一种多时段规则级联记忆网络的发动机剩余寿命预测方法

1.本发明属于发动机领域，涉及到一种多时段规则级联记忆网络预测方法，适用于发动机剩余寿命的预测。


背景技术：

2.目前，有关发动机剩余寿命的预测主要依赖于时间序列数据和长短期记忆网络。虽说长短期记忆网络因闸门结构的特殊设计使其在长时间序列数据的学习方面具有突出优势，但是长短期记忆网络本身的预测精度上限使得研究者很难通过增加网络层数或者训练次数等方式来突破发动机剩余寿命的预测精度瓶颈。
3.另外，尽管现有的与长短期记忆网络相关的一系列变体模型的提出在一定程度上有效提升了发动机剩余寿命的预测精度，但是利用这些长短期记忆网络的变体模型对发动机剩余寿命预测后所得的结果始终波动幅度较大，无法精确拟合发动机的真实剩余寿命。
4.因此，提出一种多时段规则级联记忆网络的发动机剩余寿命预测方法，该方法采用的自动拓展级联的长短期记忆网络依靠多个子模块级联的结构突破了长短期记忆网络本身带来的预测精度瓶颈，同时通过所制定的不同时段下的多条领域知识规则来降低发动机剩余寿命预测结果的波动性，有效解决了目前的主流方法仍无法对发动机的剩余寿命实施精确预测的难点问题。


