基于联合学习的飞机发动机失效模式识别和寿命预测方法技术

本发明专利技术涉及一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。与现有技术相比，本发明专利技术具有模型的准确性较高，大大减少了计算时间，可以巧妙地捕捉剩余寿命与失效模式之间的复杂关系等优点。式之间的复杂关系等优点。式之间的复杂关系等优点。

Failure mode recognition and life prediction method of aircraft engine based on joint learning

【技术实现步骤摘要】
基于联合学习的飞机发动机失效模式识别和寿命预测方法


[0001]本专利技术涉及飞机发动机剩余寿命预测
，尤其是涉及基于联合学习的飞机发动机失效模式识别和寿命预测方法。

技术介绍

[0002]制造系统的稳定性对于完整生产过程具有重要意义，其意外失效通常会导致物流中断、生产停机、威胁设备安全和客户不满等严重后果。制造系统的预测和健康管理(PHM)对于制造系统的稳定性起到了重要保障作用，在包括飞机发动机、电池和半导体在内的各种领域中得到了广泛应用。在健康管理中，基于传感器信号数据对机器的失效模式识别和剩余使用寿命(RUL)进行预测是一个重要课题。
[0003]对于失效模式识别和剩余使用寿命预测问题，数据驱动型方法应用广泛，大致可分为两类，即统计方法和机器学习方法。统计方法包括决策级融合、特征级融合和基于不同水平的数据级融合，大多数忽略了多种失效模式之间的差异与其在实际应用中对机器产生不同的影响，只针对单一潜在的失效模式并进行预测。机器学习方法如前馈神经网络(FFNNs)、卷积神经网络(CNN)、递归神经网络(RNN)及其变体(长短期记忆(LSTM))、受限玻尔兹曼机器(RBM)和深度置信网络(DBN)，通过提取数据中的特征进行RUL预测，但其预测方法类似于黑箱，没有考虑到系统工程特性，直接从原始传感器信号中提取特征，导致提取的特征可解释性差、计算时间长。其他一些深度学习方法将失效模式识别和RUL预测分成两部分，其中失效模式识别是监督分类问题，而RUL预测是监督预测问题，但实际上失效模式识别和RUL预测是相辅相成的，不能独立看待。
[0004]综上所述，飞机发动机的失效模式识别和剩余使用寿命预测面临的挑战和研究空白如下：第一，多种失效模式下飞机发动机的失效模式复杂，不同失效模式下的不同失效阈值难以在实践中确定。现有的方法通过假设只有一个潜在的失效模式和一个预先指定的失效阈值来进行预测，此类方法无法确定多个失效阈值。第二，传感器信号包含丰富的工程特性信息，并且不同类型的传感器相互之间具有相关性。现有的深度学习方法类似于“黑箱”，通过训练海量原始传感器信号来提取特征，导致提取的特征可解释性差，模型计算时间长。第三，失效模式识别和剩余使用寿命预测预测是相辅相成的，因此在进行健康管理时应将其视为一项联合任务。然而，大多数现有的方法将这两个问题独立地处理。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，利用飞机发动机运行中采集到的反映其健康状态的多元传感器信号数据，实现对飞机发动机失效模式的识别和剩余寿命的预测。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：
[0008]获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从
所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。
[0009]进一步地，所述飞机发动机的传感器信号包括历史飞机发动机的传感器信号和正在使用的飞机发动机的传感器信号；
[0010]基于混合效应失效模型从正在使用的飞机发动机的传感器信号中计算原始提取特征，通过历史飞机发动机的传感器信号获取总体特征信号，增强所述原始提取特征，得到所述飞机发动机的失效特征。
[0011]进一步地，增强后的所述飞机发动机的失效特征的计算表达式为：
[0012]X
m
＝[x
m,1
,
…
,x
m,J
][0013][0014][0015]式中，l＝{1,....,L}为历史飞机发动机的序号，为第l个历史飞机发动机的第j个传感器信号的原始提取特征，d是确保的常数项，p(Y
m，j
|Ψ
m，j
Γ
m，j
＝Ψ
