CN115688325A - 一种航空涡扇发动机剩余使用寿命预测方法及系统 - Google Patents
一种航空涡扇发动机剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN115688325A CN115688325A CN202211519811.3A CN202211519811A CN115688325A CN 115688325 A CN115688325 A CN 115688325A CN 202211519811 A CN202211519811 A CN 202211519811A CN 115688325 A CN115688325 A CN 115688325A
- Authority
- CN
- China
- Prior art keywords
- data
- service life
- training
- turbofan engine
- test set
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种航空涡扇发动机剩余使用寿命预测方法及系统,方法包括:对原始传感器数据进行预处理,得到预处理后的训练集和测试集;对所述预处理后的数据用CSI‑EMD方法分解成若干个本征模函数,将非平稳传感器数据有效的分解出不同的IMF分量;将所述训练集数据分解得到的IMF分量输入到双通道多层特征融合网络中进行训练,将所述IMF分量通过网络得出的结果相加作为最终的输出,得到训练好的网络;将所述测试集数据分解得到的IMF分量输入到所述训练好的网络中得到测试集数据的剩余使用寿命,并通过评价指标评估方法的优越性。本发明解决了传统EMD方法受端点效应的影响,特征学习效果较差导致涡扇发动机寿命预测准确性的技术问题。
Description
技术领域
本发明涉及航空发动机性能预测领域,具体涉及一种航空涡扇发动机剩余使用寿命预测方法及系统。
背景技术
预测与健康管理(PHM)是一项很有前景的技术,可以确保高端设备的安全性和可靠性。剩余使用寿命(RUL)预测是PHM的重要组成部分,准确预测机器的RUL可以提前安排适当的维修决策,消除不必要的维修活动,可以最大限度的提高设备的利用率和可靠性,降低设备运行维护成本。航空涡扇发动机被认为是飞机核心的高科技机械。及时、准确地估算航空发动机的能耗水平,有助于确定科学的维修计划,实施预测性维修。近年来,随着工业物联网的发展,各种传感器采集的检测数据呈现爆发式增长,如何通过大量的传感器数据对航空涡扇发动机进行退化建模和分析,构建精确的RUL预测模型,已成为亟待解决的问题。
目前已经有了一些关于航空涡扇发动机寿命预测方法的研究成果,可以分为基于物理模型的方法、基于数据驱动的方法以及混合方法三种,其中混合方法主要分为两种:一种是将不同预测方法的预测结果进行加权综合,得到组合预测结果,这种方法容易受到权重分布的影响;二是对原始序列进行数据预处理,将其分解为多个子序列,然后对每个子序列分别建模,最后将所有子序列的预测结果叠加,得到满足精度要求的组合预测结果。经验模态分解作为一种优良的时频分析方法,对非平稳、非线性信号的处理有其独特的优势,但该方法中存在的端点效应问题会极大地影响分解精度。公布号为CN113743016A的现有发明专利申请文献《基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法》首先采用3sigma准则去除原始噪声获得高质量的原始数据并实现数据重构,利用改进的SSAE提取发动机每个周期的特征并进行特征降维,其中在编码器中采用BN层与Dropout层解决梯度消失以及过拟合问题,然后将提取的发动机特征构建成HI值,获得表征发动机退化趋势的HI曲线,最后在ESN网络中引入注意力机制,自适应处理不同类型的特征并优化网络参数,最终得到RUL值,实现涡扇发动机的剩余使用寿命预测。以及公布号为CN112580263A的现有发明专利文献《基于时空特征融合的涡扇发动机剩余使用寿命预测方法》首先获取到原始的随时间变化的传感器数据,通过数据选择及归一化处理后得到特征数据,将特征数据分别输入到一维全卷积层神经网络和LSTM神经网络中,利用一维全卷积层神经网络实现数据集空间特征信息的提取,利用LSTM神经网络实现数据集时间序列特征信息的提取,得到该两类特征后,采用时空特征融合算法,对其进行特征融合,再将融合特征输入到最大池化的一维卷积神经网络进行特征二次提取,实现涡扇发动机的剩余使用寿命预测。前述深度学习方法已被证明是有效的RUL预测方法,但传统的深度学习方法通常只能提取单尺度特征,忽略了其他尺度和不同层的重要细节,而且这些方法通常都使用同一类型的模型,没有实现使用不同类型模型的优点。
