CN114997051B - 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 - Google Patents

Abstract

本发明涉及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，包括步骤：数据采集和数据储存；数据预处理；健康因子构建。本发明的有益效果是：本发明首先提出健康状态划分因子的构建流程；其次采用受极端偏值影响较小、泛化性更高的极端梯度提升回归模型提取关键性能参数，对数据进行降维；然后利用门控循环单元网络对多维时序数据的自动特征提取能力挖掘关联寿命与健康状态的有用特征，实现剩余使用寿命预测与健康评估；最终利用迁移学习策略将模型泛化至不同的飞行状态下，实现多工况模型迁移；本发明高效利用航空发动机全寿命周期历史运行数据资源，为航空发动机的寿命预测与健康评估提供可靠的依据。

Description

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

技术领域

本发明属于复杂设备寿命预测领域，尤其涉及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。

背景技术

作为近年来重要的民用出行与军事保障手段，航空飞机以及直升机的使用愈加广泛，由于航空发动机关键限寿件故障或衰退引起的通航一般事故也屡见不鲜。而直升机由于其复杂的动力传输结构和极端的服役环境，发生事故的概率远高于固定翼飞机。因此，开发和应用航空发动机智能运维与健康管理系统(Prognostics and health management，PHM)对于我国的航空安全事业十分重要。

在当前航空发动机PHM系统中，关键限寿件的剩余使用寿命(RUL)预测与健康状态评估是急需解决的问题；关键限寿件的剩余使用寿命(RUL)预测的相关方法可粗略划分为基于模型的方法和基于数据驱动的方法。

基于模型的方法主要是依托于系统的物理衰退模型，分析机械设备的动力学特性、机械结构特性以及材料特性。然而，建立一个完备的航空发动机物理模型需要考虑复杂的物理、化学和空气热力学过程，需要耗费巨大的人力资源。相反，基于数据驱动的方法则不再依托于机械知识，根据设备的工作状态参数和环境参数即可评估健康状态和预测寿命。基于数据驱动的方法将粗糙的传感器数据转化为可以学习的有用信息，建立数据与标签的对应关系，使关键限寿件的剩余使用寿命预测与健康状态评估更加容易实现。

随着人工智能技术的发展和应用，机器学习方法凭借其灵活高效的优点，逐渐被PHM系统研发人员采用。传统机器学习方法极依赖复杂的特征工程技术，而深度学习则免去了这一过程。深度学习依托的神经网络能够自动提取原始数据的深层特征。当前国内航空发动机PHM系统的研究主要着眼于航空发动机单个零部件的诊断，对发动机整体性能衰退评估的研究较少。对于航空发动机这类复杂的机械系统，几乎无研究提出一套完整的健康状态划分标准。因此建立健全的健康状态影响因子对于模型评估有着极大的促进作用。

发明内容

本发明的目的是克服现有技术中的不足，提供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。

这种基于迁移学习的航空发动机寿命预测与健康评估方法，包括以下步骤：

步骤1、数据采集和数据储存：在数据采集模块内布置传感器，由传感器采集航空发动机关键限寿件的工作状态参数与环境参数；数据存储模块以传感器类别为列，以采集数据时间为行，将采集的工作状态参数与环境参数制成表格存入航空发动机工作状态数据库；

步骤2、数据预处理：数据预处理模块将数据采集模块采集得到的工作状态参数与环境参数进行缺失值、异常值及标准化处理；以各个飞机的单次旅程飞行时长作为标准来划分飞行状态；飞行状态为不同飞行长度发动机的损伤情况；

步骤3、健康因子构建：首先选择航空发动机关键限寿件的效率和空气质量流量作为性能指标；然后对性能指标进行归一化处理，选取所有性能指标中的最小值作为健康因子，得到健康因子曲线；最终对健康因子曲线进行平滑处理；

步骤4、数据集构建模块采用XGBoost模型提取关键性能指标，对关键性能指标进行降维处理；

步骤5、将健康因子与标准化处理后的减小速度v取交集，将航空发动机的健康状态划分为初始衰退过程、正常衰退过程和异常衰退过程；减小速度v为当前时刻健康因子曲线的斜率值；建立寿命与健康状态标签，最终对数据切片，制作时序数据集；

步骤6、搭建并训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测；

步骤7、利用堆叠GRU神经网络模型对多维时序数据的自动特征提取能力挖掘关联寿命与健康状态的有用特征，对航空发动机进行剩余寿命预测与健康评估；

步骤8、利用迁移学习策略将堆叠GRU神经网络模型泛化至不同的飞行状态下：针对其中一个工况训练堆叠GRU神经网络模型，然后将训练完成的堆叠GRU神经网络模型的底层神经网络层参数冻结，针对不同工况的数据，对高层网络和输出层进行参数微调，并与未微调堆叠GRU神经网络模型的识别准确率对比，检验迁移的成功性。

作为优选，步骤1中关键限寿件包括风扇、高压压缩机、低压压缩机、高压涡轮和低压涡轮；工作状态参数与环境参数包括风扇入口压力P₁、风扇入口温度T₁、风扇出口流量W₂、风扇出口压力P₂、支路导管压力P₃、LPC出口压力P₄、LPC出口温度T₄、HPC出口压力P₅、HPC出口静压力P_s5、HPC出口温度T₅、燃料流量W_f、HPT冷却液流量W₆、LPT冷却液流量W₇、燃烧室压力P_b、燃烧室温度T_b、LPC入口流量W₈、HPC入口流量W₉、HPT出口流量W₁₀、HPT出口温度T₁₀、HPT出口压力P₁₀、LPT出口流量W₁₁、LPT出口压力P₁₁、LPT出口温度T₁₁、风扇速度N_f、物理核心速度Nc、风扇装配余量、LPC装配余量、HPC装配余量、HPC入口燃料流量比例、飞机飞行高度、马赫数和油门旋转变压器角度。

作为优选，步骤2中数据预处理模块采用均值补全法对采集得到的工作状态参数与环境参数进行缺失值处理，通过缺失值两侧值的平均数补全空缺；对采集得到的工作状态参数与环境参数进行异常值处理时，将异常值直接舍弃，其中异常值指偏离设备正常工作时状态参数范围的值；进行标准化处理时采用Z-score标准化方式，公式为：

上式中，μ和σ分别是样本X的均值和方差，X表示进行标准化处理前的数据，X`表示进行标准化处理后的数据。

作为优选，步骤3中：

采用max-min归一化对性能指标进行归一化处理，计算公式为：

上式中，x为样本原值，x`为归一化结果，x_max和x_min分别是所有性能指标中的最小值和最大值；

采用最小二乘法插值对离散的健康因子进行拟合，根据航空发动机性能衰退关系式对健康因子曲线进行平滑处理，得到最终健康因子平滑曲线；其中航空发动机性能衰退关系式为：

δ_a(t)＝1-exp(at^b)+δ_n(t_s)+ξ

上式中，δ_a(t)为t时刻的健康因子，t^b表示t时刻的b次方，t_s表示航空发动机性投入使用的时刻；δ_n(t_s)为航空发动机初始磨损量；其中a＝U(0.001,0.003)，b＝U(1.4,1.6)，ξ＝N(0,0.001)。

作为优选，步骤4中，XGBoost模型是由n个基模型组成的加法模型，假设第t次迭代要训练的树模型是f_t(x)，则第t次迭代时的预测结果

满足：

上式中：

为前t-1棵树的预测结果，f_t(x_i)为第t棵树模型。

作为优选，步骤5中：

初始衰退过程指航空发动机关键零部件出现的轻度初始磨损的过程；正常衰退过程指由于轻度初始磨损引发的航空发动机性能衰退的过程；异常衰退过程指航空发动机由于关键设备故障引起的性能退化速度加快的过程；

对数据切片时，取T_s为一个时间步长，分别对不同健康状态的数据进行切片操作，最终得到N×T_s×C的输入样本集合，其中N为样本数量，C为样本维度。

作为优选，步骤6具体包括以下步骤：

步骤6.1、采用Python语言搭建堆叠GRU神经网络模型：

GRU神经网络模型包括一个输入层，多个中间层和一个输出层，依次连接输入层、中间层和输出层；

输入层特征映射组为多维数组，输入样本格式为N×T_s×C；T_s为一个时间步长，N为样本数量，C为样本维度；

隐含层包含3对堆叠GRU-Dropout层和一个Flatten层；GRU神经网络模型的结构单元包括更新门Z_t和重置门R_t，更新门Z_t用来控制当前状态H_t从历史状态H_t-1中保留的信息量和从候选状态H_{t`</sub>中接受新信息的量；重置门R<sub>t</sub>用来控制候选状态H<sub>t`}的计算是否依赖历史状态H_t-1；

GRU神经网络模型的状态更新方式为：

H_t＝Z_t⊙H_t-1+(1-Z_t)⊙H_t`

其中更新门输出为：

Z_t＝σ(W_zX_t+U_zH_t-1+b_z)

候选状态H_t`为

H_t`＝tanh(W_hX_t+U_h(R_t⊙H_t-1)+b_h)

其中重置门输出为：

R_t＝σ(W_rX_t+U_rH_t-1+b_r)

上式中，X_t为t时刻GRU神经网络模型的输入，W_z、U_z和b_z分别为更新门的输入权重、历史状态权重和偏置；W_h、U_h和b_h分别为候选状态的输入权重、历史状态权重和偏置；W_r、U_r和b_r分别为重置门的输入权重、历史状态权重和偏置；σ和tanh为非线性激活函数；

