基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法与流程

1.本发明属于设备健康管理中的寿命预测领域，具体涉及基于双通道长短时记忆网络的涡轮发动机剩余使用寿命预测方法。


背景技术：

2.涡轮发动机是飞机的心脏，为飞机的飞行提供动力。但由于发动机往往是在高温高压的环境中运行，故障问题难以避免。发动机故障轻则会使飞机无法起飞，旅客改签，航空公司信誉受到损害等，重则会导致飞机损坏，人员伤亡。因此如何在故障发生之前，准确地预测出发动机的剩余使用寿命具有十分重要的意义。目前，使用传统的深度学习方法取得了不错的效果，但依然面临以下的问题：
3.(1)涡轮发动机在不同环境下运行，时间特征对寿命预测的影响会发生变化，针对这种现象，我们该如何去选择有用的时间特征，从而避免特征冗余或无效特征的出现是一个需要解决的问题。
4.(2)针对时间特征，研究人员往往是让模型关注某一个时刻的时间特征的大小，忽略了两个不同时刻时间特征的差值，例如如果某一时间特征值一直持续较大，但其特征差值却较小，如何利用这两个参数去预测寿命，减少噪声影响，让模型更具有鲁棒性也是亟需解决的问题。
5.(3)一般情况下，涡轮发动机的寿命使平滑稳定的，即发动机在某一时间段内剩余使用寿命的长短是相差不大的，发生波动的次数是比较少见的，但在恶劣环境的工作下，传感器传回系统的数据往往是不干净的，而传统的深度学习方法根据数据去学习预测，利用神经网络预测的剩余使用寿命会上下波动，剩余使用寿命曲线呈现锯齿状，这导致与实际的剩余使用寿命有较大的偏差。