综上,现有技术受端点效应的影响,特征学习效果较差导致涡扇发动机寿命预测准确性的技术问题。
发明内容
本发明所要解决的技术问题在于如何解决现有技术受端点效应的影响,特征学习效果较差导致涡扇发动机寿命预测准确性的技术问题。
本发明是采用以下技术方案解决上述技术问题的:一种航空涡扇发动机剩余使用寿命预测方法包括:
S1、采集航空涡扇发动机的传感器数据,据以获取滑窗数据样本,以构建原始训练集和原始测试集,对所述原始训练集和所述原始测试集中的所述传感器数据,分别进行预处理,以得到训练集和测试集;
S2、利用CSI-EMD方法,分解所述训练集及所述测试集中的待分解数据样本,以得到不少于2个本征模函数,以作为所述传感器数据的差异尺度特征;
S3、分解所述训练集,得到不少于2个的IMF分量,输入每个所述IMF分量至双通道多层特征融合网络中进行训练,得到所述IMF分量训练结果,将所有所述IMF分量训练结果相加,以作为最终输出,得到适用网络;
S4、将所述测试集输入至所述适用网络中,据以预测所述航空涡扇发动机的剩余使用寿命,并通过预置评价指标评估逻辑,从不少于2种的预设策略中,选取适用预测策略。
本发明使用CSI-EMD缓解了传统EMD方法的端点效应问题,使用双通道多层特征融合网络可以更有效的学习特征,从而能够更准确的预测航空涡扇发动机的剩余使用寿命。
本发明使用CSI-EMD分解方法代替传统的经验模态分解方法,从而缓解端点效应产生的误差,分解出更准确的本征模函数。同时使用双通道多层特征融合网络对每个本征模函数分别建模,该网络的结构是卷积神经网络和循环神经网络集合组装成的集成模型,在提取信号的内部特征方面更具优势。相比于其他寿命预测方法,本发明基于CSI-EMD和双通道多层特征融合网络,得到的航空涡扇发动机剩余使用寿命预测结果,具有较高的预测精度,可以有效的解决发动机RUL预测问题。
在更具体的技术方案中,步骤S1包括:
S11、利用预置传感器组,采集获取传感器信号集;
S12、从所述传感器信号集中,选择适用传感器信号;
S13、利用预置规范逻辑,对每个所述适用传感器信号进行max-min规范;
S14、选用适用时间窗,以获取所述滑窗数据样本。
在更具体的技术方案中,步骤S13中,利用下述逻辑,对每个所述适用传感器信号进行max-min规范:
在更具体的技术方案中,步骤S2包括:
S21、以信号扩充模块扩充对所述待分解数据样本x(t);
S22、使用极值点确定模块确定传感器信号y(t)的所有极值点,据以拟合得到上下包络线;
S23、根据所述上下包络线,利用包络均值线模块计算出包络均值线mi(t);
S24、使用本征模函数获取模块获得所述本征模函数IMFi(t);
S25、结束CSI-EMD方法分解操作,得到n个本征模函数和残余分量。
本发明使用CSI-EMD方法对信号进行分解,对预处理后的数据用CSI-EMD方法分解成若干个本征模函数(IMF)分量,缓解了传统EMD方法存在的端点效应,降低了分解误差。
在更具体的技术方案中,步骤S23中,根据所述上下包络线,利用下述逻辑计算出所述包络均值线mi(t):
其中,emax(t)为上包络线,emin(t)为下包络线。
在更具体的技术方案中,步骤S25中,利用下述逻辑得到n个所述本征模函数和所述残余分量:
其中,r(t)为。
在更具体的技术方案中,步骤S3包括:
S31、所述双通道多层特征融合网络中的特征提取层包括:不少于2层的多尺度特征提取块,每层所述多尺度特征提取块,用差异尺寸卷积核分别对所述IMF分量进行卷积操作,以得到差异时间尺度特征图,据以进行Add运算,得到多尺度特征提取特征图;
S32、所述双通道多层特征融合网络中的特征提取层的第二通道包括:回声状态网络ESN,将样本平坦处理为一维数据输入到所述回声状态网络ESN中,提取出全局特征。
本发明搭建双通道多层特征融合网络,充分提取信号中多个尺度的特征,利用卷积神经网络、回声状态网络两种不同网络提取局部和全局特征。提高了涡扇发动机寿命预测精度。
在更具体的技术方案中,步骤S4中包括:
S41、利用所述预置评价指标评估逻辑,计算策略指标评分SCORE:
S42、利用预置逻辑处理获取均方根误差;
S43、根据所述策略指标评分SCORE及所述均方根误差,选取所述适用预测策略。在更具体的技术方案中,步骤S42中,利用下述逻辑计算均方根误差RMSE:
在更具体的技术方案中,一种航空涡扇发动机剩余使用寿命预测系统包括:
训练集测试集获取模块,用以采集航空涡扇发动机的传感器数据,据以获取滑窗数据样本,以构建原始训练集和原始测试集,对所述原始训练集和所述原始测试集中的所述传感器数据,分别进行预处理,以得到训练集和测试集;