堆叠GRU-Dropout层对上层的参数进行随机舍弃；最后将堆叠GRU-Dropout层的输出输入Flatten层，进行维数的削减后，转化为一维向量；将一维向量经过输出层输出预测序列结果；

步骤6.2、训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测：

将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集和测试集；设置单次训练送入数据批量；采用Adam算法对堆叠GRU神经网络模型进行优化，并设置提前中止命令；当测试集准确率不上升时，停止训练并保存堆叠GRU神经网络模型；实时监测堆叠GRU神经网络模型的损失函数值变化，最后以折线图的形式输出堆叠GRU神经网络模型的预测误差与准确率。

作为优选，步骤7中对航空发动机进行剩余寿命预测与健康评估时，采用均方根误差e_RMSE、平均绝对误差e_MAPE以及相关系数R²来衡量航空发动机寿命预测的预测值与真实值之间的差异，计算式分别如下：

上式中，y_i为真实值，

为预测值，

为均值，N是预测值的个数；

进行航空发动机健康评估时，使用准确率来表征GRU神经网络模型的分类正确的样本个数占整体样本个数的比例。

本发明的有益效果是：首先提出一个健康状态划分因子的构建流程；其次采用受极端偏值影响较小、泛化性更高的极端梯度提升(XGBoost)回归模型提取关键性能参数，对数据进行降维；然后利用门控循环单元(GRU)网络对多维时序数据的自动特征提取能力挖掘关联寿命与健康状态的有用特征，实现剩余使用寿命预测与健康评估；最终利用迁移学习策略将模型泛化至不同的飞行状态下，实现多工况模型迁移；本发明高效利用航空发动机全寿命周期历史运行数据资源，为航空发动机的寿命预测与健康评估提供可靠的依据。

附图说明

图1是航空发动机寿命预测与健康评估的流程图；

图2是涡轮增压发动机传感器布置点示意图；

图3是健康因子构建过程图；

图4是基于XGBoost关键性能参数重要性分析结果直方图；

图5是健康状态划分过程图；

图6是堆叠GRU网络结构简图；

图7-1为短途飞行中航空发动机剩余使用寿命预测结果图；

图7-2为中途飞行中航空发动机剩余使用寿命预测结果图；

图7-3为长途飞行中航空发动机剩余使用寿命预测结果图；

图8是本发明实施例得到的健康状态评估结果图。

附图标记说明：低压压缩机1、高压压缩机2、高压涡轮3、低压涡轮4。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

实施例一

本申请实施例一提供了一种如图1所示基于迁移学习的航空发动机寿命预测与健康评估方法：

步骤1、数据采集和数据储存：在数据采集模块内布置传感器，由传感器采集航空发动机关键限寿件的工作状态参数与环境参数；数据存储模块利用Sql server数据库技术，以传感器类别为列，以采集数据时间为行，将采集的工作状态参数与环境参数制成表格存入航空发动机工作状态数据库，实现数据的交互和有效存储；航空发动机工作状态数据库一方面与用户和云端进行数据交互，实现接受来自用户的数据、提前为用户缓存数据、向云端上传数据，另一方面存储部分历史数据，为深度学习模块提供训练样本；

关键限寿件包括风扇、高压压缩机、低压压缩机、高压涡轮和低压涡轮；工作状态参数与环境参数包括风扇入口压力P₁、风扇入口温度T₁、风扇出口流量W₂、风扇出口压力P₂、支路导管压力P₃、LPC出口压力P₄、LPC出口温度T₄、HPC出口压力P₅、HPC出口静压力P_s5、HPC出口温度T₅、燃料流量W_f、HPT冷却液流量W₆、LPT冷却液流量W₇、燃烧室压力P_b、燃烧室温度T_b、LPC入口流量W₈、HPC入口流量W₉、HPT出口流量W₁₀、HPT出口温度T₁₀、HPT出口压力P₁₀、LPT出口流量W₁₁、LPT出口压力P₁₁、LPT出口温度T₁₁、风扇速度N_f、物理核心速度Nc、风扇装配余量(Smfan)、LPC装配余量(SmLPC)、HPC装配余量(SmHPC)、HPC入口燃料流量比例(phi)、飞机飞行高度(Alt)、马赫数(Mach)和油门旋转变压器角度(TRA)；

步骤2、数据预处理：数据预处理模块将数据采集模块采集得到的工作状态参数与环境参数进行缺失值、异常值及标准化处理；飞行状态是由该航空飞机一次飞行周期的总飞行时长和飞行高度来决定的，又由于数据集中飞行高度与飞行时长存在正相关，本发明以各个飞机的单次旅程飞行时长作为标准来划分飞行状态，从而区别不同飞行里程的发动机之间的损伤情况；飞行状态为不同飞行长度发动机的损伤情况；数据预处理模块采用均值补全法对采集得到的工作状态参数与环境参数进行缺失值处理，通过缺失值两侧值的平均数补全空缺；对采集得到的工作状态参数与环境参数进行异常值处理时，将异常值直接舍弃，其中异常值指偏离设备正常工作时状态参数范围的值；进行标准化处理时采用Z-score标准化方式，公式为：

