CN117709205B - 航空发动机剩余使用寿命预测方法、装置、设备以及介质 - Google Patents
航空发动机剩余使用寿命预测方法、装置、设备以及介质 Download PDFInfo
- Publication number
- CN117709205B CN117709205B CN202410160348.0A CN202410160348A CN117709205B CN 117709205 B CN117709205 B CN 117709205B CN 202410160348 A CN202410160348 A CN 202410160348A CN 117709205 B CN117709205 B CN 117709205B
- Authority
- CN
- China
- Prior art keywords
- service life
- individual
- aeroengine
- individuals
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 108090000623 proteins and genes Proteins 0.000 claims description 75
- 230000015556 catabolic process Effects 0.000 claims description 52
- 238000006731 degradation reaction Methods 0.000 claims description 52
- 238000003062 neural network model Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 31
- 230000035772 mutation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007614 genetic variation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (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
本申请涉及一种航空发动机剩余使用寿命预测方法、装置、电子设备以及存储介质，本申请通过对初始化后的每个所述时序神经网络模型进行训练，对训练后的各个航空发动机剩余使用寿命预测模型进行选择、交叉以及变异，来优化各个航空发动机剩余使用寿命预测模型的权重，并根据预设条件，获得最优航空发动机剩余使用寿命预测模型。利用最优航空发动机剩余使用寿命预测模型，来预测航空发动机的剩余使用寿命，提高了航空发动机剩余使用寿命的预测准确度。
Description
技术领域
本申请涉及航空发动机故障预测与健康管理领域，特别是涉及一种航空发动机剩余使用寿命预测方法、装置、电子设备以及存储介质。
背景技术
航空发动机作为飞机的关键性部件，如果运行过程中如果突然出现故障，那么将会引发巨大的灾难。设备的预测健康管理技术（Prognostics Health Management，简称PHM）用于对设备进行管理，航空发动机的剩余使用寿命预测(Remaining Useful Life，简称RUL)就是PHM技术中十分重要的一种，它主要是评估设备的性能状态，指导人们对设备进行更换或维修设备，有效避免由于机器故障而导致的安全问题和经济损失。
然而，现有技术中，对航空发动机剩余使用寿命的预测准确度低。
发明内容
基于此，本申请的目的在于，提供一种航空发动机剩余使用寿命预测方法、装置、电子设备以及存储介质，其可提高航空发动机剩余使用寿命的预测准确度。
根据本申请实施例的第一方面，提供一种航空发动机剩余使用寿命预测方法，包括如下步骤：
获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；
根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；
计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；
对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；
判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；
将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。
根据本申请实施例的第二方面，提供一种航空发动机剩余使用寿命预测装置，包括：
数据集获取模块，用于获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；
模型训练模块，用于根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；
适应度计算模块，用于计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；
基因变异模块，用于对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；
条件判断模块，用于判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；
剩余使用寿命获得模块，用于将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行如第一方面方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如第一方面方法的步骤。
