CN115859791A - 一种航空发动机剩余寿命预估方法和装置 - Google Patents

Abstract

本申请公开了一种航空发动机剩余寿命预估方法，包括以下步骤：采集航空发动机传感器输出，建立劣化数据集，在所述劣化数据集中包含从正常状态到故障状态的监测数据、故障发生时间、根据所述故障时间逆推的各时间点剩余寿命；构建特征提取模型，用所述劣化数据集对所述特征提取模型进行训练，提取变化最大特征值；构建剩余寿命预估模型，用所述变化最大特征值作为输入、真实剩余寿命为输出，对所述剩余寿命预估模型进行训练；将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值。本申请还包含实现所述方法的装置。

Description

一种航空发动机剩余寿命预估方法和装置

技术领域

本申请涉及可靠性技术领域，尤其涉及一种航空发动机剩余寿命预估方法和装置。

背景技术

航空发动机作为飞机的重要组成部分，航空发动机的无故障运行是飞机安全飞行的必要条件。明确航空发动机的剩余寿命即预测出航空发动机未来的故障时间，为避免航空发动机的过度维修以及事后维修，实现航空发动机的视情维护，从而提高航空发动机的可靠性，保证飞机飞行安全。

目前对于剩余寿命预测的方法主要分为三种：基于物理模型的剩余寿命预测；基于数据驱动的剩余寿命预测以及基于混合模型的剩余寿命预测。而基于物理模型的剩余寿命预测由于航空发动机结构复杂，运行工况多变，各个零部件的退化模型难以建立，因此很难建立准确的物理退化模型。基于数据驱动的剩余寿命预测是通过航空发动机的监测数据(如风扇、气压机温度、压强等参数)提取各个监测数据的特征值，进而通过回归分析、深度学习等方法进行寿命预测。基于混合模型的剩余寿命预测是首先利用数据驱动的方式提取健康状态特征值，再结合失效物理模型构建退化曲线，通过退化曲线进行寿命预测。

发明内容

本申请提出一种航空发动机剩余寿命预估方法和装置，旨在通过对航空发电机状态监测参数提取出健康指标，从而可以预估航空发电机的剩余寿命。

本申请实施例提出一种航空发动机剩余寿命预估方法，包括以下步骤：

采集航空发动机传感器输出，建立劣化数据集，在所述劣化数据集中包含从正常状态到故障状态的监测数据、故障发生时间、根据所述故障时间逆推的各时间点剩余寿命；

构建特征提取模型，用所述劣化数据集对所述特征提取模型进行训练，提取变化最大特征值；

构建剩余寿命预估模型，用所述变化最大特征值作为输入、真实剩余寿命为输出，对所述剩余寿命预估模型进行训练；

将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值。

优选地，所述特征提取模型的结构包含输入层、LSTM网络、全连接层、输出层，每层节点数分别为N、M、N、N，输入层每1个节点输入1种类型传感器数据，其中M为LSTM传播长度，N为输入数据的传感器类型数量。

优选地，所述剩余寿命预估模型的结构包含输入层、LSTM网络、全连接层、输出层；每层节点数分别为1、M、1、1，其中M为LSTM传播长度。

优选地，所述劣化数据集包含以下21种类型传感器数据中的N种类型传感器数据，N＝2～21：

风扇进口总温度、低压压气机出口总温度、高压压气机出口总温度、涡轮出口总温度、风扇入口压力、旁流管总压、高压压气机出口总压、高压风扇转速、高压转子转速、发动机压力比、高压压气机出口静压、发动机燃气比、低压转子修正转速、高压转子修正转速、旁流率、燃气燃烧空气比、燃油焓值、需求风扇转速、风扇修正转速、高压压气机冷却液释放、低压压气机冷却液释放。

进一步优选地，根据所述故障时间逆推各时间点剩余寿命的步骤，包括周期性采集航空发动机全寿命周期的传感器数据，包括航空发动机采集时间点t₀各种传感器的状态监测数据直到发生故障的时间t_f，获得剩余寿命为t_f-t₀，进而获得劣化数据集。

将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值的步骤，进一步包含：

将采集的航空发动机监测参数输入到训练好的所述特征提取模型，输出得到最大特征值的数据序列；

将所述最大特征值的数据序列输入到训练好的所述剩余寿命评估模型，输出得到预估的剩余寿命值。

优选地，在建立劣化数据集的步骤中，在所述劣化数据集中，对采集的传感器数据进行处理，剔除无变化的监测参数值。

本申请实施例还提出一种航空发动机剩余寿命预估装置，用于实现本申请任意一项实施例所述方法，包含数据模块，用于存储所述劣化数据集；特征提取模块，用于运行所述特征提取模型；剩余寿命预估模块，用于运行所述剩余寿命预估模型。

