方法包括:
获取航空发动机运行过程时间序列数据;
基于相空间重构算法对所述时间序列数据进行相空间重构,并将重构后的所述时间序列数据分为训练数据和待检测数据;
利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数;
基于所述待检测数据,利用优化后的所述支持向量回归模型对航空发动机剩余寿命进行预测;
所述基于相空间重构算法对所述时间序列数据进行相空间重构包括:
确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间;
所述利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数,包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure FDA0003948505800000027
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure FDA0003948505800000021
其中F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure FDA0003948505800000022
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
其中,所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:在获取航空发动机运行过程时间序列数据之后,对所述时间序列数据进行预处理,所述预处理包括归一化处理。
3.如权利要求1所述的方法,其特征在于,所述S31中设定初始参数包括:
惩罚参数C可以由以下公式来确定:
Figure FDA0003948505800000023
其中,
Figure FDA0003948505800000024
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure FDA0003948505800000025
Figure FDA0003948505800000026
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure FDA0003948505800000031
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5);
其中,d表示空间维度。
4.一种航空发动机剩余寿命预测系统,其特征在于,所述系统包括:
数据获取模块,用于获取航空发动机运行过程时间序列数据;
数据处理模块,用于基于相空间重构算法对所述时间序列数据进行相空间重构,并将重构后的所述时间序列数据分为训练数据和待检测数据;
模型训练模块,用于利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数;
结果预测模块,用于基于所述待检测数据,利用优化后的所述支持向量回归模型对航空发动机剩余寿命进行预测;
所述数据处理模块基于相空间重构算法对所述时间序列数据进行相空间重构包括:
确定相空间重构算法的参数时,利用Wolf方法计算每组时间序列数据的最大Lyapunov指数,利用C-C法确定嵌入维度和延迟时间;
所述模型训练模块利用所述训练数据训练支持向量回归模型,设定邻域结构种类为K对变邻域搜索算法进行改进,并采用改进的变邻域搜索算法对所述支持向量回归模型的惩罚参数、核函数带宽,以及容忍误差进行协同优化;所述K属于正整数,包括:
S31、设定支持向量回归模型和改进的变邻域搜索算法初始参数,包括种群数Q,惩罚参数C,核函数带宽γ,容忍误差ε,当前迭代次数t=1,最大迭代次数tmax,算法初始解Xs,全局最优解Xbest=Xs
S32、设定邻域结构Nk(X),其中,X=(x1,x2,x3)表示初始解(x1,x2,x3)分别是C,γ,ε的编码,K为邻域结构的种类,K=1,2,3,4,5,邻域解为Xs
S33、选定邻域结构,定义邻域结构的初始解
Figure FDA0003948505800000045
通过邻域结构产生种群个体集合S={X1,X2,...,XQ};
S34、分别计算种群中每个个体的适应度值,从而获得种群中最大适应度值个体Xlocal
S35、判断F(Xlocal)>F(Xbest)是否成立,若成立则把Xbest=Xlocal,XS=Xlocal
Figure FDA0003948505800000041
其中F(X)表示个体x的适应度值;
S36、令t=t+1,若t≤tmax,则执行S37,否则执行S38;
S37、判断
Figure FDA0003948505800000042
是否更新,若更新则返回S33,否则K=K+1,若K>5,令K=1并返回S33;
S38、输出Xbest和对应的适应度值;
所述Xbest中包含的惩罚参数C、核函数带宽γ,以及容忍误差ε即为进行协同优化后的参数。
5.如权利要求4所述的系统,其特征在于,所述系统还包括:数据预处理模块,用于在获取航空发动机运行过程时间序列数据之后,对所述时间序列数据进行预处理,所述预处理包括归一化处理。
6.如权利要求4所述的系统,其特征在于,所述S31中设定初始参数包括:
惩罚参数C可以由以下公式来确定:
Figure FDA0003948505800000043
其中,
Figure FDA0003948505800000044
和σy分别是训练数据yi的均值和标准差;
容忍误差ε:
Figure FDA0003948505800000051
Figure FDA0003948505800000052
其中,n是样本数,σ是样本噪声的标准差,k表示近邻数,
Figure FDA0003948505800000053
是通过KNN方法对训练数据yi的估计;
核函数带宽γ满足γd∈(0.1,0.5);
其中,d表示空间维度。
CN202110310813.0A 2021-03-23 2021-03-23 航空发动机剩余寿命预测方法及系统 Active CN113111572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110310813.0A CN113111572B (zh) 2021-03-23 2021-03-23 航空发动机剩余寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110310813.0A CN113111572B (zh) 2021-03-23 2021-03-23 航空发动机剩余寿命预测方法及系统

Publications (2)

Publication Number Publication Date
CN113111572A CN113111572A (zh) 2021-07-13
CN113111572B true CN113111572B (zh) 2023-04-07

Family

ID=76710602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110310813.0A Active CN113111572B (zh) 2021-03-23 2021-03-23 航空发动机剩余寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN113111572B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657814B (zh) * 2021-09-03 2022-07-19 北京航空航天大学 一种航空网络风险预测方法及风险等级评估方法
CN117522071B (zh) * 2023-12-01 2024-04-26 谷斗科技(上海)有限公司 基于llm引导alns算法的生产调度与资源分配协同系统
CN117709205B (zh) * 2024-02-05 2024-05-07 华南师范大学 航空发动机剩余使用寿命预测方法、装置、设备以及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101793907A (zh) * 2010-02-05 2010-08-04 浙江大学 一种风电场短期风速预测方法
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN107578178B (zh) * 2017-09-11 2018-08-28 合肥工业大学 基于变邻域搜索和引力搜索混合算法的调度方法及系统
CN107590603B (zh) * 2017-09-11 2018-11-13 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统
CN109102102A (zh) * 2018-06-25 2018-12-28 南京邮电大学 基于多变量相空间重构和svr的光伏出力短期预测方法
CN110687451B (zh) * 2019-08-28 2022-10-25 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN111220387B (zh) * 2020-01-08 2021-10-29 北京交通大学 基于多特征量相关向量机的车辆轴承剩余寿命预测方法
CN112163969A (zh) * 2020-09-28 2021-01-01 华南理工大学 一种基于实时电价的混沌支持向量机负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Han Yu Lao.An Unequal Clustering Data Collection Algorithm for Unreliable Links.《IEEE Xplore》.2020,全文. *

Also Published As

Publication number Publication date
CN113111572A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113111572B (zh) 航空发动机剩余寿命预测方法及系统
CN109802862B (zh) 一种基于集合经验模态分解的组合型网络流量预测方法
CN112487702B (zh) 一种锂离子电池剩余使用寿命预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN110648017A (zh) 一种基于二层分解技术的短期冲击负荷预测方法
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN112785092A (zh) 一种基于自适应深层特征提取的道岔剩余寿命预测方法
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN115791174A (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN115130376A (zh) 一种基于行列式多样性引导的群体强化学习训练方法
CN111064617A (zh) 基于经验模态分解聚类的网络流量预测方法及装置
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN116821643A (zh) 基于在线增量学习的hpc作业功耗预测方法及系统
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories
CN110967188A (zh) 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统
CN111461416B (zh) 风速预测方法、系统、电子设备及存储介质
CN115217152A (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
CN115375038A (zh) 一种飞机发动机失效模式识别和寿命预测方法
CN113821401A (zh) 基于wt-ga-gru模型的云服务器故障诊断方法
CN113051809A (zh) 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法

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