上式中，μ和σ分别是样本X的均值和方差，X表示进行标准化处理前的数据，X`表示进行标准化处理后的数据；不同损伤模式和飞行状态下的数据均需要进行标准化操作；

步骤3、健康因子构建：首先选择航空发动机关键限寿件的效率(e)和空气质量流量(f)作为性能指标，伴随航空发动机的服役时长增加，10个性能指标存在不同速度的退化趋势，其中退化量最大的当前性能指标决定了航空发动机的性能；然后对性能指标进行归一化处理，选取所有性能指标(10个性能指标)中的最小值作为健康因子，得到健康因子曲线；最终对健康因子曲线进行平滑处理；

采用max-min归一化对性能指标进行归一化处理，计算公式为：

上式中，x为样本原值，x`为归一化结果，x_max和x_min分别是所有性能指标中的最小值和最大值；

采用最小二乘法插值对离散的健康因子进行拟合，根据航空发动机性能衰退关系式对健康因子曲线进行平滑处理，得到最终健康因子平滑曲线；其中航空发动机性能衰退关系式为：

δ_a(t)＝1-exp(at^b)+δ_n(t_s)+ξ

上式中，δ_a(t)为t时刻的健康因子，t^b表示t时刻的b次方，t_s表示航空发动机性投入使用的时刻；δ_n(t_s)为航空发动机初始磨损量，是发动机出厂即存在的不可避免的轻微损伤；其中a＝U(0.001,0.003)，b＝U(1.4,1.6)，ξ＝N(0,0.001)；

步骤4、数据集构建模块采用受极端偏值影响较小、泛化性更高的XGBoost模型(极端梯度提升回归模型)提取关键性能指标，对关键性能指标进行降维处理；XGBoost模型拟合各个性能参数对健康因子的重要性影响，提取最高的12个关键性能参数作为后续深度学习模型的输入；XGBoost模型是一种经优化的分布式梯度提升库，内部决策树采用回归树，具有高效、灵活可移植的特点；其根据样本空间内元素的数据特征对元素进行区间分类，每一次分类均形成树状分枝，若干次迭代后的分枝组合便形成了回归树模型；每个树模型均包含若干个内部节点和叶节点，内部节点将当前空间进行二分，叶节点则是划分后对应的空间结果；

XGBoost模型是由n个基模型组成的加法模型，假设第t次迭代要训练的树模型是f_t(x)，则第t次迭代时的预测结果

满足：

上式中：

为前t-1棵树的预测结果，f_t(x_i)为第t棵树模型；

步骤5、剩余使用寿命是指航空发动机在经过一次重大检修后经飞机正常飞行若干轮次后至下一次重大检修时所经历的时间周期。当关键限寿件的损伤或出现设备故障时，航空发动机的性能衰退加快，其RUL也相对变短。本发明以100轮为重大检修的最长间隔点，当发动机在飞机飞行n(n<100)轮出现故障无法保证飞机正常飞行时，取寿命终点为n，当飞机飞行轮次达到100轮但发动机依旧能够满足飞行要求时也需要检修，此时取100轮为寿命终点。以起始点寿命记作100％，寿命终止记作0，寿命退化曲线与健康因子成正相关。进一步地，健康状态标签构建方面，将健康因子与标准化处理后的减小速度v取交集，将航空发动机的健康状态划分为初始衰退过程、正常衰退过程和异常衰退过程；减小速度v为当前时刻健康因子曲线的斜率值；当斜率越大，表明健康因子减小速度越快，进而说明航空发动机此时性能衰退的速度也更快；建立寿命与健康状态标签，最终对数据切片，制作时序数据集；初始衰退过程指航空发动机关键零部件由于制造和装配公差出现的不可避免的轻度初始磨损的过程；正常衰退过程指由于轻度初始磨损引发的航空发动机性能衰退的过程，该过程发动机还未收到严重的损伤，处于正常工作状态；异常衰退过程指航空发动机由于关键设备故障引起的性能退化速度加快的过程；

对数据切片时，取T_s为一个时间步长，分别对不同健康状态的数据进行切片操作，最终得到N×T_s×C的输入样本集合，其中N为样本数量，C为样本维度，标签对应时序数据最末端时刻RUL和健康状态；