本申请实施例还提出一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本申请中任一实施例所述的方法。

本申请实施例还提出一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如本申请中任一实施例所述的方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本专利根据LSTM网络对时间序列的处理优势，提出一种基于LSTM网络的航空发动机剩余寿命预估方法，通过LSTM网络自编码获取LSTM网络的隐藏输出，此隐藏输出定义为航空发动机的健康状态特征指标，并对健康状态特征指标进行回归预测训练使其获得剩余寿命预估模型。

本发明通过航空发动机的劣化数据集，结合LSTM对时间序列的优秀特征提取能力，建立特征提取模型，提取了航空发动机的健康状态特征值。并根据变化最大特征值训练剩余寿命预估模型。剩余寿命预估模型的输出即为当前航空发动机的预估剩余寿命。

本发明能自动提取航空发动机的健康状态特征值，进而根据健康状态特征值预估剩余寿命，提高剩余寿命预估的准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请航空发动机剩余寿命预估方法的实施例流程图；

图2为特征提取模型结构示意图；

图3为剩余寿命预估模型示意图；

图4为LSTM单元结构图；

图5为最大特征值曲线举例；

图6为剩余寿命预估对比示意图；

图7为本申请的航空发动机剩余寿命预估装置示意图；

图8为本申请的电子设备实施例结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明专利的目的的在于克服现有技术的不足，提供一种对于航空发动机健康指标提取的方法。通过深度学习中的LSTM网络实现对航空发电机状态监测参数的快速提取健康特征。健康特征与实际剩余寿命做输入以及输出训练LSTM网络，进而通过LSTM网络回归预测其剩余寿命。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请航空发动机剩余寿命预估方法的实施例流程图。

本申请实施例提出一种航空发动机剩余寿命预估方法，包括以下步骤：

步骤110、采集航空发动机传感器输出，建立劣化数据集，在所述劣化数据集中包含从正常状态到故障状态的监测数据、故障发生时间、根据所述故障时间逆推的各时间点剩余寿命。

优选地，所述劣化数据集包含以下21种类型传感器数据中的N种类型传感器数据，N＝2～21：

风扇进口总温度、低压压气机出口总温度、高压压气机出口总温度、涡轮出口总温度、风扇入口压力、旁流管总压、高压压气机出口总压、高压风扇转速、高压转子转速、发动机压力比、高压压气机出口静压、发动机燃气比、低压转子修正转速、高压转子修正转速、旁流率、燃气燃烧空气比、燃油焓值、需求风扇转速、风扇修正转速、高压压气机冷却液释放、低压压气机冷却液释放。

优选地，在建立劣化数据集的步骤中，在所述劣化数据集中，对采集的传感器数据进行处理，剔除无变化的监测参数值，并对余下状态监测参数进行归一化处理，并根据故障发生时间逆推各个时间点的剩余寿命，获得航空发动机归一化处理的劣化数据集。

使数据归一化到[0,1]对数据的归一化方式为：

其中，x为某一时刻的采集的响应信号，x_max为本次响应信号中的最大值，x_min为本次响应信号中的最小值，

为归一化结果。

进一步优选地，根据所述故障时间逆推各时间点剩余寿命的步骤，包括：周期性采集航空发动机全寿命周期的传感器数据，包括航空发动机采集时间点t₀所有21种传感器的状态监测数据，采集时间点范围为从正常稳定工作t₀到发生故障t_f。从故障时间t_f以及采集时间点t₀进行剩余寿命逆推，即剩余寿命为t_f-t₀获得采集时间点t₀时刻的剩余寿命以及状态监测参数，进而获得劣化数据集。

步骤120、构建特征提取模型，用所述劣化数据集对所述特征提取模型进行训练，提取变化最大特征值。

优选地，所述特征提取模型的结构包含输入层、LSTM网络、全连接层、输出层，每层节点数分别为N、M、N、N，输入层每1个节点输入1种类型传感器数据，其中M为LSTM传播长度，N为输入数据的传感器类型数量。