技术实现要素：

5.本发明提出一种多时段规则级联记忆网络的发动机剩余寿命预测方法，该方法将自动拓展级联的长短期记忆网络和多条领域知识规则进行结合，用于实现对发动机剩余寿命的精准预测；在使用过程中的步骤为：
6.步骤(1)：选取适当的能够涵盖发动机从运行到故障的全过程并且能体现发动机剩余寿命变化的全寿命数据集；
7.步骤(2)：将选取好的数据集划分为训练集和测试集两部分，训练数据的输入为x
train
，训练数据的输出为y
train
；测试数据的输入为x
test
，测试数据的输出为y
test
；
8.步骤(3)：按照多个相同结构的子模块逐级连接的方式搭建出自动拓展级联的长短期记忆网络，每个子模块均由输入层、长短期记忆层、多个全连接层以及回归输出层构成，依照从前往后逐级连接的顺序，令第i个子模块为模块i，其中i是正整数；
9.步骤(4)：通过x
train
和y
train
对模块1进行学习训练，再利用已经训练好的模块1，分别将训练输入x
train
和测试输入x
test
作为预测输入并对各自的输出值进行预测，x
train
和x
test
经过模块1预测后的输出结果分别为y
tpred1
和y
pred1
，模块1的两个输出误差e
1a
和e
1b
分别为：
10.e
1a
＝y
train-y
tpred1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
11.e
1b
＝y
test-y
pred1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
12.步骤(5)：模块2再次以x
train
和x
test
分别作为训练数据的输入和测试数据的输入，与模块1不同之处在于，模块2是将训练数据的输出设定为模块1其中的一个输出误差e
1a
，将
测试数据的输出设定为模块1的另一个输出误差e
1b
；通过x
train
和e
1a
对模块2进行训练，再利用已经训练好的模块2对x
train
和x
test
进行预测；x
train
和x
test
经过模块2预测后的输出结果分别为y
tpred2
和y
pred2
，模块2的两个输出误差e
2a
和e
2b
分别为：
13.e
2a
＝e
1a-y
tpred2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
14.e
2b
＝e
1b-y
pred2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
15.步骤(6)：通过连续不断地将上一级模块的输出误差作为本级模块的训练输出，而又将本级模块的输出误差作为下一级模块的训练输出，如此往复，当级联到模块n时，计算出模块n的两个输出误差e
na
和e
nb
分别为：
16.e
na
＝e
(n-1)a-y
tpredn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
17.e
nb
＝e
(n-1)b-y
predn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
18.步骤(7)：最终以|e
na
|《ε或|e
nb
|《ε作为自动拓展级联的长短期记忆网络预测步骤结束的判断条件，其中ε是用于限制输出误差范围的一个常数；若满足该判断条件，则自动终止模块级联进程，代表整个网络输出误差的值已满足设定要求；若不满足该判断条件，则继续下一模块级联步骤并计算出新的输出误差，直到最后一级模块的输出误差的绝对值小于设定的ε为止；
19.综合公式(1)-(6)得到：
[0020][0021][0022]
依据公式(7)和公式(8)，自动拓展级联的长短期记忆网络最终输出的预测结果能通过对各级模块输出的各项预测结果逐项求和得到，由此能求得第j个预测点的坐标(x
test(j)
,y
pred(j)
)，其中且j是正整数；
[0023]
步骤(8)：依据步骤(7)所得的发动机剩余寿命的初步预测结果，分析不同时段下发动机剩余寿命的变化特点，制定多条适用于不同时段特点的领域知识规则，并按顺序执行以下规则：
[0024]
规则1：如果y
pred(j)
》149.01，则令y
pred(j)
＝150；
[0025]
规则2：以9个预测值为一组数据，将该组预测值依次表示为y
pred(j)
,y
pred(j 1)
,
…
,y
pred(j 8)
；如果在y
pred(j)
,y
pred(j 1)
,
…
,y
pred(j 8)
当中存在某个预测值等于150，则令y
pred(j)
＝150；
[0026]
规则3：如果y
pred(j)
＝150且y
pred(j k-1)
＝150，则令y
pred(j 1)
＝150,y
pred(j 2)
＝150,
…
,y
pred(j k-2)
＝150，其中2《k《13且k为整数；
[0027]
规则4：如果y
pred(j)
《1.5，则令y
pred(j)
＝1；
[0028]
规则5：将所有的y
pred(j)
都按照四舍五入的方式进行整数化；
[0029]
规则6：在一组预测值当中，设这9个预测值对应的预测点的坐标分别为(x
test(j)
,y
pred(j)
),(x
test(j 1)
,y
pred(j 1)
),
…
,(x
test(j 8)
,y
pred(j 8)
)；如果y
pred(j)
《150,y
pred(j 1)
《150,
…
,y
pred(j 8)
《150且y
pred(j)
≥y
pred(j 1)
≥
…
≥y
pred(j 8)
，则能利用最小二乘法公式求得由9个预测点拟合成的直线方程l0：y＝ax b，其中：
[0030]
拟合直线的斜率
[0031]
代入点求得拟合直线的截距
[0032][0033]
拟合直线l0的方程为：其中，其中，
[0034]
m是正整数；
[0035]
将这9个预测点的横坐标值x
test(j)
