一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113869563A(43)申请公布日2021.12.31(21)申请号202111072257.4G06F16/26(2019.01)(22)申请日2021.09.14(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号(72)发明人王华庆林天骄宋浏阳郭旭东(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人沈波(51)Int.Cl.G06Q10/04(2012.01)G06F30/27(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F16/2457(2019.01)权利要求书3页说明书9页附图4页(54)发明名称一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法(57)摘要本发明公开了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，(1)利用迁移学习的思想，构建了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法；(2)利用分类任务驱动得到卷积神经网络作为源域模块提取故障特征(3)利用剩余寿命预测任务驱动的长短时记忆网络作为目标域模块实现剩余寿命预测(4)构建特殊的损失函数完成源域故障特征迁移至目标域的过程，有效地提高了剩余寿命预测的精度；(5)固定训练成功的目标域模块参数，输入待预测的实时数据即可获得可视化的剩余寿命预测结果。通过与其他传统机器学习方法进行对比，本发明预测精度高，有较大的实际应用意义。CN113869563ACN113869563A权利要求书1/3页1.基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：实现该方法的单元模块包括数据采集及预处理模块、源域模块、目标域模块和剩余寿命预测结果输出模块；由数据采集与预处理模块对故障信号进行采集和预处理，随后将信号以源域数据集和目标域数据集的形式分别输入到源域模块，源于模块的故障特征学习结果将迁移到目标域模块，辅助目标域模块的训练；目标域模块的训练结果输入到剩余寿命预测结果输出模块，最终输出预测的剩余寿命。2.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：数据采集及预处理模块中具体实施方法如下：步骤1.1通过N个不同变量的监测传感器获取历史航空发动机失效全寿命周期数据，设每个监测通道共采集到L个数据点；然后对N个监测变量进行筛选，得到M个与故障特征相关的变量，并按照筛选后的变量形成多维的监测数据，此时的数据集大小应为XL×M；步骤1.2对上述监测数据进行归一化处理，将其归一化至[0,1]之间，避免了负值对于数据处理的影响，具体计算公式为：其中Xt为当前时刻的原始数据，Xnorm为当前时刻归一化处理后的数据，Xmax、Xmin分别为所有原始数据中的最大值和最小值；步骤1.3通过滑动窗口采样的方法将上述处理后的数据制作成样本集；设置一个大小为W×M、步长为1的滑动窗口，依序对每台发动机的时间序列进行采样，最终将整个时间序列分割成L‑W+1个样本，每个样本的大小即为窗口大小，按照样本时间所对应的剩余寿命标注标签；该样本集即为目标域输入样本，并按照1:4的比例划分测试集和训练集；步骤1.4根据数据集本身的故障特征分布情况，选取目标域输入样本中的前n个样本和后n个样本生成新的样本集，按照“故障”、“正常”两种情况标注标签；该样本集即为源域输入样本，并按照1:4的比例划分测试集和训练集。3.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：源域模块中具体实施方法如下：步骤2.1搭建用于进行故障特征提取的卷积神经网络模型作为源域模块，该网络包括一个输入层，四个卷积层，三个池化层，后接两个全连接层和一个输出层，对航空涡扇发动机数据进行故障特征提取和类型识别，最终输出判断此时发动机是否发生故障的概率值作为识别结果；其中，第一层卷积层采用膨胀卷积的方法，表达式如下：上式的具体含义为：当输入为一维信号x(i)时(i表示第i个数据)，通过一个长度为k的膨胀卷积层w(k)后得到输出y(i)，参数d为膨胀大小，即卷积核中相邻节点的距离；步骤2.2采用交叉熵函数作为该模型训练的损失函数，用以表征判断值与实际值的差值分布，表达式如下：2CN113869563A权利要求书2/3页其中，m表示样本的总数，ytrue为该样本真实的标签，ypred为第四层的输出；步骤2.3将源域输入样本集输入源域模型输入层，使用自适应矩阵估计优化器对整个网络的参数进行更新，具体步骤如下：其中，下标t表示当前步长，θt为经过优化器更新后当前步长下的参数，ρ是当前指数衰减率的估值，η为学习率，可通过设置η的初始值来调整网络训练的速度和精度；gt表示当前‑8步长的梯度，st为关于参数的