技术实现要素：

6.为了解决以上问题，本文提出了一种双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法。首先采用自适应选择特征的方法，针对不同数据集，利用特征的可变性(prognosability)选择出可预测性的特征，然后利用双通道长短时记忆网络，处理时刻特征值和特征差值，再用卷积神经网络提取长短时记忆网络处理后每个时刻的输出特征，之后通过全连接神经网络预测剩余使用寿命，最后，受梯度动量的启发，针对寿命曲线是锯齿状的问题，提出了一种动量平滑的方法来处理实际剩余使用寿命曲线。
7.为了达到上述目的，本发明所采用的技术方案为：
8.基于双通道长短时记忆网络的寿命预测方法，包括以下步骤：
9.a.对数据做预处理，挑选出对模型预测有用的特征，标准化数据，加快模型的收敛，以下将分为特征选择，标准化处理和时间窗口处理三个方面展开数据的处理；
10.a.求解特征的prognosability，挑选出在一定时间范围内变化较大的特征，用于
模型的训练，prognosability公式如下：
[0011][0012]
x
j
表示第j个系统上某个特征的测量向量，变量m是监控的系统数量，n
j
是第j个系统上的测量数量，可以观察到，对于某些特征，若prognosability等于0或nan，则去掉这些特征，形成新的样本集；
[0013]
b.采用z
‑
score进行数据标准化：
[0014][0015]
u表示所有被选特征的的均值，σ表示所有被选特征的的标准差， x表示某一被选特征值；
[0016]
c.划分时间窗口，窗口宽度表示为n
t
，滑动步幅表示为s，第一个时间窗口input1＝[x1,x2,...,x
nf
]，x
i
表示某一时间特征向量，表示时间特征向量x
i
在时间窗口的第一个值，依次类推；
[0017][0018]
第二个时间窗口(时间特征差值)input2＝[d1,d2,...,d
nf
]，d
i
表示某一时间特征向量的差值；
[0019][0020]
b.双通道长短时记忆网络处理input1和input2之后，得到两个输出output1＝[h1,h2,...,h
hidden_size
]和output2＝[g1,g2,...,g
hidden_size
]，h
i
表示长短时记忆网络处理input1之后的向量，g
i
表示长短时记忆网络处理 input2之后的向量；
[0021][0022]
[0023]
将output1的后(n
t
‑
1)个行向量和output2直接相加，得到output， output＝[o1,o2,...,o
hidden_size
]，o
i
由h
i
和g
i
相加得到；
[0024][0025]
c.将寿命预测分为两个部分，一部分是利用卷积神经网络提取双通道长短时记忆网络序列输出的局部时间特征，另一部分是利用全连接神经网络预测剩余使用寿命；
[0026]
d.考虑涡轮发动机前期的剩余使用寿命对当前时刻的剩余使用寿命存在缓存的关系，受到动量梯度下降的启发，采用动量平滑剩余使用寿命方法，用于测试集，公式如下：
[0027]
predict
t
＝k
×
y
t
(1
‑
k)
×
predict
t
‑1,0≤k≤1
ꢀꢀꢀ
(8)
[0028]
y
t
是使用双通道长短时记忆网络预测t时刻的剩余使用寿命， predcit
t
‑1是上一个时刻平滑之后的预测结果，predict
t
是当前t时刻平滑之后的剩余使用寿命，k表示y
t
在predict
t
中所占的比例。
[0029]
本发明的有益效果为：
[0030]
提出了一种双通道长短时记忆网络模型，它可以学习时间特征的时刻值和时刻差值，然后经过卷积神经网络处理，预测剩余使用寿命，最后经过动量平滑的作用，预测的剩余使用寿命会更贴合真实剩余使用寿命曲线，双通道长短时记忆网络由于学习了时间特征两个维度的信息，提高了网络的学习能力，同时采用l2正则化、dropout技术和验证集早停技术防止模型过拟合。
附图说明
[0031]
图1为本发明的流程图；
[0032]
图2为数据预处理的时间窗口图；
[0033]
图3为双通道长短时记忆网络结构图；
[0034]
图4为剩余使用寿命预测结构图；
[0035]
图5为fd001子数据集部分引擎单元剩余使用寿命曲线图；
[0036]
图6为动量平滑对比图。
具体实施方式
[0037]
下面结合附图对本发明做进一步的详细描述。
[0038]
参照图1，基于双通道长短时记忆网络预测剩余使用寿命方法，包括以下步骤：
[0039]
a.对数据做预处理，挑选出对模型预测有用的特征，标准化数据，加快模型的收敛，以下将分为特征选择，标准化处理和时间窗口处理三个方面展开数据的处理；
[0040]
a.表1列出了监测每个发动机的21个传感器特征数据；
[0041]
表1传感器介绍
[0042][0043][0044]
求解监测数据的prognosability，挑选出变化较大的特征，用于模型的训练，prognosability公式如下：
[0045][0046]
xj表示第j个系统上某个特征的测量向量，变量m是监控的系统数量，nj是第j个系统上的测量数量，对于某些特征，如果其prognosability等于0或nan，则去掉这些特征，形成新的样本集；
[0047]
b.采用z
‑
score进行数据标准化：
[0048][0049]
u表示所有被选特征的的均值，σ表示所有被选特征的的标准差， x表示某一被选特征值；
[0050]
c.参照图2，划分时间窗口，窗口宽度表示为n
t
，滑动步幅表示为 s，第一个时间窗口input1＝[x1,x2,...,x
nf
]，x
i
表示某一时间特征向量，表示时间特征向量x
i
在时间窗口的第一个值，后面依次类推；
[0051][0052]
第二个时间窗口(时间特征差值)input2＝[d1,d2,...,d
nf
]，d
i
表示某一时间特征向量的差值；
[0053][0054]
b.参照图3，双通道长短时记忆网络处理input1和input2之后，可以得到两个输出output1＝[h1,h2,...,h
hidden_size
]和output2＝[g1, g2,...,g
hidden_size
]，h
i
表示长短时记忆网络处理input1之后的向量，g
i
表示长短时记忆网络处理input2之后的向量；
[0055][0056][0057]
将output1的后(n
t
‑
1)个行向量和output2直接相加，得到output， output＝[o1,o2,...,o
hidden_size
]，o
i
由h
i
和g
i
相加得到；
[0058][0059]
c.参照图4，寿命预测可以分为两个部分，一个部分是利用卷积神经网络提取双通
道长短时记忆网络序列输出的局部时间特征，另一个部分是利用全连接神经网络预测剩余使用寿命；
[0060]
d.考虑涡轮发动机前期的剩余使用寿命对当前时刻的剩余使用寿命存在缓存的关系，受到动量梯度下降的启发，采用动量平滑剩余使用寿命的方法，用于测试集，公式如下：
[0061]
predict
t
＝k
×
y
t
(1
‑
k)
×
predict
t
‑1,0≤k≤1
ꢀꢀꢀ
(16)
[0062]
y
t
是使用双通道长短时记忆网络预测t时刻的剩余使用寿命， predcit
t
‑1是上一个时刻平滑之后的预测结果，predict
t
是当前t时刻平滑之后的剩余使用寿命，k表示y
t
在predict
t
中所占的比例；
[0063]
e.为了证明本发明方法的有效性，将其与不同的方法进行比较，作进一步描述，商用模块化航空推进系统模拟(c
‑
mapss)原始数据集详见表2：
[0064]
表2数据集介绍
[0065][0066][0067]
c
‑
mapss数据集是由四个不同的子数据集fd001、fd002、fd003 及fd004构成的，每个子数据集的引擎单元数量和故障模式数量是不同的，每个子数据被分为了训练数据集和测试数据集，并记录了涡旋发动机每个时刻从健康状态到退化状态的真实剩余使用寿命，针对数据集，本发明方法先对数据进行预处理，然后利用双通道长短时记忆网络处理时间特征和特征差值，最后平滑预测剩余使用寿命曲线。对比分析了本发明方法和一些先进方法的实验效果，详见表3：
[0068]
表3方法效果对比
[0069][0070][0071]
score公式和rmse公式如下:
[0072][0073]
predict
i
表示预测值，rul
i
表示真实的剩余使用寿命，n表示所有样本数据的数量，部分引擎单元剩余使用寿命曲线图见图5，表4描述了采用动量平滑的影响，图6则对比了使用动量平滑之后剩余使用寿命曲线。
[0074]
表4 k值影响效果
[0075]