步骤6、搭建并训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测；

步骤6.1、采用Python语言搭建堆叠GRU神经网络模型：

GRU神经网络模型包括一个输入层，多个中间层(隐含层)和一个输出层(具体网络结构可以根据特定的数据规模进行调整)，依次连接输入层、中间层和输出层；

输入层特征映射组为多维数组(维度即为关键性能参数个数)，输入样本格式为N×T_s×C；T_s为一个时间步长，N为样本数量，C为样本维度；

隐含层包含3对堆叠GRU-Dropout层和一个Flatten层；GRU是一种自动挖掘时序数据特征，被广泛地用于各类设备PHM系统中，例如振动、声学与温度信号的识别；GRU相对于传统的LSTM网络来说结构更加简化，训练时间较少，避免了LSTM内部“门”之间的信息冗余，更有利于处理时间长度大的航空数据集；GRU神经网络模型的结构单元包括更新门Z_t和重置门R_t，更新门Z_t用来控制当前状态H_t从历史状态H_t-1中保留的信息量和从候选状态H_{t`</sub>中接受新信息的量；重置门R<sub>t</sub>用来控制候选状态H<sub>t`}的计算是否依赖历史状态H_t-1；

GRU神经网络模型的状态更新方式为：

H_t＝Z_t⊙H_t-1+(1-Z_t)⊙H_t`

其中更新门输出为：

Z_t＝σ(W_zX_t+U_zH_t-1+b_z)

候选状态H_t`为

H_t`＝tanh(W_hX_t+U_h(R_t⊙H_t-1)+b_h)

其中重置门输出为：

R_t＝σ(W_rX_t+U_rH_t-1+b_r)

上式中，X_t为t时刻GRU神经网络模型的输入，W_z、U_z和b_z分别为更新门的输入权重、历史状态权重和偏置；W_h、U_h和b_h分别为候选状态的输入权重、历史状态权重和偏置；W_r、U_r和b_r分别为重置门的输入权重、历史状态权重和偏置；σ和tanh为非线性激活函数；

堆叠GRU-Dropout层对上层的参数进行随机舍弃，从而降低神经网络的复杂度，提高训练效率；最后将堆叠GRU-Dropout层的输出输入Flatten层，进行维数的削减后，转化为一维向量；将一维向量经过输出层输出预测序列结果；输出层为一个全连接层(Dense)，对于寿命预测模块，Dense层设置1个神经元，不设置非线性激活函数；对于健康评估模块，Dense层设置3个神经元(对应3中健康状态)，非线性激活函数为softmax；Dense层增添L1、L2正则化项，优化模型收敛过程，防止过拟合；

步骤6.2、训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测：

将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集和测试集(一般为4:1，数据量较大时可以适当提高测试集占比)；设置单次训练送入数据批量(32个样本，或32的整数倍)；采用Adam算法对堆叠GRU神经网络模型进行优化，并设置提前中止命令(early stopping)；当测试集准确率不上升时，停止训练并保存堆叠GRU神经网络模型；实时监测堆叠GRU神经网络模型的损失函数值变化，最后以折线图的形式输出堆叠GRU神经网络模型的预测误差与准确率；

步骤7、利用堆叠GRU神经网络模型对多维时序数据的自动特征提取能力挖掘关联寿命与健康状态的有用特征，对航空发动机进行剩余寿命预测与健康评估；航空发动机寿命预测属于回归问题，而健康评估属于分类问题，采用均方根误差e_RMSE、平均绝对误差e_MAPE以及相关系数R²来衡量航空发动机寿命预测(回归问题)的预测值与真实值之间的差异，计算式分别如下：

上式中，y_i为真实值，

为预测值，

为均值，N是预测值的个数；

进行航空发动机健康评估(分类问题)时，使用准确率(Acc)来表征GRU神经网络模型的分类正确的样本个数占整体样本个数的比例。

步骤8、迁移学习是指将某一领域(源域)学习到的知识迁移至另一相似领域(目标域)中应用的机器学习策略；本发明采用单一飞行状态下的数据来训练模型，利用迁移学习策略将堆叠GRU神经网络模型泛化至不同的飞行状态下，实现多工况下的GRU网络模型迁移：将不同的航空发动机运行工况视作不同的领域，针对其中一个工况训练堆叠GRU神经网络模型，然后基于模型微调的方法利用其他工况的数据对模型高层神经网络层进行参数微调，进而达到节省计算机资源，提高效率的目的；将训练完成的堆叠GRU神经网络模型的底层神经网络层(输入层、部分GRU层)参数冻结，针对不同工况的数据，对高层网络和输出层进行参数微调，并与未微调堆叠GRU神经网络模型的识别准确率对比，检验迁移的成功性，提高计算效率。

实施例二

在实施例一的基础上，本申请实施例二提供了实施例一中方法的具体应用：

Step1：数据采集(本文为涡轮增压发动机全寿命周期运行数据，布设32个传感器)，并将采集的原始数据存储入Sql server数据库；

Step2：数据预处理，对数据进行异常值处理、缺失值补全，标准化处理，并将数据转换为可用于监督学习的数据类型，并针对不同的飞行参数划分飞行状态，具体标准如表1；

表1飞行状态划分依据表

飞行状态	短途飞行	中途飞行	长途飞行
				代号	Fs1	Fs2	Fs3
划分标准	<3h	3h～5h	>5h

Step3：依据健康因子建立标准构建健康因子曲线，表征航空发动机的健康状态退化过程，并利用XGBoost模型对性能参数进行重要性分析，提取关键性能参数，划分健康状态并建立寿命标签。