步骤130、构建剩余寿命预估模型，用所述变化最大特征值作为输入、真实剩余寿命为输出，对所述剩余寿命预估模型进行训练。

优选地，所述剩余寿命预估模型的结构包含输入层、LSTM网络、全连接层、输出层；每层节点数分别为1、M、1、1，其中M为LSTM传播长度。

步骤140、将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值。

将采集的航空发动机监测参数输入到步骤120训练好的所述特征提取模型和步骤130中训练好的剩余寿命预估模型，得到预估的剩余寿命值的步骤，进一步包含：

将采集的航空发动机监测参数输入到训练好的所述特征提取模型，输出得到最大特征值的数据序列；

将所述最大特征值的数据序列输入到训练好的所述剩余寿命评估模型，输出得到预估的剩余寿命值。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤110和步骤120的执行主体可以为设备1，步骤130的执行主体可以为设备2；又比如，步骤110的执行主体可以为设备1，步骤120和步骤130的执行主体可以为设备2；等等。

图2为特征提取模型结构示意图。

模型结构为输入层、LSTM网络、全连接层、输出层。其每层的节点数为N-M-N-N，其中N为有效监测传感器个数，M为LSTM传播长度。

图3为剩余寿命预估模型示意图。

其模型结构为输入层、LSTM网络、全连接层、输出层。其每层的节点数为1-M-1-1，其中M为LSTM传播长度。

图4为LSTM单元结构图。

在步骤120中，对特征提取模型训练，优选地，将步骤110获得的归一化处理的劣化数据集中作为特征提取模型的输入与输出，构建成自编码网络，对特征提取模型进行训练，获得训练好的特征提取模型。在步骤130中，对剩余寿命预估模型训练，提取步骤120中的训练好的特征提取模型的LSTM网络的输出，每个输出值即为航空发动机健康状态特征值。提取变化最大特征值作为剩余寿命预估模型的输入，真实剩余寿命为输出，对剩余寿命预估模型进行训练，从而获得剩余寿命预估模型。

对于步骤120和步骤130，可分为模型的前向传播与反向训练：

步骤410、前向传播，包含步骤411～412：

步骤411、LSTM的前向传播：

对于LSTM的单元结构如图3所示，其前向传播如下：

f^(t)＝σ(W_faa^(t-1)+W_fxx^(t)+b_f)

i^(t)＝σ(W_iaa^(t-1)+W_ixx^(t)+b_i)

o^(t)＝σ(W_oaa^(t-1)+W_oxx^(t)+b_o)

a^(t)＝o^(t)×tanh(c^(t))

其中σ为激活函数sigmoid,W_fa，W_fx为遗忘门权重系数，b_f为遗忘门偏置，f⁽ⁱ⁾为当前时刻遗忘门输出，W_ia，W_ix为更新门权重系数，b_i为更新门偏置，i^(t)为当前时刻更新门输出状态，W_ca，W_cx为细胞状态更新权重系数，b_c为细胞状态偏置，

为当前时刻细胞隐藏状态，c^(t)为当前时刻细胞状态，W_oa，W_ox为输出门权重系数，b_o为输出门偏置，o^(t)为当前时刻输出门输出状态，a^(t)为当前时刻的LSTM隐藏输出状态，tanh为输出门激活函数tanh函数。

步骤412、全连接层的前向传播：

其中，a^(t)为全连接层的第i个输入，w_t为全连接层的第i个输入的权重，b_t为全连接层的第i个输入的偏置。

步骤420、反向训练：

结合损失值L和随机梯度法，对每个参数进行迭代更新，直到到达终止条件。

其中

为输出值，y^(t)为实际值。

每个参数迭代更新：

其中β₁为梯度的衰减系数

最终得步骤140中所需特征提取模型以及剩余寿命预估模型。对于最终预测值的衡量标准为

其中k为输出数据总个数

图5～6为本申请方法具体应用的实施例，其中，图5为最大特征值曲线举例，图6为剩余寿命预估对比示意图。本实施例的检测对象为航空发动机。

步骤510、利用已有航空发动机CMAPSS测试集，测试集中对发动机上的传感器进行实时的采集，共计21个传感器，传感器名称如下表。

步骤520、对数据集中数据进行预处理，进行数据筛选以及归一化，经过数据筛选，传感器1,5,10,16,18,19均为常值，与航空发动机劣化无关因此将此6个传感器从数据集中剔除，对剩余传感器值进行归一化。

步骤530、搭建特征提取模型，其结构如下：输入层、LSTM网络、全连接层、输出层。每层节点数均为15-200-15-15。

步骤540、将步骤520中归一化后的传感器数据作为模型的输入输出，对特征提取模型进行训练，得到健康状态提取模型特征提取模型。

步骤550、为搭建剩余寿命预估模型，其结构如下：输入层、LSTM网络、全连接层、输出层。每层节点数均为1-200-1-1。

步骤560、提取步骤540中的训练好的特征提取模型的LSTM网络变化最大特征值，如图5所示。将其归一化后作为剩余寿命预估模型的输入，真实剩余寿命为输出，对剩余寿命预估模型进行训练，从而获得剩余寿命预估模型。

