一种基于混合模型的发动机剩余使用寿命预测方法及装置

1.本发明涉及航空发动机故障预测与健康管理领域，尤其涉及一种基于混合模型的发动机剩余使用寿命预测方法及装置。


背景技术：

2.随着制造业以及工业系统的成熟，各种机械装备和设备对于各个行业来说都有非常重要的作用。航空发动机作为飞机的关键性部件，如果运行过程中如果突然出现故障，那么将会引发巨大的灾难。设备的预测健康管理技术(phm)便是对设备一种很好的管理方案。航空发动机的剩余使用寿命预测就是phm技术中十分重要的一种。
3.为了获取设备的剩余使用寿命，常用的剩余使用寿命预测方法大致分为三种：基于传统物理模型的方法；数据驱动的方法；将两种混合的方法。由于基于物理模型的方法难以给出精确地预测结果，混合的方法难以实施，因此多采用数据驱动的方法。然而，现有的数据驱动的方法主要是由深度学习的模型，学习处理传感器数据进而得到预测结果，预测精度有限。
4.因此，现有技术中存在发动机剩余使用寿命预测精度低的问题。


技术实现要素：

5.有鉴于此，有必要提供一种基于混合模型的发动机剩余使用寿命预测方法及装置，用以解决现有技术中发动机剩余使用寿命预测精度低的问题。
6.为了解决上述问题，本发明提供一种基于混合模型的发动机剩余使用寿命预测方法，包括：
7.获取样本发动机的多组传感器数据样本；
8.建立初始混合模型，其中，初始混合模型包括第一模型和第二模型；将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二剩余寿命样本为输出，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，迭代训练至第一预设次数，确定训练完备的目标混合模型；
9.将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型，以样本发动机的剩余使用寿命为输出，迭代训练至第二预设次数，得到训练完备的目标线性回归模型；
10.获取待测发动机的多组传感器数据，基于目标混合模型和目标线性回归模型，确定待测发动机的剩余使用寿命。
11.进一步地，将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二剩余寿命样本为输出，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，迭代训练至第一预设次数，确定训练完备的目标混合模型，包括：
12.将多组传感器数据样本分成k份，分别输入至第一模型和第二模型，其中，k-1份以
对应的第一剩余寿命样本/第二剩余寿命样本为输出，剩余一份以初始第一预测剩余寿命样本/初始第二预测剩余寿命样本为输出，通过堆叠集成进行k-fold交叉验证，迭代计算至第一预设次数，确定多组传感器数据样本对应的初始第一预测剩余寿命样本/初始第二预测剩余寿命样本；
13.根据初始第一预测剩余寿命样本/初始第二预测剩余寿命样本，通过求平均操作，确定多组传感器数据样本的第一预测剩余寿命样本和第二预测剩余寿命样本。
14.进一步地，第一模型包括依次连接的第一输入层、第一注意力机制模块、时间卷积神经网络模块、第一全连接层和第一输出层。
15.进一步地，第二模型包括依次连接的第二输入层、卷积神经网络模块、双向门控循环神经网络模块、第二注意力机制模块、第二全连接层和第二输出层。
16.进一步地，获取样本发动机的多组传感器数据样本，包括：
17.获取样本发动机的多组传感器数据初始样本，剔除异常值，得到多组传感器特征样本；
18.对多组传感器特征样本进行归一化处理，得到处理完成的多组传感器数据样本。
19.进一步地，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，包括：
20.通过分段线函数对第一预测剩余寿命初始样本/第二预测剩余寿命初始样本进行处理，得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本。
21.进一步地，得到训练完备的目标线性回归模型，还包括：
22.建立评价指标，对线性回归模型的测试结果进行评价；
23.根据评价结果，调整线性回归模型的相关参数，得到训练完备的目标线性回归模型。
24.为了解决上述问题，本发明还提供一种基于混合模型的发动机剩余使用寿命预测装置，包括：
25.样本获取模块，用于获取样本发动机的多组传感器数据样本；
26.混合模型获取模块，用于建立初始混合模型，其中，初始混合模型包括第一模型和第二模型；将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二剩余寿命样本为输出，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，迭代训练至第一预设次数，确定训练完备的目标混合模型；
27.线性回归模型获取模块，用于将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型，以样本发动机的剩余使用寿命为输出，迭代训练至第二预设次数，得到训练完备的目标线性回归模型；
28.剩余使用寿命确定模块，用于获取待测发动机的多组传感器数据，基于目标混合模型和目标线性回归模型，确定待测发动机的剩余使用寿命。
29.为了解决上述问题，本发明还提供一种存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如前文所述的基于混合模型的发动机剩余使用寿命预测方法。
30.采用上述技术方案的有益效果是：本发明提供一种基于混合模型的发动机剩余使用寿命预测方法及装置，该方法包括：根据样本发动机的传感器数据样本分别训练初始混
合模型中的第一模型和第二模型，确定训练完备的目标混合模型；然后，经过堆叠集成技术，得到样本发动机的传感器数据样本的第一预测剩余寿命和第二预测剩余寿命；接下来，将第一预测剩余寿命和第二预测剩余寿命分别输入至初始线性回归模型，经过训练得到训练完备的目标线性回归模型；最后，基于目标混合模型和目标线性回归模型，预测待测发动机的剩余使用寿命。本技术中，通过设置由多个模型组成的混合模型，并且利用堆叠集成技术预测发动机的剩余使用寿命，实现从多个角度、多个方向对发动机的剩余使用寿命进行预测，提高了发动机的剩余使用寿命的可信度，然后，由线性回归模型将混合模型中的多个预测结果进行有机合并，对每个单一的模型的预测结果进行了权重再分配，降低了对某个预测结果的依赖，提高了预测结果的精度。
附图说明
31.图1为本发明提供的基于混合模型的发动机剩余使用寿命预测方法一实施例的流程示意图；
32.图2为本发明提供的第一模型一实施例的结构示意图；
33.图3为本发明提供的第二模型一实施例的结构示意图；
34.图4为本发明提供的基于混合模型的发动机剩余使用寿命预测装置的结构示意图；
35.图5为本发明提供的电子设备一实施例的结构框图。
具体实施方式
36.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
37.在陈述实施例之前，先对注意力机制、卷积神经网络、时间卷积神经网络、循环神经网络进行阐述：
38.注意力机制是能够使得神经网络具备专注于其输入(或特征)子集的一种机制，能够实现选择特定的输入。注意力可以应用于任何类型的输入，在计算能力有限情况下，注意力机制(attention mechanism)是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。
39.其中，注意力一般分为两种：一种是自上而下的有意识的注意力，称为聚焦式(focus)注意力，聚焦式注意力是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力；另一种是自下而上的无意识的注意力，称为基于显著性(saliency-based)的注意力，基于显著性的注意力是由外界刺激驱动的注意，不需要主动干预，也和任务无关。如果一个对象的刺激信息不同于其周围信息，一种无意识的“赢者通吃”(winner-take-all)或者门控(gating)机制就可以把注意力转向这个对象。不管这些注意力是有意还是无意，大部分的人脑活动都需要依赖注意力，比如记忆信息，阅读或思考等。
40.卷积神经网络(cnn)是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受野，其二是权值共享，其三是pooling层，能够有效减少神经网络的参数个数，缓解模型的过拟合问题。
41.时间卷积神经网络(temporal convolutional networks)从一个卷积序列预测的
一般架构开始，不是一个架构，而是一种类型的架构。tcn网络的特性包括：1.卷积中的关系是因果关系，意味着不存在从未来到过去的信息。2.这个架构可以用任意长的序列作为输入并映射到相同长度的输出上。3.使用残差层和空洞卷积技术。
42.循环神经网络(recurrent neural network,rnn)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
43.在循环神经网络中的梯度计算方法中，当时间步数较大或者时间步较小时，循环神经网络的梯度较容易出现衰减或爆炸。因此，循环神经网络在实际中较难捕捉时间序列中时间步距离较大的依赖关系。
44.门控循环神经网络(gated recurrent neural network)的提出，能够更好地捕捉时间序列中时间步距离较大的依赖关系。它通过可以学习的门来控制信息的流动。其中，门控循环单元(gatedrecurrent unit，gru)是一种常用的门控循环神经网络。
45.目前，为了预测发动机的剩余使用寿命，一般采用深度学习的方式训练神经网络模型，然后利用训练完备的神经网络模型预测发动机的剩余使用寿命。
46.然而，由于每个单一的深度学习模型本身的构造不同，重点关注的数据特征不同，因此，现有技术中预测精度有限，存在发动机剩余使用寿命预测精度低的问题。
47.为了解决现有技术中，单一的深度学习神经网络进行发动机剩余使用寿命预测时精度低的问题，本发明提供了一种基于混合模型的发动机剩余使用寿命预测方法、装置、电子设备及存储介质，以下分别进行详细说明。
48.如图1所示，图1为本发明提供的基于混合模型的发动机剩余使用寿命预测方法一实施例的流程示意图，包括：
49.步骤s101：获取样本发动机的多组传感器数据样本。
50.步骤s102：建立初始混合模型，其中，初始混合模型包括第一模型和第二模型；将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二剩余寿命样本为输出，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，迭代训练至第一预设次数，确定训练完备的目标混合模型。
51.步骤s103：将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型，以样本发动机的剩余使用寿命为输出，迭代训练至第二预设次数，得到训练完备的目标线性回归模型。
52.步骤s104：获取待测发动机的多组传感器数据，基于目标混合模型和目标线性回归模型，确定待测发动机的剩余使用寿命。
53.本实施例中，首先，获取样本发动机的多组传感器数据样本，为了提高模型的训练水平，传感器数据样本的数量应尽可能地多；其次，建立初始混合模型，其中，初始混合模型包括第一模型和第二模型；将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二预测寿命样本为输出，训练第一模型和第二模型，再通过堆叠集成得到多组传感器数据样本对应的第一预测剩余寿命样本和第二预测剩余寿命样本，迭代训练至第一预设次数，得到训练完备的第一模型和第二模型，从而确定训练完备的目标混合模型；然后，将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型，以样本发动机的剩余使用寿命为输出，迭代训练至第二预设次数，得到训练完备的目标线性回
归模型；最后，为了确定待测发动机的剩余使用寿命，将待测发动机的多组传感器数据输入至训练完备的目标混合模型，分别得到第一预测剩余寿命和第二预测剩余寿命；然后将第一预测剩余寿命和第二预测剩余寿命分别输入至目标线性回归模型，便能够确定待测发动机的剩余使用寿命。
54.可以理解的是，上述实施例中利用堆叠集成技术，根据待测发动机的多组传感器数据得到对应的第一预测剩余寿命和第二预测剩余寿命，由于堆叠集成技术在使用的过程中，遍历了所有传感器数据，且迭代计算多次，并且还对多次预测的结果求均值，因此，利用堆叠集成得到的第一预测剩余寿命和第二预测剩余寿命具有较高的精度；进一步地，利用目标线性回归模型，根据第一预测剩余寿命和第二预测剩余寿命确定待测发动机最终的剩余使用寿命，不仅有效利用了第一模型和第二模型的预测效果，并且对第一模型和第二模型的预测效果进行了有机分配和优化，提高了最终获取的待测发动机剩余使用寿命的精度。
55.综上，为了提高预测结果的精度，本实施例中基于堆叠集成技术，得到的第一预测剩余寿命/第二预测剩余寿命可靠性高；另外，利用目标线性回归模型将两个模型的预测结果进行了权重再次分配，降低了对某个预测结果的依赖，提高了预测结果的精度。
56.作为优选的实施例，在步骤s101中，获取样本发动机的多组传感器数据样本，包括：
57.首先，获取样本发动机的历史失效数据，剔除异常值，得到传感器特征变化样本；然后，对传感器特征变化样本进行归一化处理，得到多组传感器数据样本。
58.在一具体实施例中，获取样本发动机的历史失效数据，罗列出所有传感器数据，剔除没有发生变化的传感器数据，得到传感器特征变化样本；也就是说，将历史失效数据中未发生变化的传感器数据剔除，便得到了传感器特征变化样本。
59.进一步地，还需要对传感器特征变化样本进行归一化处理，从而得到传感器数据样本。本实施例中采用min-max归一化的方法，将特征数据放缩到[0,1]范围内，具体公式如下：
[0060][0061]
其中x
normal
是归一化后的数据，xi是第i个特征序列中的值，minxi是特征序列中的最小值，maxxi是特征序列中的最大值。
[0062]
本实施例中，通过对传感器特征变化样本进行归一化处理，不仅能够消除奇异样本数据导致的不良影响，并且能够减小计算的难度，有助于提高预测精度。
[0063]
作为优选的实施例，在步骤s102中，将多组传感器数据样本分别输入第一模型和第二模型后，通过堆叠集成进行k-fold进行交叉验证，确定第一预测剩余寿命样本和第二预测剩余寿命样本。
[0064]
也就是将多组传感器数据样本分成k份，分别输入至第一模型/第二模型，其中，k-1份以对应的第一剩余寿命样本/第二剩余寿命样本为输出，剩余一份以初始第一预测剩余寿命样本/初始第二预测剩余寿命样本为输出，通过堆叠集成进行k-fold交叉验证，迭代计算至第一预设次数，确定多组传感器数据样本对应的初始第一预测剩余寿命样本/初始第
二预测剩余寿命样本；
[0065]
根据初始第一预测剩余寿命样本/初始第二预测剩余寿命样本，通过求平均操作，确定多组传感器数据样本的第一预测剩余寿命样本和第二预测剩余寿命样本。
[0066]
在一具体实施例中，k的取值可以是5，在其他实施例中，k在理论上可以取任意非零正整数。
[0067]
进一步地，在得到可靠性较高的第一预测剩余寿命样本和第二预测剩余寿命样本后，由于发动机剩余使用寿命有阈值区间，因此，为了符合实际问题，还需要对第一预测剩余寿命样本和第二预测剩余寿命样本进行修正。
[0068]
在一具体实施例中，通过分段函数对预测剩余寿命样本进行修正，发动机剩余使用寿命有最大值设置为130，分段线函数公式如下：
[0069][0070]
其中，rul是修正后的预测剩余寿命样本，rul
real
是预测剩余寿命样本的真实值，130是最大值。
[0071]
优选地，第一模型包括第一注意力机制、时间卷积神经网络和第一全连接层。如图2所示，图2为本发明提供的第一模型一实施例的结构示意图，第一模型200包括依次连接的第一输入层201、第一注意力机制模块202、时间卷积神经网络模块203、第一全连接层204和第一输出层205。
[0072]
进一步地，时间卷积神经网络模块203包括扩展因果卷积、权重初始化、relu激活层、丢弃层和卷积层，卷积层是1*1的卷积层；第一全连接层204包括两层全连接层。
[0073]
在一具体实施例中，将多组传感器数据样本输入至第一输入层201，首先，经过第一注意力机制模块202处理，增加对重点的传感器数据样本特征的关注，实现提高第一模型200的鲁棒性；其次，时间卷积神经网络模块203的组成主要是残差网络和扩展因果卷积，经过扩展因果卷积对传感器数据样本进行特征提取，而残差模块增加了模型的感受野，提升了模型的学习能力，通过学习传感器数据样本中的传感器特征，提取传感器数据样本的传感器特征，使第一模型200能够更好地学习传感器特征与发动机剩余使用寿命的依赖关系，其中，时间卷积神经网络模块203的激活函数为relu函数；接下来，经过第一全连接层204，将学习的结果映射出来，也就是样本发动机剩余使用寿命的预测值，其中，第一层第一全连接层204的激活函数为relu函数，第二层第一全连接层204的激活函数为linear函数；最后，由第一输出层205输出样本发动机剩余使用寿命的预测值。
[0074]
在一具体实施例中，时间卷积神经网络模块203的计算公式为：
[0075][0076]
其中，是一维序列输入，是一个滤波器，d是膨胀因子，k是滤波器的大小，s-d
·
i说明了过去的方向。
[0077]
优选地，第二模型包括卷积神经网络、双向门控循环神经网络、第二注意力机制和第二全连接层。如图3所示，图3为本发明提供的第二模型一实施例的结构示意图，第二模型
300包括依次连接的第二输入层301、卷积神经网络模块302、双向门控循环神经网络模块303、第二注意力机制模块304、第二全连接层305和第二输出层306。
[0078]
进一步地，卷积神经网络模块302包括卷积层和池化层；双向门控循环神经网络模块303包括前向blstm和反向blstm，第二全连接层305包括两层全连接层。
[0079]
在一具体实施例中，将多组传感器数据样本输入至第二输入层301，首先，经过卷积神经网络模块302的卷积层和池化层，提取传感器的特征；其次，双向门控循环神经网络模块303基于传感器的特征，能够快速地学习传感器的特征与标签之间的关系，明确传感器数据有关序列的时间依赖性；然后，经过第二注意力机制模块304处理，实现关注与预测发动机剩余使用寿命更加相关的特征；最后，经过第二全连接层305，映射学习的结果，也就是样本发动机剩余使用寿命的预测值；最后，由第二输出层306输出样本发动机剩余使用寿命的预测值。
[0080]
其中，卷积神经网络模块302采用的激活函数为tanh函数，双向门控循环神经网络模块303采用的激活函数为relu函数，第一层第二全连接层305的激活函数为relu函数，第二层第二全连接层305的激活函数为linear函数。
[0081]
本实施例中，基于卷积神经网络模块302，能够实现快速提取到样本发动机的传感器数据特征，基于双向门控循环神经网络模块303，能够实现快速收敛，基于第二注意力机制模块304，能够提高预测结果的鲁棒性，因此，第二模型300能够得到较优的样本发动机剩余使用寿命的预测结果。
[0082]
在一具体实施例中，卷积神经网络模块302的计算公式为：
[0083][0084]
其中，f是生成的特征，u是输入的特征，k代表卷积核，b是偏置项，是激活函数。
[0085]
在一具体实施例中，双向门控循环神经网络模块303的计算公式为：
[0086][0087][0088][0089]
其中，g(.)是内部网络函数，w
t
,v
t
是在时间t的前向blstm输出和反向blstm输出的权重，b
t
是输出层的偏差，h
t
表示t时刻单元状态，x
t
表示t时刻输入，表示t-1时刻前向单元状态，表示t-1时刻后向单元状态。
[0090]
在一具体实施例中，第二注意力机制模块304的计算公式为：
[0091]at
＝tanh(wah
t
b)
[0092]
[0093][0094]
其中，wa是权重矩阵，b是偏置项，h
t
代表输入，a
t
代表输入的归一化结果，c
t
代表注意力机制。
[0095]
在得到训练完备的第一模型和第二模型后，还可以对第一预测剩余寿命样本和第二预测剩余寿命样本进行修正。一般情况下，由于第一模型和第二模型不完全相同，因此，第一预测剩余寿命样本和第二预测剩余寿命样本不相等。
[0096]
在其他实施例中，混合模型还可以包括其他数量的多个其他种类的模型，同时对发动机的剩余寿命进行预测，对应得到多个预测结果。
[0097]
进一步地，为了有效地利用第一模型和第二模型，统一发动机的剩余寿命预测结果，提高预测结果的精度，本技术中还利用线性回归(linear regression)模型作为学习器，将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型中，以样本发动机的剩余使用寿命为输出，迭代训练线性回归模型至第二预设次数，得到训练完备的目标线性回归模型。
[0098]
为了检验根据线性回归模型的预测结果的精度，还建立评价指标对预测结果进行评价，其中，评价指标如下：
[0099][0100][0101]
其中，n表示样本发动机总数，表示第i个样本发动机预测值与真实值的误差。
[0102]
最后，为了详细清楚地说明通过训练完备的目标混合模型和线性回归模型，根据待测发动机的多组传感器数据得到其剩余使用寿命的过程，本技术通过以下具体实施例进行说明。
[0103]
本实施例中选择nasa提供的关于航空发动机的c-mpass数据集进行说明。c-mpass数据集是一个广泛用于rul预测的涡扇发动机数据集。它有四个子数据集(fd001到fd004)，每个子数据集都有不同工况和故障模式下涡扇发动机的历史数据。本实施例使用第一个子数据集(fd001)，它有100台发动机的退化数据。
[0104]
首先，列出上述数据集中传感器数据的变化，包括21个传感器数据和3个操作参数，编号1，5，10，16，18，19的传感器数据没有发生变化，第三个操作参数也没有变化，所以舍弃掉这些参数，将发动机当前运行周期作为选择的特征之一。