Step4：将源域数据集(单一工况数据)以4：1的比例划分为训练集，测试集，目标域数据集(其他工况数据)设置为验证集；

Step5：搭建堆叠GRU模型并将训练集数据代入模型进行训练，利用测试集检验误差与准确率变化，保存训练完成的模型；

Step6：将保存的模型低级网络层锁定，利用验证集小批量数据对高级网络层进行参数微调，达到模型迁移的效果，并验证迁移成功性。

如图2所示，为本发明传感器布设点，其中P为总压力，P_s为静压力，T为总温度，W为流量，下标1～11分别代表风扇入口、风扇出口、支路导管、LPC出口、HPC出口、HPT冷却液、LPT冷却液、LPC入口、HPC入口、HPT出口、LPT出口，b代表燃烧室，W_f为燃料流量，N_f为风扇速度，Nc为物理核心速度。此外还包括风扇装配余量(Smfan)、LPC装配余量(SmLPC)、HPC装配余量(SmHPC)、HPC入口燃料流量比例(phi)以及飞机飞行高度(Alt)、马赫数(Mach)和油门旋转变压器角度(TRA)一共32个参数。

如图3所示，为健康因子构建过程图，本发明以5种关键限寿件的效率(e)和空气质量流量(f)作为性能指标，并归一化，然后取每个时刻的最小值为当前健康因子值，最后根据航空发动机退化关系式对所得健康因子离散值进行拟合为一条光滑曲线。

如图4所示，为本发明XGBoost性能参数重要性分析结果图，XGBoost模型需要设定的主要超参数为最大深度、学习率和参数量。本发明在回归模型建立时的超参数优化方法采取网格化搜索，搜索空间为(最大深度：[5,11]，学习率：[0.01,0.1]，参数量：[100,400])，采用均方根误差作为目标函数，并实施三折交叉验证。最终确定最优超参数为最大深度为8，学习率为0.1，参数量为300。

通过XGBoost回归树拟合后输出各个元素对健康因子的重要性程度如图4，其中虚线(2.5％)以上的部分表示对健康因子影响较大的性能参数，加上健康因子共13个特征，作为后续寿命预测与健康评估的输入变量。

如图5所示，为健康状态划分过程图，根据健康因子的衰减速度可以将航空发动机的健康状态划分为初始衰退、正常衰退与异常衰退过程。初始衰退是指发动机关键零部件由于制造和装配公差引起的不可避免的轻度初始磨损量；正常衰退是指由于初始磨损量引发的发动机性能衰退的过程，该过程发动机还未收到严重的损伤，处于正常工作状态；而异常衰退则是指发动机由于关键设备故障引起的性能退化速度加快的阶段。本发明提出将健康因子与退化速率相结合的划分标准，两者取交集，建立标准如表2，其中退化速度同样进行了标准化处理；

表2健康状态划分依据表

健康状态	初始衰退	正常衰退	异常衰退
				健康因子	>0.9	0.9～0.8	<0.8
退化速率	<0.01	0.01～0.8	>0.8

图6为堆叠GRU网络模型结构，共3层GRU层，神经元个数依次为64，128，64，每层GRU层后接一个Dropout层，用于舍弃20％的超参数，最后一层Dropout层接一个Flatten层，将特征映射拉直为一维序列，输入输出层(Dense)进行预测与识别。对于寿命预测模块，Dense层设置1个神经元，不设置非线性激活函数；对于健康评估模块，Dense层设置3个神经元(对应3种健康状态)，非线性激活函数为softmax。Dense层增添L1、L2正则化项，优化模型收敛过程，防止过拟合，模型优化方法采用Adam算法，并设置提前中止(early stopping)命令，当测试集准确率不上升时停止训练保存模型。堆叠GRU模型需要设定的主要超参数为学习率和小批量训练批次大小。同样采取网格化搜索对参数进行优化，搜索空间为(学习率：[0.001，0.01]，批次大小：[32,256])，采用均方根误差作为目标函数。最终确定最优超参数：学习率为0.001，小批量训练批次大小为128。

如图7-1至图7-3所示，为分别使用3种单一工况训练模型，以同工况数据置入模型测试后，输出的预测结果。由图可知，堆叠GRU模型在拟合发动机关键性能参数和RUL之间的联系时，效果出众，预测结果均分布在真实值邻近，均方根误差小于0.1，平均绝对误差均保持在4％左右，预测值与真实值的相关性较高，接近0.95。

对于健康评估模块，状态识别结果如图8，纵向为样本真实标签，横向为模型预测标签。三个工况下模型的健康评估准确率分别为94.894％、96.418％、99.216％。其中对于异常退化状态，三个工况的识别准确率平均达到了99.036％，近乎100％，表明异常退化阶段航空发动机表现出来的性能参数具备较强的可区分性。而其它两个衰退过程由于系统依旧处于良好的工作状态，因此数据特征差异性较小，但模型依旧能够以较高的准确率区分。

将上述评价指标取均值，与传统模型CNN和LSTM对比如下表3。GRU在寿命预测和健康评估方面效果均优于其他两者，LSTM由于对时序数据的敏感性在寿命预测方面效果较CNN好，但在健康评估方面效果较劣，可能为数据维度大引起的模型学习困难。

表3模型效果对比表

因为不同工况下数据之间的浅层特征具有一定的相似性，而其深层特征则是差异性的表现。通过对单一工况的模型高级层进行参数微调(Fine tune)，即锁定前两个GRU层，以其他两个工况的小批量数据训练第三个GRU层和输出层。设定迁移组合为Fs1-Fs2，Fs1-Fs3，Fs2-Fs1，Fs2-Fs3，Fs3-Fs1，Fs3-Fs2，前者为源域，后者为目标域。采用迁移策略和未采用迁移策略的结果对比如下表4。结果显示，在跨工况预测和识别方面，未采用迁移学习策略前，单一工况模型对其他工况数据的识别效果很差，甚至存在低于60％，采用了迁移学习后误差明显降低，准确率明显上升，且相邻两个工况由于数据相似度较高，识别效果也更好。这表明，在实际情况下数据稀缺或分布不均衡的情况下采用迁移学习策略对模型进行更新，能够明显地提升预测和识别效果。

表4迁移效果比较表

Claims (8)

1.一种基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，包括以下步骤：

步骤1、数据采集和数据储存：在数据采集模块内布置传感器，由传感器采集航空发动机关键限寿件的工作状态参数与环境参数；数据存储模块以传感器类别为列，以采集数据时间为行，将采集的工作状态参数与环境参数制成表格存入航空发动机工作状态数据库；

步骤2、数据预处理：数据预处理模块将数据采集模块采集得到的工作状态参数与环境参数进行缺失值、异常值及标准化处理；以各个飞机的单次旅程飞行时长作为标准来划分飞行状态；飞行状态为不同飞行长度发动机的损伤情况；

步骤3、健康因子构建：首先选择航空发动机关键限寿件的效率和空气质量流量作为性能指标；然后对性能指标进行归一化处理，选取所有性能指标中的最小值作为健康因子，得到健康因子曲线；最终对健康因子曲线进行平滑处理；

步骤4、数据集构建模块采用XGBoost模型提取关键性能指标，对关键性能指标进行降维处理；

步骤5、将健康因子与标准化处理后的减小速度v取交集，将航空发动机的健康状态划分为初始衰退过程、正常衰退过程和异常衰退过程；减小速度v为当前时刻健康因子曲线的斜率值；建立寿命与健康状态标签，最终对数据切片，制作时序数据集；

步骤6、搭建并训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测；

步骤7、利用堆叠GRU神经网络模型对多维时序数据的自动特征提取能力挖掘关联寿命与健康状态的有用特征，对航空发动机进行剩余寿命预测与健康评估；

步骤8、利用迁移学习策略将堆叠GRU神经网络模型泛化至不同的飞行状态下：针对其中一个工况训练堆叠GRU神经网络模型，然后将训练完成的堆叠GRU神经网络模型的底层神经网络层参数冻结，针对不同工况的数据，对高层网络和输出层进行参数微调，并与未微调堆叠GRU神经网络模型的识别准确率对比，检验迁移的成功性。

2.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于：步骤1中关键限寿件包括风扇、高压压缩机、低压压缩机、高压涡轮和低压涡轮；工作状态参数与环境参数包括风扇入口压力P₁、风扇入口温度T₁、风扇出口流量W₂、风扇出口压力P₂、支路导管压力P₃、LPC出口压力P₄、LPC出口温度T₄、HPC出口压力P₅、HPC出口静压力P_s5、HPC出口温度T₅、燃料流量W_f、HPT冷却液流量W₆、LPT冷却液流量W₇、燃烧室压力P_b、燃烧室温度T_b、LPC入口流量W₈、HPC入口流量W₉、HPT出口流量W₁₀、HPT出口温度T₁₀、HPT出口压力P₁₀、LPT出口流量W₁₁、LPT出口压力P₁₁、LPT出口温度T₁₁、风扇速度N_f、物理核心速度Nc、风扇装配余量、LPC装配余量、HPC装配余量、HPC入口燃料流量比例、飞机飞行高度、马赫数和油门旋转变压器角度。

