JP2023501030A - 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 - Google Patents
融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 Download PDFInfo
- Publication number
- JP2023501030A JP2023501030A JP2021576667A JP2021576667A JP2023501030A JP 2023501030 A JP2023501030 A JP 2023501030A JP 2021576667 A JP2021576667 A JP 2021576667A JP 2021576667 A JP2021576667 A JP 2021576667A JP 2023501030 A JP2023501030 A JP 2023501030A
- Authority
- JP
- Japan
- Prior art keywords
- data
- engine
- time series
- prediction
- dimensional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 30
- 239000000284 extract Substances 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本発明は、時系列データを予測する技術分野に関し、融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法を開示する。システムは、エンジンの三次元構成時系列データを、所定の長さだけの予測時系列に生成させるための予測モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するための特徴抽出モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するため分類モジュールとを含む。本発明は、先に、所定の長さだけの予測時系列を生成し、つまり、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、快速かつ事前に予測することができる。
Description
本発明は、時系列データを予測する技術分野に関し、特に、融合ニューラルネットワークモデルに基づくエンジンサージングの故障予測システム及び方法に関する。
航空用エンジンは、飛行機の「心臓」である。エンジン故障は、飛行の故障にかなり大きな比例を占めており、しかも、一旦発生すると、極めて危なくなる。従って、如何にして、予め航空用エンジンの故障を予測しておくかということは、現在、飛行の安全性にとって早めに解決すべき課題となる。しかし、航空用エンジンのサージング故障は、よく見られ、非正常の稼働状態であり、エンジン部品が激しく振動することになり、ホットエンドが温度エクスカーションとなり、深刻な場合には飛行の安全性を脅かす恐れがある。そして、エンジンにサージングが発生しようとするときにサージングの現象を即時に発見して識別し、ひいては、サージングを解消する施策を取ることは、飛行の事故を避ける重要な前提の一つである。
故障を予測する方法についての研究は、現在、多様化する傾向が現れ、主に、モデルに基づく予測方法、知識に基づく予測方法、及び、データに基づく予測方法に分けられる。
1.モデルに基づく予測は、故障物理モデル及びシステムに基づく出入力モデルを主に含む。これらの方法は、リアルタイムの要求を満たすことができるが、エンジンそのものは、複雑な非線形振動システムであることから、予測モデルを構築することが極めて難しい。
2.知識に基づく予測は、正確な数学的モデルを必要とせず、そのエンジンに関連する各学科の専門家の知識及び経験を十分に発揮できるものの、専門家の知識ベースがカバーする故障モードが限られることから、実際の適用にあたり、様々な課題が解決されるべきである。
3.データに基づく予測は、正確なエンジン数学モデル及び物理モデルを必要としないということを最大の利点とし、データを基に、データに隠される情報を発掘して予測する。ただし、機械学習及びディープラーニングモデルに基づく故障予測技術は、段々と、現在流行している方法となり、特に、ディープラーニングに基づいてニューラルネットワークモデルを構築することにより、エンジン故障を予測することが済む方法は、初期の仮設によらず、原始データを処理することなく、直接に、構築されてきたネットワークモデルにより、予測性の特徴を自動的に学習することができる。
2.知識に基づく予測は、正確な数学的モデルを必要とせず、そのエンジンに関連する各学科の専門家の知識及び経験を十分に発揮できるものの、専門家の知識ベースがカバーする故障モードが限られることから、実際の適用にあたり、様々な課題が解決されるべきである。
3.データに基づく予測は、正確なエンジン数学モデル及び物理モデルを必要としないということを最大の利点とし、データを基に、データに隠される情報を発掘して予測する。ただし、機械学習及びディープラーニングモデルに基づく故障予測技術は、段々と、現在流行している方法となり、特に、ディープラーニングに基づいてニューラルネットワークモデルを構築することにより、エンジン故障を予測することが済む方法は、初期の仮設によらず、原始データを処理することなく、直接に、構築されてきたネットワークモデルにより、予測性の特徴を自動的に学習することができる。
さらに、航空用エンジンのセンサーデータが時系列データに該当することから、航空用エンジンのセンサーデータを予測することは、時系列データを予測する問題と見なされてもよい。従来における時系列を予測する方法には、主に、AR、MR、ARMA、ARIMAなどの線形モデルがあり、それらは、穏やかな時系列を予測することに比較的良い効果が存在する。しかしながら、証券市場データ、水文データ、又は、ここで言及している航空用エンジンのセンサーデータにとって、大部分が非線形特徴を有しており、従来の線形予測により比較的良い予測結果を得ることが難しい。
現在、航空用エンジンのセンサーによる時系列データを予測する課題は、関連業界に、解決できる数多くの手段がまだ存在しておらず、大部分は、航空用エンジンのセンサーデータに基づいて、航空用エンジンの残り寿命を予測し、又は、故障を診断するなどの問題を解決するものである。ただし、データに基づいて、機械学習アルゴリズムを用いたり、ディープラーニングモデルを構築して予測したりする手段が極めて少なく、その大部分は、モデルや知識に基づいて予測を行うことから、手間がかかるのみならず、予測の正確性が高くない。
本発明は、航空用エンジンのサージングの故障を予測する分野において、データに基づいて予測を行う技術の空白を補い、一層早めで正確に予め故障を予測しておくことができる、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム及び方法を提供することを目的とする。
本発明に係る目的は、以下の技術的手段により実現される。
融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システムは、具体的に、
エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させるための予測モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するための特徴抽出モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するための分類モジュールを含む。
融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システムは、具体的に、
エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させるための予測モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するための特徴抽出モジュールと、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するための分類モジュールを含む。
選択的には、前記予測モジュールは、順次に接続される第一LSTM層及び第二LSTM層を含み、前記第一LSTM層は、エンジンの三次元構成時系列データをロットとなる二次元語義ベクトルにエンコードするためのエンコーダーであり、前記第二LSTM層は、二次元語義ベクトルを所定の長さだけの予測時系列にデコードするためのデコーダーである。
選択的には、前記特徴抽出モジュールは、順次に接続される一次元畳み込み手段及び第三LSTM層を含み、前記一次元畳み込み手段は、予測時系列の局所的特徴を抽出するためのものであり、前記第三LSTM層は、予測時系列におけるデータ間の語義関係、及び、全体序列傾向特徴を抽出するためのものである。
選択的には、前記一次元畳み込み手段は、具体的に、順次に接続される、畳み込みステップ幅が1である二つの一次元畳み込み層を含む。
選択的には、前記分類モジュールは、順次に接続される第一全結合層及び第二全結合層を含み、前記第一全結合層は、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングするためのものであり、前記第二全結合層は、加重マッピングされた特徴情報を二項分類し、エンジンは未来一定の期間内、サージング故障であるかどうかを判断するためのものである。
本発明は、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させるステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するステップを含む、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法をさらに含む。
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するステップを含む、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法をさらに含む。
選択的には、前記予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断することは、具体的に、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングすること、加重マッピングされた特徴情報を二項分類し、エンジンは、未来一定の期間内、サージング故障であるかどうかを判断する、ことを含む。
選択的には、前記方法は、スライディングウィンドウ法を用いてエンジンに対する異なるモニタ装置によるデータのサブ序列を切り取り、サブ序列集合を取得し、サブ序列集合におけるあるサブ序列を仕分けポイントサブ序列とすると、仕分けポイントサブ序列前のサブ序列を訓練集合、仕分けポイントサブ序列後のサブ序列を測定集合、それぞれとするというデータ前処理ステップをさらに含む。
選択的には、前記方法は、二項分類交差エントロピー関数を損失関数として用いて、逆伝播の訓練を行い、前記予測方法に基づかれるモデルにおける各ネットワーク層の重み係数勾配を取得し、各ネットワーク層の重み係数を更新し、損失関数は、
さらに説明すべきことは、上記したシステム又は方法において、各選択肢と対応する技術特徴同士を組み合わしてもよいし、新たな技術的手段に替えてもよい。
従来技術に比べて、本発明による有益な効果が以下の通りである。
(1)本発明に係るシステム予測モジュールは、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させ、つまり、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、特徴抽出モジュール及び分類モジュールにより、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、迅速かつ事前に予測することができる。
(1)本発明に係るシステム予測モジュールは、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させ、つまり、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、特徴抽出モジュール及び分類モジュールにより、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、迅速かつ事前に予測することができる。
(2)本発明では、一次元畳み込み手段により予測時系列の局所的特徴を抽出し、第三LSTM層により予測時系列におけるデータ間の語義関係、及び、全体序列傾向特徴を抽出することにより、エンジンの時系列データについてより全面的な特徴情報を取得し、データ分類の正確性を高めることに役立つ。
(3)本発明では、一次元畳み込み手段は、具体的に、順次に接続される、畳み込みステップ幅が1である二つの一次元畳み込み層を含み、プーリング層により特徴情報を抽出しなくても、よい多い特徴情報をそのまま保留でき、システムの正確性及び再現率を高めることができる。
(4)本発明に係る方法は、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させ、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、特徴抽出モジュールと分類モジュールにより予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、迅速かつ事前に予測することができる。
(5)本発明では、Sigmoid活性化関数を用いて、エンジンは、未来一定の期間内、サージング故障であるかどうかを判断し、エンジンに生じるサージング故障を(0、1)の区間にマッチングすることにより、本発明において、エンジンが未来一定の期間内、サージング故障であるかどうかを判断する予測の場合に適用され得る。
(6)本発明では、スライディングウィンドウ法を用いてエンジンに対する異なるモニタ装置によるデータのサブ序列を切り取り、大量のサブ序列を取得しサブ序列集合を構成することにより、予測モデルを訓練することに役立ち、モデルを予測する正確率を高め、仕分けポイントサブ序列により訓練集合及び測定集合を仕分けることにより、未来データを導入してモデルを訓練する過程に過剰適合現象が発生してモデルによる最終の予測効果に影響を与えてしまうことを防ぐことができる。
(7)本発明では、二項分類交差エントロピー関数を損失関数として逆伝播の訓練を行い、各ネットワーク層の重み係数を更新することができる。
以下、図面を参照しながら、本発明における具体的な実施形態を詳しく説明するが、ここで説明する図面は、本願に対する更なる理解を提供して本願の一部に該当するためのものであり、これらの図面に使われる同じ参照符号は、同じ又は類似の部分を示し、本願における例示的実施例及びその説明は、本願を解釈するものであるが、本願を不正限定するものではない。
本発明の実施例1によるシステムのブロック図である。
本発明の実施例1による予測モジュールのブロック図である。
本発明の実施例1による予測モジュール予測グラフと真のデータグラフとの対照図である。
本発明の実施例1による一次元畳み込み手段のブロック図である。
本発明の実施例1によるシステム予測グラフと真のデータグラフとの対照図である。
以下、図面を参照しながら、本発明の技術的手段を明確に、かつ、完全的に説明するが、明らかなことは、説明する実施例は、本発明の実施例の一部に過ぎず、実施例の全てではない。本発明の実施例に基づいて、当業者が創造性のない労働を前提として成すあらゆる他の実施例は、いずれも、本発明の保護の範囲に含まれる。
本発明を説明するに当たって、説明すべきことは、「中心」、「上」、「下」、「左」、「右」、「鉛直」、「水平」、「内」、「外」などの指示に属する方向又は位置関係が図面に基づくものであり、本発明を簡便に説明し、又は、説明を簡素化にするためのものに過ぎず、係る装置又は素子が必ず特定する方位を有し、特定する方位で構成して操作しなければならないと明示に又は暗示的に示すべきではないことから、本発明を限定するものと理解されない。また、「第一」や 「第二」に属する表現は、説明を目的とするものに過ぎず、相対的重要性を有すると明示に又は暗示的に示すべきではない。
本発明を説明するに当たって、説明すべきことは、他の明確な規定や限定がなければ、「取り付け」、「繋がり」、「接続」を広義的理解とすべき、例えば、固定して接続されてもよいし、着脱可能に接続されてもよいし、一体的に接続されてもよい。また、機械接続されてもよいし、電気接続されてもよい。さらに、直接接続されてもよいし、中間媒体を介して間接接続されてもよいし、二つの素子が内部で連通してもよい。当業者は、具体的な場合によって本発明において上記した表現の具体的な意味を理解可能である。
なお、以下に説明する本発明の異なる実施形態に係る技術特徴は、同士に矛盾がなければ、互いに組み合わせても可能である。
本発明は、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム及び方法を開示しており、システムは、予測及び分類の機能を有しており、先に、未来のセンサーデータを予測し、次に、それがサージングであるかどうかを判定する分類ステップを経て、最終に、航空用エンジンのサージング故障を事前に予測することが実現され得る。
<実施例1>
実施例1は、図1に示すように、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システムである。本発明は、融合ニューラルネットワーク(PCFNN)に基づくシステムに、順次に接続される予測モジュール、特徴抽出モジュール及び分類モジュールを含む。具体的に、予測モジュールは、エンジンの三次元構成時系列データを、所定の長さだけの予測時系列に生成させるものである。特徴抽出モジュールは、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するためのものである。分類モジュールは、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するためのものである。本発明では、システムにおける予測モジュールは、エンジンの三次元構成時系列データ(時系列行列)を、所定の長さだけの予測時系列(予測序列行列)に生成させ、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、特徴抽出モジュールと分類モジュールにより、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、快速かつ事前に予測することができる。従来技術において畳み込み層とLSTM層が順次に接続されるニューラルネットワークモデルに比べると、本発明は、未来一定の期間内、サージング故障が生じるかどうかについて予測を実現でき、経過データに限定して故障を診断することなく、より幅広い適用の見通しが存在している。
実施例1は、図1に示すように、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システムである。本発明は、融合ニューラルネットワーク(PCFNN)に基づくシステムに、順次に接続される予測モジュール、特徴抽出モジュール及び分類モジュールを含む。具体的に、予測モジュールは、エンジンの三次元構成時系列データを、所定の長さだけの予測時系列に生成させるものである。特徴抽出モジュールは、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するためのものである。分類モジュールは、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するためのものである。本発明では、システムにおける予測モジュールは、エンジンの三次元構成時系列データ(時系列行列)を、所定の長さだけの予測時系列(予測序列行列)に生成させ、未来一定の期間内、エンジンの稼働状態データの予測を実現し、次に、特徴抽出モジュールと分類モジュールにより、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断することにより、エンジンサージング故障をより正確、快速かつ事前に予測することができる。従来技術において畳み込み層とLSTM層が順次に接続されるニューラルネットワークモデルに比べると、本発明は、未来一定の期間内、サージング故障が生じるかどうかについて予測を実現でき、経過データに限定して故障を診断することなく、より幅広い適用の見通しが存在している。
さらに、図2に示すように、予測モジュールは、順次に接続される第一LSTM層と第二LSTM層を含み、第一LSTM層は、エンジンの三次元構成時系列データをロットとなる二次元語義ベクトルにエンコードするためのエンコーダーであり、第二LSTM層は、二次元語義ベクトルを所定の長さだけの予測時系列にデコードするためのデコーダーである。より具体的に、ロットとなる二次元語義ベクトルは、第一LSTM層における最後の一Cellにより出力され、現在、全体入力序列の語義特徴を表現するものである。次に、当該語義ベクトルをコピーし、現在序列長さと出力序列長さが等しいようにして、データ予測の正確性を保証する。所定の長さだけの二次元語義ベクトルを所定の長さだけの予測時系列にデコードすることは、LSTMデコーダーにおけるCellの数を設定して実現され、つまり、数が異なるLSTM Cellを設置することにより、所定の長さだけの予測時系列をし、最終に未来一定の期間内、航空用エンジンの稼働状態のデータ値を生成することができる。より詳しくすると、予測モジュールは、全結合層を含み、当該全結合層は、第二LSTM層に接続され、出力された三次元ベクトルにおけるCell手段ニューロンの数を次元転換することにより、必要な時系列データについてタイミングごとの特徴数と対応する数だけ出力するためのものである。説明すべきことは、第二LSTM層により出力される特徴情報は、訓練された、ロットとなるデータ数、時間ステップ数(序列の長さ)、及び、各Cell手段のニューロン数を含む三次元ベクトルであり、ただし、三回目の次元、つまり、各Cell手段のニューロンの数は、一般的に、当該時間ステップのデータの特徴数を示し、ここで、現在のタイミングで、航空用エンジン検測装置の数、つまり現在タイミングの特徴数を示す。
さらに、説明すべきことは、予測モジュールに係る活性化関数を選択する時に、例えば、Relu、Sigmoid又はTanhを活性化関数として用いることなく、そのまま値を出力する。これは、まず、LSTM層自体にTanh関数をデフォルト用いて、最後に出力されたものを活性化にするからであり、再度、Tanh関数及びそれと類似のSigmoid関数を用いることが無くなる。Relu関数そのものは、常に、深層ニューラルネットワークによる訓練に良く現れる勾配消失問題を避けるためのものである一方、本発明が言及する予測モジュールは、浅層ニューラルネットワークに該当していることから、再度、Relu関数を用いる必要が無くなる。
さらに、特徴抽出モジュールは、順次に接続される一次元畳み込み手段及び第三LSTM層を含み、具体的に、所定の長さだけの予測序列行列を取得すると、入力序列の一部と当該予測序列を継ぎ合せるように再構成してから次の一次元畳み込み手段の入力として、一次元畳み込み手段により予測時系列の局所的特徴を抽出して特徴分析を行い、次に、第三LSTM層により、予測時系列におけるデータ間の語義関係、及び全体序列傾向特徴を再度抽出して、エンジンの時系列データについてより全面的な特徴情報を取得し、データ分類の正確性を高めることに役立つ。
さらに、図4に示すように、一次元畳み込み手段は、具体的に、順次に接続される、畳み込みステップ幅が1である二つの一次元畳み込み層を含み、プーリング層により特徴情報を抽出しないでも、より多くの特徴情報をそのまま保留し、システムの正確性及び再現率を高めることができる。具体的に、二つの一次元畳み込み層は、それぞれ、Relu活性化関数を用いて、一部のニューロンが0を出力するようにして、ネットワークに希薄性を有させ、パラメータ間の相互依存性及び過剰適合が生じる確率を減らし、計算量を削減して訓練の速度が高くなる。さらに、説明するべきことは、従来のCNN構造が一般的に畳み込み層+プーリング層となり、ただし、畳み込み層によりデータ特徴を抽出し、プーリング層により、抽出された特徴情報についてさらに次元を降下させる操作を行い、ただし、プーリング層は、さらに、特徴を取り出して、訓練の速度を向上させ、過剰適合を減らすことを目的とする。選択には、従来のCNN構造に畳み込みステップ幅が1よりも大きいストライド畳み込みを用いて、プーリング層による作用に替わってもよく、ただし、任意の所定の畳み込み層の出力の大きさを計算する式は、
表1に示すように、本発明が採用するプーリング層なしの畳み込みステップ幅が1である一次元畳み込み方式について測定結果が3つの指標による評価に、いずれも95%程度であり、特に、モデルの再現率及び適合率を示す総合的な指標F1_Scoreに、本手段が採用するプーリング層なしの畳み込みステップ幅が1である畳み込みに基づいて、94.7%という最適な効果がなされてきた。
さらに、分類モジュールは、順次に接続される第一全結合層及び第二全結合層を含み、第一全結合層は、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングするためのものであり、第二全結合層は、加重マッピングされた特徴情報(予測時系列の局所的特徴、データ間の語義関係、及び全体序列傾向特徴)を二項分類し、エンジンは未来一定の期間内サージング故障であるかどうかを判断するためのものである。一層詳しくすると、第一全結合層は、Relu活性化関数を用いて、一部のニューロンが0を出力するようにして、ネットワークに希薄性を有させ、パラメータ間の相互依存性及び過剰適合が生じる確率を減らし、計算量を削減して訓練の速度が高くなる。第二全結合層は、Sigmoid活性化関数を用いて、加重マッピングされた特徴情報を二項分類する。
本発明に係るシステムの性能を一層説明するためには、CNN、RNN及びLSTMモデルについて正確率(Precision)、再現率(Recall)及び両前者に基づく加重平均値F1_Scoreの性能を比較し、詳しい比較結果を表2に示す。
表2と共に図5を参照すると、本願に係る融合ニューラルネットワーク(PCFNN)に基づくシステムは、その性能が明らかに従来技術の方よりも良いと分かり、未来一定の期間内、エンジンのサージング故障を正確に予測することができると共に、反復の回数が次第に増えるにつれ、訓練集合の正確率及び測定集合の正確率がそれぞれ上がる傾向にあり、しかも、過剰適合という現象が生じることはない。
<実施例2>
本実施例は、実施例1と同様な発明の発想を有しており、実施例に基づいて、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法を提供しており、この方法は、
エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させるS1ステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するS2ステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するS3ステップを含む。
本実施例は、実施例1と同様な発明の発想を有しており、実施例に基づいて、融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法を提供しており、この方法は、
エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させるS1ステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するS2ステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するS3ステップを含む。
さらに、ステップS1に、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させることは、具体的に、以下のステップを含む。
ステップS11は、エンジンの三次元構成時系列データをロットとなる二次元語義ベクトルにエンコードすると共に、所定の長さだけの二次元語義ベクトルに転換する。具体的に、当該語義ベクトルをコピーし、入力序列長さと出力序列長さとが等しいようにして、データを予測する正確性を保証する。
ステップS12は、所定の長さだけの二次元語義ベクトルを所定の長さだけの予測時系列にデコードする。具体的に、LSTMデコーダーにおけるCellの数を設置することにより実現し、つまり、数が異なるLSTM Cellを設置することにより所定の長さだけの予測時系列を生成し、最終に未来一定の期間内、航空用エンジンの稼働状態のデータ値を取得する。
