CN113221282A - 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 - Google Patents

基于贝叶斯残差卷积网络的航空发动机寿命预测方法 Download PDF

Info

Publication number
CN113221282A
CN113221282A CN202110543141.8A CN202110543141A CN113221282A CN 113221282 A CN113221282 A CN 113221282A CN 202110543141 A CN202110543141 A CN 202110543141A CN 113221282 A CN113221282 A CN 113221282A
Authority
CN
China
Prior art keywords
residual
distribution
bayesian
network
convolution
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
Application number
CN202110543141.8A
Other languages
English (en)
Other versions
CN113221282B (zh
Inventor
严如强
周峥
孙闯
杨波
田绍华
李亚松
杨远贵
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110543141.8A priority Critical patent/CN113221282B/zh
Publication of CN113221282A publication Critical patent/CN113221282A/zh
Application granted granted Critical
Publication of CN113221282B publication Critical patent/CN113221282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

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

Abstract

公开了一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，方法中，基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；通过数据分布直方图选择传感器数据，并进行数据标准化预处理；构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。

Description

基于贝叶斯残差卷积网络的航空发动机寿命预测方法
技术领域
本发明涉及航空发动机剩余寿命技术领域，尤其涉及一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法。
背景技术
航空发动机的剩余寿命不仅与飞行小时、起落架次等计划性使用情况相关，更与其具体的状态参数相关，而状态参数具有一定的随机性，其内在本质依赖于故障发生和退化演化的随机过程。正是上述的随机性导致了航空发动机剩余寿命的个体差异和难以量化，导致根据计划性使用情况制定的维修动作和航材库存规划难以有效地匹配真实的航空发动机的随机性维修需求。
航空发动机的剩余寿命预测可以分为确定性预测和不确定性预测。确定性预测方法根据计划性使用情况，记录工作包线内的过载时间，将其折合为基准状态下的寿命消耗时间，根据飞行小时、起落架次等得到航空发动机剩余寿命预测。确定性预测方法符合计划性维修策略，但未对航空发动机剩余寿命的随机性建模，无法匹配真实的随机性航空发动机维修需求和备件需求。而不确定性预测方法则考虑过程的不确定性，包括了数据的不确定性和模型的不确定性。随着信号处理和人工智能的快速发展，基于不确定性模型的剩余寿命预测方法受到日益增长的关注。
然而，不确定性预测方法同样存在相应的缺点：大部分建立不确定性预测模型的方法为模型集成。模型集成通过建立多种具有多样性的预测模型，得到同一个输入数据的预测分布，是一种资源消耗性的不确定性模型构建方法。同时，如何建立具有多样性的模型集合，往往依赖于经验和专业知识，使得模型构建方法不具备普遍适用性。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足，本发明提出一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，该方法通过变分贝叶斯方法，在单个模型中实现了模型的不确定性建模，无需大量的模型集成过程。并且这种方法能很容易的推广到其他参数化的模型构建中，从而得到一个不确定性预测模型。为了实现上述目的，本发明提供如下技术方案：
本发明的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法包括：
S1：基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；
S2：通过数据分布直方图选择传感器数据，并进行数据标准化预处理；
S3：构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；
S4：通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；
