CN113869563A - 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 - Google Patents
一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113869563A CN113869563A CN202111072257.4A CN202111072257A CN113869563A CN 113869563 A CN113869563 A CN 113869563A CN 202111072257 A CN202111072257 A CN 202111072257A CN 113869563 A CN113869563 A CN 113869563A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- training
- value
- network
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,(1)利用迁移学习的思想,构建了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法;(2)利用分类任务驱动得到卷积神经网络作为源域模块提取故障特征(3)利用剩余寿命预测任务驱动的长短时记忆网络作为目标域模块实现剩余寿命预测(4)构建特殊的损失函数完成源域故障特征迁移至目标域的过程,有效地提高了剩余寿命预测的精度;(5)固定训练成功的目标域模块参数,输入待预测的实时数据即可获得可视化的剩余寿命预测结果。通过与其他传统机器学习方法进行对比,本发明预测精度高,有较大的实际应用意义。
Description
技术领域
本发明涉及航空涡扇发动机健康管理领域,特别涉及一种基于迁移学习中特征迁移方法的航空涡扇发动机剩余寿命预测方法。
背景技术
航天事业的发展已成为衡量一个国家科技水平、国防建设和国民经济现代化水平的重要指标之一,航天安全技术也成为了一个非常重要的领域。涡扇发动机是航天飞机的重要组成部分,一旦发生故障将直接影响整架飞机的运行和使用寿命,甚至造成更严重的安全事故。因此,研究如何使用有效的方法来预测故障具有重要意义。
在现代工业中,剩余寿命预测正成为确保机械安全、可用性和效率以及降低维护成本的关键技术,目前主要有两类方法:基于失效机理分析的预测和数据驱动的预测。前者依赖于专家经验,需要大量的机械相关知识。但是,由于涡扇发动机的受力往往非常复杂,用失效机制分析的方法来预测剩余寿命一般是不现实的。
近年来,结合人工智能的数据驱动方法可以通过挖掘数据序列和隐藏信息的特征进行预测,已成为退化分析和剩余寿命预测问题的主流研究方法。其中,迁移学习是近年来新兴的一种人工智能方法,可以通过适当的关联任务帮助主要目标的实现。本发明利用迁移学习思想中的特征迁移方法,可以有效地实现航空发动机的剩余寿命预测,从而控制并排除某些严重故障,缩小维修范围,节约经济成本。
发明内容
本发明提供了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测系统及方法,以解决现有监测技术难以获得精确的剩余寿命结果的问题。
本发明的目的可通过以下技术方案实现:
本发明提出的基于故障特征迁移的航空涡扇发动机剩余寿命预测系统,包括:
(1)数据采集及预处理模块
(2)源域模块
(3)目标域模块
(4)剩余寿命预测结果输出模块
由数据采集与预处理模块对故障信号进行采集和预处理,随后将信号以源域数据集和目标域数据集的形式分别输入到源域模块,源于模块的故障特征学习结果将迁移到目标域模块,辅助目标域模块的训练。目标域模块的训练结果输入到剩余寿命预测结果输出模块,最终输出预测的剩余寿命。
模块(1)具体为:
步骤1.1通过N个不同变量的监测传感器获取历史航空发动机失效全寿命周期数据,设每个监测通道共采集到L个数据点。然后对N个监测变量进行筛选,得到M个与故障特征相关的变量,并按照筛选后的变量形成多维的监测数据,此时的数据集大小应为XL×M。
步骤1.2对上述监测数据进行归一化处理,将其归一化至[0,1]之间,避免了负值对于数据处理的影响,具体计算公式为:
其中Xt为当前时刻的原始数据,Xnorm为当前时刻归一化处理后的数据,Xmax、Xmin分别为所有原始数据中的最大值和最小值。
步骤1.3通过滑动窗口采样的方法将上述处理后的数据制作成样本集。设置一个大小为W×M、步长为1的滑动窗口,依序对每台发动机的时间序列进行采样,最终将整个时间序列分割成L-W+1个样本,每个样本的大小即为窗口大小,按照样本时间所对应的剩余寿命标注标签。该样本集即为目标域输入样本,并按照1:4的比例划分测试集和训练集。
