航电产品剩余寿命预测方法与流程

1.本发明涉及一种可用于航空电子产品地面维护系统，尤其是基于多个长短期记忆神经网络融合的航电产品剩余寿命预测方法。


背景技术：

2.随着工作时间的推移,任何设备在受到内部因素和外部因素的综合作用下，性能与健康状态难免会呈现出衰退的趋势，都将不可避免地发生性能退化直至失效。当衰退达到一定程度时，设备将无法完成正常任务和功能，进而造成难以挽回的经济损失和资源浪费。航空航天设备经常面临高故障率的问题，以定期更换为主流的传统检测维护手段已经无法满足于航空航天电子产品智能化、模块化、综合化趋势下的运维保障需求。传统的试验方法往往需要依靠专家经验且必须通过充分的试验，才能正确地得出各种应力造成器件损伤的关系，针对每型设备进行寿命加速试验成本过高，在工程中难以推广。状态监测数据是产品运行状态的外在表现，，可反映产品的运行性能并为产品的剩余寿命预测提供依据。电子产品剩余寿命预测是根据产品当前的健康状态、负载以及退化趋势等信息估计产品在可接受使用状态下发生失效前的剩余寿命，它是航空航天、军事、新能源等领域实现故障预测与健康管理(phm)的关键技术，它为产品的视情维修和健康管理提供重要依据。根据产品状态监测数据预测产品的剩余寿命，及时制定相应的产品更换或者系统运行维护计划，对保障设备可用性和任务完成率具有重要意义。现有电子产品剩余寿命预测方法主要有2类：基于失效时间的方法和基于性能退化的方法[8]。由于电子产品的可靠性和寿命都得到了极大提高，一般很难获取其失效时间数据，因此基于失效时间的剩余寿命预测方法陷人困境；基于性能退化的方法关键是利用性能退化数据建立退化模型，而不需要失效时间，十分适合高可靠长寿命电子产品的剩余寿命预测。目前在利用随机过程对电子产品的退化建模中，常利用wiener过程，而且常利用同类其他产品的退化或寿命数据作为先验信息，但工程实践中，此类先验信息获取困难，且利用此类先验信息会在一定程度上降低预测结果的个体差异性，不适合针对单个产品的剩余寿命预测。
[0003]
航空电子设备是飞机系统的重要组成部分，其故障率占全系统故障总数的比例越来越高，对系统性能的影响越来越突出。由于航空电子产品所处的运行环境较为恶劣，在动态工况下存在多失效模式耦合的情形，电子器件的退化趋势对外部应力非常敏感，剩余寿命预测存在多种不确定性影响。退化电子产品剩余寿命预测中存在先验信息获取困难、预测不能有效体现个体差异性的问题。传统的航空电子产品的剩余寿命预计方法主要有：基于寿命数据分析的剩余寿命预测方法和基于性能退化的剩余寿命预测方法。基于寿命数据分析的剩余寿命预测方法是通过可靠性试验或相似产品实际失效分布数据推导产品的剩余寿命分布情况。由于航空电子产品研制周期短不具备试验获取大量失效分布数据条件，同时由于同类型的相似产品间设计差异性较大，失效分布数据的一致性差，通过相似产品的失效分布直接构建目标产品的剩余寿命分布模型无法满足实际工程对预测精度的要求。
[0004]
基于性能退化的剩余寿命预测方法主要包括退化轨迹模型和随机过程模型，退化
轨迹模型是根据电子产品退化轨迹和预先设定的故障阈值获取电子产品寿命分布，通过构建数学模型描述设备的失效机理，结合特定设备的经验知识和缺陷增长方程实现设备的剩余寿命预测。该方法的预测效果与设备的失效机理强相关，而航空电子产品换代更新较快存在先验信息获取困难、预测不能有效体现个体差异性的问题，也难以体现退化量在时间轴上的不确定性，退化模型构建不当将严重影响剩余寿命的预测精度。基于随机过程模型的剩余寿命预测方法对于外部应力对根据高维监控数据评估出的剩余使用寿命影响的量化能力不足，模型的移植性较差，对于新的产品设计可复用能力弱。
[0005]