S5：从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，传感器数据包括：风扇端温度和压力、高低压压气机温度和压力、低压涡轮的温度和压力、风扇转速和冷却液排放量。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，通过数据分布直方图可视化分析多路的传感器数据，进行传感器数据选择，并分别计算选择后的多路传感器数据X的均值μ和标准差σ，进行数据预处理，得到标准化后的输入数据
Figure BDA0003072442350000021
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，步骤S3中，卷积层为浅层特征提取模块以从原始输入数据中提取低级特征表示；残差模块通过重复堆叠形成深度特征提取模块，从低级特征表示中提取深度语义特征；最后全连接层构成特征空间与状态空间的映射实现寿命预测，公式表示如下：
Figure BDA0003072442350000022
zi＝f(zi-1+f(BN(wi*zi-1)))，i＝2，3，…，n
Figure BDA0003072442350000023
其中，z1为卷积层提取的低级特征表示，w1表示卷积层的卷积核参数，*表示卷积，BN表示批标准化，f(·)表示ReLU激活函数；zi为第i-1个残差模块提取的特征，共有n-1个残差模块，wi表示第i-1个残差连接的卷积参数；
Figure BDA0003072442350000024
表示预测的剩余寿命，v为全连接层的参数，zn为堆叠残差模块提取的深度语义特征。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，步骤S3中，全连接层中的参数v服从高斯分布v～N(μv，σv)，其中μv为分布的均值，σv为分布的方差；通过变分推断对该分布进行变分后验估计，即通过假设的变分后验分布q(v|θ)逼近v的真实后验分布
Figure BDA0003072442350000031
其中θ＝[μv，σv]是变分后验分布v的参数，
Figure BDA0003072442350000032
y对应真实的数据集，通过最小化KL散度来求解变分后验分布的参数θ，公式如下：
Figure BDA0003072442350000033
其中，θ*为最小化KL散度求解得到的变分后验分布的参数，q(v|θ)为变分后验，
Figure BDA0003072442350000034
为真实后验，P(v)为先验分布，
Figure BDA0003072442350000035
为似然。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，步骤S4中，通过重参数方法从标准高斯分布中随机采样出ε，进行变换得到变分后验分布的采样
Figure BDA0003072442350000036
其中
Figure BDA0003072442350000037
为点乘，将分布的优化转变为均值和方差的优化，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法中，步骤S5中，通过对贝叶斯网络中的分布进行多次前向随机采样，获得多个对应的寿命预测点估计，从而得到剩余寿命在给定置信度下的预测上界和下界。
在上述技术方案中，本发明提供的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，具有以下有益效果：本发明通过变分贝叶斯深度网络实现了航空发动机剩余寿命预测的不确定性估计，不需要多个模型进行集成学习，高效地估计出模型的不确定性，匹配了航空发动机剩余寿命的不确定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本公开一个实施例提供的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的流程图；
图2是本公开一个实施例提供的多传感器选择的数据分布直方图；
图3是本公开一个实施例提供的深度残差卷积网络模型的示意图；
图4是本公开一个实施例提供的预测结果的示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图图1至图4，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式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方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“项”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法包括以下步骤：
S1：基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；
S2：通过数据分布直方图选择传感器数据，并进行数据标准化预处理；
S3：构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；
S4：通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；
S5：从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，传感器数据包括：风扇端温度和压力、高低压压气机温度和压力、低压涡轮的温度和压力、风扇转速和冷却液排放量。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，通过数据分布直方图可视化分析多路的传感器数据，进行传感器数据选择，并分别计算选择后的多路传感器数据X的均值μ和标准差σ，进行数据预处理，得到标准化后的输入数据
Figure BDA0003072442350000051
