一种航空发动机运行工况的剩余使用寿命预测方法

本发明涉及航空发动机运行，尤其是一种航空发动机运行工况的剩余使用寿命预测方法。

背景技术：

1、预测与健康管理（prognostics and health management）技术是保障航空发动机、工业燃气轮机等复杂关键工业资产安全、可靠、高效运行的核心赋能技术。随着工业4.0和智能制造的推进，phm已成为从传统的“故障后维修”或“定时维修”向更科学的“视情维护（condition-based maintenance）”转变的关键手段。作为phm领域的圣杯任务，剩余使用寿命（remaining useful life, rul）预测旨在利用多源传感器监测数据，实时评估设备当前的健康状态，并精准估计其在完全失效前的剩余运行时间。高精度的rul预测不仅能够有效预防灾难性故障的发生，保障飞行与生产安全，还能显著优化备件库存管理，减少不必要的停机维护时间，从而大幅降低全生命周期的运维成本。早期的预测方法主要基于物理失效机理，但在面对现代航空发动机日益复杂的系统结构与耦合的退化机制时，构建精确且通用的物理模型极具挑战性。随着工业物联网与传感器技术的发展，以卷积神经网络（cnn）、循环神经网络（rnn）及其变体transformer为代表的数据驱动方法，凭借其强大的非线性特征提取能力，逐渐成为当前rul预测领域的主导研究范式。特别是transformer架构，因其能够捕捉长程依赖关系，在多个公开基准数据集中取得了显著的预测精度提升。

2、然而，尽管现有的深度学习模型取得了显著成果，但在实际工业应用中仍面临以下严峻挑战：

3、第一，现有方法在面对复杂多变的运行工况时，缺乏足够的泛化能力，存在“分布偏移”问题。 航空发动机通常在不同的飞行包线（如高度、马赫数、油门杆角度变化）下频繁切换工作点。主流的数据预处理流程通常采用基于全局统计量的z-score归一化方法，这种做法忽略了不同工况模式下传感器数据的统计分布差异。这导致模型极易混淆由工况切换引起的正常信号跳变与由部件损伤引起的性能退化，使得网络在面对未见工况或复杂工况组合时收敛困难，预测误差显著增加。

4、第二，现有特征融合策略较为浅层，难以在强噪声环境下构建鲁棒的健康指标。为了克服单一时域传感器读数在强背景噪声下难以捕捉微弱退化征兆的局限，部分研究尝试引入频域或时频域信息（如连续小波变换cwt）。然而，目前的融合策略大多停留在简单的向量拼接或浅层加权层面，这种处理方式忽视了时间趋势与频谱模式之间深层的语义关联，造成了不同模态特征间的“语义鸿沟”，导致模型难以充分利用多域互补信息，限制了其在复杂噪声环境下的预测上限。

技术实现思路

1、本发明要解决的技术问题是：提供一种航空发动机运行工况的剩余使用寿命预测方法。

2、本发明解决上述技术问题所采用的技术方案是：一种航空发动机运行工况的剩余使用寿命预测方法，包括对航空发动机的监测数据进行步骤s1数据预处理，所述步骤s1数据预处理之后还包括：

3、步骤s2：将预处理后的一维时间序列转化为时域序列和时频尺度图；

4、步骤s3：提取时域的演变特征和频域的能量特征；

5、步骤s4：构建时域引导频域路径以及频域引导时域路径，生成跨模态注意力图，经残差融合得到融合特征，提取融合序列中最后一个时间步的特征向量，输入后续的预测网络；

6、步骤 s5：预测；将步骤s4输出的融合特征向量输入多层感知机预测网络，输出航空发动机的剩余使用寿命预测值。

7、优选的，所述步骤 s5包括：

8、s5-1：预测输出：

9、将步骤s4输出的融合特征向量输入多层感知机预测网络，多层感知机采用两层全连接层，激活函数为relu，输出层为单神经元线性层，最终输出航空发动机的剩余使用寿命预测值；

10、s5-2：构建教师分布模型

11、在模型反向传播过程中，计算预测值相对于注意力图的梯度，取其绝对值得到特征敏感度图；对敏感度图应用温度系数的softmax函数进行归一化处理，构建反映特征真实贡献度的教师分布模型t；

12、s5-3：计算一致性损失：

13、将前向传播过程中生成的原始注意力权重分布模型与s5-2构建的教师分布模型t进行对比，计算两者之间的kl散度，将该kl散度定义为一致性损失，公式为：

14、；

15、其中为梯度敏感度图，为注意力权重；

16、s5-4：联合优化

17、构建多目标联合损失函数，损失函数公式为：

18、；

19、各损失项说明：

20、：均方误差损失，为预测值与真实rul标签y(t)的均方误差；

21、：带权重的一致性损失，为一致性损失权重系数；

22、：带权重的正则化损失，为正则化损失权重系数。

23、优选的，所述步骤s1数据预处理还包括如下步骤：

24、s1-1：特征优选：由多个传感器监测通道收集监测数据形成原始数据集，对原始数据集中的全生命周期数据进行方差分析；若某些传感器监测的数据在整个运行周期内数值恒定或方差趋近于0，则剔除该些对应的传感器监测的数据所对应的特征信息，剩余传感器监测的数据所对应的特征信息集合作为保留的传感器序列；

25、s1-2：指数加权移动平均降噪：

26、采用指数加权移动平均对保留的传感器序列进行平滑处理作为训练集；

27、平滑处理如下：对于第i个传感器在t时刻的观测值，其平滑后的值计算公式如下：

28、；其中，为平滑系数；

29、s1-3：基于k-means聚类的抗工况归一化：

30、利用高度、马赫数、油门解析角这3个操作设置通道作为特征空间，在训练集上采用k-means算法将样本划分为k个簇，每个簇代表一种操作模式；

31、计算每个簇内传感器数据的均值向量和标准差向量；

32、对于属于第k个簇的样本，执行标准化处理，公式为：

33、。

34、优选的，在测试阶段，首先根据测试样本的操作设置将其分配到欧氏距离最近的训练集簇中心，然后使用对应的训练集统计量进行步骤s1-3的归一化处理。

35、优选的，所述步骤s1数据预处理还包括如下步骤：

36、s1-4：分段线性rul标签构建；

37、采用分段线性函数对真实rul进行截断处理，具体如下：当真实rul大于设定阈值时，标签设为设定阈值；否则保持真实值；公式如下：

38、。

39、优选的，所述步骤s2包括如下：

40、s2-1：基于流形平滑的随机噪声注入：

41、在训练过程中对预处理后的输入数据实施动态的高斯噪声注入；通过叠加零均值、标准差的高斯噪声，平滑特征空间的决策流形；计算公式为：

42、；

43、s2-2：cwt时频特征提取：

44、利用连续小波变换挖掘频域能量分布，选用复morlet小波作为基函数；

45、小波变换公式为：

46、；

47、其中,为尺度因子，为平移因子，为复数 morlet小波的共轭复数。复数morlet小波的共轭复数的数学形式为：；

48、将每个时间窗口内的n个传感器信号转换为尺寸为 (n,h,l) 的时频张量，时频张量作为频域编码器的输入。

49、优选的，所述步骤s3包括如下：

50、s3-1：抗噪型混合时序编码；

51、局部特征提取：使用两层堆叠的一维卷积层，第一层捕捉高频噪点与瞬态冲击，第二层聚合局部退化模式；

52、全局依赖建模：接入包含隐藏单元的门控循环单元，用于捕捉长距离的时间依赖关系；

53、s3-2：非对称时频编码，处理时频张量：

54、非对称最大池化：在每个卷积块后应用非对称最大池化，进行降维压缩以及保持时间步长恒定。

55、通道重校准：在频域特征提取末端应用se-block通道注意力模块，对频域特征通道进行权重学习，增强发动机关键故障频带的特征响应，抑制无效频带干扰，最终输出频域特征编码。

56、优选的，所述步骤s4包括：

57、构建两条相互独立的跨模态注意力交互路径，实现时域与频域特征的双向引导：

58、时域引导频域路径：以时域特征编码为查询向量，以频域特征编码为键向量和值向量。

59、频域导时域路径：以频域特征编码为查询向量，以时域特征编码为键向量和值向量。

60、优选的，所述步骤s4中，对两条路径的融合特征序列进行时间步聚合，仅提取融合特征序列中最后一个时间步的特征向量，将该向量作为后续预测网络的输入特征。

61、所述步骤s3-1的全局依赖建模之后还包括自适应特征重校准：所述自适应特征重校准包括：1）挤压操作：对gru输出的时序特征，通过全局平均池化聚合时间维度上的特征信息，消除时间维度的变化，生成反映传感器通道全局响应的通道级全局描述符；2）激励操作：利用带有瓶颈结构的两层多层感知机处理上述全局描述符，学习不同传感器通道间的非线性依赖关系，并通过激活函数生成0到1之间的特征重要性权重系数s；3）重校准与映射：根据生成的权重系数s对原始特征通道进行逐元素的加权重组，增强包含显著退化信息通道的特征权重，抑制含有高频噪声或无关信息的通道干扰，将加权后的特征通过一个带有l2正则化的全连接层，映射到统一的隐空间维度，最终输出时域特征编码。

62、本发明的有益效果是：通过步骤 s1数据预处理，针对航空发动机监测数据高维、非平稳、多工况的特性，通过特征优选、降噪、抗工况归一化、rul标签构建四个子步骤，对原始数据进行清洗和标准化，为后续模型训练提供高质量数据集，针对航空发动机多工况运行导致的数据分布偏移问题，摒弃传统全局z-score归一化方法，采用基于k-means聚类的分层抗工况归一化策略，避免模型混淆“工况跳变”与“性能退化”。

63、构建时域编码分支和频域编码分支两个并行的神经网络分支，分别对s2得到的抗噪时域序列和时频张量进行特征提取，挖掘时域演变特征和频域能量特征，为打破时域与频域特征间的 “语义鸿沟”，设计双向跨模态注意力融合机制，建立时域与频域特征的深层交互关系，实现多模态特征的互补融合，同时保证融合特征的因果性。

64、引入梯度引导的一致性损失（ggcl），约束模型注意力权重与特征真实贡献度的一致性，解决深度学习模型 “注意力不忠实”、可解释性差的问题。