近年来人工智能领域的高速发展，集成学习和机器学习作为人工智能技术分支已经广泛应用于图像，医疗和电子等多个方面。长短期记忆神经网络lstm(long short-term memory)，是一种基于数据驱动的有监督深度学习模型，可以将时序输入与时刻递归结合的链式闭合神经网络，有效提高了时序信息中远距有效信息对预测结果的影响。长短期记忆神经网络lstm模型的核心是网络单元状态及三种门结构(遗忘门、输入门和输出门)，网络单元状态由两种激活函数构成(sigmoid和tanh)组成，通过三种门结构有效解决了循环神经网络的梯度消失和长期记忆能力弱等问题，但其预测效果依赖于训练数据和预测数据分布间的一致性程度，且单一模型的学习能力不足以支持从类似产品数据定义真实产品剩余寿命。而集成学习是使用多个分类器共同进行学习来解决一个问题，可以有效克服单个分类器的局限性并提高框架整体的泛化性能，通过集成学习和机器学习模型克服单一模型在多相似产品退化趋势拟合能力上的不足，实现目标产品的剩余寿命的准确预测。


技术实现要素：

[0006]
本发明的目的是针对现有技术存在的不足之处，提供一种预测准确度高，可复用性高，能够提高剩余寿命预测精度和可靠度，基于集成学习的航电产品剩余寿命预测方法。
[0007]
本发明的上述目的可以通过下述技术方案予以实现，一种航电产品剩余寿命预测方法，其特征在于包括如下步骤：在航空电子产品中预设传感器，采集并记录相似产品和真实产品的功性能指标数据，对预设传感器获取的所述功能性指标数据进行静态特征提取和归一化处理，将功性能指标数据构建为相似产品样本集sp_sample和真实产品的样本集rp_sample，完成样本集构造；根据不同的结构范围参数，初始化多个lstm时序模型组成有遗忘门、输入门、输出门三种门结构和网络单元的lstm模型组，将相似产品样本集输入初始化的lstm模型组，对lstm预测模型组初训练和迁移训练，在迁移学习训练中，将真实产品样本集输入初训练后的lstm模型组，用真实产品样本集对各lstm时序模型进行迁移训练和目标域的全局精调，实现从类似产品到目标产品的迁移；lstm模型组根据改进的投票加权算法计算融合权重，确定每个lstm时序模型的融合权重，定义完整预测框架的标准接口，将完整预测框架功能拆分封装在样本构建模块、改进lstm模型构建模块和预测框架集成模块内，构建预测框架构，部署预测框架，实现预测框架的灵活集成并对所有的航空电子产品测试结果进行剩余寿命预测，预测目标产品降级演化和剩余寿命。本发明具有如下有益效果：
[0008]
预测准确度高。本发明针对当前使用历史性能退化数据而导致航空电子产品剩余
寿命预测精度不高的问题，采用相似产品的历史数据与真实产品的现场性能退化数据，将退化数据经过特征提取和归一化处理，构建相似产品样本集sp_sample与真实产品的样本集rp_sample，避免了因为特征维度差异造成不必要的权重影响。
[0009]
本发明通过lstm模型组的初训练和迁移学习，分两个阶段逐步从相似产品样本集和真实产品样本集中获得航空电子产品退化趋势拟合能力并进一步适配真实产品的退化情况，实现从相似产品到真实产品在lstm模型上无阻碍运行的迁移，运行更快，提高了剩余寿命预测精度。
[0010]
可复用性高。本发明定义了完整预测框架的标准接口，将完整预测框架功能拆分封装在样本构建模块、改进lstm模型构建模块和预测框架集成模块内，提高了整个框架的通用性，针对不同的产品只需要对样本构建模块进行接口转化，就可以使用本发明的框架，不需要重复开发功能和处理模块，整体复用性良好。
[0011]
本发明可用于航空电子产品地面维护系统的剩余寿命预测，向维护人员提供产品寿命信息以支撑视情维修在航空电子产品中的工程实施，避免部分航空电子产品剩余寿命因外部应力提前进入衰变期造成产品维修不足的情况。该方法一方面可以减少过早更换航空电子产品浪费的产品使用寿命，节约航空器运维成本；另一方面可以保证飞行器的任务完成能力，减少因为航空电子产品故障带来的过长停飞时间。
