基于多尺度卷积网络的氧气浓缩器寿命预测方法及系统与流程

本发明涉及航空机载设备状态监测，特别是一种基于多尺度卷积网络的氧气浓缩器寿命预测方法及系统。

背景技术：

1、机载氧气浓缩器是飞机环控系统的核心部件之一，其功能是基于分子筛变压吸附原理，从发动机引气中分离氮气以获得富氧空气，为驾驶舱和客舱提供持续、稳定的氧气供给，同时参与机舱压力调节。氧气浓缩器的健康状态直接关系到飞行安全与机上人员的生命安全。然而，在长期服役过程中，氧气浓缩器内部的分子筛材料会因空气湿度、温度波动、振动冲击以及压力循环等复杂环境因素的耦合作用而发生渐进式性能退化，表现为产氧浓度下降、氧分压不足等现象。当氧气浓缩器的剩余使用寿命不足以支撑一次完整飞行任务时，若未能及时预警和更换，将严重威胁飞行任务的执行和乘员安全。因此，开展氧气浓缩器退化趋势的在线监测与剩余寿命精准预测，对于合理安排维修更换计划、保障飞行安全具有重要意义。

2、现有氧气浓缩器寿命预测方法主要依赖氧分压和氧气浓度等单一性能退化指标，通过统计建模方式建立退化轨迹并进行外推预测。例如，采用模糊c均值聚类方法对氧分压退化数据进行分段处理，建立多阶段动态回归模型；也有研究利用卡尔曼滤波对氧气浓缩器的退化过程进行状态估计和趋势预测。然而，现有方法存在明显局限性：一方面，基于氧分压或氧气浓度的统计退化模型仅能反映性能指标的宏观变化趋势，难以捕捉环境因素对退化速率的动态影响；另一方面，机载氧气浓缩器的实际服役环境具有高度时变性和不确定性，温度、湿度、振动等外部因素会实时影响分子筛的吸附效率与老化速率，而传统统计模型多为离线建立、参数固定，无法根据实时环境条件自适应更新模型参数，因而在机上在线预测场景下精度不足，难以满足实际工程应用需求。

技术实现思路

1、本发明的目的在于提供一种基于多尺度卷积网络的氧气浓缩器寿命预测方法及系统，以解决现有技术中仅依据单一性能指标建模、未纳入多维环境因素，使模型无法随环境自适应更新、导致剩余寿命预测精度不足的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明公开了一种基于多尺度卷积网络的氧气浓缩器寿命预测方法，包括：

4、获取氧气浓缩器工作环境和性能退化的多源传感信号，并对所述多源传感信号进行预处理；

5、对预处理后的所述多源传感信号进行经验模态分解，得到若干本征模态分量；

6、从所述本征模态分量中分别提取能量、均方根、峭度和偏度，得到每个所述本征模态分量的多维特征向量；

7、以各所述本征模态分量为通道维度，将对应的各所述多维特征向量组合为多通道输入张量；

8、采用卷积层和通道注意力模块构建多尺度卷积神经网络，并获取带有剩余寿命标签的历史所述多源传感信号；

9、根据历史所述多源传感信号的所述多通道输入张量训练所述多尺度卷积神经网络，得到剩余寿命预测模型；

10、将待测所述多源传感信号的所述多通道输入张量输入所述剩余寿命预测模型中，输出得到待测氧气浓缩器的剩余寿命预测值。

11、可选地，所述对预处理后的所述多源传感信号进行经验模态分解，得到若干本征模态分量，包括：

12、将预处理后的所述多源传感信号作为当前的待分解信号，对当前所述待分解信号进行均值包络线去除，得到需要获取的模态分量；

13、将满足预设筛分准则的所述模态分量作为一阶所述本征模态分量，并从所述当前待分解信号中分离出一阶所述本征模态分量，得到残余分量；

14、将所述残余分量作为所述当前待分解信号，并重复获取多阶所述本征模态分量，直至剩余所述残余分量变为单调函数或常数，所述多源传感信号完成经验模态分解的函数表达式为：