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，步骤S3中，卷积层为浅层特征提取模块以从原始输入数据中提取低级特征表示；残差模块通过重复堆叠形成深度特征提取模块，从低级特征表示中提取深度语义特征；最后全连接层构成特征空间与状态空间的映射实现寿命预测，公式表示如下：
Figure BDA0003072442350000061
zi＝f(zi-1+f(BN(wi*Zi-1)))，i＝2，3，…，n
Figure BDA0003072442350000062
其中，z1为卷积层提取的低级特征表示，w1表示卷积层的卷积核参数，*表示卷积，BN表示批标准化，f(·)表示ReLU激活函数；zi为第i-1个残差模块提取的特征，共有n-1个残差模块，wi表示第i-1个残差连接的卷积参数；
Figure BDA0003072442350000063
表示预测的剩余寿命，v为全连接层的参数，Zn为堆叠残差模块提取的深度语义特征。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，步骤S3中，全连接层中的参数v服从高斯分布v～N(μv，σv)，其中μv为分布的均值，σv为分布的方差；通过变分推断对该分布进行变分后验估计，即通过假设的变分后验分布q(v|θ)逼近v的真实后验分布
Figure BDA0003072442350000064
其中θ＝[μv，σv]是变分后验分布v的参数，
Figure BDA0003072442350000065
y对应真实的数据集，通过最小化KL散度来求解变分后验分布的参数θ，公式如下：
Figure BDA0003072442350000066
其中，θ*为最小化KL散度求解得到的变分后验分布的参数，q(v|θ)为变分后验，
Figure BDA0003072442350000071
为真实后验，P(v)为先验分布，
Figure BDA0003072442350000072
为似然。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，步骤S4中，通过重参数方法从标准高斯分布中随机采样出ε，进行变换得到变分后验分布的采样
Figure BDA0003072442350000073
其中
Figure BDA0003072442350000074
为点乘，将分布的优化转变为均值和方差的优化，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计。
所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法的优选实施方式中，步骤S5中，通过对贝叶斯网络中的分布进行多次前向随机采样，获得多个对应的寿命预测点估计，从而得到剩余寿命在给定置信度下的预测上界和下界。
一个实施例中，如图1所示，一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，包括如下步骤：
第一步骤S1中，基于多路传感器采集航空发动机温度、气压等状态监测信号，构造输入矩阵；
第二步骤S2中，通过数据分布直方图进行传感器重要性选择，并进行数据标准化预处理，其中，数据分布直方图用于对多路传感器采集信号进行可视化分析，进而进行传感器数据选择，并分别计算选择后的多路传感器数据X的均值μ和标准差σ，进行数据预处理，得到标准化后的输入数据
Figure BDA0003072442350000075
第三步骤S3中，构建深度残差卷积网络，应用变分贝叶斯推断原理，将卷积层、堆叠残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；
第四步骤S4中，通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；
第五步骤S5中，通过对贝叶斯网络中的分布进行多次前向随机采样，获得多个对应的寿命预测点估计，从而得到剩余寿命在给定置信度下的预测上界和下界
所述的方法的优选实施方式中，第一步骤S1中，所述多路传感器采集信号包括：风扇端、高低压压气机、低压涡轮的温度和压力，风扇转速，冷却液排放量等多个不同类型的物理量。
所述的方法的优选实施方式中，第三步骤S3中，深度残差卷积网络包含了三个主要模块：卷积层、重复堆叠的残差模块和全连接层，卷积层为浅层特征提取模块，从原始输入数据中提取低级特征表示；残差模块通过重复堆叠，形成深度特征提取模块，从低级表示中提取深度语义特征；最后全连接层构成特征空间与状态空间的映射，实现寿命预测，具体公式表示如下：
Figure BDA0003072442350000081
zi＝f(zi-1+f(BN(wi*zi-1)))，i＝2，3，…，n
Figure BDA0003072442350000082
其中，z1为卷积层提取的低级特征表示，w1表示卷积层的卷积核参数，*表示卷积，BN表示批标准化，f(·)表示ReLU激活函数；zi为第i-1个残差模块提取的特征，共有n-1个残差模块，wi表示第i-1个残差连接的卷积参数；
Figure BDA0003072442350000083
表示预测的剩余寿命，v为全连接层的参数，Zn为堆叠残差模块提取的深度语义特征。
所述的方法的优选实施方式中，第三步骤S3中，应用变分贝叶斯推断原理，将卷积层、堆叠残差模块和全连接层中的参数分布化，获得贝叶斯深度网络。以全连接层中的参数v为例，原参数为点估计，现通过贝叶斯推断，将点估计推广为分布估计，为了方便起见，假设参数v服从高斯分布，即v～N(μv，σv)，其中μv为分布的均值，σv为分布的方差；通过变分推断对该分布进行变分后验估计，即通过假设的变分后验分布q(v|θ)逼近v的真实后验分布
Figure BDA0003072442350000084