附图说明
[0012]
下面结合附图和实施方式对本发明进一步说明。
[0013]
图1是本发明航电产品剩余寿命预测方法的流程图。
[0014]
图2是预测示例中锂电池功性能数据示意图。
[0015]
图3是本发明对锂电池退化预测结果示意图。
[0016]
下面详细描述本发明实施例，描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
具体实施方式
[0017]
参阅图1。根据本发明，在航空电子产品中预设传感器，采集并记录相似产品和真实产品的功性能指标数据，对预设传感器获取的所述功能性指标数据进行静态特征提取和归一化处理，将功性能指标数据构建为相似产品样本集sp_sample和真实产品的样本集rp_sample，完成样本集构造；根据不同的结构范围参数，初始化多个lstm时序模型组成有遗忘门、输入门、输出门三种门结构和网络单元的lstm模型组，将相似产品样本集输入初始化的lstm模型组，对lstm预测模型组初训练和迁移训练，在迁移学习训练中，将真实产品样本集输入初训练后的lstm模型组，用真实产品样本集对各lstm时序模型进行迁移训练和目标域的全局精调，实现从类似产品到目标产品的迁移；lstm模型组根据改进的投票加权算法计算融合权重，确定每个lstm时序模型的融合权重，定义完整预测框架的标准接口，将完整预测框架功能拆分封装在样本构建模块、改进lstm模型构建模块和预测框架集成模块内，构建预测框架构，部署预测框架，实现预测框架的灵活集成并对所有的航空电子产品测试结果进行剩余寿命预测，预测目标产品降级演
化和剩余寿命。
[0018]
传感器采集相似和真实航空电子产品的功性能数据包括：功率、容量、信噪比和芯片状态等功性能数据sp_data，对数据进行特征提取和归一化处理并构建样本集，得到维度为[n,m]的相似产品样本集和真实产品样本集，以具备对产品功性能数据进行归一化和样本集构建能力。
[0019]
原始数据源包括：相似航空产品的功性能数据sp_data,真实产品的功性能数据rp_data，经过归一化和样本构建模块后可以得到相似航空产品的样本集sp_sample和真实产品的样本集rp_sample，其中，功性能数据sp_data是一个[n,m]的数据集，n表示功性能指标数据的种类数，m表示一种功性能数据的数量。
[0020]
lstm模型组包含至少4个lstm时序模型，每个lstm时序模型结构范围参数，包括：一次输入网络的参数值数量预测的步长l、功性能数据维度xn和分别设置的lstm结构数据：[xn*l501]、[xn*l751]、[xn*l1001]和[xn*l1501]，学习率0.1。每个lstm时序模型采用含动量的梯度下降算法，将动量设置为0.8-1.0，误差收敛门限设置为0.001-0.002，最大迭代次数为500-600，网络单元内在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃的各dropout控制器的dropout率设置为0.5-0.8，单次预测阈值设置为5％-8％，相对门限设置为10％-15％。
[0021]
在可选的本实施例中，航空电子产品剩余寿命预测分为五部分：第一部分，在将相似和真实航空电子产品功性能数据进行特征提取和归一化，得到相似产品样本集sp_sample和真实产品样本集rp_sample；第二部分lstm模型组根据多个不同初始化的lstm网络被相似产品样本集输入并设置网络单元输入门、输出门和遗忘门的结构参数，进行前向传播、误差计算和误差反馈，修正网络内的各结构参数，lstm模型组内各网络单元的输入门、输出门、遗忘门和dropout控制器参数，对权重、偏置和丢弃状态进行前馈计算，修正网络内的各结构参数，然后通过误差梯度反馈修正网络单元的所有参数，循环迭代误差小于阈值或达到最大循环次数，循环迭代直至完成lstm模型组初训练；结束lstm模型组初训练。