步骤570、将采集的航空发动机监测参数输入到步骤540和步骤560中的训练好的特征提取模型以及剩余寿命预估模型，可以得到预估的剩余寿命模型。其预估值与实际值对比如图6所示。

此方法下预估值与实际值的均方根误差为5.1。

图7为本申请的航空发动机剩余寿命预估装置示意图。

本申请实施例还提出一种航空发动机剩余寿命预估装置，用于实现本申请任意一项实施例所述方法，包含数据模块710，用于存储所述劣化数据集；特征提取模块720，用于运行所述特征提取模型；剩余寿命预估模块730，用于运行所述剩余寿命预估模型。

其中，所述数据模块包含传感器数据接口，用于接收航空发动机监测数据。

其中所述劣化数据集包含的数据、所述特征提取模型的功能和作用、所述剩余寿命预估模型的功能和作用均如本申请中各实施例所述，这里不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

因此，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请中任一实施例所述的方法。

进一步地，本申请还提出一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。

本发明是参照根据本发明实施例的方法、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。

图8是本申请实施例提供的一种电子设备(或计算设备)的结构示意图。在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。图中所显示的电子设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。其包括：一个或多个处理器620；存储装置610，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器620运行，使得所述一个或多个处理器620实现本申请任意一个实施例的方法，包含实施例步骤110～140及41～42中任意一个或多个步骤。

该电子设备600还包含输入装置630和输出装置640；电子设备中的处理器620、存储装置610、输入装置630和输出装置640可以通过总线或其他方式连接，图中以通过总线650连接为例。

存储装置610作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本申请实施例中的云底高度的确定方法对应的程序指令。存储装置610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置630可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏、扬声器等电子设备。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种航空发动机剩余寿命预估方法，其特征在于，包括以下步骤：

采集航空发动机传感器输出，建立劣化数据集，在所述劣化数据集中包含从正常状态到故障状态的监测数据、故障发生时间、根据所述故障时间逆推的各时间点剩余寿命；

构建特征提取模型，用所述劣化数据集对所述特征提取模型进行训练，提取变化最大特征值；

构建剩余寿命预估模型，用所述变化最大特征值作为输入、真实剩余寿命为输出，对所述剩余寿命预估模型进行训练；

将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值。

2.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，

所述特征提取模型的结构包含输入层、LSTM网络、全连接层、输出层，每层节点数分别为N、M、N、N，输入层每1个节点输入1种类型传感器数据，其中M为LSTM传播长度，N为输入数据的传感器类型数量。

3.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，

所述剩余寿命预估模型的结构包含输入层、LSTM网络、全连接层、输出层；每层节点数分别为1、M、1、1，其中M为LSTM传播长度。

4.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，所述劣化数据集包含以下21种类型传感器数据中的N种类型传感器数据，N＝2～21：

风扇进口总温度、低压压气机出口总温度、高压压气机出口总温度、涡轮出口总温度、风扇入口压力、旁流管总压、高压压气机出口总压、高压风扇转速、高压转子转速、发动机压力比、高压压气机出口静压、发动机燃气比、低压转子修正转速、高压转子修正转速、旁流率、燃气燃烧空气比、燃油焓值、需求风扇转速、风扇修正转速、高压压气机冷却液释放、低压压气机冷却液释放。

5.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，根据所述故障时间逆推各时间点剩余寿命的步骤，包括：

周期性采集航空发动机全寿命周期的传感器数据，包括航空发动机采集时间点t₀各种传感器的状态监测数据直到发生故障的时间t_f，获得剩余寿命为t_f-t₀，进而获得劣化数据集。

6.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，将采集的航空发动机监测参数输入训练好的所述特征提取模型和剩余寿命预估模型，得到预估的剩余寿命值的步骤，进一步包含：

将采集的航空发动机监测参数输入到训练好的所述特征提取模型，输出得到最大特征值的数据序列；

将所述最大特征值的数据序列输入到训练好的所述剩余寿命评估模型，输出得到预估的剩余寿命值。

7.如权利要求1所述航空发动机剩余寿命预估方法，其特征在于，所述劣化数据集中，对采集的传感器数据进行处理，剔除无变化的监测参数值。

8.一种航空发动机剩余寿命预估装置，用于实现权利要求1～7任意一项所述方法，其特征在于，包含：

数据模块，用于存储所述劣化数据集；

特征提取模块，用于运行所述特征提取模型；

剩余寿命预估模块，用于运行所述剩余寿命预估模型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7中任一所述的方法。

10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任一所述的方法。

Images