ステップS11は、エンジンの三次元構成時系列データをロットとなる二次元語義ベクトルにエンコードすると共に、所定の長さだけの二次元語義ベクトルに転換する。具体的に、当該語義ベクトルをコピーし、入力序列長さと出力序列長さとが等しいようにして、データを予測する正確性を保証する。
ステップS12は、所定の長さだけの二次元語義ベクトルを所定の長さだけの予測時系列にデコードする。具体的に、LSTMデコーダーにおけるCellの数を設置することにより実現し、つまり、数が異なるLSTM Cellを設置することにより所定の長さだけの予測時系列を生成し、最終に未来一定の期間内、航空用エンジンの稼働状態のデータ値を取得する。
さらに、ステップS2では、順次に接続される、畳み込みステップ幅が1である二つの一次元畳み込み層により、予測時系列の局所的特徴を抽出する。LSTM層により、予測時系列におけるデータ間の語義関係、及び全体序列傾向特徴を抽出する。一層具体的に、二つの一次元畳み込み層は、それぞれ、Relu活性化関数を用いて、一部のニューロンが0を出力するようにして、ネットワークに希薄性を有させ、パラメータ間の相互依存性及び過剰適合が生じる確率を減らし、計算量を削減して訓練の速度が高くなる。Relu活性化の関数式は、
となり、
一層説明するべきことは、Relu関数によりネットワークが希薄となることから、第一LSTM層、第二LSTM層に当該活性化関数が使用されておらず、より多くの特徴情を保留して一次元畳み込み層による分析と抽出に提供する。
となり、
一層説明するべきことは、Relu関数によりネットワークが希薄となることから、第一LSTM層、第二LSTM層に当該活性化関数が使用されておらず、より多くの特徴情を保留して一次元畳み込み層による分析と抽出に提供する。
さらに、ステップS3では、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断することは、具体的に以下のステップを含む。
ステップS31は、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングする。具体的に、全結合層により、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングし、当該全結合層によりRelu活性化関数を用いて、一部のニューロンが0を出力するようにして、ネットワークに希薄性を有させ、パラメータ間の相互依存性及び過剰適合が生じる確率を減らし、計算量を削減して訓練の速度が高くなる。Relu活性化関数は、具体的な式について一次元畳み込み層Relu活性化関数を参照可能であることから、ここで重複して説明しない。
ステップS31は、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングする。具体的に、全結合層により、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングし、当該全結合層によりRelu活性化関数を用いて、一部のニューロンが0を出力するようにして、ネットワークに希薄性を有させ、パラメータ間の相互依存性及び過剰適合が生じる確率を減らし、計算量を削減して訓練の速度が高くなる。Relu活性化関数は、具体的な式について一次元畳み込み層Relu活性化関数を参照可能であることから、ここで重複して説明しない。
ステップS32は、加重マッピングされた特徴情報を二項分類し、エンジンは未来一定の期間内、サージング故障であるかどうかを判断する。具体的に、全結合層により、加重マッピングされた特徴情報を二項分類し、エンジンは未来一定の期間内、サージング故障であるかどうかを判断する。
さらに、加重マッピングされた特徴情報を二項分類することは、具体的に、以下のステップを含む。
ステップS321は、Sigmoid活性化関数を用いて、エンジンは未来一定の期間内サージング故障であるかどうかを判断する。その関数は、
ステップS321は、Sigmoid活性化関数を用いて、エンジンは未来一定の期間内サージング故障であるかどうかを判断する。その関数は、
さらに、ステップS1の前に、さらに、データ前処理ステップを含む。
ステップS01は、スライディングウィンドウ法を用いて、エンジンに対するモニタ装置によるデータのサブ序列を切り取り、サブ序列集合を取得する。ただし、スライディングウィンドウ法を用いて、エンジンに対する異なるモニタ装置によるデータのサブ序列を取得することにより、大量のサブ序列を取得してサブ序列集合を構成でき、予測モデルを訓練することに役立ち、モデルによる予測の正確率を高めることができる。具体的な実施例としては、スライドステップ幅は1であり、サブ序列の長さがスライディングウィンドウ長さと対応しており、ウィンドウの大きさが64であり、ただし、各序列における各タイミングに、異なるセンサー(航空用エンジンに対するモニタ装置)により採集したデータ(エンジンが稼働する状態データ)を記憶する。
ステップS01は、スライディングウィンドウ法を用いて、エンジンに対するモニタ装置によるデータのサブ序列を切り取り、サブ序列集合を取得する。ただし、スライディングウィンドウ法を用いて、エンジンに対する異なるモニタ装置によるデータのサブ序列を取得することにより、大量のサブ序列を取得してサブ序列集合を構成でき、予測モデルを訓練することに役立ち、モデルによる予測の正確率を高めることができる。具体的な実施例としては、スライドステップ幅は1であり、サブ序列の長さがスライディングウィンドウ長さと対応しており、ウィンドウの大きさが64であり、ただし、各序列における各タイミングに、異なるセンサー(航空用エンジンに対するモニタ装置)により採集したデータ(エンジンが稼働する状態データ)を記憶する。
ステップS02は、サブ序列集合におけるあるサブ序列を仕分けポイントサブ序列とすると、仕分けポイントサブ序列前のサブ序列を訓練集合、仕分けポイントサブ序列後ろのサブ序列を測定集合、それぞれとして、訓練集合及び測定集合についてそれぞれ、標準化するように処理を行う。ただし、仕分けポイントサブ序列を訓練集合及び測定集合に仕分けるということは、従来に序列データがランダムに乱れるようにしてからソートすることが予測モデルによる予測効果に影響を与えてしまう問題が無くなる。一層説明すべきことは、訓練集合及び測定集合を、それぞれ、標準化にするように処理することは、データの分布を、平均値が0、標準偏差が1である標準正規分布に転換し、量の次元が異なり、数値の差分が比較的大きいということにより生じた誤差を取り消して、重みパラメータを速めに収束させると共にモデル訓練の効果を高めることができる。
さらに、モデル訓練の過程では、最後に、逆伝播訓練ステップをさらに含む。
二項分類交差エントロピー関数を損失関数として用いて、逆伝播の訓練を行い、予測方法に基づくモデルにおいて各ネットワーク層の重み係数勾配を取得し、所定の最大反復回数になるまで、各ネットワーク層の重み係数を更新する。具体的、損失関数は、
本発明に係る方法は、エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させ、未来一定の期間内、エンジンが稼働する状態データを予測し、次に、特徴抽出モジュールと分類モジュールにより、予測時系列の局所的特徴、データ間の語義関係、及び全体序列傾向特徴を抽出して分類し、未来一定の期間内、エンジンの稼働状態データにサージング故障データを含むかどうかを判断し、エンジンサージング故障をより正確、迅速かつ事前に予測することができる。
<実施例3>
本実施例は、記憶媒体を提供しており、実施例2と同じ発明の発想を有しており、コンピューターの命令が記憶されており、コンピューターの命令を実行すると、実施例2に係る融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法のステップを実現する。
本実施例は、記憶媒体を提供しており、実施例2と同じ発明の発想を有しており、コンピューターの命令が記憶されており、コンピューターの命令を実行すると、実施例2に係る融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法のステップを実現する。
このような理解に基づくと、本実施例に係る技術的手段は、本質的に、又は、従来技術に対して貢献を与えた部分、或いは、当該技術方案の一部について、ソフトウェア製品の形で提供されてもよい。当該コンピューターのソフトウェア製品は、記憶媒体に記憶されており、コンピューター装置(パソコン、サーバー、又は、ネットワーク装置などであってもよい)が本発明に係る各実施例の方法の全て又は一部のステップを実行する若干の命令セットを含む。前記の記憶媒体は、USBメモリー、ポータブルストレージデバイス、リードオンリーメモリ(Read-Only Memory、ROM)、ランダムアクセスメモリ(Random Access Memory、RAM)、フロッピーディスク(登録商標)又は光ディスクなどの様々なプログラムコードを記憶可能な媒体を含む。
<実施例4>
本実施例は、端末をさらに提供しており、実施例2と同様な発明発想を有し、メモリー及びプロセッサーを含み、プロセッサーに実行されるコンピューターの命令がメモリーに記憶され、プロセッサーにより、コンピューターの命令を実行すると実施例2に係る融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法のステップを実行する。プロセッサーは、シングルコア又はマルチコアを有する中央演算処理装置又は特定の集積回路、或いは本発明を実施するように配置される一つ又は複数の集積回路とされてもよい。
本実施例は、端末をさらに提供しており、実施例2と同様な発明発想を有し、メモリー及びプロセッサーを含み、プロセッサーに実行されるコンピューターの命令がメモリーに記憶され、プロセッサーにより、コンピューターの命令を実行すると実施例2に係る融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法のステップを実行する。プロセッサーは、シングルコア又はマルチコアを有する中央演算処理装置又は特定の集積回路、或いは本発明を実施するように配置される一つ又は複数の集積回路とされてもよい。
本発明が提供する実施例では、各機能手段が一つの処理手段に集積されてもよいし、各手段として単独して物理的に存在してもよいし、二つ又は二つ以上の手段が一つの手段に集積されてもよい。
以上の具体的な実施形態は、本発明に対する詳しい説明であるが、本発明の具体的な実施形態は、これらの説明に限定されると理解されるべきではなく、本発明の趣旨を逸脱しない限り、若干の簡単な推断や代替が当業者にとって可能であり、いずれも、本発明の保護範囲に含まれると見なされるべきである。
Claims (9)
- エンジンの三次元構成時系列データを、所定の長さだけの予測時系列に生成させ、未来の一定の期間内、エンジンの稼働状態データの予測を実現する、ための予測モジュールと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出する、ための特徴抽出モジュールと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断する、ための分類モジュールと、を含み、
前記予測モジュールは、順次に接続される第一LSTM層と第二LSTM層を含み、
前記第一LSTM層は、エンジンの三次元構成時系列データを、ロットとなる二次元語義ベクトルにエンコードする、ためのエンコーダーであり、前記第二LSTM層は、二次元語義ベクトルを所定の長さだけの予測時系列にデコードするためのデコーダーであり、ロットとなる二次元語義ベクトルは、第一LSTM層における最後の一Cellにより出力され、現在全体入力序列の語義特徴を示すものであり、
次に、二次元語義ベクトルをコピーし、現在序列長さと出力序列長さとが等しいようにして、データ予測の正確性を保証し、所定の長さだけの二次元語義ベクトルを所定の長さだけの予測時系列にデコードし、数が異なるLSTM Cellを設置することにより、所定の長さだけの予測時系列を生成することができ、最終的に、未来一定の期間内に、航空用エンジンの稼働状態のデータ値を取得することができる、ことを特徴とする融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム。 - 前記特徴抽出モジュールは、順次に接続される一次元畳み込み手段及び第三LSTM層を含み、
前記一次元畳み込み手段は、予測時系列の局所的特徴を抽出するためのものであり、前記第三LSTM層は、予測時系列におけるデータ間の語義関係、及び、全体序列傾向特徴を抽出するためのものである、ことを特徴とする請求項1に記載の融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム。 - 前記一次元畳み込み手段は、具体的に、順次に接続される、畳み込みステップ幅が1である二つの一次元畳み込み層を含む、ことを特徴とする請求項2に記載の融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム。
- 前記分類モジュールは、順次に接続される第一全結合層及び第二全結合層を含み、
前記第一全結合層は、予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴情報を加重マッピングするためのものであり、前記第二全結合層は、加重マッピングされた特徴情報を二項分類し、エンジンは未来一定の期間内、サージング故障であるかどうかを判断するためのものである、ことを特徴とする請求項1に記載の融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測システム。 - エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させ、ただし、前記エンジンの三次元構成時系列データを所定の長さだけの予測時系列に生成させることは、予測モジュールにより実現され、前記予測モジュールは、順次に接続される第一LSTM層及び第二LSTM層を含み、前記第一LSTM層は、エンジンの三次元構成時系列データをロットとなる二次元語義ベクトルにエンコードするためのエンコーダーであり、前記第二LSTM層は、二次元語義ベクトルを所定の長さだけの予測時系列にデコードするためのデコーダーであるステップと、