[0022]
第三部分，将真实产品样本集rp_sample和输入lstm模型组中各时序模型进行迁移学习，前向计算均方误差，然后根据均方误差和代价函数反向训练lstm，完成从相似航空产品数据到真实产品的误差修正；第四部分是lstm模型组根据改进投票加权算法和各lstm时序模型组在真实产品样本集的预测误差对各个lstm的融合权重进行计算，确定全局最优的融合权重实现预测性能的最大化，将lstm模型组集成为完整的预测框架；第五部分，真实产品的样本集rp_sample被输入完整预测框架，输出航空电子产品剩余寿命。
[0023]
在可选的实施例中：进一步地，在特征提取和归一化处理中，lstm时序模型采用如下公式提取第i行j列的静态特征feature
i,j
：
featurej＝w1feature
1,j
w2feature
2,j
... wmfeature
m,j
w＝{w1,w2...wm}得到维度为[n,m]的功性能特征集合feature，然后对特征进行融合处理，对融合后的特征feature进行归一化，得到归一化后的特征feature
′j：lstm时序模型以l为预测步长,feature
l 1
′
作为测试值，获得处理数据对应的产品样本集，第一个样本可表现为(feature1′
,feature2′
,...,feature
l 1
′
)，其中，data
i,j
表示数据集第i行j列的数据，w表示各类数据对寿命的表征权重。
[0024]
进一步地，在初始化多个lstm模型中，lstm内所有结构参数被配置，dropout控制器的权重为d1-d4，采用相似产品的样本集对lstm模型进行前向传播，决定前一时刻单元状态中要删除和保留的信息内容，计算前向传播的遗忘门状态f
t
：其中，σ表示函数计算，wf表示遗忘门的权重，h
t
表示t时刻遗忘层的状态，x
t
表示t时刻模型的输入值，e为常数，其值约为2.71828。
[0025]
网络单元输入门包含神经网络的激活函数sigmoid层和双曲正切函数tanh层两部分，正切函数sigmoid层选择层后连接的神经元更新信息，将变量映射到0,1之间，双切正切函数tanh层则创建在下一个状态下更新的新候选值向量计算输入门前向传播内信息存储比率i
t
：i
t
＝σ(wi·
[h
t-1
,x
t
] bi))根据遗忘门状态、前一时刻的网络单元状态c
t-1
和输入门输出更新当前时刻t的网络单元状态计算当前时刻的候选值c
t
的单元状态，
[0026]
最后确定网络单元当前时刻的输出，这包括两个部分：(1)正切函数sigmoid层在输出门中起到对单元状态的过滤作用；(2)双曲正切函数tanh层根据当前时刻的放单元状态计算输出所需的信息：输出门t时刻网络单元输出值o
t
和单元状态h
t
计算如下：o
t
＝σ(wo·
[h
t-1
,x
t
] bo)h
t
＝d4*o
t
*tanh(c
t
)其中，d1表示网络单元状态对应的dropout率，d2表示输入门状态对应的dropout率，d3表示遗忘门状态对应的dropout率，d4表示输出门状态对应的dropout率，wi和wc分别表示输入门的连接权重，bi和bc分别为输入门内两个偏置量，wo表示输出门的输出权重，bo表示输出门偏置。
[0027]
网络单元在前向传播之后，梯度下降算法根据样本集的标签值和预测值的偏差，计算lstm模型内各参数的误差权重梯度，分别得到：误差项δ
t
、代价函数e，前向传递到k时刻的误差δ
kt
。e＝min imizej(θr,θ
p
