CN113868964A - 基于时空多异化处理深度网络的航空发动机寿命预测方法 - Google Patents
基于时空多异化处理深度网络的航空发动机寿命预测方法 Download PDFInfo
- Publication number
- CN113868964A CN113868964A CN202111262002.4A CN202111262002A CN113868964A CN 113868964 A CN113868964 A CN 113868964A CN 202111262002 A CN202111262002 A CN 202111262002A CN 113868964 A CN113868964 A CN 113868964A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- tmlstm
- trend
- input data
- 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.)
- Pending
Links
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时空多异化处理深度网络的航空发动机寿命预测方法,步骤为:采集待预测航空发动机多维退化参数获得采集数据,采用滑动窗口技术对采集数据进行分割获得预处理数据;构建包括TMLSTM模型和SMCNN模型的航空发动机寿命预测模型,将预处理数据分别输入TMLSTM模型与SMCNN模型中,获得THI与SHI;将THI与SHI连接成一个新的HI矩阵,将新的HI矩阵输入寿命预测模型的回归层中进行剩余寿命的预测,本申请寿命预测模型的一个分支通过TMLSTM模型提取THI,另外一个分支通过SNCNN模型提取SHI,最终基于两个分支构建的指标进行回归预测,该预测方法具有更好的综合预测性能。
Description
技术领域
本发明涉及航空发动机寿命预测领域,特别是一种基于时空多异化处理深度网络的航空发动机寿命预测方法。
背景技术
航空发动机是一种高度复杂和精密的热力机械,是为航空器提供飞行所需动力的发动机,由于其复杂的内部结构、恶劣的工作环境,航空发动机也更易发生故障;因此对航空发动机剩余使用寿命的准确预测,对航空发动机的运行和维护有极大的帮助。
随着科学技术的发展长短期记忆LSTM和卷积神经网络CNN被广泛应用于旋转机械剩余使用寿命RUL的预测中,但传统的长短期记忆LSTM和卷积神经网络CNN在剩余使用寿命RUL预测中存在不能根据相应的趋势信息和阶段信息对输入数据进行差异化处理的缺陷,预测精度差。
发明内容
本发明的目的就是提供基于时空多异化处理深度网络的航空发动机寿命预测方法,它可以用于航空发动机寿命的预测。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)数据采集:采集待预测航空发动机多维退化参数,通过稳定趋势分析,选取若干能反映航空发动机退化性能的参数,获得采集数据;
2)数据预处理:采用滑动窗口技术对采集数据进行数据分割,获得预处理数据;
3)构建模型:构建基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型,所述航空发动机寿命预测模型包括时间多异化处理长短期神经网络TMLSTM模型和空间多异化卷积神经网络SMCNN模型;
4)提取健康指标:将预处理数据分别输入TMLSTM模型与SMCNN模型中,获得基于TMLSTM模型的健康指标THI与基于SMCNN模型的健康指标SHI;
5)寿命预测:将提取的MHI与SHI连接成一个新的HI矩阵,将新的HI矩阵输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。
进一步,所述基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型包括TMLSTM模型、SMCNN模型、全连接层FC1、全连接层FC2、回归层;
所述TMLSTM模型包括多趋势划分单元和多细胞更新单元;
所述SMCNN模型包括多阶段划分单元和空间特征异化提取单元。
进一步,步骤4)中获取基于TMLSTM模型的健康指标THI的具体步骤如下:
4-1-1)将步骤2)中的预处理数据作为输入数据输入TMLSTM模型中,通过多趋势划分单元对输入数据进行趋势划分,通过多细胞更新单元对划分趋势后的数据进行更新,获得隐藏特征;
4-1-2)将得到的隐藏特征输入到全连接层FC1中,获得基于TMLSTM模型的健康指标THI。
进一步,步骤4)中获取基于SMCNN模型的健康指标SHI的具体步骤如下:
4-2-1)将步骤2)中的预处理数据作为输入数据输入SMCNN模型中,通过多阶段划分单元对输入数据进行阶段划分,通过空间特征异化提取单元对划分阶段后的数据进行更新,获得空间特征;
4-2-2)将得到的空间特征输入到全连接层FC2中,获得基于SMCNN模型的健康指标SHI。
进一步,步骤4-1-1)中获取隐藏特征的具体步骤为:
4-1-1-1)趋势划分:将步骤2)中的预处理数据作为输入数据,合并t时刻输入数据xt=[xt,1 xt,2 … xt,n]T及t-1时刻递归数据ht-1=[ht-1,1 ht-1,2 … ht-1,m]T得到输入矩阵B:
B=[xtwxb ht-1whb]T (1)
利用二维卷积运算及tanh激活函数分别作用于输入矩阵B得到特征矩阵B1:
B1=tanh(B*conv2_w+conv2_b) (2)
式(2)中,conv2_w为水平滑动卷积核,conv2_b为卷积偏置;
通过softmax函数归一化B1,得到划分的趋势结果B2:
B2=softmax(B1)=[b1 b2 b3 b4 b5] (3)
式(3)中,b1,b2,b3,b4,和b5分别为长期趋势、中长期趋势、中期趋势、中短期趋势、短期趋势,B2中的最大元素决定了t时刻数据主要代表的趋势;
4-1-1-2)提取隐藏特征:根据趋势划分结构,将具有不同趋势的数据输入多细胞更新单元ct的五个不同的异化单元ct(m)、ct(i)、ct(j)、ct(k)、ct(l)中进行更新,根据五个异化单元的更新结果以及趋势结果B2对多细胞更新单元中各个子细胞单元的异化输出进行权重组合得到多细胞更新单元的输出ct,并提取t时刻的隐藏特征h1 t:
式(4)中,ct(m)为长期趋势b1对应的数据更新单元,ct(l)为中长期趋势b2对应的数据更新单元,ct(k)为中期趋势b3对应的数据更新单元,ct(j)为中短期趋势b4对应的数据更新单元,ct(i)为短期趋势b5对应的数据更新单元,σ为sigmod激活函数,wix为输入数据与TMLSTM模型输入门之间的权重,wih为递归数据与TMLSTM模型输入门之间的权重,wfx为输入数据与TMLSTM模型遗忘门之间的权重,wfh为递归数据与TMLSTM模型遗忘门之间的权重,wox为输入数据与TMLSTM模型输出门之间的权重,woh为递归数据与TMLSTM模型输出门之间的权重,bi为TMLSTM模型输入门偏置,bf为TMLSTM模型遗忘门偏置,bo为TMLSTM模型输出门偏置,ct-1表示t-1时刻存储细胞记忆单元输出,wcx为输入数据与细胞存储单元间的权重,wch递归数据与细胞存储单元间的权重,bc为TMLSTM模型中细胞存储单元偏置,⊙为点积运算,s1、s2均为通过学习获得的混合比例系数。
进一步,步骤4-2-1)中获取空间特征的具体步骤为:
4-2-1-1)阶段划分:将步骤2)中的预处理数据作为输入数据,将t时刻输入数据xt输入SMCNN模型的全连接层中,得到全连接层的输出D,通过SoftMax归一化全连接层输出D,获得数据所处阶段划分结果D1:
D=tanh(wxdxt+bd) (5)
D1=softmax(D)=[d1 d2 d3] (6)
式(5)、(6)中,wxd和bd分别为全连接层权重和偏置,d1、d2、d3分别表示航空发动机的严重退化阶段、平稳退化阶段和健康阶段,而D1中最大元素所处位置代表t时刻输入数据所处阶段;
4-2-1-2)空间特征异化提取:根据输入数据的阶段划分结果D1,将输入数据输入不同的卷积路径进行卷积处理:
式(7)中,Pij和Cij分别定义为第i条卷积路径中的第j个一维卷积操作和最大池化操作,为严重退化阶段数据的卷积输出,定义为平稳退化阶段卷积路径输出,定义为健康阶段卷积路径输出,为SMCNN模型输出的空间特征。
由于采用了上述技术方案,本发明具有如下的优点:
1、本申请的航空发动机智能寿命预测模型的一个分支通过TMLSTM模型从输入数据中提取基于TMLSTM模型的健康指标THI,另外一个分支通过SNCNN模型从输入数据中提取基于SNCNN模型的健康指标SHI,最终基于两个分支构建的指标进行回归预测,该预测方法具有更好的综合预测性能。