样本分解模块,用以利用CSI-EMD方法,分解所述训练集及所述测试集中的待分解数据样本,以得到不少于2个本征模函数,以作为所述传感器数据的差异尺度特征,所述样本分解模块与所述训练集测试集获取模块连接;
双通道多层特征融合网络训练模块,用以分解所述训练集,得到不少于2个的IMF分量,输入每个所述IMF分量至双通道多层特征融合网络中进行训练,得到所述IMF分量训练结果,将所有所述IMF分量训练结果相加,以作为最终输出,得到适用网络,所述双通道多层特征融合网络训练模块与所述样本分解模块连接;
寿命预测及策略选取模块,用以将所述测试集输入至所述适用网络中,据以预测所述航空涡扇发动机的剩余使用寿命,并通过预置评价指标评估逻辑,从不少于2种的预设策略中,选取适用预测策略,所述寿命预测及策略选取模块与所述训练集测试集获取模块连接。
本发明相比现有技术具有以下优点:本发明使用CSI-EMD缓解了传统EMD方法的端点效应问题,使用双通道多层特征融合网络可以更有效的学习特征,从而能够更准确的预测航空涡扇发动机的剩余使用寿命。
本发明使用CSI-EMD分解方法代替传统的经验模态分解方法,从而缓解端点效应产生的误差,分解出更准确的本征模函数。同时使用双通道多层特征融合网络对每个本征模函数分别建模,该网络的结构是卷积神经网络和循环神经网络集合组装成的集成模型,在提取信号的内部特征方面更具优势。相比于其他寿命预测方法,本发明基于CSI-EMD和双通道多层特征融合网络,得到的航空涡扇发动机剩余使用寿命预测结果,具有较高的预测精度,可以有效的解决发动机RUL预测问题。
本发明使用CSI-EMD方法对信号进行分解,对预处理后的数据用CSI-EMD方法分解成若干个本征模函数(IMF)分量,缓解了传统EMD方法存在的端点效应,降低了分解误差。
本发明搭建双通道多层特征融合网络,充分提取信号中多个尺度的特征,利用卷积神经网络、回声状态网络两种不同网络提取局部和全局特征。提高了涡扇发动机寿命预测精度。
本发明解决了现有技术受端点效应的影响,特征学习效果较差导致涡扇发动机寿命预测准确性的技术问题。
附图说明
图1为本发明实施例1的一种航空涡扇发动机剩余使用寿命预测方法基本步骤示意图;
图2为本发明实施例1的原始数据预处理具体步骤示意图;
图3为本发明实施例1的本发明实施例的用时间窗滑窗选取样本的示意图;
图4为本发明实施例1的CSI-EMD方法分解具体步骤示意图;
图5为本发明实施例1的样本信号通过CSI-EMD分解后的各本征模函数示意图;
图6为本发明实施例1的双通道多层特征融合网络分层结构及数据处理示意图;
图7为本发明实施例2的所有发动机寿命预测图;
图8为本发明实施例2的第24号发动机寿命预测趋势图。
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,下面将结合本发明实施例,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作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。
实施例1
如图1所示,本发明提供的一种航空涡扇发动机剩余使用寿命预测方法,包括以下步骤:
步骤S1、将训练集和测试集文件夹下的原始传感器数据分别进行预处理,得到预处理后的训练集和测试集;
步骤S2、对预处理后的数据用CSI-EMD方法分解成若干个本征模函数,作为传感器数据在不同尺度下的特征;
步骤S3、将训练集数据分解得到的每个IMF分量输入到双通道多层特征融合网络中进行训练,将所有分量通过网络得出的结果相加作为最终的输出,得到训练好的网络;
步骤S4、将测试集输入到训练好的网络中得到待测数据的剩余使用寿命,并通过评价指标评估方法的优越性。
如图2所示,步骤1中对原始数据进行预处理,具体包括如下步骤:
S11、采集涡扇航空发动机的传感器数据;
S12、选择适用于寿命预测的传感器信号;在本实施例中,对21维传感器数据进行单调性、预测性和趋势性计算,选择合适的传感器数据,从而在保证准确性的同时减少不必要的计算,最终得到保留的传感器编号为2、3、4、7、11、12、15、17、20和21;
S13、对每个选取的传感器信号进行max-min规范;在本实施例中,对选取的传感器信号数据用max-min规范化方法进行数据归一化,从而将所有数据范围拉伸压缩到[0,1],消除数据中不同量纲尺度对设备健康状态估计的影响,具体计算公式为:
如图3所示,在本实施例中,S14、选择合适的时间窗通过滑窗选取数据样本。在本实施例中,选择时间步长为30的时间窗,通过滑窗的方法滑动选取归一化后的数据,如图3所示,时间窗口的长度为时间步长,时间窗每向前滑动一个时间单位获得新的样本,取时间窗的最后一个时间步的剩余使用寿命作为训练样本的标签,制作成样本集。