15、

16、式中，表示当前待分解信号，表示分解后的第个本征模态分量，表示残余分量，表示分解后本征模态分量的总数，表示分解后本征模态分量的索引，表示时间变量。

17、可选地，所述对当前所述待分解信号进行均值包络线去除，得到需要获取的模态分量，包括：

18、获取当前所述待分解信号的极大值点和极小值点，并对各所述极大值点和各所述极小值点进行插值拟合，分别得到上包络线和下包络线；

19、根据所述上包络线和所述下包络线计算均值包络线，计算均值包络线的函数表达式为：

20、

21、式中，表示均值包络线，表示上包络线，表示下包络线；

22、从所述当前待分解信号中去除所述均值包络线，得到需要获取的所述模态分量，去除所述均值包络线的函数表达式为：

23、

24、式中，表示待确定的本征模态分量。

25、可选地，所述氧气浓缩器寿命预测方法还包括得到需要获取的模态分量后，对所述模态分量进行筛分，包括：

26、若得到的所述模态分量满足预设的筛分准则，则将所述模态分量作为当前阶段的所述本征模态分量；

27、若得到的所述模态分量不满足预设的筛分准则，则将所述模态分量作为新的所述当前待分解信号，并重复获取所述当前待分解信号对应的所述模态分量，直至所述模态分量满足预设的筛分准则。

28、可选地，所述从所述采用卷积层和通道注意力模块构建多尺度卷积神经网络，包括：

29、设置多尺度卷积层，所述多尺度卷积层包括多个卷积分支和融合层，每个所述卷积分支配置至少一个卷积层，且不同所述卷积分支的所述卷积层具有不同的卷积核尺寸，所述融合层的输入端分别与各所述卷积分支的输出端连接；

30、设置多通道注意力模块与所述融合层的输出端连接，所述多通道注意力模块包括顺序连接的聚合层、全局平均池化层和权重生成层，所述权重生成层包括顺序连接的第一全连接层、relu激活层、第二全连接层和sigmoid激活层；

31、设置池化层，所述池化层的输入端与所述权重生成层的输出端连接；

32、设置第三全连接层，所述第三全连接层的输入端与所述池化层的输出端连接。

33、可选地，所述将待测所述多源传感信号的所述多通道输入张量输入所述剩余寿命预测模型中，输出得到待测氧气浓缩器的剩余寿命预测值，包括：

34、将待测所述多源传感信号的所述多通道输入张量输入所述剩余寿命预测模型的所述多尺度卷积层，得到多尺度卷积特征，卷积操作的函数表达式为：

35、

36、式中，表示第个卷积分支输出的特征图高度，表示卷积分支的索引，表示多通道输入张量的高度，表示第个卷积分支中卷积层的卷积核尺寸，表示填充参数，表示第个卷积分支输出的特征图宽度，表示多通道输入张量的宽度，表示步长参数；

37、将所述多尺度卷积特征输入所述多通道注意力模块的所述聚合层，得到各通道沿所述多维特征向量的维度聚合后的聚合值，聚合操作的函数表达式为：

38、

39、式中，表示第个通道对应的聚合值，表示通道的索引，且，表示多维特征向量中特征的数量，表示多维特征向量中特征的索引，表示多尺度卷积特征，表示通道总数，表示多尺度卷积特征中第一个维度全部元素、多维特征向量中第个特征、第个通道所对应的值；

40、对各所述通道对应的所述聚合值引入先验权重，根据所述先验权重将对应的所述聚合值进行加权，并将各所述通道加权后的所述聚合值组合为聚合向量；

41、将所述聚合向量依次输入所述多通道注意力模块的所述全局平均池化层和所述权重生成层，生成各所述通道的重要性权重，所述重要性权重的函数表示为：

42、

43、式中，表示第各通道对应的重要性权重，表示sigmoid激活函数，和表示全连接层的权重，表示激活函数，表示聚合向量；

44、将所述重要性权重作用于对应的所述通道，输出得到加权后的所述多尺度卷积特征，所述多尺度卷积特征加权的函数表示为：

45、

46、式中，表示加权后的多尺度卷积特征，表示逐通道加权运算；

47、将加权后的所述多尺度卷积特征输入所述池化层进行降维，输出得到池化特征，池化操作的函数表示为：

48、

49、式中，表示输出的池化特征，表示池化类型函数，和表示输入至池化层的相邻神经元输出值，表示池化层输出神经元的索引，表示输入至池化层的相邻神经元索引；

50、将所述池化特征输入所述全连接层，经全连接线性处理和激活后，得到待测氧气浓缩器对应各寿命类别的输出特征，全连接线性处理的函数表示为：

51、

52、式中，表示全连接层的线性输出，表示全连接层的权重矩阵，表示输入至全连接层的池化特征，表示偏置项；

53、将待测氧气浓缩器对应各寿命类别的输出特征转换为概率分布，将概率最大的类别作为待测氧气浓缩器的所述剩余寿命预测值，概率分布转换的函数表示为：

54、

55、式中，表示第个类别的预测概率，表示当前计算概率的类别索引，表示线性输出值中第个类别的值，表示对输入值进行非线性变换，表示类别总数。

56、可选地，所述对各所述通道对应的所述聚合值引入先验权重，根据所述先验权重将对应的所述聚合值进行加权，包括：

57、对各所述通道对应的所述聚合值引入先验权重，先验权重的函数表示为：

58、

59、式中，表示第个通道的先验重要性权重，表示控制权重幅度的参数，表示以自然常数为底的指数函数，表示控制权重衰减速度的参数，表示预设关键通道的索引；

60、根据所述先验权重将对应的所述聚合值进行加权，加权的函数表示为：

61、

62、式中，表示第个通道加权后的聚合值。

63、可选地，所述氧气浓缩器寿命预测方法还包括得到待测氧气浓缩器对应各寿命类别的概率分布后，获取所述剩余寿命预测值的置信等级和决策信息，包括：

64、根据待测氧气浓缩器对应各寿命类别的概率分布，计算获取最大预测概率，计算最大预测概率的函数表示为：

65、

66、式中，表示预测概率分布中的最大预测概率，表示将线性输出值转换为预测概率分布的函数；

67、根据所述最大预测概率判定所述剩余寿命预测值的置信等级，并根据所述置信等级输出对应的决策信息。

68、本发明还公开了一种预测系统，采用上述的氧气浓缩器寿命预测方法，所述预测系统包括：

69、信号预处理模块，用于获取氧气浓缩器工作环境和性能退化的多源传感信号，并对所述多源传感信号进行预处理；

70、信号分解模块，用于对预处理后的所述多源传感信号进行经验模态分解，得到若干本征模态分量；

71、特征提取模块，用于从所述本征模态分量中分别提取能量、均方根、峭度和偏度，得到每个所述本征模态分量的多维特征向量；

72、特征组合模块，用于以各所述本征模态分量为通道维度，将对应的各所述多维特征向量组合为多通道输入张量；

73、神经网络构建模块，用于采用卷积层和通道注意力模块构建多尺度卷积神经网络，并获取带有剩余寿命标签的历史所述多源传感信号；

74、神经网络训练模块，用于根据历史所述多源传感信号的所述多通道输入张量训练所述多尺度卷积神经网络，得到剩余寿命预测模型；

75、寿命预测模块，用于将待测所述多源传感信号的所述多通道输入张量输入所述剩余寿命预测模型中，输出得到待测氧气浓缩器的剩余寿命预测值。

76、本发明还公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的氧气浓缩器寿命预测方法。

77、与现有技术相比，本发明实施例提供的一种基于多尺度卷积网络的氧气浓缩器寿命预测方法及系统有益效果在于：

78、通过融合多维环境参数与性能退化指标，使模型得以捕捉外部环境变化对退化速率的影响，克服单一性能指标建模信息不足的局限。经验模态分解将信号分解为不同尺度的本征模态函数，多维度统计特征的提取进一步丰富了退化信息表征，从而提升了模型对退化状态的感知能力。以各本征模态函数为通道维度构建多通道输入张量，使网络能够并行处理不同尺度的退化特征，相较于单一尺度卷积结构，对复杂退化规律的拟合能力更强。通道注意力模块沿多维特征向量的维度聚合后对通道间依赖关系建模，使模型能够聚焦于对寿命退化贡献更显著的本征模态函数通道，实时环境条件的变化可通过多通道输入张量直接反映至模型前端，网络据此动态调整各通道注意力权重，从而实现模型参数随环境条件的自适应更新，最终使剩余寿命预测精度得到显著提升。