m，j
Γ
l，j
)通过以及其噪声项计算，其中，噪声的方差的计算表达式为：
[0016][0017]w
l，j
为第l个历史飞机发动机的第j个传感器信号的权重，m为第m个正在使用的飞机发动机，y
m，j
(t)为时间t第m个正在使用的飞机发动机的第j个传感器信号，ψ
T
(t)为时间t下的基函数，ψ
T
(t)＝[1，t，t2]，Γ
l，j
为第l个历史飞机发动机的第j个传感器信号的随机效应参数的向量，Ψ
i，j
＝[ψ
T
(t1)，ψ
T
(t2)，...，ψ
T
(τ
i
)]，τ
i
表示最后一次观测到信号的时间，
[0018]Y
i，j
＝Ψ
i，j
Γ
i，j
+ε
i，j
为y
i，j
(t)＝ψ
T
(t)Γ
i，j
+ε
i，j
的矩阵形式，y
i，j
(t)表示时间t第i个正在使用的飞机发动机的第j个传感器信号，ε
i，j
其对应的噪声项。
[0019]进一步地，所述深度学习网络的联合学习模型根据输入的失效特征学习总体特征信息，然后通过失效模式识别模块获取每个失效模式的概率向量，通过剩余寿命预测模块获取各个失效模式下剩余寿命预测结果。
[0020]进一步地，所述深度学习网络的联合学习模型的训练过程包括：获取训练数据，并载入深度学习网络的联合学习模型中，基于损失函数进行模型训练，所述深度学习网络的联合学习模型的输入包括失效特征以及对应的标签，所述标签包括真实的失效模式和剩余寿命。
[0021]进一步地，训练过程的损失函数为：最小化q(Υ)和P(Υ|D)之间的KL散度，所述q(Υ)和P(Υ|D)之间的KL散度的计算表达式为：
[0022][0023]式中，P(D|Υ)为训练数据的似然函数，D为训练数据集，Υ为模型参数，q(Υ)为训练数据的变分分布，p
k
为模型参数中的剩余寿命预测模块的权重参数，k＝1，...，K，q(β
k
)表示第k类失效模式中对应的q(Υ)的分布。
[0024]进一步地，采用反向传播算法估计模型参数。
[0025]进一步地，以最高概率的失效模式作为最终的失效模式识别结果，所述最终的失效模式识别结果的表达式为：
[0026][0027]式中，k
*
为最终的失效模式识别结果，X
*
为提取出的失效特征，为根据失效特征X
*
学习的总体特征信息，为根据总体特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，包括以下步骤：获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。2.根据权利要求1所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述飞机发动机的传感器信号包括历史飞机发动机的传感器信号和正在使用的飞机发动机的传感器信号；基于混合效应失效模型从正在使用的飞机发动机的传感器信号中计算原始提取特征，通过历史飞机发动机的传感器信号获取总体特征信号，增强所述原始提取特征，得到所述飞机发动机的失效特征。3.根据权利要求2所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，增强后的所述飞机发动机的失效特征的计算表达式为：X
m
＝[x
m，1
，
…
，x
m，J
]]式中，l＝{1，....，L}为历史飞机发动机的序号，为第l个历史飞机发动机的第j个传感器信号的原始提取特征，d是确保的常数项，p(Y
m，j
|Ψ
m，j
Γ
m，j
＝Ψ
m，j
Γ
l，j
)通过以及其噪声项计算，其中，噪声的方差的计算表达式为：w
l，j
为第l个历史飞机发动机的第j个传感器信号的权重，m为第m个正在使用的飞机发动机，y
m，j
(t)为时间t第m个正在使用的飞机发动机的第j个传感器信号，ψ
T
(t)为时间t下的基函数，ψ
T
(t)＝[1，t，t2]，Γ
l，j
为第l个历史飞机发动机的第j个传感器信号的随机效应参数的向量，Ψ
i，j
＝[ψ
T
(t1)，ψ
T
(t2)，...，ψ
T
(τ
i
)]，τ
i
表示最后一次观测到信号的时间，Y
i，j
＝Ψ
i，j
Γ
i，j
+ε
i，j
为y
i，j
(t)＝ψ
T
(t)Γ
i，j
+ε
i，j
的矩阵形式，y
i，j<...

【专利技术属性】
技术研发人员：王迪，王昱晖，王秋歌，孟圆，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：