其中θ＝[μv，σv]是变分后验分布v的参数，
Figure BDA0003072442350000085
y对应真实的数据集。通过最小化KL散度来求解变分后验分布的参数θ，公式如下：
Figure BDA0003072442350000086
其中，θ*为最小化KL散度求解得到的变分后验分布的参数，q(v|θ)为变分后验，
Figure BDA0003072442350000087
为真实后验，P(v)为先验分布，
Figure BDA0003072442350000088
为似然。
所述的方法的优选实施方式中，第四步骤S4中，通过重参数方法，从标准高斯分布中随机采样出ε，进行变换得到变分后验分布的采样
Figure BDA0003072442350000091
其中
Figure BDA0003072442350000092
为点乘。从而将分布的优化转变为均值和方差的优化，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计。
为了进一步理解本发明，如图1所示，方法包括以下步骤：
步骤1：首先采集航空发动机温度、气压等状态监测信号等多路传感器信号，并根据总循环数设定某个监测状态循环下的剩余循环寿命y。
步骤2：通过数据分布直方图进行传感器重要性选择，并进行数据标准化预处理，其中，数据分布直方图用于对多路传感器采集信号进行可视化分析，进而进行传感器数据选择，并分别计算选择后的多路传感器数据X的均值μ和标准差σ，进行数据预处理，得到标准化后的输入数据
Figure BDA0003072442350000093
并结合步骤1得到的剩余循环数，得到训练模型所需的数据集
Figure BDA0003072442350000094
y
步骤3：基于上述训练数据的定义，构建深度残差卷积网络，应用变分贝叶斯推断原理，将卷积层、堆叠残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；
其中，深度残差卷积网络包含了三个主要模块：卷积层、重复堆叠的残差模块和全连接层，卷积层为浅层特征提取模块，从原始输入数据中提取低级特征表示；残差模块通过重复堆叠，形成深度特征提取模块，从低级表示中提取深度语义特征；最后全连接层构成特征空间与状态空间的映射，实现寿命预测，具体公式表示如下：
Figure BDA0003072442350000095
zi＝f(zi-1+f(BN(wi*zi-1)))，i＝2，3，…，n
Figure BDA0003072442350000096
其中，z1为卷积层提取的低级特征表示，w1表示卷积层的卷积核参数，*表示卷积，BN表示批标准化，f(·)表示ReLU激活函数；Zi为第i-1个残差模块提取的特征，共有n-1个残差模块，wi表示第i-1个残差连接的卷积参数；
Figure BDA0003072442350000097
表示预测的剩余寿命，v为全连接层的参数，Zn为堆叠残差模块提取的深度语义特征。
并将变分贝叶斯推断应用于构造的深度残差卷积网络中，将卷积层、堆叠残差模块和全连接层中的参数分布化，获得贝叶斯深度网络。以全连接层中的参数v为例，原参数为点估计，现通过贝叶斯推断，将点估计推广为分布估计，为了方便起见，假设参数v服从高斯分布，即v～N(μv，σv)，其中μv为分布的均值，σv为分布的方差；通过变分推断对该分布进行变分后验估计，即通过假设的变分后验分布q(v|θ)逼近v的真实后验分布
Figure BDA0003072442350000101
其中θ＝[μv，σv]是变分后验分布v的参数，
Figure BDA0003072442350000102
y对应真实的数据集。通过最小化KL散度来求解变分后验分布的参数θ，公式如下：
Figure BDA0003072442350000103
其中，θ*为最小化KL散度求解得到的变分后验分布的参数，q(v|θ)为变分后验，
Figure BDA0003072442350000104
为真实后验，P(v)为先验分布，
Figure BDA0003072442350000105
为似然。
步骤4：通过重参数方法，从标准高斯分布中随机采样出ε，进行变换得到变分后验分布的采样
Figure BDA0003072442350000106
其中
Figure BDA0003072442350000107
为点乘。从而将分布的优化转变为均值和方差的优化，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计。
步骤5：通过对贝叶斯网络中的分布进行多次前向随机采样，获得多个对应的寿命预测点估计，从而得到剩余寿命在给定置信度下的预测上界和下界。
下面结合图2至图4对本公开的技术方案进行进一步描述。
图2是对每个通道的传感器数据进行数据分布直方图可视化分析，可以看出，在21个传感器数据中，红框内的数据分布集中在一个固定值上，在总循环数内都没有发生变化，因此经过目视化挑选，从21路传感器信号中选择出15路传感器信号。
图3是实施例的模型示意图，输入数据输入模型，经过卷积层后得到低级特征表示，再输入到堆叠残差模块中进行深度语义特征提取，每个残差模块均经过两次的卷积、批标准化、激活函数和残差连接，深度语义特征输入到全连接回归层，输出航空发动机剩余寿命预测值；应用变分推断后，卷积层、堆叠残差模块和全连接回归层的参数分布化，从而实现对模型的不确定性建模。
图4是实施例预测结果示意图，表示一台发动机在总循环寿命下的剩余寿命预测结果。虚线为真实的分段线性寿命，实线表示发动机寿命预测值，阴影区间表示剩余寿命预测区间，即为不确定性估计。可以看到，发动机的预测值的趋势符合实际值的趋势，误差在可接受的范围之内，具备预测的可靠性。
最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (7)