2、本申请TMLSTM模型通过多趋势划分单元对输入数据的趋势进行划分,再通过具备不同数据更新模式的多细胞更新单元对输入数据进行差异化更新,可以更好的挖掘航空发动机不同程度的健康状态退化趋势。
3、本申请SNCNN模型通过阶段划分单元对输入数据的阶段进行划分,再通过空间特征异化提取单元对不同阶段的数据进行空间特征的提取,增强了SNCNN模型利用多阶段信息进行空间特征提取的能力。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明航空发动机寿命预测的方法流程图。
图2为本发明时间多异化处理长短期神经网络TMLSTM模型的结构图。
图3为本发明空间多异化卷积神经网络SMCNN模型的结构示意图。
图4为本发明数据预处理滑动窗口技术的示意图。
图5为本发明所述预测方法在FD001子集上的预测结果图。
图6为本发明所述预测方法在FD004子集上的预测结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1-4所示的一种基于时空多异化处理深度网络的航空发动机寿命预测方法,具体步骤如下:
1)数据采集:采集待预测航空发动机多维退化参数,通过稳定趋势分析,选取若干能反映航空发动机退化性能的参数,获得采集数据,具体步骤为:
1-1)在C-MAPSS(商用模块化航空推进系统仿真)对航空发动机的退化数据进行了仿真,采集待预测航空发动机多维退化参数,如表1所示:
表1.发动机运行时21个传感器的输出
如表2所示,将C-MAPSS数据集根据不同的运行条件和故障模式划分为4个子数据集:
表2.C-MAPSS数据集
每个子数据集包含训练数据、测试数据以及与测试数据相对应的实际剩余寿命RUL;训练数据包含从某一个健康状态到故障的所有发动机数据,而测试数据是发动机运行故障之前的数据;训练数据和试验数据分别包含一定数量的具有不同初始健康状态的发动机。
由于发动机初始健康状态不同,同一数据库中不同发动机的运行周期也不同。以FD001数据集为例,训练数据集包含100个引擎,最大运行周期为362,最小运行周期为128。为充分证明所提方法优越性,采用最简单的子集即单一工况和单一故障的子集FD001和最复杂的子集即多工况和多故障模式的子集FD004作为实验数据。
1-2)将一些稳定的趋势测量(传感器1、5、6、10、16、18和19的测量数据)提前被排除。这些传感器测量并不适合用于剩余寿命RUL预测,因为这些测量的全寿命测量曲线是稳定的、恒定的,即包含的发动机退化信息较少,又因为工况信息对模型的预测能力有显著影响。因此,筛选后的14个传感器测量和工况信息共同构成原始数据,获得采集数据。
2)数据预处理:采用滑动窗口技术对步骤1)的采集数据进行数据分割,获得数据预处理,具体方法为:
如图4所示,发动机的全生命周期为T,滑动窗口大小设为l,滑动步长设为m,则第i个输入样本的尺寸为l×n,其中:n为所选传感器个数与工况信息维数之和;
则第i个样本输入时实际剩余寿命RUL为T-l-(i-1)×m;
将线性分段剩余寿命RUL技术用于构造寿命标签,其定义如下所示:
式(8)中,Rulmax为最大剩余寿命,为提前设定的阈值。
FD001和FD004的最大寿命值分别设置为130和150次运行周期,设置滑动窗口大小l为30,滑动步长m为1。则FD001和FD004的训练样本大小分别可以计算为17731和54028,测试样本数则分别为100248,因为只使用了测试集的最后一次测量值进行预测能力验证。
3)构建模型:构建基于时空多异化处理深度神经网络SMDN的航空发动机寿命预测模型,所述基于时空多异化处理深度神经网络SMDN的航空发动机寿命预测模型包括时间多异化处理长短期神经网络TMLSTM模型、空间多异化卷积神经网络SMCNN模型、全连接层FC1、全连接层FC2、回归层;
所述TMLSTM模型包括多趋势划分单元和多细胞更新单元;
所述SMCNN模型包括多阶段划分单元和空间特征异化提取单元。
4)提取健康指标:将步骤2)中的预处理数据分别输入TMLSTM模型与SMCNN模型中,获得基于TMLSTM模型的健康指标THI与基于SMCNN模型的健康指标SHI,具体步骤为:
4-1)提取基于TMLSTM模型的健康指标THI:
4-1-1)将步骤2)中的预处理数据作为输入数据输入TMLSTM模型中,通过多趋势划分单元对输入数据进行趋势划分,通过多细胞更新单元对划分趋势后的数据进行更新,获得隐藏特征,具体步骤如下:
4-1-1-1)趋势划分:将步骤2)中的预处理数据作为输入数据,合并t时刻输入数据xt=[xt,1 xt,2 … xt,n]T及t-1时刻递归数据ht-1=[ht-1,1 ht-1,2 … ht-1,m]T得到输入矩阵B:
B=[xtwxb ht-1whb]T (9)
利用二维卷积运算及tanh激活函数分别作用于输入矩阵B得到特征矩阵B1:
B1=tanh(B*conv2_w+conv2_b) (10)
式(10)中,conv2_w为水平滑动卷积核,conv2_b为卷积偏置;
通过softmax函数归一化B1,得到划分的趋势结果B2:
B2=softmax(B1)=[b1 b2 b3 b4 b5] (11)
式(11)中,b1,b2,b3,b4,和b5分别为长期趋势、中长期趋势、中期趋势、中短期趋势、短期趋势,B2中的最大元素决定了t时刻数据主要代表的趋势;
4-1-1-2)提取隐藏特征:根据趋势划分结构,将具有不同趋势的数据输入多细胞更新单元ct的五个不同的异化单元ct(m)、ct(i)、ct(j)、ct(k)、ct(l)中进行更新,根据五个异化单元的更新结果以及趋势结果B2对多细胞更新单元中各个子细胞单元的异化输出进行权重组合得到多细胞更新单元的输出ct,并提取t时刻的隐藏特征h1 t:
式(12)中,ct(m)为长期趋势b1对应的数据更新单元,ct(l)为中长期趋势b2对应的数据更新单元,ct(k)为中期趋势b3对应的数据更新单元,ct(j)为中短期趋势b4对应的数据更新单元,ct(i)为短期趋势b5对应的数据更新单元,σ为sigmod激活函数,wix为输入数据与TMLSTM模型输入门之间的权重,wih为递归数据与TMLSTM模型输入门之间的权重,wfx为输入数据与TMLSTM模型遗忘门之间的权重,wfh为递归数据与TMLSTM模型遗忘门之间的权重,wox为输入数据与TMLSTM模型输出门之间的权重,woh为递归数据与TMLSTM模型输出门之间的权重,bi为TMLSTM模型输入门偏置,bf为TMLSTM模型遗忘门偏置,bo为TMLSTM模型输出门偏置,ct-1表示t-1时刻存储细胞记忆单元输出,wcx为输入数据与细胞存储单元间的权重,wch递归数据与细胞存储单元间的权重,bc为TMLSTM模型中细胞存储单元偏置,⊙为点积运算,s1、s2均为通过学习获得的混合比例系数。
4-1-2)将得到的隐藏特征h1 t输入到全连接层FC1中,获得基于TMLSTM模型的健康指标THI。
在本发明实例中,高层级数据代表航空发动机退化的全局趋势,以期获得长久保留,以便准确评估航空发动机退化的总体趋势,因此,子细胞单元ct(m)通过保留多细胞更新单元在最后时刻的存储单元状态来更新。
中高层级数据代表航空发动机退化过程中的中长期趋势,其被输入子细胞单元ct(l)进行更新学习,将中期退化趋势和长期退化趋势按比例混合进行更新ct(l)。
中层级数据代表退化过程中的中期趋势,这股数据将由子细胞单元ct(k)更新,与传统的长短期记忆神经网络LSTM中细胞单元更新模式相同,ct(k)由长期退化趋势与短期退化趋势的非线性组合构成。
中低层级数据代表航空发动机退化过程中的短中期趋势,其被输入子细胞单元ct(j)进行更新学习。同样,将中期退化趋势和短期退化趋势按比例混合进行更新ct(j)。
低层级数据代表了航空发动机退化过程中的短期波动,希望能够实时更新低层级数据,以便快速获取航空发动机退化趋势的局部变化,子细胞单元ct(i)便由此时刻的内部状态ct更新。
4-2)获取基于SMCNN模型的健康指标SHI:
4-2-1)将步骤2)中的预处理数据作为输入数据输入SMCNN模型中,通过多阶段划分单元对输入数据进行阶段划分,通过空间特征异化提取单元对划分阶段后的数据进行更新,获得空间特征,具体步骤如下:
4-2-1-1)阶段划分:将步骤2)中的预处理数据作为输入数据,将t时刻输入数据xt输入SMCNN模型的全连接层中,得到全连接层的输出D,通过SoftMax归一化全连接层输出D,获得数据所处阶段划分结果D1:
D=tanh(wxdxt+bd) (13)