本申请实施例通过获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。本申请通过对初始化后的每个时序神经网络模型进行训练，对训练后的各个航空发动机剩余使用寿命预测模型进行选择、交叉以及变异，来优化各个航空发动机剩余使用寿命预测模型的权重，并根据预设条件，获得最优航空发动机剩余使用寿命预测模型。利用最优航空发动机剩余使用寿命预测模型，来预测航空发动机的剩余使用寿命，提高了航空发动机剩余使用寿命的预测准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的航空发动机剩余使用寿命预测方法的流程示意图；
图2为本申请一个实施例提供的航空发动机剩余使用寿命预测装置的结构框图；
图3为本申请一个实施例提供的电子设备的结构示意框图。
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，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或 B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其为本申请一个实施例提供的航空发动机剩余使用寿命预测方法的流程示意图。本申请实施例提供的航空发动机剩余使用寿命预测方法，包括如下步骤：
S10：获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化。
其中，时序神经网络模型为时序卷积网络（Temporal Convolutional Network，简称TCN）模型，用于处理时间序列数据。
其中，航空发动机退化数据集包括NASA提供的CMAPSS数据集，CMAPSS数据集包括不同数量的运行工况和故障工况的传感器数据。具体地，CMAPSS数据集包括来自多个航空发动机的4个子集时间序列数据，每个子集的特征包括单位数、时间步长、3种配置和21个传感器读数。
在本申请实施例中，创建指定数量的时序神经网络模型，并采用Glorot初始化方法初始化各个时序神经网络模型的权重。
S20：根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因。
在本申请实施例中，使用FD001数据集，对初始化后的每个时序神经网络模型进行前向传播以及后向传播，获得各个航空发动机剩余使用寿命预测模型。其中，FD001数据集为CMAPSS数据集的其中一个子集，FD001数据集被划分为训练集以及验证集，比例为8:2。
本申请采用遗传算法，对各个航空发动机剩余使用寿命预测模型的权重进行优化，为此，将各个航空发动机剩余使用寿命预测模型作为遗传算法的初始种群的每个个体，将每个时序神经网络模型的所有权重作为遗传算法的初始种群的每个个体的染色体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因。
S30：计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体。
其中，可以采用预设的适应度函数来计算初始种群的每个个体的适应度。预设的适应度函包括但不限于平均绝对误差（MAE）函数、均方误差（MSE）函数以及均方根误差（RMSE）函数。
在本申请实施例中，采用均方根误差函数来计算初始种群的每个个体的适应度。在获得每个个体的适应度之后，对所有个体的适应度进行排序，将适应度较高的个体作为父代个体。利用预设的交叉算子，对父代个体进行交叉操作，生成与父代个体数量一致的新的后代个体。其中，预设的交叉算子包括但不限于单点交叉、两点交叉以及多点交叉。
S40：对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群。
其中，变异操作用于对个体中基因的基因值进行变动。
在本申请实施例中，正态分布变异操作是指将个体中基因的基因值减去一个随机值，该随机值是根据该基因值与正态分布函数给出的概率获得。通过对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体。根据训练集，对变异后的后代个体进行前向传播以及后向传播，获得新一代种群。
S50：判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件。
其中，预设条件包括预设适应度阈值以及预设进化代数。其中，进化代数是指初始种群进化到当前种群经历选择、交叉以及变异的次数。
在本申请实施例中，可以根据新一代种群中个体的适应度与预设适应度阈值，来判断新一代种群是否满足预设条件。也可以根据新一代种群与初始种群之间的进化代数与预设进化代数，来判断新一代种群是否满足预设条件。若新一代种群满足预设条件，将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型。若新一代种群不满足预设条件，对新一代种群继续进行选择、交叉以及变异操作，获得新一代种群的下一代种群。判断新一代种群的下一代种群是否满足预设条件，重复上述步骤，直至种群满足预设条件。
本申请将基于遗传算法的模型权重优化过程与模型训练过程相结合，对每一代种群进行训练，然后使用遗传算法进行选择、交叉和突变，重复这些操作，直至种群达到预设条件，从而随着时间的推移不断优化种群的性能，从而获得最优个体。
S60：将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。
在本申请实施例中，在获得最优航空发动机剩余使用寿命预测模型之后，可以利用最优航空发动机剩余使用寿命预测模型对待测航空发动机的剩余使用寿命进行预测。
应用本申请实施例，通过获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。本申请通过对初始化后的每个时序神经网络模型进行训练，对训练后的各个航空发动机剩余使用寿命预测模型进行选择、交叉以及变异，来优化各个航空发动机剩余使用寿命预测模型的权重，并根据预设条件，获得最优航空发动机剩余使用寿命预测模型。利用最优航空发动机剩余使用寿命预测模型，来预测航空发动机的剩余使用寿命，提高了航空发动机剩余使用寿命的预测准确度。
在一个可选的实施例中，步骤S20中根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型的步骤，包括步骤S201～S202，具体如下：
S201：根据航空发动机退化数据集，对每个时序神经网络模型进行前向传播，获得预测值；
S202：根据预测值以及航空发动机退化数据集中每个样本退化数据对应的标签值，对每个时序神经网络模型进行后向传播，直至每个时序神经网络模型被训练预设数量的周期，获得各个航空发动机剩余使用寿命预测模型。
其中，一个周期（epoch）等于使用训练集中的全部样本训练一次的过程。当一个训练集中的全部样本通过了神经网络进行了一次前向传播和反向传播，这个过程称为一个epoch。
在本申请实施例中，在训练期间，对每个时序神经网络模型使用训练集进行前向传播，以计算预测值，然后将预测值与标签值进行比较，使用反向传播算法基于预测值和标签值之间的误差来调整时序神经网络模型的权重，重复上述过程，直至每个时序神经网络模型被训练预设数量的周期，获得各个航空发动机剩余使用寿命预测模型。
通过将每个时序神经网络模型训练固定数量的周期，可以获得各个航空发动机剩余使用寿命预测模型。
在一个可选的实施例中，步骤S30中计算初始种群的每个个体的适应度的步骤，包括步骤S301～S302，具体如下：
S301：获取航空发动机退化数据集中每个样本退化数据的剩余寿命标签值以及初始种群的每个个体针对每个样本退化数据输出的剩余寿命预测值。
在本申请实施例中，航空发动机退化数据集中每个样本退化数据均对应有剩余寿命标签值，将每个样本退化数据输入至初始种群的每个个体，即各个航空发动机剩余使用寿命预测模型，输出对应的剩余寿命预测值。
S302：计算剩余寿命预测值与剩余寿命标签值的均方根误差，将均方根误差的倒数作为初始种群的每个个体的适应度。
在本申请实施例中，根据每个样本退化数据的剩余寿命预测值以及对应的剩余寿命标签值，可以计算出均方根误差，将均方根误差的倒数作为初始种群的每个个体的适应度。其中，均方根误差的计算公式如下：
其中，RMSE表示均方根误差，表示第i个样本退化数据对应的剩余寿命标签值，表示第i个样本退化数据的剩余寿命预测值，n表示样本退化数据的数量。
适应度的计算公式如下：
其中，fitness表示适应度。
在一个可选的实施例中，步骤S30中对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体的步骤，包括步骤S31～S32，具体如下：
S31：对初始种群的父代个体进行配对，获得若干组父母个体。
在本申请实施例中，对初始种群的父代个体进行两两配对，获得若干组父母个体。具体地，可以是从初始种群的父代个体随机选择两个父代个体进行配对，获得一组父母个体，重复此操作，直至所有初始种群的父代个体完成配对。也可以对初始种群的父代个体进行编号，根据编号按照从小到大的顺序两两配对。
S32：对每组父母个体的部分基因进行互相交换，将基因交换后的父母个体作为新的后代个体。
在本申请实施例中，可以根据预设的交叉率，从父母双方的染色体中随机选择一个交叉点，然后将其交换以产生一个新的后代个体。以交叉率为0.5为例，父亲的染色体为，母亲的染色体为/>，形式如下：
，/>。
则新的后代个体的染色体分别为和/>，形式如下：
，
。
其中，表示父亲的染色体上各个基因，/>表示母亲的染色体上各个基因。
通过对初始种群的父代个体进行配对以及基因交叉操作，可以获得新的后代个体。
在一个可选的实施例中，步骤S40中对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体的步骤，包括步骤S401～S404，具体如下：
S401：从预设数量的新的后代个体中每个个体的所有基因中确定待变异基因。
在本申请实施例中，可以从新的后代个体中每个个体的所有基因中随机选择一部分基因作为待变异基因。
S402：获取待变异基因的基因值；
S403：根据预设期望值和预设标准差的正态分布以及预设的变异率，生成随机数；
S404：将基因值减去基因值与随机数的乘积，将差值结果作为待变异基因变异后的基因值，获得变异后的后代个体。
在本申请实施例中，若基因被选中，将该基因的基因值减去一个数值，该数值为该基因的基因值与随机数的乘积，随机数基于正态分布以及预设的变异率获得。若基因未被选中，则该基因的基因值保持不变。其中，以预设的变异率为0.1，正态分布的期望值和标准差分别为0和1为例，则待变异基因变异后的基因值的形式如下：
其中，表示待变异基因变异后的基因值，/>表示待变异基因的基因值，/>表示期望值和标准差分别为0和1的正态分布。
通过正态分布以及预设的变异率，可以对新的后台个体的部分基因进行突变，获得变异后的后代个体。
在一个可选的实施例中，步骤S50中判断新一代种群是否满足预设条件的步骤，包括步骤S501～S502，具体如下：
S501：计算新一代种群中每个个体的适应度。
在本申请实施例中，计算新一代种群中每个个体的适应度与计算初始种群的每个个体的适应度的方法一致，在此不再赘述。
S502：若每个个体的适应度均大于预设适应度阈值，确定新一代种群满足预设条件。
在本申请实施例中，若每个个体的适应度均大于预设适应度阈值，确定新一代种群满足预设条件。若存在至少一个个体的适应度小于或等于预设适应度阈值，确定新一代种群不满足预设条件。
通过比较新一代种群中每个个体的适应度与预设适应度阈值，可以判断新一代种群满足预设条件。
下述为本申请装置实施例，可以用于执行本申请实施例中方法的内容。对于本申请装置实施例中未披露的细节，请参照本申请实施例中方法的内容。
请参见图2，其示出了本申请实施例提供的航空发动机剩余使用寿命预测装置的结构示意图。本申请实施例提供的航空发动机剩余使用寿命预测装置7，包括：
数据集获取模块71，用于获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；
模型训练模块72，用于根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；
适应度计算模块73，用于计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；
基因变异模块74，用于对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；
条件判断模块75，用于判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；
剩余使用寿命获得模块76，用于将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。
应用本申请实施例，通过获取若干时序神经网络模型以及航空发动机退化数据集，对若干时序神经网络模型的权重进行初始化；根据航空发动机退化数据集，对初始化后的每个时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个航空发动机剩余使用寿命预测模型的每个权重作为初始种群中相应个体的每个基因；计算初始种群的每个个体的适应度，对每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为初始种群的父代个体，对初始种群的父代个体进行交叉操作，生成预设数量的新的后代个体；对预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对变异后的后代个体进行训练，获得新一代种群；判断新一代种群是否满足预设条件，若是，则将新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对新一代种群继续进行选择、交叉以及变异操作，直至满足预设条件；将待测航空发动机的退化数据输入至最优航空发动机剩余使用寿命预测模型，获得待测航空发动机的剩余使用寿命。本申请通过对初始化后的每个时序神经网络模型进行训练，对训练后的各个航空发动机剩余使用寿命预测模型进行选择、交叉以及变异，来优化各个航空发动机剩余使用寿命预测模型的权重，并根据预设条件，获得最优航空发动机剩余使用寿命预测模型。利用最优航空发动机剩余使用寿命预测模型，来预测航空发动机的剩余使用寿命，提高了航空发动机剩余使用寿命的预测准确度。
下述为本申请设备实施例，可以用于执行本申请实施例中方法的内容。对于本申请设备实施例中未披露的细节，请参照本申请实施例中方法的内容。
请参阅图3，本申请还提供一种电子设备300，电子设备可以具体为计算机、手机、平板电脑等，在本申请的示例性实施例中，电子设备300为计算机，计算机可以包括：至少一个处理器301、至少一个存储器302，至少一个显示器，至少一个网络接口303，用户接口304以及至少一个通信总线305。
其中，用户接口304主要用于为用户提供输入的接口，获取用户输入的数据。可选的，用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口303可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，通信总线305用于实现这些组件之间的连接通信。
其中，处理器301可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个电子设备内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行电子设备的各种功能和处理数据。可选的，处理器可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器可集成中央处理器（Central ProcessingUnit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示层所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
其中，存储器302可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。如图3，作为一种计算机存储介质的存储器中可以包括操作系统、网络通信模块、用户接口模块、操作应用程序。
处理器可以用于调用存储器中存储的航空发动机剩余使用寿命方法的应用程序，并具体执行上述所示实施例的方法步骤，具体执行过程可以参见实施例所示的具体说明，在此不进行赘述。
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 (7)
1.一种航空发动机剩余使用寿命预测方法，其特征在于，包括如下步骤：
获取若干时序神经网络模型以及航空发动机退化数据集，对若干所述时序神经网络模型的权重进行初始化；
根据所述航空发动机退化数据集，对初始化后的每个所述时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个所述航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个所述航空发动机剩余使用寿命预测模型的每个权重作为所述初始种群中相应个体的每个基因；
计算所述初始种群的每个个体的适应度，对所述每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为所述初始种群的父代个体，对所述初始种群的父代个体进行交叉操作，生成所述预设数量的新的后代个体；其中，获取所述航空发动机退化数据集中每个样本退化数据的剩余寿命标签值以及所述初始种群的每个个体针对每个所述样本退化数据输出的剩余寿命预测值；计算所述剩余寿命预测值与所述剩余寿命标签值的均方根误差，将所述均方根误差的倒数作为所述初始种群的每个个体的适应度；
对所述预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对所述变异后的后代个体进行训练，获得新一代种群；其中，从所述预设数量的新的后代个体中每个个体的所有基因中确定待变异基因；获取所述待变异基因的基因值；根据预设期望值和预设标准差的正态分布以及预设的变异率，生成随机数；将所述基因值减去所述基因值与所述随机数的乘积，将差值结果作为所述待变异基因变异后的基因值，获得变异后的后代个体；
判断所述新一代种群是否满足预设条件，若是，则将所述新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对所述新一代种群继续进行选择、交叉以及变异操作，直至满足所述预设条件；
将待测航空发动机的退化数据输入至所述最优航空发动机剩余使用寿命预测模型，获得所述待测航空发动机的剩余使用寿命。
2.根据权利要求1所述的航空发动机剩余使用寿命预测方法，其特征在于：
所述判断所述新一代种群是否满足预设条件的步骤，包括：
计算所述新一代种群中每个个体的适应度；
若所述每个个体的适应度均大于预设适应度阈值，确定所述新一代种群满足预设条件。
3.根据权利要求1所述的航空发动机剩余使用寿命预测方法，其特征在于：
所述对所述初始种群的父代个体进行交叉操作，生成所述预设数量的新的后代个体的步骤，包括：
对所述初始种群的父代个体进行配对，获得若干组父母个体；
对每组所述父母个体的部分基因进行互相交换，将基因交换后的父母个体作为新的后代个体。
4.根据权利要求1至3任意一项所述的航空发动机剩余使用寿命预测方法，其特征在于：
所述根据所述航空发动机退化数据集，对初始化后的每个所述时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型的步骤，包括：
根据所述航空发动机退化数据集，对每个所述时序神经网络模型进行前向传播，获得预测值；
根据所述预测值以及所述航空发动机退化数据集中每个样本退化数据对应的标签值，对每个所述时序神经网络模型进行后向传播，直至每个所述时序神经网络模型被训练预设数量的周期，获得各个航空发动机剩余使用寿命预测模型。
5.一种航空发动机剩余使用寿命预测装置，其特征在于，包括：
数据集获取模块，用于获取若干时序神经网络模型以及航空发动机退化数据集，对若干所述时序神经网络模型的权重进行初始化；
模型训练模块，用于根据所述航空发动机退化数据集，对初始化后的每个所述时序神经网络模型进行训练，获得各个航空发动机剩余使用寿命预测模型；将各个所述航空发动机剩余使用寿命预测模型作为初始种群的每个个体，将各个所述航空发动机剩余使用寿命预测模型的每个权重作为所述初始种群中相应个体的每个基因；
适应度计算模块，用于计算所述初始种群的每个个体的适应度，对所述每个个体的适应度按照从高到低进行排序，将适应度排序靠前的预设数量的个体作为所述初始种群的父代个体，对所述初始种群的父代个体进行交叉操作，生成所述预设数量的新的后代个体；其中，获取所述航空发动机退化数据集中每个样本退化数据的剩余寿命标签值以及所述初始种群的每个个体针对每个所述样本退化数据输出的剩余寿命预测值；计算所述剩余寿命预测值与所述剩余寿命标签值的均方根误差，将所述均方根误差的倒数作为所述初始种群的每个个体的适应度；
基因变异模块，用于对所述预设数量的新的后代个体中每个个体的基因进行正态分布变异操作，获得变异后的后代个体；对所述变异后的后代个体进行训练，获得新一代种群；其中，从所述预设数量的新的后代个体中每个个体的所有基因中确定待变异基因；获取所述待变异基因的基因值；根据预设期望值和预设标准差的正态分布以及预设的变异率，生成随机数；将所述基因值减去所述基因值与所述随机数的乘积，将差值结果作为所述待变异基因变异后的基因值，获得变异后的后代个体；
条件判断模块，用于判断所述新一代种群是否满足预设条件，若是，则将所述新一代种群的各个个体作为最优航空发动机剩余使用寿命预测模型；若否，对所述新一代种群继续进行选择、交叉以及变异操作，直至满足所述预设条件；
剩余使用寿命获得模块，用于将待测航空发动机的退化数据输入至所述最优航空发动机剩余使用寿命预测模型，获得所述待测航空发动机的剩余使用寿命。
6.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至4中任意一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160348.0A CN117709205B (zh) | 2024-02-05 | 2024-02-05 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160348.0A CN117709205B (zh) | 2024-02-05 | 2024-02-05 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709205A CN117709205A (zh) | 2024-03-15 |
| CN117709205B true CN117709205B (zh) | 2024-05-07 |
Family
ID=90146563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410160348.0A Active CN117709205B (zh) | 2024-02-05 | 2024-02-05 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709205B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN113111572A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 航空发动机剩余寿命预测方法及系统 |
| WO2022126448A1 (zh) * | 2020-12-16 | 2022-06-23 | 华为技术有限公司 | 一种基于演化学习的神经网络结构搜索方法和系统 |
| CN116718929A (zh) * | 2023-07-25 | 2023-09-08 | 山西任弱信息科技有限公司 | 电池剩余寿命预测方法、系统、电子设备以及存储介质 |
| CN117289167A (zh) * | 2023-10-27 | 2023-12-26 | 国网浙江电动汽车服务有限公司 | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
-
2024
- 2024-02-05 CN CN202410160348.0A patent/CN117709205B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2022126448A1 (zh) * | 2020-12-16 | 2022-06-23 | 华为技术有限公司 | 一种基于演化学习的神经网络结构搜索方法和系统 |
| CN113111572A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 航空发动机剩余寿命预测方法及系统 |
| CN116718929A (zh) * | 2023-07-25 | 2023-09-08 | 山西任弱信息科技有限公司 | 电池剩余寿命预测方法、系统、电子设备以及存储介质 |
| CN117289167A (zh) * | 2023-10-27 | 2023-12-26 | 国网浙江电动汽车服务有限公司 | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
Non-Patent Citations (2)
| Title |
|---|
| optimization of urban travel routes based on simulated annealing and genetic algorithm;Peizhen Qiu;《SPIE》;20231207;第1-5页 * |
| 循环神经网络在剩余使用寿命预测中的应用综述;邱佩臻 等;《现代信息科技》;20231231;第7卷(第24期);第61-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709205A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| JP7043596B2 (ja) | ニューラルアーキテクチャ検索 | |
| US9697471B2 (en) | Device and method for managing plant model | |
| JP2008538429A (ja) | ゼータ統計を用いるモデル最適化方法及びシステム | |
| CN110232444B (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
| CN110245842B (zh) | 一种面向设备突发大故障的生产线风险调度方法 | |
| Minoarivelo et al. | Detecting phylogenetic signal in mutualistic interaction networks using a Markov process model | |
| CN107194489A (zh) | 数据预测方法及装置 | |
| CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
| CN110766100B (zh) | 轴承故障诊断模型构建方法、诊断方法及电子设备 | |
| CN117540262A (zh) | 一种基于前馈与反馈结合的变压器故障预测建模方法 | |
| CN113743461B (zh) | 无人机集群健康度评估方法及装置 | |
| CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN117709205B (zh) | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 | |
| EP3975032A1 (en) | Optimization apparatus, optimization method, and optimization program | |
| CN114742122A (zh) | 设备故障诊断方法、装置、电子设备以及存储介质 | |
| CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
| WO2022072890A1 (en) | Neural architecture and hardware accelerator search | |
| CN109977030B (zh) | 一种深度随机森林程序的测试方法及设备 | |
| CN116128334A (zh) | 质检任务调度方法、设备及介质 | |
| CN113822441B (zh) | 决策模型训练方法、装置、终端设备及存储介质 | |
| CN113408725A (zh) | 基于复合熵的遗传算法参数优化方法、系统、设备及介质 | |
| CN114997271A (zh) | 一种水电机组故障的智能诊断方法及系统 | |
| CN112733433A (zh) | 装备测试性策略优化方法和装置 | |
| CN116152907A (zh) | 手势重建方法、装置以及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |