基于时空特征融合的涡扇发动机剩余使用寿命预测方法技术

一种基于时空特征融合的发动机剩余使用寿命预测方法，首先获取到原始的随时间变化的传感器数据，通过数据选择及归一化处理后得到特征数据，将特征数据分别输入到一维全卷积层神经网络和LSTM神经网络中，利用一维全卷积层神经网络实现数据集空间特征信息的提取，利用LSTM神经网络实现数据集时间序列特征信息的提取，得到该两类特征后，采用时空特征融合算法，对其进行特征融合，再将融合特征输入到最大池化的一维卷积神经网络进行特征二次提取，实现涡扇发动机的剩余使用寿命预测。本发明专利技术采用时空特征融合的多神经网络组合模型进行剩余使用寿命预测，提高了预测精度。

【技术实现步骤摘要】
基于时空特征融合的涡扇发动机剩余使用寿命预测方法
本专利技术属于大型机械设备的剩余使用寿命预测
，具体涉及基于时空特征融合的涡扇发动机剩余使用寿命预测方法。
技术介绍
伴随着工业4.0时代的到来，得益于机器学习、深度学习取得的快速发展，越来越多的大型机械设备系统得到推广和使用。机械设备的剩余使用寿命预测与健康管理作为保障设备安全性和可靠性的一项关键技术，已经成为新一代产业革命的助推器，通过获取机械设备运行过程中的衰退状态等信息来预测设备的剩余寿命是当前研究的主要热点。但实际生产生活中针对发动机这类机械设备，传感器采集的是多故障模式，多操作条件及抽象特征的状况数据，数据量大且复杂。而且，发动机在运行过程产生的数据具有非线性、模型参数时变、维度高等特点，采用传统模型进行训练和测试，模型的泛化能力和预测能力普遍不高。如何在大数据环境中，既能获得较为完整的数据集，又能通过数据集训练出高精度的预测模型，实现发动机的精确剩余使用寿命预测具有重大的现实意义。针对准确预测剩余使用寿命的问题，目前主要的解决方法主要有实验型、数据驱动型、基于混合模型本文档来自技高网...

【技术保护点】
1.一种基于时空特征融合的涡扇发动机剩余使用寿命预测方法，其特征在于，包括以下步骤：/n1)对于获取的不同的发动机随时间产生的传感器数据进行数据选择形成原始数据集

【技术特征摘要】
1.一种基于时空特征融合的涡扇发动机剩余使用寿命预测方法，其特征在于，包括以下步骤：
1)对于获取的不同的发动机随时间产生的传感器数据进行数据选择形成原始数据集每个数据样本都包含第i个环境中的发动机的编号、从开始到现在的运行时间、操作设置以及传感器的信息；其中，i表示第i个环境，随后对该原始数据集进行数据的归一化处理，将数据大小限定在[0，1]之间，计算式如(1)所示；



式中：为归一化处理之后的第n个特征m数据点的值，Xm，n为处理前的原始数据，分别是对应特征的最大值和最小值；
经过数据处理后得到两类输入数据：多元时间序列矩阵(ssw×nf)，矩阵(ssw×nf)的每一列，其中ssw表示滑动窗口和nf表示选择的特征个数；
2)将步骤1)中得到的两类输入数据分别输入到一维全卷积层和LSTM网络中进行训练，其中一维卷积层路径上数据输入是多元时间序列矩阵(ssw×nf)，采用了三个一维卷积层提取特征数据和三个最大池化层解析数据得到生成数据Z＝(z1，z2，…，zk)，其中三个卷积层使用的是128，64和32个卷积核；卷积层的激活函数均为ReLU函数见式(2)：
f(x)＝max(0，x)(2)同时在每一个池化层之后都进行规范化操作BN能够加速收敛、控制过拟合；矩阵(ssw×nf)的每一列作为每个时间步的LSTM输入，三个LSTM分别由128、64、32个单元结构定义，需要将各个隐层的结果作为下一层的输入，LSTM输出的数据为Y＝(y1，y2，…，yj)；
3)创建一维全卷积层并初始化其权重参数θc，创建LSTM网络模型并初始化其权重参数θl，然...

【专利技术属性】
技术研发人员：彭成，唐朝晖，陈宇峰，陈青，袁鑫攀，桂卫华，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：湖南;43