一种航空发动机设备的剩余寿命预测方法及系统技术方案

本发明专利技术公开了一种航空发动机设备的剩余寿命预测方法及系统，对复杂设备基于传感器采集的历史退化数据进行数据预处理，然后基于堆叠去噪自编码器可以直接对原始监测信号进行自适应的特征提取，最后智能选择特征指标作为设备健康指标HI，并将其作为相似性退化模型的输入最终得到寿命预测结果。利用堆叠去噪自编码器较好地解决在缺乏足够的先验知识以及因此难以人工标注类别或进行人工类别标注的成本太高的问题，同时去噪自编码器具备降噪能力，面对复杂的工作环境下监测数据中夹杂的噪声，可有效提高预测精度的提高。可有效提高预测精度的提高。可有效提高预测精度的提高。

【技术实现步骤摘要】
一种航空发动机设备的剩余寿命预测方法及系统


[0001]本专利技术涉及航空发动机健康管理领域，通过对机器学习和相似性退化模型的有效结合，提出了基于SDAE神经网络和相似性退化模型融合的发动机剩余寿命预测方法。

技术介绍

[0002]随着科学技术的飞速发展，机械设备的集成度、复杂度及智能化程度急剧增加，传统的故障诊断、维修保障技术逐渐难以适应新的要求。随着设备监测数据量的爆炸式增长以及存储技术、计算能力的发展，基于机器学习的数据驱动预测方法在设备剩余寿命预测中的应用研究目前越来越被关注。
[0003]由于设备传感器数量巨大，种类繁多且高频采样，导致出现了设备数据的空间维度高，依赖关系复杂，规律多变，数据量大等问题，当前很多传统的机器学习算法对设备退化特征缺乏强有力的提取能力，以及需要人工参与手动标注数据标签等问题，且基于单一机器学习模型的预测方法在面临设备繁多且工况复杂等情况时缺乏泛化能力。
[0004]航空发动机作为飞机的核心部件，其运行状态对飞机有着重要影响，对发动机进行寿命预测对于提高航空发动机安全可靠工作，保障飞机飞行安全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备剩余寿命预测方法，其特征在于，包括以下步骤：S1、获取设备传感器采集的数据，并对数据进行预处理，将预处理后的数据拆分为训练集和测试集；S2、利用所述训练集训练SDAE神经网络，利用训练后的SADE神经网络获取测试集中每个设备各个时间点处的设备健康指标，即得到设备健康指标曲线；S3、利用所述设备健康指标曲线预测设备的剩余寿命。2.根据权利要求1所述的设备剩余寿命预测方法，其特征在于，步骤S1中，对数据进行预处理的实现过程包括：删除同一时间点的冗余数据，仅保留一条可用数据；采用缺失数据上、下时间点数据的平均数填充缺失数据；对经删除和填充后的数据进行归一化处理，得到预处理后的数据。3.根据权利要求1或2所述的设备剩余寿命预测方法，其特征在于，步骤S1中，将预处理后的数据集划分为两个互斥的子数据集，其中一个子数据集作为训练集，另外一个子数据集作为测试集。4.根据权利要求1所述的设备剩余寿命预测方法，其特征在于，步骤S2的具体实现过程包括：1)初始化SDAE神经网络结构；2)选择训练集数据的第j个时间点处的m维样本x
(j)
＝[x
(j,1)
,x
(j,2)
,....x
(j,m)
]，其中，x
(j)
为从训练集数据提取出的在各时间点上的m维传感器数据，j＝1,2,
…
,T,T为时间点个数；将T个时间点的样本输入到SDAE神经网络中；3)对数据样本x
(j)
加噪，训练SDAE神经网络中包含第1个隐含层的去噪自编码器DAE1，并将x
(j)
编码成使用为输入数据训练包含第2个隐含层的去噪自编码器DAE2，并将编码为依此类推，直至训练完SDAE神经网络中包含第N个隐含层，得到训练好的SDAE神经网络；4)将测试集数据输入到训练好的SDAE神经网络中，通过训练好的SDAE神经网络的多个隐含层进行自适应特征提取，得到测试集中每个设备各个时间点处的设备健康指标。5.根据权利要求1所述的设备剩余寿命预测方法，其特征在于，步骤S3的具体实现过程包括：根据测试样本的设备健康指标曲线与训练样本对应的设备健康指标曲线的欧氏距离度量测试样本与训练样本的相似程度，并基于所...

【专利技术属性】
技术研发人员：文一凭，谭铮，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：