ロットとなる二次元語義ベクトルは、第一LSTM層における最後の一Cellにより出力され、現在全体入力序列の語義特徴を表示するものであり、次に、二次元語義ベクトルをコピーし、現在序列長さと出力序列長さが等しいようにして、データ予測の正確性を保証し、所定の長さだけの二次元語義ベクトルを所定の長さだけの予測時系列にデコードし、数が異なるLSTM Cellを設置することにより、所定の長さだけの予測時系列を生成することができ、最終的に未来一定の期間内に、航空用エンジンの稼働状態のデータ値を取得することができるステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴を抽出するステップと、
予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断するステップ、を含む、ことを特徴とする融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法。 - 前記予測時系列の局所的特徴、データ間の語義関係、及び、全体序列傾向特徴に基づいて、サージング故障であるかどうかを判断することは、具体的に、
予測時系列の局所的特徴、データ間の語義関係、及び全体序列傾向特徴情報を加重マッピングすること、
加重マッピングされた特徴情報を二項分類し、エンジンは未来一定の期間内にサージング故障であるかどうかを判断することを含む、ことを特徴とする請求項5に記載の融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法。 - スライディングウィンドウ法を用いて、エンジンに対する異なるモニタ装置によるデータのサブ序列を切り取り、サブ序列集合を取得し、
サブ序列集合におけるあるサブ序列を仕分けポイントサブ序列とすると、仕分けポイントサブ序列前のサブ序列を訓練集合、仕分けポイントサブ序列後ろのサブ序列を測定集合、それぞれとする、というデータ前処理ステップをさらに、含む、ことを特徴とする請求項5に記載の融合ニューラルネットワークモデルに基づくエンジンのサージング故障予測方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011056637.4A CN112131673B (zh) | 2020-09-30 | 2020-09-30 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN202011056637.4 | 2020-09-30 | ||
PCT/CN2021/118455 WO2022068587A1 (zh) | 2020-09-30 | 2021-09-15 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023501030A true JP2023501030A (ja) | 2023-01-18 |
JP7242101B2 JP7242101B2 (ja) | 2023-03-20 |
Family
ID=73843300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021576667A Active JP7242101B2 (ja) | 2020-09-30 | 2021-09-15 | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220358363A1 (ja) |
JP (1) | JP7242101B2 (ja) |
CN (1) | CN112131673B (ja) |
WO (1) | WO2022068587A1 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131673B (zh) * | 2020-09-30 | 2021-09-28 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN113158537B (zh) * | 2021-01-18 | 2023-03-24 | 中国航发湖南动力机械研究所 | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 |
CN112988978B (zh) * | 2021-04-27 | 2024-03-26 | 河南金明源信息技术有限公司 | 一种公益诉讼重点领域案件趋势分析系统 |
WO2023056614A1 (zh) * | 2021-10-09 | 2023-04-13 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
CN113836817B (zh) * | 2021-10-09 | 2022-07-19 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
CN114662805B (zh) * | 2022-05-26 | 2022-09-13 | 山东融瓴科技集团有限公司 | 一种基于相似时间序列对比的交通流量预测方法 |
CN115114848B (zh) * | 2022-06-13 | 2023-12-26 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
CN114954963A (zh) * | 2022-06-27 | 2022-08-30 | 厦门大学 | 一种高超声速航空发动机进气道气动失稳预警方法 |
CN115270606B (zh) * | 2022-07-01 | 2024-02-13 | 中国航发沈阳发动机研究所 | 一种航空发动机一体化加力后框架流量分配预测方法 |
CN115049027B (zh) * | 2022-08-17 | 2022-11-11 | 深圳市恒拓高工业技术股份有限公司 | 基于神经网络识别电机良品的方法及装置 |
CN115985503B (zh) * | 2023-03-20 | 2023-07-21 | 西南石油大学 | 基于集成学习的癌症预测系统 |
CN116070791A (zh) * | 2023-03-27 | 2023-05-05 | 天津布尔科技有限公司 | 一种基于LSTM算法的柴油车NOx排放预测方法 |
CN116401532B (zh) * | 2023-06-07 | 2024-02-23 | 山东大学 | 一种电力系统受扰后频率失稳识别方法及系统 |
CN116576890B (zh) * | 2023-07-14 | 2023-09-26 | 北京航空航天大学 | 基于集成神经网络的gnss/ins组合导航系统故障检测方法 |
CN116934304B (zh) * | 2023-08-03 | 2024-06-07 | 广东省俊耀控股有限公司 | 智能配电房设备运行维护管理系统及其方法 |
CN117195734B (zh) * | 2023-09-18 | 2024-04-16 | 安徽工程大学 | 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 |
CN117034093B (zh) * | 2023-10-10 | 2024-05-14 | 尚宁智感(北京)科技有限公司 | 基于光纤系统的入侵信号识别方法 |
CN117375237B (zh) * | 2023-10-20 | 2024-05-24 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及系统 |
