[發(fā)明專利]一種基于奇異值分解和GRU的航空發(fā)動機壽命預測方法

在審

• 申請?zhí)枺?/td>: 202010908498.7
• 申請日: 2020-09-02
• 公開（公告）號: CN112100767A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設計）人: 鄭華;尚亞飛;段世強;趙東柱
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06N3/04;G06N3/08;G06F119/04
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 金鳳

1.一種基于奇異值分解和GRU的航空發(fā)動機壽命預測方法，其特征在于，包括以下步驟：

步驟1：采用航空推進系統(tǒng)仿真數據集，將傳感器數據中在選擇的時間范圍內一直保持不變的數據剔除，完成數據前置處理，得到m×n階傳感器數據矩陣A；

步驟2：對傳感器數據矩陣A進行SVD奇異值分解：

步驟2-1：定義：

A＝U∑V^T

式中，∑＝diag(δ₁，δ₂，...，δ_n)為對角矩陣，δ₁≥δ₂≥…≥δ_n是A的正奇異值，U為m階酉矩陣，滿足U^TAA^TU為對角矩陣；V為n階酉矩陣，滿足V^TA^TAV為對角矩陣；

步驟2-2：獲取滿足下式的前k個正奇異值δ₁，δ₂，...，δ_k，k＜n；

步驟2-3：使用δ₁，δ₂，...，δ_k重構傳感器數據矩陣A′：

A′＝U∑′V^T

式中，∑′＝diag(δ₁，δ₂，...，δ_k)；A′中的數據為傳感器特征數據；

步驟3：構建GRU神經網絡；

步驟3-1：構建三層GRU神經網絡模型，每層的神經元個數分別設置為d₁，d₂，d₃，初始學習率設置為d₄，dropout設置為d₅；

步驟3-2：將步驟1得到的傳感器特征數據，按9∶1的比例隨機劃分為訓練集和驗證集；

步驟3-3：使用訓練集數據，將傳感器特征數據輸入GRU神經網絡，在tensorflow深度學習框架下對GRU神經網絡進行訓練；

通過反向傳播優(yōu)化參數，訓練d₆個Epoch；采用早停機制，在每次Epoch之后統(tǒng)計RMSE的loss值；

步驟3-4：使用驗證集數據對訓練完成的GRU神經網絡進行驗證；

步驟4：使用真實航空發(fā)動機傳感器數據輸入經過步驟3訓練和驗證完成的GRU神經網絡預測航空發(fā)動機壽命。

2.根據權利要求1所述的一種基于奇異值分解和GRU的航空發(fā)動機壽命預測方法，其特征在于，所述步驟2-2中的C＝0.9。

3.根據權利要求1所述的一種基于奇異值分解和GRU的航空發(fā)動機壽命預測方法，其特征在于，所述d₁，d₂，d₃，d₄，d₅和d₆的值分別為200、150、25、1×10^-3、0.2和1000。

4.根據權利要求1所述的一種基于奇異值分解和GRU的航空發(fā)動機壽命預測方法，其特征在于，所述在tensorflow深度學習框架下對GRU神經網絡進行訓練是采用Adam優(yōu)化算法。