一种基于长短期记忆网络的航空发动机寿命预测方法技术

本发明专利技术公开了一种基于长短期记忆网络的航空发动机寿命预测方法，将发动机的历史数据分为训练集、测试集和验证集；给训练集中航空发动机的每个周期添加剩余寿命标签并进行预处理；设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型并训练；将测试集的数据放入训练的模型中得出测试集在模型训练中MAE值和MSE值；将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比，得出相应的拟合优度验证预测的准确度和方法的可行性；将准确率最高的模型进行封装放到一个计算单元中，同时预测结果可视化。本发明专利技术所设置的神经网络移植性高、预测速度快、预测精度高且预测过程和结果完全可以可视化，操作方便简单。

【技术实现步骤摘要】
一种基于长短期记忆网络的航空发动机寿命预测方法
本专利技术属于
，具体涉及一种基于长短期记忆网络的航空发动机寿命预测方法。
技术介绍
航空发动机作为飞机的核心部件，其稳定性和可靠性直接决定了飞机的安全性能。因此，每次飞机起飞前都必须对发动机进行仔细的检测和维修，但是这种维修方式无疑在一定程度上增加了航空公司的运营成本。为了确保飞机可以安全飞行，并且降低飞机的维护成本，英国CAA在十九世纪八十年代提出了故障预测和健康管理(PrognosticsandHealthManagement,PHM)。而对剩余寿命(RemainingUsefulLife,RUL)定义是从当前点到设备出现故障的时间段。如果可以提前并准确预测航空发动机剩余寿命，则可以根据航空发动机的剩余寿命进行合理的维修和更换，减少对零件的无效维护次数，从而降低运营成本，并且提高航空发动机的可靠性。现如今对剩余寿命进行预测的方法主要可以分为三类：基于物理模型方法、数据驱动方法以及两者结合的方法。由于航空发动机退化模型较为复杂，各零部件之间关系紧密，耦合度高，很难精确建立本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，包括以下步骤：/nS1、将发动机的历史数据分为训练集、测试集和验证集；/nS2、给训练集中航空发动机的每个周期添加剩余寿命标签；/nS3、对步骤S1和步骤S2的数据进行预处理；/nS4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型，训练模型；/nS5、将测试集的数据放入步骤S4训练出的模型中，得出测试集在模型训练中MAE值和MSE值；/nS6、经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命，将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比，得出相应的拟合优度R

【技术特征摘要】
1.一种基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，包括以下步骤：
S1、将发动机的历史数据分为训练集、测试集和验证集；
S2、给训练集中航空发动机的每个周期添加剩余寿命标签；
S3、对步骤S1和步骤S2的数据进行预处理；
S4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型，训练模型；
S5、将测试集的数据放入步骤S4训练出的模型中，得出测试集在模型训练中MAE值和MSE值；
S6、经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命，将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比，得出相应的拟合优度R2验证预测的准确度和方法的可行性；
S7、将准确率最高的模型进行封装放到一个计算单元中，将预测结果可视化。


2.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，步骤S1中，训练集中的数据为发动机从初始状态一直运行到出现故障时的各个传感器数据和运行时长；测试集中的数据为发动机从初始状态运行到随机停止的某一时刻的各个传感器数据和运行时长；验证集中的数据只有测试集中未运行完的时长。


3.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，步骤S2中，剩余寿命标签是从每个航空发动机运行周期中选取对应周期中的最大值，然后添加到航空发动机标号之前，开始依次递减，直到递减到0，标志着一个周期运行结束。


4.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，步骤S3中，采用归一化中的线性函数归一化，使参数全为(0,1)之间的小数，数据集中的每个发动机都包含24个传感器数据和3个条件设置数据，将27个参数进行预处理。


5.根据权利要求1所述的基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，步骤S4中，将经过步骤S3数据归一化与添加剩余寿命标签后的训练集作为卷积神经网络的输入，在经过CNN构建和参数调试后，提取出数据特...

【专利技术属性】
技术研发人员：李杰，贾渊杰，朱玮，李润然，张志新，孙姣姣，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61