步骤1.4根据数据集本身的故障特征分布情况,选取目标域输入样本中的前n个样本和后n个样本生成新的样本集,按照“故障”、“正常”两种情况标注标签。该样本集即为源域输入样本,并按照1:4的比例划分测试集和训练集。
模块(2)具体为:
步骤2.1搭建用于进行故障特征提取的卷积神经网络模型作为源域模块,该网络包括一个输入层,四个卷积层,三个池化层,后接两个全连接层和一个输出层,对航空涡扇发动机数据进行故障特征提取和类型识别,最终输出判断此时发动机是否发生故障的概率值作为识别结果。其中,第一层卷积层采用膨胀卷积的方法,表达式如下:
上式的具体含义为:当输入为一维信号x(i)时(i表示第i个数据),通过一个长度为k的膨胀卷积层w(k)后得到输出y(i),参数d为膨胀大小,即卷积核中相邻节点的距离。
步骤2.2采用交叉熵函数作为该模型训练的损失函数,用以表征判断值与实际值的差值分布,表达式如下:
其中,m表示样本的总数,ytrue为该样本真实的标签,ypred为第四层的输出。
步骤2.3将源域输入样本集输入源域模型输入层,使用自适应矩阵估计优化器对整个网络的参数进行更新,具体步骤如下:
其中,下标t表示当前步长,θt为经过优化器更新后当前步长下的参数,ρ是当前指数衰减率的估值,η为学习率,可通过设置η的初始值来调整网络训练的速度和精度。gt表示当前步长的梯度,st为关于参数的一阶梯度矩阵,rt为关于参数的二阶梯度矩阵。δ为常量10-8,以保证表达式中分母不为0而成立。和是对原始值的偏差修正,以避免当其初始值为0向量时,导致整体梯度权重过小而影响训练精度。
步骤2.4将源域样本集输入源域模块,设置模型迭代次数、单次训练送入数据批量、训练批次和网络参数初始值,并实时监测源域模块的识别准确率和损失函数值的变化,当准确率达到一定标准时,保存网络。
模块(3)具体为:
步骤3.1搭建用于进行剩余寿命预测的长短时记忆网络模型作为目标模块,该网络的结构依次为一个输入层、两个全连接层、长短时记忆神经网络隐藏层、一个全连接层和一个输出层,对数据进行剩余寿命预测,最终输出此刻的剩余寿命估计值作为输出结果。其中,长短时记忆网络是一种特殊的循环神经网络,能够学习长时间序列间的依赖关系。它具有神经网络的重复模块链结构,每一个模块有两个传输状态,分别为ht和ct。对于时间t的单个单元,由三个门组成,分别是遗忘门、输入门和输出门。当输入数据xt在模块内传输时,首先经过遗忘门。输入数据将与模块ht-1之前的隐藏状态结合,然后根据下式输出ft:
ft=σ(Wf·[ht-1,xt]+bf)
其中,Wf表示相关矩阵,bf表示偏差项,σ表示sigmoid门控函数。LSTM的输入门由两条路径组成。将两种路径的输出表示为it和Ct,它们的计算方式为
it=σ(Wi·[ht-1,xt]+bi)
C=tanh(WC·[ht-1,xt]+bC)
基于遗忘门和输入门的三个输出,Ct更新为
Ct=ft*Ct-1+it*Ct
最后,ht被更新为网络的输出,计算如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中Wo是权重矩阵,b_o是偏置项。通过这种计算过程的多步处理,之前数据的历史信息存储在ht和Ct中。
步骤3.2通过一种新型损失函数的设计实现特征迁移,将源域模块的全连接层参数读取为特征向量,并表示为将目标域网络输入层后的全连接层读取为特征向量,并表示为输出表示为r,实剩余寿命为R,根据数据集特点设置训练权重a1、a2,目标域模块损失函数表达式如下:
其中,MSELoss为均方根误差函数,具体表达式为:
步骤3.3以步骤3.2中的损失函数为训练目标,采用随机梯度下降的方法更新模型中的参数。对于整体的训练数据,随机抽取一个样本进行梯度计算,计算第i个训练数据的权重w和偏差b相对于损失函数的梯度后,分别计算所有训练数据权重w和偏差b的梯度的平均值,并根据下式更新每个样本的权重值和偏差值。
其中,α为学习率,可在训练开始前根据训练情况设置。
步骤3.4将目标域样本集输入目标域模块,设置模型迭代次数、单次训练送入数据批量、训练批次和网络参数初始值,并实时监测剩余寿命预测准确率的变化和损失函数收敛情况,当损失收敛,准确率达到一定标准时,保存网络。
模块(4)具体为
步骤4.1将处理后的航空涡扇发动机待预测数据集以滑动窗口提取的时间序列样本集的方式依次输入到3.4中保存的模型里。
步骤4.2在固定参数,即权重w和偏差b均不更新的情况下输出当前发动机剩余寿命预测值。
步骤4.3累计输出发动机剩余寿命预测值并进行可视化处理,绘制航空涡扇发动机剩余寿命预测图,完成剩余寿命预测。
采用上述技术方案带来的有益效果:
(1)本发明采用基于故障特征迁移的深度学习模型,能够实现多源传感器监测状态下的航空涡扇发动机剩余寿命预测,对降低运维成本、防止事故发生、提高经济效益具有重要意义。