CN117408974B (zh) * | 2023-10-26 | 2024-04-26 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117560300B (zh) * | 2023-12-28 | 2024-04-30 | 广东云百智联科技有限公司 | 一种智能物联网流量预测与优化系统 |
CN117494056B (zh) * | 2023-12-29 | 2024-03-22 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117708508B (zh) * | 2024-02-06 | 2024-04-30 | 深圳宇翊技术股份有限公司 | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 |
CN117830750B (zh) * | 2024-03-04 | 2024-06-04 | 青岛大学 | 一种基于图Transformer的机械故障预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016201088A (ja) * | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2019535957A (ja) * | 2016-11-29 | 2019-12-12 | エスティーエス ディフェンス リミテッド | エンジン健全性診断装置及び方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408687B (zh) * | 2016-11-24 | 2019-04-05 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN107044349B (zh) * | 2017-04-17 | 2018-12-14 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN109408552B (zh) * | 2018-08-08 | 2022-01-04 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
US10798230B2 (en) * | 2018-08-23 | 2020-10-06 | Morgan Stanley Services Group Inc. | Faulty distributed system component identification |
KR102073323B1 (ko) * | 2018-09-02 | 2020-02-03 | 주식회사 뉴로다임 | 인공지능 기반의 구조물 건전성 관리 시스템 |
CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN110704221B (zh) * | 2019-09-02 | 2020-10-27 | 西安交通大学 | 一种基于数据增强的数据中心故障预测方法 |
CN110995339B (zh) * | 2019-11-26 | 2022-08-19 | 电子科技大学 | 一种分布式光纤传感信号时空信息提取与识别方法 |
CN112131673B (zh) * | 2020-09-30 | 2021-09-28 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
-
2020
- 2020-09-30 CN CN202011056637.4A patent/CN112131673B/zh active Active
-
2021
- 2021-09-15 US US17/623,601 patent/US20220358363A1/en active Pending
- 2021-09-15 WO PCT/CN2021/118455 patent/WO2022068587A1/zh active Application Filing
- 2021-09-15 JP JP2021576667A patent/JP7242101B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016201088A (ja) * | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2019535957A (ja) * | 2016-11-29 | 2019-12-12 | エスティーエス ディフェンス リミテッド | エンジン健全性診断装置及び方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112131673B (zh) | 2021-09-28 |
US20220358363A1 (en) | 2022-11-10 |
CN112131673A (zh) | 2020-12-25 |
JP7242101B2 (ja) | 2023-03-20 |
WO2022068587A1 (zh) | 2022-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7242101B2 (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN108780315B (zh) | 用于优化旋转设备的诊断的方法和装置 | |
CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
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 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN113743537A (zh) | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 | |
CN117874639B (zh) | 基于人工智能的机械设备寿命预测方法及装置 | |
CN115329799A (zh) | 桥梁安全状态监测方法、装置、计算机设备和存储介质 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
CN116090618A (zh) | 一种电力通信网的运行态势感知方法和装置 | |
CN116860529A (zh) | 故障定位方法及装置 | |
CN113761795A (zh) | 一种飞机发动机故障检测方法和系统 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN114819108B (zh) | 一种综合能源系统故障识别方法及装置 | |
CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211223 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230301 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7242101 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |