一种基于聚类和LSTM的发动机剩余寿命预测方法技术

一种基于聚类和LSTM的发动机剩余寿命预测方法。涉及属于航空发动机健康管理领域，具体涉及一种基于聚类和LSTM的发动机剩余寿命预测方法。提出了一种利用聚类和LSTM结合对飞机发动机的健康状况进行监测，预测发动机的剩余寿命，从而保证航班的正常运行的基于聚类和LSTM的发动机剩余寿命预测方法。按以下步骤进行预测：1)标准化；2)聚类分析；3)突变分析；4)LSTM模型预测；5)计算权重值；6)多阶段预测。通过实验分析表明在进行航空发动机剩余寿命预测时，我们提出的ILSTMC方法是有效的，能够使得操作人员可结合本案的预测结果更好的对发动机健康进行管理。动机健康进行管理。动机健康进行管理。

【技术实现步骤摘要】
一种基于聚类和LSTM的发动机剩余寿命预测方法


[0001]本专利技术涉及属于航空发动机健康管理领域，具体涉及一种基于聚类和LSTM的发动机剩余寿命预测方法。

技术介绍

[0002]航空发动机作为飞机的核心部件，由于其内部部件之间的复杂多变性，加上长期运行在相当高强度的工作环境下，因此展开对发动机的健康管理极其重要。对航空发动机的剩余寿命进行预测对于提高航空发动机安全可靠工作，保障飞机飞行安全具有重要意义。
[0003]目前发动机的剩余寿命预测方面，大多是基于单阶段的剩余寿命预测方法，对于发动机的剩余寿命预测并不准确，并不能良好的运用于发动机的健康管理。

技术实现思路

[0004]本专利技术针对以上问题，提出了一种利用聚类和LSTM结合对飞机发动机的健康状况进行监测，预测发动机的剩余寿命，从而保证航班的正常运行的基于聚类和LSTM的发动机剩余寿命预测方法。
[0005]本专利技术的技术方案为：按以下步骤进行预测：
[0006]1)标准化：输入发动机数据，进行样本归一化求平均处理；
[0007]2)聚类分析：在步骤1)的基础上通过聚类分析准确得到多个阶段的发动机性能退化数据；
[0008]3)突变分析：在步骤2)的基础上，对多个阶段的退化数据采用ILSTMC进行预测，预测过程中利用记忆块代替普通的隐含层节点，确保信息的存储，避免了长时依赖、梯度消失的问题；
[0009]4)LSTM模型预测：使用突变点进行预测；
[0010]5)计算权重值：根据LSTM的算法公式计算出每一个门的权重值；
[0011]6)多阶段预测：数据之间采用的是顺序关联的关系，首先做聚类处理分成多个阶段的LSTM，再做预测。
[0012]步骤1)具体为：首先，对输入的多维航空发动机性能监测数据进行归一化求平均处理，将其归一化到[0，1]之间，避免了正负抵消的可能性，然后对归一化的结果进行求平均值，归一化具体计算公式如下：
[0013][0014]其中，x
n
o
rmal
为归一化后的数据，x
t
为原始数据，x
max
为原数据样本中的最大值，x
min
为其最小值。将归一化求平均后的数据定义为发动机的整体健康值(Overall Health Score，OHS)。
[0015]步骤2)具体为：采用簇内平方误差和(sum of squared error，SSE)来求取聚类的
最佳数目k，通过观察其拐点图来判定聚类数。公式如下：
[0016][0017][0018]ω
(i,j)
＝[X1+X2+
…
+X
k
]-1
ꢀꢀꢀ
(4)
[0019]其中，X
k
表示每一个聚类的概率，ω表示样本所属簇的概率数，m为模糊系数，一般取值为2，μ为各簇的中心点。
[0020]步骤3)具体为：利用聚类分析获取聚类和突变点，将发动机的数据分成多个阶段。突变点的出现有可能将会导致发动机的剩余寿命情况发生改变，因此这些突变点的处理将成为聚类的依据。针对突变点的检测主要是计算每个对象与这些中心对象的距离，具体计算见公式(2)到公式(4)。
[0021]通过公式(11)可以计算出t-1时刻的误差，在突变点遗忘门的激活函数sigmoid的值即σ的值近似为0且输入门近似为1，而之前时刻的细胞将不能通过时间传递并保存至当前时刻，就会出现突变点。
[0022]步骤4)具体为：使用突变点进行预测，可以通过误差项σ的值域在[0，1]的输入门、遗忘门和输出门来控制隐含层细胞的状态中的信息的流动：
[0023][0024]其中，C
t
是当前时刻细胞的长期状态，F
t
是当前时刻遗忘门的值，C
t-1
是t-1时刻的细胞状态，I
t
是当前时刻的输入，是当前时刻的即时状态，遗忘门决定了上一时刻C
t-1
的细胞状态有多少保留到当前时刻C
t
。
[0025]LSTM模型通过精心设计三个门的结构来去除或增加信息到细胞状态的能力，分别是输入门，遗忘门和输出门，用来保护和更新细胞状态。输入门允许信息进入存储细胞，遗忘门允许细胞信息被遗忘或从输入的存储细胞中被移除，输出门从输入的存储细胞中输出信息。
[0026]三个门之间通过紧密协作来完成细胞信息的更新。首先在输入门通过tanh提取出有效的信息，然后使用激活函数sigmoid进行信息筛选，决定细胞的信息更新程度，I
t
就是衡量细胞更新的标量，输出层的输出是h
t
隐藏层会作为LSTM的输出。
[0027]输入门：
[0028][0029][0030]遗忘门：
[0031][0032]输出门：
[0033][0034][0035]其中，σ是激活函数sigmoid的值，W
i
是输入门的权重值，h
t-1
是t-1时刻细胞的隐藏状态值，b表示的是偏置项。W
f
是遗忘门的权重，W
o
是输出门的权重，随着预测过程数据点的递增，通过公式(12)到公式(15)可以计算得出预测过程中t时刻的每一个权重梯度，其次带入公式(16)到公式(19)得到求和后的最终的权重梯度，进行权重更新。
[0036]步骤5)的具体计算步骤如下：
[0037]5.1)反向计算出每个时刻对应的误差项σ的值，误差项的反向传播分为两个方向，分别是沿时间的反向传播，即从当前时刻t开始，计算t-1时刻的误差项σ-1；将误差项向上一层传播。
[0038][0039]5.2)权重梯度的计算，根据相应的误差项，计算每个权重的梯度，即W
fh
，W
ch
，W
oh
，W
ih
的权重，它们的梯度是各个时刻的梯度之和。因此需要首先求出它们在t时刻的梯度，然后求出它们最终的梯度。
[0040]求出t时刻误差项σ
o,t
，σ
f,t
，σ
i,t
，σ
c,t
，进一步求出t时刻的权重值W
fh
，W
ch
，W
oh
，W
ih
即：
[0041][0042][0043][0044][0045]将各个时刻的梯度加在一起，就能得到最终的梯度：
[0046][0047][0048][0049][0050]LSTM预测过程，将聚类过程得到的第1类的数据作为预测的第1阶段的数据进行直接预测；第1，2两类的数据作为第2阶阶段的数据进行预测，以此类推；得到发动机的整体健康分数OHS的真实值与预测值的结果。
[0051]步骤6)具体为：多阶段剩余寿命预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类和LSTM的发动机剩余寿命预测方法，其特征在于，按以下步骤进行预测：1)标准化：输入发动机数据，进行样本归一化求平均处理；2)聚类分析：在步骤1)的基础上通过聚类分析准确得到多个阶段的发动机性能退化数据；3)突变分析：在步骤2)的基础上，对多个阶段的退化数据采用ILSTMC进行预测，预测过程中利用记忆块代替普通的隐含层节点，确保信息的存储，避免了长时依赖、梯度消失的问题；4)LSTM模型预测：使用突变点进行预测；5)计算权重值：根据LSTM的算法公式计算出每一个门的权重值；6)多阶段预测：数据之间采用的是顺序关联的关系，首先做聚类处理分成多个阶段的LSTM，再做预测。2.根据权利要求1所述的一种基于聚类和LSTM的发动机剩余寿命预测方法，其特征在于，步骤1)具体为：首先，对输入的多维航空发动机性能监测数据进行归一化求平均处理，将其归一化到[0，1]之间，避免了正负抵消的可能性，然后对归一化的结果进行求平均值，归一化具体计算公式如下：其中，x
normal
为归一化后的数据，x
t
为原始数据，x
max
为原数据样本中的最大值，x
min
为其最小值。将归一化求平均后的数据定义为发动机的整体健康值(Overall Health Score，OHS)。3.根据权利要求1所述的一种基于聚类和LSTM的发动机剩余寿命预测方法，其特征在于，步骤2)具体为：采用簇内平方误差和(sum of squared error，SSE)来求取聚类的最佳数目k，通过观察其拐点图来判定聚类数。公式如下：数目k，通过观察其拐点图来判定聚类数。公式如下：ω
(i,j)
＝[X1+X2+
…
+X
k
]-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，X
k
表示每一个聚类的概率，ω表示样本所属簇的概率数，m为模糊系数，一般取值为2，μ为各簇的中心点。4.根据权利要求1所述的一种基于聚类和LSTM的发动机剩余寿命预测方法，其特征在于，步骤3)具体为：利用聚类分析获取聚类和突变点，将发动机的数据分成多个阶段。突变点的出现有可能将会导致发动机的剩余寿命情况发生改变，因此这些突变点的处理将成为聚类的依据。针对突变点的检测主要是计算每个对象与这些中心对象的距离，具体计算见公式(2)到公式(4)。通过公式(11)可以计算出t-1时刻的误差，在突变点遗忘门的激活函数sigmoid的值即
σ的值近似为0且输入门近似为1，而之前时刻的细胞将不能通过时间传递并保存至当前时刻，就会出现突变点。5.根据权利要求1所述的一种基于聚类和LSTM的发动机剩余寿命预测方法，其特征在于，步骤4)具体为：使用突变点进行预测，可以通过误差项σ的值域在[0，1]的输入门、遗忘门和输出门来控制隐含层细胞的状态中的信息的流动：其中，C
t
是当前时刻细胞的长期状态，F
t
是当前时刻遗忘门的值，C
t-1
是t-1时刻的细胞状态，I
t
是当前时刻的输入，是当前时刻的即时状态，遗忘门决定了上一时刻C
t-1
的细胞状态有...

【专利技术属性】
技术研发人员：刘君强，雷凡，左洪福，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：