如图4所示,在本实施例中,步骤S2中对预处理后的数据用CSI-EMD方法包括信号扩充模块、极值点确定模块、包络均值线模块、本征模函数获取模块以及分解终止模块,进行分解的步骤具体包括:
S21、设原待分解数据样本为x(t),由上述步骤可知x(t)的数据点为30,对x(t)通过信号扩充模块进行扩充;在本实施例中,具体为在每两个数据点之间插值三个数据点,得到扩充后的待分解数据样本y(t),其数据点为117;
S22、使用极值点确定模块确定信号y(t)的所有极值点,方便拟合出上下包络线;
S23、使用包络均值线模块计算出包络均值线mi(t):
其中emax(t)为上包络线,emin(t)为下包络线;
如图5所示,在本实施例中,S24、使用本征模函数获取模块获得若干的本征模函数IMFi(t);
S25、使用分解终止模块结束CSI-EMD方法全过程,最终得到n个本征模函数和一个残余分量,即:
在本实施例中,步骤S3的双通道多层特征融合网络具体由特征提取层、特征融合层和回归层组成;
如图6所示,在本实施例中,特征提取层具体包括:
S31、特征提取层的第一通道由三层多尺度特征提取块组成,每层用卷积核大小分别为8x1、10x1和12x1这三种不同尺寸的卷积核对输入样本数据进行卷积操作,卷积核的个数均为10,得到三种不同时间尺度的特征图,将三种不同时间尺度的特征图用Add运算进行相加,得到多尺度特征提取块提取的特征图;
S32、特征提取层的第二通道由回声状态网络(ESN)组成,将样本平坦成一维数据输入到ESN中,提取出全局特征。
特征融合层,具体包括:
S33、将上述用卷积操作得到的三层特征图分别通过一个卷积层、一个平坦层的操作将其转换为一维特征数据;
S34、将上一步得到的一维特征数据和ESN得到的特征数据通过Concatenate运算进行联接,得到特征融合后的特征数据。
所述回归层,具体包括:
S35、将特征融合层得到的特征融合后的数据通过两个全连接运算得到输出,在本实施例中,第一个全连接层有100个神经元,设定神经元的丢弃率为20%,第二个全连接层有一个神经元。
在本实施例中,双通道多层特征融合网络用到的所有激活函数均使用“Mish”激活函数,损失函数设定为均方误差(MSE),优化器使用自适应矩估计(Adam)优化器,前100个迭代的学习率设为0.001,后50个迭代的学习率设为0.0001。
如图4所示,步骤4求待测数据的剩余使用寿命的过程中,用多次实验求平均值的方法缓解随机误差并使用包括均方根误差(RMSE)和评分函数(SCORE)的均值(Mean)和方差(STD)作为评价指标,与其他方法对比,评价本方法的优越性。
实施例2
如图7及图8所示,在本实施例中,使用NASA提供的涡扇发动机监测数据C-MAPSS数据集进行实验,该数据集由多台涡扇发动机模拟退化数据组成,它包含四个子数据集FD001-FD004,具有不同的运行条件和故障模式,每个子数据集包含一个训练数据集和一个测试数据集。其中FD001包含用于训练的100台发动机的寿命数据,以及在相同的操作条件下获得的用于测试的100台发动机故障前的数据。该子数据集只包含一种故障模式和一个条件,数据集中的每一行包含21个相同运行周期的传感器变量,每一列包含一个在不同操作周期的单一变量。本实施例采用FD001的训练和测试数据进行实验。
按照上述步骤进行具体实验,为评价本发明的基于CSI-EMD和双通道多层特征融合网络的航空涡扇发动机剩余使用寿命预测方法的预测效果,将测试集待测发动机的预测的剩余使用寿命与真实的剩余使用寿命RUL通过如下两个评价指标SCORE、RMSE进行计算:
(1)评分函数(SCORE):
(2)均方根误差(RMSE):
上述公式中RULi是第i个待测发动机的剩余使用寿命真实值,是第i个待测发动机的剩余使用寿命预测值,n为待测发动机个数。p1、p2分别为滞后预测和提前预测的惩罚参数,由于在真实的工业场景中,较晚的维护可能比较早的维护导致更严重的后果,因此,晚期预测比早期预测给予更大的惩罚,惩罚参数设定为:p1=13、p2=10。
实施例与对比例的实验结果分析
为验证本发明的基于CSI-EMD和双通道多层特征融合网络的航空涡扇发动机剩余使用寿命预测方法的优越性,结合以下对比例进行分析。
对比例1:原始数据经过预处理后不进行CSI-EMD分解,然后将其输入到传统的卷积神经网络中进行发动机的剩余使用寿命预测。
对比例2:原始数据经过预处理后不进行CSI-EMD分解,然后将其输入到回声状态网络中进行发动机剩余使用寿命预测。
对比例3:原始数据经过预处理后不进行CSI-EMD分解,然后将其输入到双通道多层特征融合网络中进行发动机的剩余使用寿命预测。