,x
test(j 1)
,
…
,x
test(j 8)
代入拟合直线l0的方程来计算修正后的预测点的纵坐标值y
test(j)
,y
test(j 1)
,
…
,y
test(j 8)
，再将新的y
test(j)
,y
test(j 1)
,
…
,y
test(j 8)
四舍五入整数化；
[0036]
规则7：在一组预测值当中，第j个预测值为y
pred(j)
，第(j p)个预测值为y
pred(j p)
，如果y
pred(j)-y
pred(j p)
＝p，则将第j个预测值到第(j p)个预测值之间(p-1)个预测值按序设置为从y
pred(j)-1至y
pred(j)-(p-1)的递减，即令
[0037]ypred(j 1)
＝y
pred(j)-1
ꢀꢀꢀꢀ
(14)
[0038]ypred(j 2)
＝y
pred(j)-2
ꢀꢀꢀꢀ
(15)
[0039]ypred(j p-1)
＝y
pred(j)-(p-1)
ꢀꢀꢀꢀꢀꢀꢀ
(16)
[0040]
其中p＝3,4,
…
,9；
[0041]
步骤(9)：再次执行步骤(8)中的规则1和规则4，至此完成对发动机剩余寿命初步预测结果的修正，最终获得高精度的发动机剩余寿命预测曲线。
[0042]
本发明相对于现有技术具有如下的优点及效果：
[0043]
(1)本发明提出的自动拓展级联的长短期记忆网络通过多重子模块级联的连接方式，逐级将上一级模块的输出误差作为本级模块的训练输出，而又将本级模块的输出误差作为下一级模块的训练输出，这一特性可以有效降低预测网络的输出误差，提升了发动机剩余寿命的预测精度。
[0044]
(2)自动拓展级联的长短期记忆网络的级联结构的实质是类似于具有分组特性的网络宽度的增加，但是在计算时间方面，自动拓展级联的长短期记忆网络相比于纯粹增加网络宽度的方式，前者缩短了级联次数倍数的时间，这一特性保证了自动拓展级联的长短
期记忆网络在提升预测精度的同时也保证了良好的预测效率。
[0045]
(3)本发明在自动拓展级联的长短期记忆网络的基础之上，根据不同时段下的剩余寿命预测结果的特点制定了多条恰当的领域知识规则，这些规则对发动机剩余寿命的预测结果起到了关键的优化作用，极大提升了本发明方法的预测效果。
附图说明
[0046]
图1是本发明方法中所述的自动拓展级联的长短期记忆网络框架图。
[0047]
图2是本发明方法的发动机剩余寿命预测流程图。
具体实施方式
[0048]
本发明提出一种多时段规则级联记忆网络的发动机剩余寿命预测方法，结合附图详细说明如下：
[0049]
图1是本发明方法中所述的自动拓展级联的长短期记忆网络框架图。由图1所示，自动拓展级联的长短期记忆网络由多个相同结构的子模块逐级连接所构成，每个子模块均包含长短期记忆层、多个全连接层以及回归输出层。训练集数据以时间序列方式进行输入，并经归一化到0-1范围之内，而后经过长短期记忆层、全连接层、回归输出层的训练，得到训练完成的子模块。随后，利用训练完成的各级子模块对测试集数据进行预测，便可得到一系列数据的预测值。各级子模块的输出误差即为输出的预测值与真实值之差。在自动拓展级联的长短期记忆网络多重级联的结构之下，通过连续不断地将上一级模块的输出误差作为本级模块的训练输出，而又将本级模块的输出误差作为下一级模块的训练输出，使得最初子模块的输出误差在经过各级子模块的多次预测后逐渐减小。一旦整个网络最终的输出误差小于设定的某个值，则说明此时数据的预测值与真实值已经接近，便可自动结束子模块的拓展级联过程。
[0050]
图2是本发明方法的发动机剩余寿命预测流程图。该流程先是利用所提的自动拓展级联的长短期记忆网络对发动机的剩余寿命进行初步预测，而后再利用多条领域知识规则对初步预测结果进一步修正。图中指针变量i表示子模块的序号数，输入和输出每个子模块的训练及预测值均是时间序列数据。训练数据的输入为x
train
，输出记为y
train
；测试数据的输入为x
test
，输出记为y
test
。通过x
train
和y
train
对模块1进行学习训练，随后利用已经训练好的模块1，分别将训练输入x
train
和测试输入x
test
作为预测输入并对各自的输出值进行预测。x
train
和x
test
经过模块1预测后的输出结果分别为y
tpred1
和y
pred1
，由此可以计算出模块1的两个输出误差e
1a
和e
1b
。
[0051]
自模块2起，便开始将上一级模块的输出误差作为本级模块的训练输出，而又将本级模块的输出误差作为下一级模块的训练输出，如此往复。模块2首先通过x
train
和e
1a
对其进行训练，随后再对x
train
和x
test
进行预测。x
train
和x
test
经过模块2预测后的输出结果对应记为y
tpred2
和y
pred2
，同理便可计算出模块2的两个输出误差e
2a
和e
2b
。
[0052]
依此类推，依据上述思路可以计算出模块n的两个输出误差e
na
和e
nb
。最终以|e
na
|《ε或|e
nb
|《ε作为自动拓展级联的长短期记忆网络预测步骤结束的判断条件，其中ε是用于限制输出误差范围的一个常数。若满足该条件，则自动终止模块级联进程，代表整个网络的输出误差的值已满足设定要求；若不满足该条件，则继续下一模块级联步骤并计算出新的输
出误差，直到最后一级模块的输出误差的绝对值小于设定的ε为止。当级联终止时，自动拓展级联的长短期记忆网络的最终输出的预测结果可以通过对各级模块输出的各项预测结果逐项求和得到，由此便利用自动拓展级联的长短期记忆网络实现了对发动机剩余寿命的初步预测。
[0053]
完成对发动机剩余寿命的初步预测后，依据不同时段下发动机剩余寿命的变化特点，制定出7条领域知识规则对发动机剩余寿命的初步预测结果进行修正，使得最终得到的发动机剩余寿命的预测结果更加接近于其真实值，由此便实现了本发明方法对发动机剩余寿命的最终预测。
[0054]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。