D1=softmax(D)=[d1 d2 d3] (14)
式(13)、(14)中,wxd和bd分别为全连接层权重和偏置,d1、d2、d3分别表示航空发动机的严重退化阶段、平稳退化阶段和健康阶段,而D1中最大元素所处位置代表t时刻输入数据所处阶段;
4-2-1-2)空间特征异化提取:根据输入数据的阶段划分结果D1,将输入数据输入不同的卷积路径进行卷积处理:
式(15)中,Pij和Cij分别定义为第i条卷积路径中的第j个一维卷积操作和最大池化操作,为严重退化阶段数据的卷积输出,定义为平稳退化阶段卷积路径输出,定义为健康阶段卷积路径输出,为SMCNN模型输出的空间特征。
5)寿命预测:将提取的MHI与SHI连接成一个新的HI矩阵,将新的HI矩阵输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。
在本发明实例中,训练过程中样本总数为N,将均方误差(MSE)定义为损失函数,则其计算公式为:
式(16)中,和Ruli分别为第i个样本的预测剩余寿命与实际剩余寿命;利用反向传播规则得到各层的误差梯度,并利用Adam优化方法优化模型的权重参数,并采用Dropout技术避免深度学习中的过拟合问题。
通过网格搜索选取的SMDN超参数如下:TMLSTM的神经细胞数为90,FC1和FC2的神经细胞数为30,回归层的神经细胞数为1;其中,dropout1,dropout 2,dropout 3分别设为0.5,0.5,0.2。在SMCNN中,C11、C12、C13、C21、C22、C31的核大小分别设为1、2、2、3、2、5,P11、P12、P13、P21、P22、P31的最大池化大小分别设为2、1、1、2、1、2,卷积的步幅设为1,滑动窗口大小和步长分别设置为30和1。
6)实验验证:
6-1)构建评价指标:采用IEEE评价分数Score和均方根误差RMSE作为评价指标对剩余使用寿命预测性能进行定量表征,评价指标可分别计算如下:
式(17)、(18)、(19)中,Ruli和分别为第i个发动机的实际寿命及预测寿命,N为子集中的发动机总数,评价分数Score和均方根误差RMSE的值与RUL性能成反比,即指标值越低,模型性能越好。Score相交于RMSE对过度预测的惩罚更大,更加符合工程实践。因此,在RMSE接近的情况下,更加倾向于基于Score对模型进行评价。
6-2)剩余使用寿命预测及对比:
本申请所述基于SMDN的航空发动机寿命预测模型首先由FD001和FD004的训练集进行训练,然后由相应的测试集进行测试。FD001和FD004的预测结果分别如图5和图6所示,在图5和图6中,水平轴表示发动机编号,纵轴表示RUL值,蓝色实线和红色虚线分别表示预测的RUL和实际的RUL。
可以发现,图5和图6中的预测值与实际值具有较高的相似性,说明SMDN在两个子集中的预测性能都很好。
为了进一步突出SMDN在RUL预测中的性能,将基于统计模型、浅学习模型和DL模型的多种典型方法与本文方法进行比较,各方法得到的评价指标值见表3。
所有方法在FD001上的性能都优于FD004,这是因为FD001的工况简单,发动机数量少。在这些典型的方法中,所提出的SMDN在两个子集中得分几乎都是最小的。AEQRNN虽然在FD004中RMSE低于SMDN,但其Score高于SMDN。一般来说,Score在实际工程中比RMSE具有更高的实用性,因此认为SMDN优于AEQRNN。总之,我们可以得出结论,无论OC多么复杂,所提出的方法都具有更高的RUL预测性能。
表3不同预测方法在FD001及FD004上的预测表现定量对比
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,具体步骤如下:
1)数据采集:采集待预测航空发动机多维退化参数,通过稳定趋势分析,选取若干能反映航空发动机退化性能的参数,获得采集数据;
2)数据预处理:采用滑动窗口技术对采集数据进行数据分割,获得预处理数据;
3)构建模型:构建基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型,所述航空发动机寿命预测模型包括时间多异化处理长短期神经网络TMLSTM模型和空间多异化卷积神经网络SMCNN模型;
4)提取健康指标:将预处理数据分别输入TMLSTM模型与SMCNN模型中,获得基于TMLSTM模型的健康指标THI与基于SMCNN模型的健康指标SHI;
5)寿命预测:将提取的MHI与SHI连接成一个新的HI矩阵,将新的HI矩阵输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。
2.如权利要求1所述的基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,所述基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型包括TMLSTM模型、SMCNN模型、全连接层FC1、全连接层FC2、回归层;
所述TMLSTM模型包括多趋势划分单元和多细胞更新单元;
所述SMCNN模型包括多阶段划分单元和空间特征异化提取单元。
3.如权利要求2所述的基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,步骤4)中获取基于TMLSTM模型的健康指标THI的具体步骤如下:
4-1-1)将步骤2)中的预处理数据作为输入数据输入TMLSTM模型中,通过多趋势划分单元对输入数据进行趋势划分,通过多细胞更新单元对划分趋势后的数据进行更新,获得隐藏特征;
4-1-2)将得到的隐藏特征输入到全连接层FC1中,获得基于TMLSTM模型的健康指标THI。
4.如权利要求2所述的基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,步骤4)中获取基于SMCNN模型的健康指标SHI的具体步骤如下:
4-2-1)将步骤2)中的预处理数据作为输入数据输入SMCNN模型中,通过多阶段划分单元对输入数据进行阶段划分,通过空间特征异化提取单元对划分阶段后的数据进行更新,获得空间特征;
4-2-2)将得到的空间特征输入到全连接层FC2中,获得基于SMCNN模型的健康指标SHI。
5.如权利要求3所述的基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,步骤4-1-1)中获取隐藏特征的具体步骤为:
4-1-1-1)趋势划分:将步骤2)中的预处理数据作为输入数据,合并t时刻输入数据xt=[xt,1 xt,2…xt,n]T及t-1时刻递归数据ht-1=[ht-1,1 ht-1,2…ht-1,m]T得到输入矩阵B:
B=[xtwxb ht-1whb]T (1)
利用二维卷积运算及tanh激活函数分别作用于输入矩阵B得到特征矩阵B1:
B1=tanh(B*conv2_w+conv2_b) (2)
式(2)中,conv2_w为水平滑动卷积核,conv2_b为卷积偏置;
通过softmax函数归一化B1,得到划分的趋势结果B2:
B2=softmax(B1)=[b1 b2 b3 b4 b5] (3)
式(3)中,b1,b2,b3,b4,和b5分别为长期趋势、中长期趋势、中期趋势、中短期趋势、短期趋势,B2中的最大元素决定了t时刻数据主要代表的趋势;
4-1-1-2)提取隐藏特征:根据趋势划分结构,将具有不同趋势的数据输入多细胞更新单元ct的五个不同的异化单元ct(m)、ct(i)、ct(j)、ct(k)、ct(l)中进行更新,根据五个异化单元的更新结果以及趋势结果B2对多细胞更新单元中各个子细胞单元的异化输出进行权重组合得到多细胞更新单元的输出ct,并提取t时刻的隐藏特征h1 t:
式(4)中,ct(m)为长期趋势b1对应的数据更新单元,ct(l)为中长期趋势b2对应的数据更新单元,ct(k)为中期趋势b3对应的数据更新单元,ct(j)为中短期趋势b4对应的数据更新单元,ct(i)为短期趋势b5对应的数据更新单元,σ为sigmod激活函数,wix为输入数据与TMLSTM模型输入门之间的权重,wih为递归数据与TMLSTM模型输入门之间的权重,wfx为输入数据与TMLSTM模型遗忘门之间的权重,wfh为递归数据与TMLSTM模型遗忘门之间的权重,wox为输入数据与TMLSTM模型输出门之间的权重,woh为递归数据与TMLSTM模型输出门之间的权重,bi为TMLSTM模型输入门偏置,bf为TMLSTM模型遗忘门偏置,bo为TMLSTM模型输出门偏置,ct-1表示t-1时刻存储细胞记忆单元输出,wcx为输入数据与细胞存储单元间的权重,wch递归数据与细胞存储单元间的权重,bc为TMLSTM模型中细胞存储单元偏置,⊙为点积运算,s1、s2均为通过学习获得的混合比例系数。
6.如权利要求4所述的基于时空多异化处理深度网络的航空发动机寿命预测方法,其特征在于,步骤4-2-1)中获取空间特征的具体步骤为:
4-2-1-1)阶段划分:将步骤2)中的预处理数据作为输入数据,将t时刻输入数据xt输入SMCNN模型的全连接层中,得到全连接层的输出D,通过SoftMax归一化全连接层输出D,获得数据所处阶段划分结果D1:
D=tanh(wxdxt+bd) (5)
D1=softmax(D)=[d1 d2 d3] (6)
式(5)、(6)中,wxd和bd分别为全连接层权重和偏置,d1、d2、d3分别表示航空发动机的严重退化阶段、平稳退化阶段和健康阶段,而D1中最大元素所处位置代表t时刻输入数据所处阶段;
4-2-1-2)空间特征异化提取:根据输入数据的阶段划分结果D1,将输入数据输入不同的卷积路径进行卷积处理:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262002.4A CN113868964A (zh) | 2021-10-28 | 2021-10-28 | 基于时空多异化处理深度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 |
---|---|---|---|
CN202111262002.4A CN113868964A (zh) | 2021-10-28 | 2021-10-28 | 基于时空多异化处理深度网络的航空发动机寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868964A true CN113868964A (zh) | 2021-12-31 |
Family
ID=78998125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111262002.4A Pending CN113868964A (zh) | 2021-10-28 | 2021-10-28 | 基于时空多异化处理深度网络的航空发动机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868964A (zh) |
-
2021
- 2021-10-28 CN CN202111262002.4A patent/CN113868964A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112766303A (zh) | 一种基于cnn的航空发动机故障诊断方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN115618733B (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN113836822A (zh) | 一种基于mclstm模型的航空发动机寿命预测方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN114462459A (zh) | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 | |
CN116542429A (zh) | 一种融合时空特征的油藏生产指标机器学习预测方法 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN116245259A (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
CN113868964A (zh) | 基于时空多异化处理深度网络的航空发动机寿命预测方法 | |
CN113987704A (zh) | 基于自动多微分学习深度网络的航空发动机寿命预测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN112184037A (zh) | 一种基于加权svdd的多模态过程故障检测方法 |
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 |