对比例4:原始数据经过预处理后使用传统的EMD方法进行模态分解,然后将每个本征模函数分别输入到双通道多层特征融合网络中进行发动机的剩余使用寿命预测。
对比例5:原始数据经过预处理后使用CSI-EMD方法进行模态分解,然后将每个本征模函数分别输入到传统的卷积神经网络中进行发动机的剩余使用寿命预测。
一次实验存在一定的偶然性和误差,计算多次实验的平均值,可以减少随机误差,确保实验严密准确。本发明所做的实施例和对比例均进行了五次实验。
表1.本发明实施例和对比例的剩余使用寿命预测的实验结果。
从表1数据可知,本发明的基于CSI-EMD和双通道多层特征融合网络的航空涡扇发动机剩余使用寿命预测方法与上述这些对比例相比,得分(评分函数SCORE)的平均值最低,均方根误差(RMSE)的平均值最小,由于SCORE越低、RMSE越小说明预测准确性越高,因此,表1中的实验表明,本发明的基于CSI-EMD和双通道多层特征融合网络的航空涡扇发动机剩余使用寿命预测方法可以在很大程度上提高预测效果。。
综上,本发明使用CSI-EMD缓解了传统EMD方法的端点效应问题,使用双通道多层特征融合网络可以更有效的学习特征,从而能够更准确的预测航空涡扇发动机的剩余使用寿命。
本发明使用CSI-EMD分解方法代替传统的经验模态分解方法,从而缓解端点效应产生的误差,分解出更准确的本征模函数。同时使用双通道多层特征融合网络对每个本征模函数分别建模,该网络的结构是卷积神经网络和循环神经网络集合组装成的集成模型,在提取信号的内部特征方面更具优势。相比于其他寿命预测方法,本发明基于CSI-EMD和双通道多层特征融合网络,得到的航空涡扇发动机剩余使用寿命预测结果,具有较高的预测精度,可以有效的解决发动机RUL预测问题。
本发明使用CSI-EMD方法对信号进行分解,对预处理后的数据用CSI-EMD方法分解成若干个本征模函数(IMF)分量,缓解了传统EMD方法存在的端点效应,降低了分解误差。
本发明搭建双通道多层特征融合网络,充分提取信号中多个尺度的特征,利用卷积神经网络、回声状态网络两种不同网络提取局部和全局特征。提高了涡扇发动机寿命预测精度。
本发明解决了现有技术受端点效应的影响,特征学习效果较差导致涡扇发动机寿命预测准确性的技术问题。
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 (10)
1.一种航空涡扇发动机剩余使用寿命预测方法,其特征在于,所述方法包括:
S1、采集航空涡扇发动机的传感器数据,据以获取滑窗数据样本,以构建原始训练集和原始测试集,对所述原始训练集和所述原始测试集中的所述传感器数据,分别进行预处理,以得到训练集和测试集;
S2、利用CSI-EMD方法,分解所述训练集及所述测试集中的待分解数据样本,以得到不少于2个本征模函数,以作为所述传感器数据的差异尺度特征;
S3、分解所述训练集,得到不少于2个的IMF分量,输入每个所述IMF分量至双通道多层特征融合网络中进行训练,得到所述IMF分量训练结果,将所有所述IMF分量训练结果相加,以作为最终输出,得到适用网络;
S4、将所述测试集输入至所述适用网络中,据以预测所述航空涡扇发动机的剩余使用寿命,并通过预置评价指标评估逻辑,从不少于2种的预设策略中,选取适用预测策略。
2.根据权利要求1所述的一种航空涡扇发动机剩余使用寿命预测方法,其特征在于,所述步骤S1包括:
S11、利用预置传感器组,采集获取传感器信号集;
S12、从所述传感器信号集中,选择适用传感器信号;
S13、利用预置规范逻辑,对每个所述适用传感器信号进行max-min规范;
S14、选用适用时间窗,以获取所述滑窗数据样本。
4.根据权利要求1所述的一种航空涡扇发动机剩余使用寿命预测方法,其特征在于,所述步骤S2包括:
S21、以信号扩充模块扩充对所述待分解数据样本x(t);
S22、使用极值点确定模块确定传感器信号y(t)的所有极值点,据以拟合得到上下包络线;
S23、根据所述上下包络线,利用包络均值线模块计算出包络均值线mi(t);
S24、使用本征模函数获取模块获得所述本征模函数IMFi(t);
S25、结束CSI-EMD方法分解操作,得到n个本征模函数和残余分量。
7.根据权利要求1所述的一种航空涡扇发动机剩余使用寿命预测方法,其特征在于,所述步骤S3包括:
S31、所述双通道多层特征融合网络中的特征提取层包括:不少于2层的多尺度特征提取块,每层所述多尺度特征提取块,用差异尺寸卷积核分别对所述IMF分量进行卷积操作,以得到差异时间尺度特征图,据以进行Add运算,得到多尺度特征提取特征图;