1.一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，其包括以下步骤：
S1：基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；
S2：通过数据分布直方图选择传感器数据，并进行数据标准化预处理；
S3：构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；
S4：通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；
S5：从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。
2.根据权利要求1所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，优选的，传感器数据包括：风扇端温度和压力、高低压压气机温度和压力、低压涡轮的温度和压力、风扇转速和冷却液排放量。
3.根据权利要求1所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，通过数据分布直方图可视化分析多路的传感器数据，进行传感器数据选择，并分别计算选择后的多路传感器数据X的均值μ和标准差σ，进行数据预处理，得到标准化后的输入数据
Figure FDA0003072442340000011
4.根据权利要求3所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，步骤S3中，卷积层为浅层特征提取模块以从原始输入数据中提取低级特征表示；残差模块通过重复堆叠形成深度特征提取模块，从低级特征表示中提取深度语义特征；最后全连接层构成特征空间与状态空间的映射实现寿命预测，公式表示如下：
Figure FDA0003072442340000012
zi＝f(zi-1+f(BN(wi*zi-1)))，i＝2，3，…，n
Figure FDA0003072442340000013
其中，z1为卷积层提取的低级特征表示，w1表示卷积层的卷积核参数，*表示卷积，BN表示批标准化，f(·)表示ReLU激活函数；Zi为第i-1个残差模块提取的特征，共有n-1个残差模块，wi表示第i-1个残差连接的卷积参数；
Figure FDA0003072442340000021
表示预测的剩余寿命，v为全连接层的参数，zn为堆叠残差模块提取的深度语义特征。
5.根据权利要求4所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，步骤S3中，全连接层中的参数v服从高斯分布v～N(μv，σv)，其中μv为分布的均值，σv为分布的方差；通过变分推断对该分布进行变分后验估计，即通过假设的变分后验分布q(v|θ)逼近v的真实后验分布
Figure FDA0003072442340000022
其中θ＝[μv，σv]是变分后验分布v的参数，
Figure FDA0003072442340000023
y对应真实的数据集，通过最小化KL散度来求解变分后验分布的参数θ，公式如下：
Figure FDA0003072442340000024
其中，θ*为最小化KL散度求解得到的变分后验分布的参数，q(v|θ)为变分后验，
Figure FDA0003072442340000025
为真实后验，P(v)为先验分布，
Figure FDA0003072442340000026
为似然。
6.根据权利要求5所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，步骤S4中，通过重参数方法从标准高斯分布中随机采样出ε，进行变换得到变分后验分布的采样
Figure FDA0003072442340000027
其中
Figure FDA0003072442340000028
为点乘，将分布的优化转变为均值和方差的优化，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计。
7.根据权利要求1所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，其特征在于，步骤S5中，通过对贝叶斯网络中的分布进行多次前向随机采样，获得多个对应的寿命预测点估计，从而得到剩余寿命在给定置信度下的预测上界和下界。
CN202110543141.8A 2021-05-19 2021-05-19 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 Active CN113221282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110543141.8A CN113221282B (zh) 2021-05-19 2021-05-19 基于贝叶斯残差卷积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
CN202110543141.8A CN113221282B (zh) 2021-05-19 2021-05-19 基于贝叶斯残差卷积网络的航空发动机寿命预测方法

Publications (2)

Publication Number Publication Date
CN113221282A true CN113221282A (zh) 2021-08-06
CN113221282B CN113221282B (zh) 2022-12-06

Family

ID=77092854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110543141.8A Active CN113221282B (zh) 2021-05-19 2021-05-19 基于贝叶斯残差卷积网络的航空发动机寿命预测方法

Country Status (1)

Country Link
CN (1) CN113221282B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445692A (zh) * 2021-12-31 2022-05-06 北京瑞莱智慧科技有限公司 图像识别模型构建方法、装置、计算机设备及存储介质
CN114707234A (zh) * 2022-03-03 2022-07-05 电子科技大学 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法
CN115828139A (zh) * 2022-12-06 2023-03-21 国家电投集团广西长洲水电开发有限公司 基于振动信号的闸门结构安全评估和预测方法及系统
CN117338253A (zh) * 2023-12-05 2024-01-05 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7577548B1 (en) * 2006-03-04 2009-08-18 Hrl Laboratories Integrated framework for diagnosis and prognosis of components
US8600917B1 (en) * 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
CN109885849A (zh) * 2018-05-07 2019-06-14 长春工业大学 基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法
CN111611744A (zh) * 2020-03-31 2020-09-01 华电电力科学研究院有限公司 基于循环卷积网络及变分推理的滚动轴承寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7577548B1 (en) * 2006-03-04 2009-08-18 Hrl Laboratories Integrated framework for diagnosis and prognosis of components
US8600917B1 (en) * 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
CN109885849A (zh) * 2018-05-07 2019-06-14 长春工业大学 基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法
CN111611744A (zh) * 2020-03-31 2020-09-01 华电电力科学研究院有限公司 基于循环卷积网络及变分推理的滚动轴承寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUANYUAN GAO等: "A Neural Network-Based Joint Prognostic Model for Data Fusion and Remaining Useful Life Prediction", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
任淑红等: "基于性能衰退的航空发动机剩余寿命组合预测方法", 《机械科学与技术》 *
赵申坤等: "一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法", 《机械工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445692A (zh) * 2021-12-31 2022-05-06 北京瑞莱智慧科技有限公司 图像识别模型构建方法、装置、计算机设备及存储介质
CN114707234A (zh) * 2022-03-03 2022-07-05 电子科技大学 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法
CN114707234B (zh) * 2022-03-03 2023-04-25 电子科技大学 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法
CN115828139A (zh) * 2022-12-06 2023-03-21 国家电投集团广西长洲水电开发有限公司 基于振动信号的闸门结构安全评估和预测方法及系统
CN117338253A (zh) * 2023-12-05 2024-01-05 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置
CN117338253B (zh) * 2023-12-05 2024-03-26 华南师范大学 基于生理信号的睡眠呼吸暂停检测方法以及装置

Also Published As

Publication number Publication date
CN113221282B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN113221282B (zh) 基于贝叶斯残差卷积网络的航空发动机寿命预测方法
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
DE102022201761A1 (de) Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen
CN107153759B (zh) 一种多源数据融合的航空涡扇发动机剩余寿命预测方法
CN105488539B (zh) 分类模型的生成方法及装置、系统容量的预估方法及装置
EP1958034B1 (en) Use of sequential clustering for instance selection in machine condition monitoring
CN112529234A (zh) 基于深度学习的地表水质预测方法
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN115861246A (zh) 应用于工业互联网的产品质量异常检测方法及其系统
CN116881640A (zh) 岩心采出程度的预测方法、系统及计算机可读存储介质
CN115423148B (zh) 一种基于克里金法和决策树的农机作业性能预测方法与装置
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法
CN115329834A (zh) 电缆状态确定方法、装置及系统
CN111126455B (zh) 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
CN112711828A (zh) 一种部分可观测信息下维修和备件供应联合优化方法
CN118097435B (zh) 基于超图神经网络的玉米倒伏分类方法及装置
CN112200219B (zh) 一种超大规模晶圆缺陷数据的特征提取方法
CN117555501B (zh) 基于边缘计算的云打印机运维数据处理方法以及相关装置
CN117151229B (zh) 一种基于云边端架构的云端推理方法及系统
CN114118140B (zh) 防爆电机轴承多视角智能故障诊断方法及系统
KR102590793B1 (ko) 기계 학습을 위한 온라인 데이터셋의 자가 균형화 방법 및 장치
CN111104971A (zh) 一种基于概率统计和支持向量机的发动机参数检测方法
CN114925894A (zh) 一种基于维纳过程和人工智能的发动机剩余寿命预测方法

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