[發明專利]一種時頻域分析航空發動機剩余使用壽命預測方法及裝置

在審

• 申請號: 202210073472.4
• 申請日: 2022-01-21
• 公開（公告）號: CN114492184A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 胡艷艷;辛英杰
• 申請（專利權）人: 北京科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/00;G06N3/04;G06N3/08;G06F119/04
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明提供了一種時頻域分析航空發動機剩余使用壽命預測模型方法及裝置，涉及航空發動機壽命預測和健康管理技術領域。包括：航空發動機傳感器數據預處理，連續小波變換獲得時頻域特征，從時間、傳感器、時頻域特征三個維度構建網絡輸入；搭建并訓練3DConLSTM神經網絡獲取輸出結果即剩余使用壽命的預測。本發明引入連續小波變換，將航空發動機的歷史數據分別在時域和時頻域進行分析。采用LSTM網絡的特點，三個門控單元控制信息的流入，保留了時序數據的長期退化趨勢；將傳統LSTM網絡中點積操作變為卷積操作，有效提取三維輸入之間的特征，兼顧了數據的時序性和空間性，使剩余使用壽命預測結果更準確，提高剩余使用壽命預測精度。

技術領域

本發明涉及航空發動機壽命預測和健康管理技術領域，特別是指一種時頻域分析航空發動機剩余使用壽命預測方法及裝置。

背景技術

RUL(Remaining Useful Life，剩余使用壽命)預測可以預測設備從特定的時刻的運行狀態到故障狀態的時間。現有的RUL方法主要包括三類：基于物理模型的方法、基于數據驅動的方法和混合方法。首先，基于物理模型的方法通過研究設備的內部講解機制來開發物理失效模型，這些方法是基于物理系統知識的基礎開發的，系統復雜的時候精度受到限制，其次，基于數據的方法可以根據歷史傳感器數據學習到潛在的退化趨勢，第三，混合方法試圖集成上述兩種方法，但是有時難以實現。總之，數據驅動的方法并不局限于領域知識，因此容易被推廣，隨著傳感器技術和數據分析方法的發展，這種方法已經越來越具有吸引力。

傳統的數據驅動的方法可以分為統計學習方法和機器學習算法。統計方法包括維納過程和隨機濾波方法等，維納過程方法的缺點是維納過程有馬爾科夫性，未來狀態與過去狀態無關，不能描述具有長期相關性的退化過程；而隨機濾波方法所采用的狀態空間模型下不需要對退化過程做出平穩性假設，因此這類模型適用于處理退化軌跡存在突變的情況，由于實際運行過程未必滿足在建設過程中假設的狀態方程，要使預測結果更準確勢必要獲得更多同類設備的運行監測數據，數據缺失會對該方法造成較大的不利影響。機器學習算法被廣泛應用于RUL預測，一些常見的算法包括支持向量機、貝葉斯方法和基于相似性的方法等，此類方法的缺點是當存在大量數據進行訓練時，很容易發生過擬合現象，當出現新的傳感器數據時，預測精度大打折扣。

近年來，越來越多的深度學習方法被開發出來用于RUL預測。它們表現出了出色的表現，如DBN(Deep Belief Network，深度信念網絡)、CNN(Convolutional NeuralNetworks，卷積神經網絡)和RNN(recurrent neural network，遞歸神經網絡)等。在深度學習方法中，CNN可以有效地從原始信號中提取顯著特征，RNN適用于時間序列信息建模，并得到了廣泛的應用。在訓練普通的RNN時，很容易遇到梯度爆炸的問題。因此，提出了RNN的一種變體來提高性能，即長短期內存(LSTM)。卷積神經網絡(CNN)和遞歸神經網絡(RNN)都有各自的優勢。

但現有技術中，CNN忽略了數據的時序性，而RNN網絡并未分析考慮多個輸入特征之間的相關性。

發明內容

針對現有技術中CNN忽略了數據的時序性，而RNN網絡并未分析考慮多個輸入特征之間的相關性的問題，本發明提出了一種時頻域分析航空發動機剩余使用壽命預測方法及裝置。

為解決上述技術問題，本發明提供如下技術方案：

一方面，提供了一種時頻域分析航空發動機剩余使用壽命預測方法，包括：

S1：對航空發動機傳感器的原始數據進行預處理；

S2：對預處理后的原始數據，利用連續小波變換得到相應的時頻域數據；

S3：根據預處理后的原始數據以及變換后得到的時頻域數據，構建滑動窗口以及預測模型的輸入；

S4：搭建3DConLSTM神經網絡，對所述3DConLSTM神經網絡進行訓練；