S32、所述双通道多层特征融合网络中的特征提取层的第二通道包括:回声状态网络ESN,将样本平坦处理为一维数据输入到所述回声状态网络ESN中,提取出全局特征。
10.一种航空涡扇发动机剩余使用寿命预测系统,其特征在于,所述系统包括:
训练集测试集获取模块,用以采集航空涡扇发动机的传感器数据,据以获取滑窗数据样本,以构建原始训练集和原始测试集,对所述原始训练集和所述原始测试集中的所述传感器数据,分别进行预处理,以得到训练集和测试集;
样本分解模块,用以利用CSI-EMD方法,分解所述训练集及所述测试集中的待分解数据样本,以得到不少于2个本征模函数,以作为所述传感器数据的差异尺度特征,所述样本分解模块与所述训练集测试集获取模块连接;
双通道多层特征融合网络训练模块,用以分解所述训练集,得到不少于2个的IMF分量,输入每个所述IMF分量至双通道多层特征融合网络中进行训练,得到所述IMF分量训练结果,将所有所述IMF分量训练结果相加,以作为最终输出,得到适用网络,所述双通道多层特征融合网络训练模块与所述样本分解模块连接;
寿命预测及策略选取模块,用以将所述测试集输入至所述适用网络中,据以预测所述航空涡扇发动机的剩余使用寿命,并通过预置评价指标评估逻辑,从不少于2种的预设策略中,选取适用预测策略,所述寿命预测及策略选取模块与所述训练集测试集获取模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519811.3A CN115688325A (zh) | 2022-11-30 | 2022-11-30 | 一种航空涡扇发动机剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519811.3A CN115688325A (zh) | 2022-11-30 | 2022-11-30 | 一种航空涡扇发动机剩余使用寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688325A true CN115688325A (zh) | 2023-02-03 |
Family
ID=85056655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211519811.3A Pending CN115688325A (zh) | 2022-11-30 | 2022-11-30 | 一种航空涡扇发动机剩余使用寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688325A (zh) |
-
2022
- 2022-11-30 CN CN202211519811.3A patent/CN115688325A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
CN112580263A (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
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 | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN115017826B (zh) | 一种装备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 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Shi et al. | Health index synthetization and remaining useful life estimation for turbofan engines based on run-to-failure datasets | |
CN114880925A (zh) | 基于时间卷积网络和多层自注意力的装备寿命预测方法 | |
Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
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 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN116738868A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 |
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 |