[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

本發明公開了一種基于長短期記憶網絡的航空發動機壽命預測方法，將發動機的歷史數據分為訓練集、測試集和驗證集；給訓練集中航空發動機的每個周期添加剩余壽命標簽并進行預處理；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并訓練；將測試集的數據放入訓練的模型中得出測試集在模型訓練中MAE值和MSE值；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驗證預測的準確度和方法的可行性；將準確率最高的模型進行封裝放到一個計算單元中，同時預測結果可視化。本發明所設置的神經網絡移植性高、預測速度快、預測精度高且預測過程和結果完全可以可視化，操作方便簡單。

技術領域

本發明屬于技術領域，具體涉及一種基于長短期記憶網絡的航空發動機壽命預測方法。

背景技術

航空發動機作為飛機的核心部件，其穩定性和可靠性直接決定了飛機的安全性能。因此，每次飛機起飛前都必須對發動機進行仔細的檢測和維修，但是這種維修方式無疑在一定程度上增加了航空公司的運營成本。

為了確保飛機可以安全飛行，并且降低飛機的維護成本，英國CAA在十九世紀八十年代提出了故障預測和健康管理(Prognostics and Health Management,PHM)。而對剩余壽命(Remaining Useful Life,RUL)定義是從當前點到設備出現故障的時間段。如果可以提前并準確預測航空發動機剩余壽命，則可以根據航空發動機的剩余壽命進行合理的維修和更換，減少對零件的無效維護次數，從而降低運營成本，并且提高航空發動機的可靠性。

現如今對剩余壽命進行預測的方法主要可以分為三類：基于物理模型方法、數據驅動方法以及兩者結合的方法。由于航空發動機退化模型較為復雜，各零部件之間關系緊密，耦合度高，很難精確建立物理模型。因此傳統的物理建模方法在航空發動機的剩余壽命預測方面受到了較大的限制。基于數據驅動的方法是利用發動機監測數據(或實驗數據)進行預測設備的剩余壽命。基于數據驅動的退化量統計模型的建立只需要收集到足夠多的性能退化量數據即可，避免了直接建立物理模型，是一種新型的航空發動機壽命預測方法。基于數據驅動的方法利用大量的監測數據，采用機器學習如線性回歸、人工神經網絡、支持向量回歸等即可較為準確的預測發動機的剩余壽命。本發明介紹了一種基于數據驅動的深度神經網絡實現對航空發動機剩余壽命的精確預測方法。

當前已經公開的基于數據驅動的航空發動機進行壽命預測方法，絕大部分都是使用傳統的線性回歸，沒有應用現在發展迅速的深度學習，所以剩余壽命預準確精度并不令人滿意，同時有很多方法是通過均方根誤差(RMSE)、平均絕對誤差(MAE)等進行評價，只關注了壽命預測模型的好壞，并沒有從根本直觀上的對壽命預測的精確率進行評判。隨著深度學習的快速發展，這些傳統的壽命預測方法的精確度已經不能滿足人們在某些領域的使用。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于長短期記憶網絡的航空發動機壽命預測方法，能夠準確預測航空發動機在使用一段時間后的剩余壽命，并且可以對發動機進行在實時的檢測，輸出結果可視化。

本發明采用以下技術方案：

一種基于長短期記憶網絡的航空發動機壽命預測方法，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；