基于改进的CNN模型的航空发动机剩余寿命预测方法技术

本发明专利技术提供基于改进的CNN模型的航空发动机剩余寿命预测方法，属于故障预测与健康管理(Prognostics and Health Management,PHM)领域。首先对航空发动机退化特征进行一阶差分计算得到(新的)差分特征，并和原始特征一起来表征其退化。接着，通过在并行的CNN网络中嵌入SE模块来增强由卷积运算得到的有效特征并抑制无效特征或噪声的影响，从而提出改进的CNN模型。按照退化特征和剩余寿命之间的映射关系来构建样本的输入和输出，并用于训练模型。最后，对于在役航空发动机，按照同样的方式构建出测试样本的输入，形成测试集并输入到训练好的预测模型中，得到在役航空发动机的剩余寿命预测值。本发明专利技术所提出的方法计算过程简单有效，且预测精度很高。

【技术实现步骤摘要】
基于改进的CNN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、通过嵌入SE(Squeeze-and-Excitation)模块来对CNN(ConvolutionalNeuralNetwork)网络不同通道提取的特征进行校准，在此基础上所构建的改进的并行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
在经济可承受性和维修保障模式改革需求的牵引下，PHM已成为航空发动机健康管理重点研究的关键技术之一。作为PHM的重要研究内容，剩余寿命预测旨在通过预知故障发生时刻以便提前采取恰当的维修措施，并最终为运行规划和维修决策提供支持。传感器技术的飞速发展使得能够采集到大量的航空发动机监测数据，为航空发动机剩余寿命预测提供了坚实的数据基础。同时，深度学习技术由于其强大的非线性映射能力与表示学习能力，在自然语言处理、语音识别、自动变速器等领域取到了成功的应用。特别是CNN在其特征提取方面的优势，对于无论数据发生位移、扭曲、畸变等都具备保持数据信息的能力。基础的CNN网络经卷积后得到的特征表示，通常被认为在每个通道上的重要性都是相同的。为了提高CNN的性能，通过嵌入轻量级的SE模块来模拟卷积特征各个通道之间的作用关系，从而学习不同通道的权重大小。
技术实现思路
本专利技术要解决的技术问题在于：数据驱动的航空发动机剩余寿命预测的思想是通过从实时监测数据中提取到退化特征信息来评估其当前所处的健康状态，从而达到剩余寿命预测的目的，其中的关键在于如何从高维、高噪声数据中提取到高质量的退化特征。为了解决这一技术问题，本专利技术主要贡献体现在三个方面：(1)差分技术：通过对原始特征采用一阶差分计算得到的新特征称为差分特征，进一步刻画退化量变化量的信息；(2)通道注意力机制：在基础的CNN网络后面嵌入SE模块，通过模拟卷积特征各个通道之间的作用关系来学习特征权重，使得有效的特征增强，无效或效果小的特征减弱，从而明确提取特征的指向性；(3)并行结构：并行CNN的架构设计主要是为了分别对原始特征和新生成的差分特征分别进行卷积运算来进一步提取高质量的退化特征信息。因此，本专利技术提出基于改进的CNN模型的航空发动机剩余寿命预测方法。为实现本专利技术之目的，采用以下技术方案予以实现：基于改进的CNN模型的航空发动机剩余寿命预测方法，包括以下步骤：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，且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，原来的训练集降维为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发动机性能退化的数据矩阵形式XL×2F，且d阶差分运算的计算公式如下：在本专利技术中，d默认取值为1，即进行一阶差分运算。通过一阶差分运算生成的新变量用来刻画系统退化的速度。步骤三，构建嵌入SE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，为了进一步提高CNN模型的预测性能，在分别对原始特征和差分特征通过卷积运算提取信息的基础上，通过嵌入SE模块来增强有效特征并抑制无效或噪声的影响。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，其目的是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：因此，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后面接的SE模块包括压缩(Squeeze)和激励(Excitation)两部分，详述如下：s＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))其中，通道c∈{1,2,…,C}，是常规卷积操作后得到的通道c上的特征图，zc表示通道c上特征图经平均池化后的结果，H、W、C分别表示多维特征图的高度、宽度和深度，表示x经过压缩操作Fsq后的结果，s表示z经过激励操作Fex后的结果，W1、W2分别表示降维参数和升维参数，δ为激活函数ReLU，σ为sigmoid函数。最后，所述模块的输出如下所示：其中，Fscale(xc,sc)表示标量sc和特征图的乘积，即经过SE模块得到的加权特征图的结果。构造样本的输入和输出。对XL×2F中每个发动机的退化轨迹数据分别采用窗口滑动法构建出训练样本的输入，且其对应输出的标签即剩余寿命RUL根据分阶线性函数进行修正，最终将得到成对的样本的输入和输出，其中窗口滑动法描述如下：对于XL×2F中第n个发动机的退化轨迹数据表示为如下的二维矩阵形式进一步，按照步长s＝1得到如下第n个发动机的第k个样本：其中，Nt表示所构建样本时间窗口的长度。其中分阶线性函数表达式如下：其中，Label表示构建样本数据的标签，RUL表示获取到的历史航空发动机失效数据中的实际剩余寿命，Rearly表示根据情况而设置的阈值，如在本专利技术中将其默认取值为125。步骤四，对于待进行剩余寿命预测的在役航空发动机的监测数据，构建出测试样本的输入，形成测试集。将构建的测试集输入到训练好的航空发动机剩余寿命预测模型中，得到在役航空发动机的剩余寿命预测值。本专利技术的优点在于：以航空发动机的剩余寿命RUL为预测目标，首先，建立了用以表征系统退化过程的特征变量与预测目标之间的映射关系，且进一步采用差分技术生成新的特征变量以便提供更多的退化信息；其次，通过在CNN网络中嵌入SE模块来对不同通道学习到的特征进行校准，使网络从全局信息出发来选择性的放大有价值的特征通道本文档来自技高网...

【技术保护点】
1.基于改进的CNN模型的航空发动机剩余寿命预测方法，其特征在于，包括以下步骤：/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】
20191104 CN 20191106423751.基于改进的CNN模型的航空发动机剩余寿命预测方法，其特征在于，包括以下步骤：
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，原来的训练集降维为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，最终得到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SE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，为了进一步提高CNN模型的预测性能，在分别对原始特征和差分特征通过卷积运算提取信息的基础上，通过嵌入SE模块来增强有效特征并抑制无效或噪声的影响；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，其目的是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：



因此，将经第j个卷积核操作后得到的特征图表示...

【专利技术属性】
技术研发人员：牛彩云，姜江，葛冰峰，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