)))))))最后网络单元根据得到的反向传播误差和权重梯度，计算各权重的修正量δw，利用权重的学习率η不断迭代模型中对应参数，直到误差小于预测阈值或迭代次数达到最大值，相关计算如下：遗忘门权重的修正量δwo：输入门权重的修正量δwf：网络单元状态权重的修正量δwi：输出门权重的修正量δwc：其中，ηo为遗忘门权重学习率，ηf为输入门权重学习率，ηi为网络单元状态权重学习率，ηc为输出门权重学习率，t为已知时刻，δ
t
为误差项:(δ
f,t
为遗忘门误差项，δ
i,t
为输入门误差项，为网络单元状态误差项)，δ
o,t
为输出门误差项，wh为输出权重(w
fh
为遗忘门输出权重，w
ih
为输入门输出权重，w
ch
为网络单元状态输出权重，w
oh
为输出门输出权重)，w
x
为输入值权重(遗忘门输入权重为w
fx
，输入门输入权重为w
ix
，网络单元状态输入权重为w
cx
，输出门输入权重为w
ox
)，θr表示真实值，θ
p
表示预测值，t表示矩阵转置，wo表示输出门的输出权重，bo表示输出门偏置。
[0028]
进一步地，lstm神经网络模型将真实产品样本集输入多个完成初训练的lstm网
络，进行前向传播、误差计算和误差反馈，修正网络内的各结构参数，循环迭代直到误差小于阈值或达到最大循环次数结束lstm模型迁移训练，计算公式和迭代方法与初训练一致。
[0029]
进一步地，改进投票加权算法对各个模型在目标域的预测性能进行融合，确定每个lstm模型的融合权重，将lstm模型集成为一个完整的预测框架，并将真实产品样本集逐个输入各个lstm模型，前向预测得到整个样本集每个样本的预测结果，形成各模型的预测结果数据集；根据优化投票加权算法计算每个模型的综合测试指标值，采用如下综合测试指标计算公式，得到第j个lstm模型对第i个全寿命周期的综合测试值r表示的预测相对误差小于阈值ρ的预测点数f
ij
：其中，δi表示预测误差大于阈值ρ的第i个样本的预测相对误差，s表示第i个全寿命周期的样本数量。
[0030]
进一步地，全寿命周期数据的预测相对门限设置为ft＝[ft1，ft2，...ftc]，计算基本模型的综合测试值与相应数据门限进行对比，如果综合测试值低于相应的门限，则将f
t
设置为0，这意味着相应的权重也将为0。min{f
ij
,i＝1,2,...,k}≤ftj≤max{f
ij
,i＝1,2,...,k}第j个lstm模型的投票权重vwj为：用集成好的预测框架对测试样本集进行航空电子产品剩余寿命进行预测，其中，c表示模型组的模型数量，g表示真实产品样本集中全寿命周期的数量。
[0031]
最后定义完整预测框架的标准接口，将的功能封装在样本构建模块里，将功能封装在改进lstm模型构建模块中，将功能封装进预测框架集成模块中，通过集成3个模块实现完整预测框架部署，将真实产品样本集的第一个样本输入完整预测框架得到真实产品的剩余寿命估计。
[0032]
参照图2所示，本实施例采用航空锂电池的数据来验证本发明法在剩余寿命预测中的准确性。图中展示了4个锂电池全寿命数据，横坐标表示时间，纵坐标表示电池容量，单位为安培时(ah)该实验设置一组4个锂电池在室温下通过三种不同的实验操作(包含充电、放电和阻抗测量)。电池额定容量为2ah，实验温度为25℃-45℃，相似产品1的充电上限电压为4.2v,放电下限电压为2.7v；相似产品2的充电上限电压为4.2v,放电下限电压为2.5v；相似产品3的充电上限电压为4.2v,放电下限电压为2.2v。真实产品的充电上限电压为4.2v,放电下限电压为2.7v。充电电流和放电电流均为1.5a。图2为4组数据的展示图。
[0033]
参照图3所示，采用本方法对锂电池剩余寿命进行预测，采用预测结果和真实值对比展示，图中横坐标表示真实剩余时间，纵坐标为预测剩余寿命时间，单位为安培时(ah)。
[0034]
以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。