(2)相比其他机器学习方法,本发明在多源传感器的情况下数具有更好的学习精度和泛化能力。
附图说明
图1为本发明的系统模块结构示意图。
图2为本发明的实施流程示意图。
图3为实例中涡扇发动机仿真模型的结构示意图。
图4为实例中剩余寿命定义的示意图。
图5为实例中源域网络提取故障特征结果图。
图6为实例中剩余寿命预测结构图。
具体实施方式
为更清晰地展示本发明的技术方案及优势,以下实施实例C-MAPSS数据集开展涡扇发动机状态监测数据剩余寿命预测研究。C-MAPSS数据集是由NASA提供的公开数据集,模拟了不同运行条件下涡扇发动机的退化过程。该数据集包含了整个退化过程的各种传感器信号以及运行参数等状态监测数据。C-MAPSS数据集包含4个不同工况下的子数据集(FD001-FD004),每个子数据集包含多台发动机在不同工况下的全寿命数据。
如图1所示,本发明方法包含四个模块:(1)数据采集及预处理模块。(2)源域模块。(3)目标域模块。(4)剩余寿命预测结果输出模块。
图2为本发明的实施流程示意图,下面结合附图和实例对本发明的具体实施方式作进一步说明。
步骤1通过模拟仿真获取航空涡扇发动机的全寿命周期退化数据,仿真模型结构示意图如图3所示。利用MATLAB对原始数据进行预处理,包括多维数据筛选、归一化、滑窗采样、标签标注、样本制作等。
步骤1.1多维数据筛选。该数据集包括12类传感器数据,具体如表1所示。本文选用的C-MAPSS数据集共含有21个传感器通道的监测变量,体描述如表1所示。
表1涡扇发动机状态监测数据说明
在这些传感器数据中,有的在生命周期内输出恒定,无法为剩余寿命预测提供有价值的信息。因此,在吸取相关实验的成功经验后,选取其中14个传感器监测变量作为原始输入特征,其序号分别为2、3、4、7、8、9、11、12、13,14,15,17,20和21。
步骤1.2归一化。使用下式对降维后的数据进行归一化:
Xt为当前时刻的原始数据,Xnorm为当前时刻归一化处理后的数据,Xmax、Xmin分别为所有原始数据中的最大值和最小值。
步骤1.3滑窗采样。采用滑动窗口采样法获取样本,在该实例下滑动窗口的大小为14×14、步长为1。
步骤1.4标签标注。本方法需要制作源域输入样本和目标域输入样本两类样本集,因此需要分别进行标签标注。源域输入样本集的标签为“0”、“1”两种,分别代表“故障”和“正常”两种状态。由于发动机在开始时刻均正常运行,在某个未知的时间点出现故障后才开始劣化,直到系统停止。因此,如图4所示,目标域输入样本的标签需要采取分段线性函数的方式,表达式如下
RUL=min(125,T_i-t)
步骤1.5将上述步骤中制作的源域输入样本集合目标域输入样本集分别按照1:4的比例划分测试集和训练集。
步骤2利用卷积神经网络搭建源域模块,并根据故障模式识别任务训练网络,保存训练成功后的网络参数。
步骤2.1搭建卷积神经网络,包括一个输入层,四个卷积层,三个池化层,后接两个全连接层和一个输出层。在该实例中,卷积层的卷积核大小为(3,3),步长为(1,1),激活函数为PReLU函数,池化层大小为(2,2)。
步骤2.2将源域数据集中的训练集输入卷积神经网络的输入层,采用交叉熵损失函数表征判断值与实际值的差值分布,使用自适应矩阵估计优化器更新权重,进行训练。
步骤2.3将源域数据集中的测试集输入卷积神经网络进行测试,本实例中源域模块的故障识别精度可达99.9%。由源域网络所提取的故障特征图如图5所示,将其与真实剩余寿命对比,可见源域网络成功提取了故障特征。
步骤2.4由于该模块故障识别精度已达到99%以上,可视为成功完成训练,储存此时的网络参数。
步骤3利用长短时记忆网络搭建目标域模块,并剩余寿命预测任务训练网络,保存训练成功后的网络参数。
步骤3.1搭建长短时记忆网络,该网络的结构依次为一个输入层、两个全连接层、长短时记忆神经网络隐藏层、一个全连接层和一个输出层。在该实例中,长短时记忆网络的隐藏层维度为64。
步骤3.2通过构建特殊的损失函数进行特征迁移。将源域模块的全连接层参数读取为特征向量,并表示为将目标域网络输入层后的全连接层读取为特征向量,并表示为输出表示为r,实剩余寿命为R,目标域模块损失函数表达式如下:
其中,MSELoss为均方根误差函数,具体表达式为:
在该实例中,训练权重a1、a2分别设置为1和10。
步骤3.3将目标域数据集中的训练集输入长短时记忆网络的输入层,采用随机梯度下降法更新权重,进行训练。
步骤3.4固定参数,将目标域数据集中的测试集输入网络进行测试,利用均方根误差(RMSE)和评分函数(Score)两项标准对预测结果进行评估,表达式如下:
本发明所述方法与其他传统机器学习方法在该实例中的RMSE、Score两项指标如表2所示,可见本发明所述方法明显优于其他传统机器学习方法。