[0105]
其次，通过采用min-max归一化的方法，将特征数据放缩到[0,1]范围内；采用分段线函数对发动机剩余使用寿命进行修正，设置分段线函数阈值为130。
[0106]
然后，根据待测发动机的运行周期，将传感器数据进行切割，构建不同大小的滑动时间窗口，本实施例中选择30，60，90，120作为时间窗大小的切割标准，将传感器数据分割为不同的数据集。
[0107]
接下来，将数据集分别输入至第一模型和第二模型，分别得到第一预测剩余寿命和第二预测剩余寿命，通过集成学习中堆叠集成框架对第一模型和第二模型进行k-fold交叉验证，得到新的训练集和测试集。
[0108]
最后，由线性回归模型作为最终学习器，将得到的新的训练集和测试集输入最终学习器，得到待测发动机的剩余使用寿命。
[0109]
进一步地，还可以通过对比本方法与其他方法的预测准确率，评价本方法的效果，本方法与其他方法的rmse以及score评价结果，如下表所示：
[0110][0111][0112]
综上，通过本发明提供的基于混合模型的发动机剩余使用寿命预测方法，能够准确地预测发动机的剩余使用寿命。通过上表可以看出，本方法的性能指标远远好于其他方法。本发明通过构建多个模型对数据进行学习，再对模型学习后的结果进行再学习，进一步提高了预测结果的精确度。
[0113]
为了解决上述问题，本发明还提供了一种基于混合模型的发动机剩余使用寿命预测装置，如图4所示，图4为本发明提供的基于混合模型的发动机剩余使用寿命预测装置的结构示意图，基于混合模型的发动机剩余使用寿命预测装置400包括：
[0114]
样本获取模块401，用于获取样本发动机的多组传感器数据样本；
[0115]
混合模型获取模块402，用于建立初始混合模型，其中，初始混合模型包括第一模型和第二模型；将多组传感器数据样本分别输入至第一模型/第二模型，以第一剩余寿命样本/第二剩余寿命样本为输出，通过堆叠集成得到多组传感器数据样本的第一预测剩余寿命样本/第二预测剩余寿命样本，迭代训练至第一预设次数，确定训练完备的目标混合模型；
[0116]
线性回归模型获取模块403，用于将第一预测剩余寿命样本和第二预测剩余寿命样本输入至初始线性回归模型，以样本发动机的剩余使用寿命为输出，迭代训练至第二预
设次数，得到训练完备的目标线性回归模型；
[0117]
剩余使用寿命确定模块404，用于获取待测发动机的多组传感器数据，基于目标混合模型和目标线性回归模型，确定待测发动机的剩余使用寿命。
[0118]
本发明还相应提供了一种电子设备，如图5所示，图5为本发明提供的电子设备一实施例的结构框图。电子设备500可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。电子设备500包括处理器501以及存储器502，其中，存储器502上存储有基于混合模型的发动机剩余使用寿命预测程序503。
[0119]
存储器502在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器502在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器502还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器502用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，基于混合模型的发动机剩余使用寿命预测程序503可被处理器501所执行，从而实现本发明各实施例的基于混合模型的发动机剩余使用寿命预测方法。
[0120]
处理器501在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如执行基于混合模型的发动机剩余使用寿命预测程序等。
[0121]
本实施例还提供了一种计算机可读存储介质，其上存储有基于混合模型的发动机剩余使用寿命预测程序，计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于混合模型的发动机剩余使用寿命预测方法。
[0122]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0123]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。