[發明專利]一種基于長短期記憶網絡的航空發動機壽命預測方法

在審

• 申請號: 202010514899.4
• 申請日: 2020-06-08
• 公開（公告）號: CN111639467A
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 李杰;賈淵杰;朱瑋;李潤然;張志新;孫姣姣
• 申請（專利權）人: 長安大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15;G06N3/04;G01M15/14;G06F119/04;G06F119/02
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，包括以下步驟：

S1、將發動機的歷史數據分為訓練集、測試集和驗證集；

S2、給訓練集中航空發動機的每個周期添加剩余壽命標簽；

S3、對步驟S1和步驟S2的數據進行預處理；

S4、設計基于卷積神經網絡和長短期記憶網絡的航空發動機剩余壽命模型，訓練模型；

S5、將測試集的數據放入步驟S4訓練出的模型中，得出測試集在模型訓練中MAE值和MSE值；

S6、經過步驟S5得出測試集中每個航空發動機在隨機停止運行時的剩余壽命，將測試集中得出的剩余壽命標簽與真實剩余壽命數據集進行對比，得出相應的擬合優度R²驗證預測的準確度和方法的可行性；

S7、將準確率最高的模型進行封裝放到一個計算單元中，將預測結果可視化。

2.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S1中，訓練集中的數據為發動機從初始狀態一直運行到出現故障時的各個傳感器數據和運行時長；測試集中的數據為發動機從初始狀態運行到隨機停止的某一時刻的各個傳感器數據和運行時長；驗證集中的數據只有測試集中未運行完的時長。

3.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S2中，剩余壽命標簽是從每個航空發動機運行周期中選取對應周期中的最大值，然后添加到航空發動機標號之前，開始依次遞減，直到遞減到0，標志著一個周期運行結束。

4.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S3中，采用歸一化中的線性函數歸一化，使參數全為(0,1)之間的小數，數據集中的每個發動機都包含24個傳感器數據和3個條件設置數據，將27個參數進行預處理。

5.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S4中，將經過步驟S3數據歸一化與添加剩余壽命標簽后的訓練集作為卷積神經網絡的輸入，在經過CNN構建和參數調試后，提取出數據特征后作為長短期記憶網絡的輸入，在經過LSTM網絡構建和參數調試后，輸出航空發動機從初始狀態到出現故障之間不同傳感器參數所對應剩余壽命，得到一個剩余壽命預測模型。

6.根據權利要求5所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，對數據進行處理之前可以使用CNN對收據進行特征選取，具體為：

其中，n＝1,2,...,N，m為傳感器數目，T為卷積核一次處理的時間序列長度，σ表示激活函數，W表示權重，b表示偏置。

7.根據權利要求5所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，經過CNN提取數據特征后作為LSTM網絡的輸入，其LSTM的公式如下：

其中，σ表示激活函數，W表示權重，b表示偏置，C_t表示LSTM網絡的記憶狀態量，i_t表示輸入門的輸出，f_t表示遺忘門的輸出，O_t表示輸出門的輸出。

8.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S5中，對基于卷積神經網絡和長短期記憶網絡的航空發動機剩余壽命模型的評估使用的算法性能指標MAE和MSE如下：

其中，為發動機的壽命預測值，y_i為發動機壽命的真實值，為發動機的壽命的均值。

9.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S6中，擬合優度R²為：

其中，為發動機的壽命預測值，y_i為發動機壽命的真實值，為發動機的壽命的均值。

10.根據權利要求1所述的基于長短期記憶網絡的航空發動機壽命預測方法，其特征在于，步驟S7具體為：

S701、通過數據采集器對發動機上的傳感器數據進行采集；

S702、將采集的數據進行歸一化處理，并存儲原始數據到歷史數據中；

S703、將處理后的數據放入計算單元中進行剩余壽命預測；

S704、將發動機的剩余壽命結果可視化。