表2本文所述方法与其他传统机器学习方法预测效果比较
步骤3.5由上述实验可知,目标域模块剩余寿命预测精度达标,储存网络参数。
步骤4可视化输出剩余寿命预测结果。
步骤4.1将待预测的数据集以滑动窗口提取的时间序列样本集的方式依次输入到保存的模型里。
步骤4.2在固定参数,即权重w和偏差b均不更新的情况下输出当前剩余寿命预测值。
步骤4.3累计剩余寿命预测值并进行可视化处理,绘制剩余寿命预测图,完成剩余寿命预测。在本实例中,从四类数据集中各随机选取了一个发动机样本进行可视化展示,其剩余寿命预测图如图6所示。
Claims (5)
1.基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,其特征在于:实现该方法的单元模块包括数据采集及预处理模块、源域模块、目标域模块和剩余寿命预测结果输出模块;由数据采集与预处理模块对故障信号进行采集和预处理,随后将信号以源域数据集和目标域数据集的形式分别输入到源域模块,源于模块的故障特征学习结果将迁移到目标域模块,辅助目标域模块的训练;目标域模块的训练结果输入到剩余寿命预测结果输出模块,最终输出预测的剩余寿命。
2.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,其特征在于:数据采集及预处理模块中具体实施方法如下:
步骤1.1通过N个不同变量的监测传感器获取历史航空发动机失效全寿命周期数据,设每个监测通道共采集到L个数据点;然后对N个监测变量进行筛选,得到M个与故障特征相关的变量,并按照筛选后的变量形成多维的监测数据,此时的数据集大小应为XL×M;
步骤1.2对上述监测数据进行归一化处理,将其归一化至[0,1]之间,避免了负值对于数据处理的影响,具体计算公式为:
其中Xt为当前时刻的原始数据,Xnorm为当前时刻归一化处理后的数据,Xmax、Xmin分别为所有原始数据中的最大值和最小值;
步骤1.3通过滑动窗口采样的方法将上述处理后的数据制作成样本集;设置一个大小为W×M、步长为1的滑动窗口,依序对每台发动机的时间序列进行采样,最终将整个时间序列分割成L-W+1个样本,每个样本的大小即为窗口大小,按照样本时间所对应的剩余寿命标注标签;该样本集即为目标域输入样本,并按照1:4的比例划分测试集和训练集;
步骤1.4根据数据集本身的故障特征分布情况,选取目标域输入样本中的前n个样本和后n个样本生成新的样本集,按照“故障”、“正常”两种情况标注标签;该样本集即为源域输入样本,并按照1:4的比例划分测试集和训练集。
3.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,其特征在于:源域模块中具体实施方法如下:
步骤2.1搭建用于进行故障特征提取的卷积神经网络模型作为源域模块,该网络包括一个输入层,四个卷积层,三个池化层,后接两个全连接层和一个输出层,对航空涡扇发动机数据进行故障特征提取和类型识别,最终输出判断此时发动机是否发生故障的概率值作为识别结果;其中,第一层卷积层采用膨胀卷积的方法,表达式如下:
上式的具体含义为:当输入为一维信号x(i)时(i表示第i个数据),通过一个长度为k的膨胀卷积层w(k)后得到输出y(i),参数d为膨胀大小,即卷积核中相邻节点的距离;
步骤2.2采用交叉熵函数作为该模型训练的损失函数,用以表征判断值与实际值的差值分布,表达式如下:
其中,m表示样本的总数,ytrue为该样本真实的标签,ypred为第四层的输出;
步骤2.3将源域输入样本集输入源域模型输入层,使用自适应矩阵估计优化器对整个网络的参数进行更新,具体步骤如下:
其中,下标t表示当前步长,θt为经过优化器更新后当前步长下的参数,ρ是当前指数衰减率的估值,η为学习率,可通过设置η的初始值来调整网络训练的速度和精度;gt表示当前步长的梯度,st为关于参数的一阶梯度矩阵,rt为关于参数的二阶梯度矩阵;δ为常量10-8,以保证表达式中分母不为0而成立;和是对原始值的偏差修正;
步骤2.4将源域样本集输入源域模块,设置模型迭代次数、单次训练送入数据批量、训练批次和网络参数初始值,并实时监测源域模块的识别准确率和损失函数值的变化,当准确率达到一定标准时,保存网络。
4.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,其特征在于:目标域模块中具体实施方法如下:
步骤3.1搭建用于进行剩余寿命预测的长短时记忆网络模型作为目标模块,该网络的结构依次为一个输入层、两个全连接层、长短时记忆神经网络隐藏层、一个全连接层和一个输出层,对数据进行剩余寿命预测,最终输出此刻的剩余寿命估计值作为输出结果;其中,长短时记忆网络是一种特殊的循环神经网络,能够学习长时间序列间的依赖关系;它具有神经网络的重复模块链结构,每一个模块有两个传输状态,分别为ht和ct;对于时间t的单个单元,由三个门组成,分别是遗忘门、输入门和输出门;当输入数据xt在模块内传输时,首先经过遗忘门;输入数据将与模块ht-1之前的隐藏状态结合,然后根据下式输出ft:
ft=σ(Wf·[ht-1,xt]+bf)
其中,Wf表示相关矩阵,bf表示偏差项,σ表示sigmoid门控函数;LSTM的输入门由两条路径组成;将两种路径的输出表示为it和Ct,它们的计算方式为
it=σ(Wi·[ht-1,xt]+bi)
C=tanh(WC·[ht-1,xt]+bC)
基于遗忘门和输入门的三个输出,Ct更新为
Ct=ft*Ct-1+it*Ct
最后,ht被更新为网络的输出,计算如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中Wo是权重矩阵,b_o是偏置项;通过这种计算过程的多步处理,之前数据的历史信息存储在ht和Ct中;
步骤3.2通过一种新型损失函数的设计实现特征迁移,将源域模块的全连接层参数读取为特征向量,并表示为将目标域网络输入层后的全连接层读取为特征向量,并表示为输出表示为r,实剩余寿命为R,根据数据集特点设置训练权重a1、a2,目标域模块损失函数表达式如下:
其中,MSELoss为均方根误差函数,具体表达式为:
步骤3.3以步骤3.2中的损失函数为训练目标,采用随机梯度下降的方法更新模型中的参数;对于整体的训练数据,随机抽取一个样本进行梯度计算,计算第i个训练数据的权重w和偏差b相对于损失函数的梯度后,分别计算所有训练数据权重w和偏差b的梯度的平均值,并根据下式更新每个样本的权重值和偏差值;
其中,α为学习率,在训练开始前根据训练情况设置;
步骤3.4将目标域样本集输入目标域模块,设置模型迭代次数、单次训练送入数据批量、训练批次和网络参数初始值,并实时监测剩余寿命预测准确率的变化和损失函数收敛情况,当损失收敛,准确率达到一定标准时,保存网络。
5.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法,其特征在于:剩余寿命预测结果输出模块具体实施方法如下:
步骤4.1将处理后的航空涡扇发动机待预测数据集以滑动窗口提取的时间序列样本集的方式依次输入到3.4中保存的模型里;
步骤4.2在固定参数,即权重w和偏差b均不更新的情况下输出当前发动机剩余寿命预测值;
步骤4.3累计输出发动机剩余寿命预测值并进行可视化处理,绘制航空涡扇发动机剩余寿命预测图,完成剩余寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072257.4A CN113869563A (zh) | 2021-09-14 | 2021-09-14 | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072257.4A CN113869563A (zh) | 2021-09-14 | 2021-09-14 | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869563A true CN113869563A (zh) | 2021-12-31 |
Family
ID=78995603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072257.4A Pending CN113869563A (zh) | 2021-09-14 | 2021-09-14 | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869563A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
CN114580705A (zh) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | 航电产品剩余寿命预测方法 |
CN114861880A (zh) * | 2022-05-06 | 2022-08-05 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
CN116798506A (zh) * | 2023-03-23 | 2023-09-22 | 江苏大学 | 一种毕赤酵母发酵过程中菌体浓度的预测方法 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN117851921A (zh) * | 2024-03-07 | 2024-04-09 | 山东能源数智云科技有限公司 | 基于迁移学习的设备寿命预测方法及装置 |
-
2021
- 2021-09-14 CN CN202111072257.4A patent/CN113869563A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580705A (zh) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | 航电产品剩余寿命预测方法 |
CN114186500A (zh) * | 2022-02-16 | 2022-03-15 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
CN114186500B (zh) * | 2022-02-16 | 2022-04-29 | 华中科技大学 | 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 |
CN114861880A (zh) * | 2022-05-06 | 2022-08-05 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
CN114861880B (zh) * | 2022-05-06 | 2024-04-12 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN116798506A (zh) * | 2023-03-23 | 2023-09-22 | 江苏大学 | 一种毕赤酵母发酵过程中菌体浓度的预测方法 |
CN116798506B (zh) * | 2023-03-23 | 2024-03-22 | 江苏大学 | 一种毕赤酵母发酵过程中菌体浓度的预测方法 |
CN117851921A (zh) * | 2024-03-07 | 2024-04-09 | 山东能源数智云科技有限公司 | 基于迁移学习的设备寿命预测方法及装置 |
CN117851921B (zh) * | 2024-03-07 | 2024-06-18 | 山东能源数智云科技有限公司 | 基于迁移学习的设备寿命预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
Zheng et al. | Long short-term memory network for remaining useful life estimation | |
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN114266278B (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 | |
Li et al. | Domain adaptation remaining useful life prediction method based on AdaBN-DCNN | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN115017826B (zh) | 一种装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 | |
CN116818325A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
Lan et al. | Remaining useful life estimation of turbofan engine using LSTM neural networks | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN107545112B (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113821974B (zh) | 基于多故障模式的发动机剩余寿命预测方法 | |
CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 | |
Cui et al. | Prediction of Aeroengine Remaining Useful Life Based on SE-BiLSTM | |
Chadha et al. | Remaining useful lifetime estimation with sobolev training |
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 |