3.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于：步骤2中数据预处理模块采用均值补全法对采集得到的工作状态参数与环境参数进行缺失值处理，通过缺失值两侧值的平均数补全空缺；对采集得到的工作状态参数与环境参数进行异常值处理时，将异常值直接舍弃，其中异常值指偏离设备正常工作时状态参数范围的值；进行标准化处理时采用Z-score标准化方式，公式为：

上式中，μ和σ分别是样本X的均值和方差，X表示进行标准化处理前的数据，X`表示进行标准化处理后的数据。

4.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，步骤3中：

采用max-min归一化对性能指标进行归一化处理，计算公式为：

上式中，x为样本原值，x`为归一化结果，x_max和x_min分别是所有性能指标中的最小值和最大值；

采用最小二乘法插值对离散的健康因子进行拟合，根据航空发动机性能衰退关系式对健康因子曲线进行平滑处理，得到最终健康因子平滑曲线；其中航空发动机性能衰退关系式为：

δ_a(t)＝1-exp(at^b)+δ_n(t_s)+ξ

上式中，δ_a(t)为t时刻的健康因子，t^b表示t时刻的b次方，t_s表示航空发动机性投入使用的时刻；δ_n(t_s)为航空发动机初始磨损量；其中a＝U(0.001,0.003)，b＝U(1.4,1.6)，ξ＝N(0,0.001)。

5.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，步骤4中，XGBoost模型是由n个基模型组成的加法模型，假设第t次迭代要训练的树模型是f_t(x)，则第t次迭代时的预测结果

满足：

上式中：

为前t-1棵树的预测结果，f_t(x_i)为第t棵树模型。

6.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，步骤5中：

初始衰退过程指航空发动机关键零部件出现的轻度初始磨损的过程；正常衰退过程指由于轻度初始磨损引发的航空发动机性能衰退的过程；异常衰退过程指航空发动机由于关键设备故障引起的性能退化速度加快的过程；

对数据切片时，取T_s为一个时间步长，分别对不同健康状态的数据进行切片操作，最终得到N×T_s×C的输入样本集合，其中N为样本数量，C为样本维度。

7.根据权利要求5所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，步骤6具体包括以下步骤：

步骤6.1、采用Python语言搭建堆叠GRU神经网络模型：

GRU神经网络模型包括一个输入层，多个中间层和一个输出层，依次连接输入层、中间层和输出层；

输入层特征映射组为多维数组，输入样本格式为N×T_s×C；T_s为一个时间步长，N为样本数量，C为样本维度；

隐含层包含3对堆叠GRU-Dropout层和一个Flatten层；GRU神经网络模型的结构单元包括更新门Z_t和重置门R_t，更新门Z_t用来控制当前状态H_t从历史状态H_t-1中保留的信息量和从候选状态H_t`中接受新信息的量；重置门R<sub>t</sub>用来控制候选状态H<sub>t</sub>`的计算是否依赖历史状态H_t-1；

GRU神经网络模型的状态更新方式为：

H_t＝Z_t⊙H_t-1+(1-Z_t)⊙H_t`

其中更新门输出为：

Z_t＝σ(W_zX_t+U_zH_t-1+b_z)

候选状态H_t`为

H_t`＝tanh(W_hX_t+U_h(R_t⊙H_t-1)+b_h)

其中重置门输出为：

R_t＝σ(W_rX_t+U_rH_t-1+b_r)

上式中，X_t为t时刻GRU神经网络模型的输入，W_z、U_z和b_z分别为更新门的输入权重、历史状态权重和偏置；W_h、U_h和b_h分别为候选状态的输入权重、历史状态权重和偏置；W_r、U_r和b_r分别为重置门的输入权重、历史状态权重和偏置；σ和tanh为非线性激活函数；

堆叠GRU-Dropout层对上层的参数进行随机舍弃；最后将堆叠GRU-Dropout层的输出输入Flatten层，进行维数的削减后，转化为一维向量；将一维向量经过输出层输出预测序列结果；

步骤6.2、训练堆叠GRU神经网络模型，对时间序列数据进行特征提取和预测：

将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集和测试集；设置单次训练送入数据批量；采用Adam算法对堆叠GRU神经网络模型进行优化，并设置提前中止命令；当测试集准确率不上升时，停止训练并保存堆叠GRU神经网络模型；实时监测堆叠GRU神经网络模型的损失函数值变化，最后以折线图的形式输出堆叠GRU神经网络模型的预测误差与准确率。

8.根据权利要求7所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于，步骤7中对航空发动机进行剩余寿命预测与健康评估时，采用均方根误差e_RMSE、平均绝对误差e_MAPE以及相关系数R²来衡量航空发动机寿命预测的预测值与真实值之间的差异，计算式分别如下：

上式中，y_i为真实值，

为预测值，

为均值，N是预测值的个数；

进行航空发动机健康评估时，使用准确率来表征GRU神经网络模型的分类正确的样本个数占整体样本个数的比例。

Images