【技术实现步骤摘要】
基于CBAM模型的航空发动机剩余寿命预测方法
本专利技术是涉及航空发动机剩余寿命(RemainingUsefulLife,RUL)预测方法，特别是涉及由差分技术生成新的特征，嵌入同时考虑空间和通道注意力机制的CBAM(convolutionalblockattentionmodule)模块的CNN(ConvolutionalNeuralNetwork)网络，在此基础上所构建的集成CBAM模块的并行CNN模型用来预测航空发动机的剩余寿命，属于故障预测与健康管理(PrognosticsandHealthManagement,PHM)领域。
技术介绍
作为飞行器的“心脏”，航空发动机的健康状况直接决定了飞行与旅客安全，但其长时间所处的高温、高压、极寒等极端工作环境，又不断挑战其性能状况。因此，如何对航空发动机进行健康管理，确保其可靠性和安全性一直是行业界的关注焦点，其中，剩余寿命预测是健康管理中最具挑战的核心关键技术。然而，作为高精密度技术器件，航空发动机具有错综复杂的内部结构、自身的耦合作用以及极端的外部环境，难以通过简单的单变...
【技术保护点】
1.基于CBAM模型的航空发动机剩余寿命预测方法，其特征在于，包括：/n步骤一，获取历史航空发动机失效数据，形成训练集X
【技术特征摘要】 【专利技术属性】
20191104 CN 20191106423751.基于CBAM模型的航空发动机剩余寿命预测方法，其特征在于，包括：
步骤一，获取历史航空发动机失效数据，形成训练集XL×V，其中，L＝L1+L2+…+LN表示N个航空发动机样本总的运行轨迹长度，N表示航空发动机样本个数，Ln表示第n个航空发动机样本的监测轨迹长度，n＝1,2,…,N，V表示航空发动机中传感器的个数；
步骤二，对V个监测变量进行特征选择，得到F个监测变量，对应的训练集降维为XL×F；对F个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：
其中，表示第n个发动机信号j的第i个时刻的原始数据，是标准化后的值，而和分别表示信号j的最大值和最小值；
然后，将标准化后的变量做差分运算生成新的变量，和原始特征共同组成航空发动机性能退化的数据矩阵XL×2F，且d阶差分运算的计算公式如下：
步骤三，构建嵌入CBAM模块的并行CNN网络架构
首先，建立监测变量X和剩余寿命RUL之间的映射关系，表示如下：
f:X→RULi.e.,RUL(t)＝f(Xt-s+1,Xt-s+2,…,Xt)；
其中，t表示时刻，s表示时间步，Xi,i＝t-s+1,…,t表示时刻i所对应的监测数据，其长度为2F的向量形式；
在对航空发动机剩余寿命预测时，在基础CNN网络嵌入CBAM模块，通过对由常规卷积运算得到的特征图在通道注意力和空间注意力两个角度赋权重的方式来凸显有价值特征信息并弱化无用或噪声信息；由于所收集到的数据来自于多个不同传感器监测到的时序数据，考虑到不同特征的差异性，在CNN中的卷积运算采用一维卷积运算，以对同一特征上的数据才进行聚合操作，具体阐述如下：
确定输入的1维序列数据是x＝[x1,x2,…,xN]，其中N表示序列长度，卷积层中的卷积运算定义为滤波器内核w，和串联向量的乘法运算，表示如下
其中，输出zi是由卷积核w学得的特征，表示非线性激活函数，b表示偏置，*T表示转置操作，表示一个从第i个数据点开始的窗口长度为FL的序列数据，由表示的如下数据连接操作：
将经第j个卷积核操作后得到的特征图表示为：
其中，表示第j个卷积核对序列进行非线性操作后的向量形式的输出；
在基础CNN后面接上CBAM模块，包括通道注意力和空间注意力两个维度；对于一个中间层的特征图CBAM将顺序得到1维的通道注意力图和2维的空间注意力图整个过程如下所示：
技术研发人员：牛彩云，葛冰峰，姜江，叶燕清，陈英武，郭波，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。