一种基于维纳过程和人工智能的发动机剩余寿命预测方法技术

本发明专利技术涉及一种基于维纳过程和人工智能的发动机剩余寿命预测方法，属于航空发动机寿命预测领域。针对涡扇发动机在运行过程中，因不同失效行为而导致多种退化模式的出现，从而使得单一预测方法的预测精度和稳定性降低的问题，提出了一种识别发动机不同退化模式并构建不同模型进行剩余寿命预测的方法。按以下步骤进行预测：1)数据预处理；2)训练残差网络；3)退化模式分类；4)预测模型选择与构建；5)寿命预测。考虑退化模式识别的预方法能更好的发挥对应预测模型的优点，从而提升寿命预测的效果。果。果。

【技术实现步骤摘要】
一种基于维纳过程和人工智能的发动机剩余寿命预测方法


[0001]本专利技术属于航空发动机寿命预测领域，涉及一种基于维纳过程和人工智能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发挥航天运输作用最为重要的组件之一，关系着其整个运输过程的安全与稳定。航空发动机的运行环境可谓苛刻，成部件多，内部结构互相影响，很容易发生故障。为保证设备运行的安全可靠，因此对航空发动机的故障诊断和精确的剩余寿命预测，能够提高飞机运行的安全性，促进我国航空事业的发展。
[0003]航空发动机的失效过程十分复杂，发动机的退化过程受多种内外因素影响，故障点对退化阶段的影响较大，导致设备的退化过程往往不只是呈现简单的二阶段，而是呈现多种退化模式，对于这种情况，应考虑将退化过程分为多个阶段。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于维纳过程和人工智能的发动机剩余寿命预测方法。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于维纳过程和人工智能的发动机剩余寿命预测方法，该方法包括以下步骤：
[0007]S1：数据预处理：对发动机数据进行滑动滤波去噪，并进行标准化处理；
[0008]S2：训练残差网络：利用训练集数据训练ResNet101将发动机数据集分为三类；
[0009]S3：退化模式分类：将数据集输入S2中的残差网络，识别该数据集属于哪一类退化模式；
[0010]S4：预测模型选择与构建：根据S3中识别出的退化模式，若是第一类第二类退化模式，则构建ELM
‑
维纳过程预测模型；若是第三类退化模式，则构建多阶段LSTM预测模型；
[0011]S5：寿命预测：训练S4中构建的模型并进行寿命预测。
[0012]可选的，所述S1具体为：使用滑动平均法对发动机原始检测数据进行去噪处理，滑动窗口大小为3，具体计算公式如下：
[0013][0014]其中x(n)为原数据的第n个值，y(n)为平滑后的第n个值；再对去噪后的数据进行MIN
‑
MAX标准化处理。
[0015]可选的，所述S1具体为：首先将退化模式分为三个类别，即a.无故障点或退化异常类型；b.含一个故障点的二阶段退化类型；c.含两个及以上故障点的多阶段退化类型；然后训练残差网络模型，该残差网络模型核心公式为：
[0016]F(x
l
，ω
f
)＝x
l
+H(x
l
，ω
l
)
ꢀꢀꢀ
(2)
[0017]x
l
是第l层的输入，ω
l
＝{ω
l，k
|1≤k≤K}是第l层的参数，K是残差单元层数，那么
第l+1层的输入为：
[0018]x
l+1
＝F(x
l
，ω
f
)
ꢀꢀꢀ
(3)
[0019]循环代入这个式子x
l+2
＝x
l+1
+H(x
l+1
，ω
l+1
)＝H(x
l+1
，ω
l+1
)+x
l
+H(x
l
，ω
l
)，得到：
[0020][0021]将数据集代入S2得到的残差网络模型中，得出该数据集属于三类退化模型中的某一类模型。
[0022]可选的，所述S4具体为：若S3中得到数据集是第一类或第二类退化模型，则进行以下步骤来构建ELM
‑
维纳预测模型：
[0023]首先采用两阶段维纳过程建立模型，其数学表达式如下：
[0024][0025]其中，μ1为第一阶段的漂移系数，μ2为第二阶段的漂移系数；σ1为第一阶段的扩散系数，σ2为第二阶段的扩散系数；B(t)是标准布朗运动；τ为故障点的时间；x0表示第一阶段的初始退化值；x
τ
是τ时刻的退化值；剩余寿命的数学表达式如下：
[0026]L
m
＝inf{l
m
：X(t
m
+l
m
)≥ω|X(t
m
)≤ω}
ꢀꢀꢀ
(6)
[0027]式中L
m
为发动机发动机在当前时刻t
m
时的剩余寿命，ω为失效阈值；
[0028]预测模型的离线参数估计：设第i个发动机的参数为其中，μ
i1
，μ
i，2
分别为第一阶段和第二阶段的漂移系数；和分别为第一阶段和第二阶段的扩散系数；τ
i
为第i个发动机的故障时间；
[0029]利用极大似然估计(MLE)估计θ
i
，当函数ln L(θ
i
|X
i，1：m
)取到最大值，此时的θ
i
就是我们想要的参数：
[0030][0031]变点实时检测：利用ELM建立健康指数(HI)，HI的构造公式如下：
[0032]HI
1：k
＝(hi1，hi2......hi
k
)＝|Y
1：k
‑
X
1：m
|
ꢀꢀꢀ
(8)
[0033]其中Y
1，k
＝(y1，y2......y
k
)为训练后ELM的输出，X
1：k
＝(X1，X2......X
k
)是发动机的实际退化数据；
[0034]构建HI的检测指标，自适应地检测变化点；检测指标的形式如下：
[0035][0036]参数在线更新：
[0037]当t
m
≤τ：
[0038][0039]其中μ
1p：m
和分别是μ
1p
和的后验估计；μ
1p：0
和是离线估计得到的，分别是μ
1p
和的先验估计，T
1：m
＝(t1，t2......t
m
)是退化数据X
1：m
对
应的时间，是X
1：m
对应的协方差矩阵；
[0040]当t
m
＞τ：
[0041][0042][0043]其中μ
2p：m
和分别是μ
2p
和的后验估计，μ
2p：0
和是由离线估计得到的，其分别是μ
2p
和的先验估计；T
τ：m
＝(t
τ+1
，t
τ+2
......t
τ+m
)是退化数据X
τ+1：m
对应的时间，是X
...

【技术保护点】

【技术特征摘要】
1.一种基于维纳过程和人工智能的发动机剩余寿命预测方法，其特征在于：该方法包括以下步骤：S1：数据预处理：对发动机数据进行滑动滤波去噪，并进行标准化处理；S2：训练残差网络：利用训练集数据训练ResNet101将发动机数据集分为三类；S3：退化模式分类：将数据集输入S2中的残差网络，识别该数据集属于哪一类退化模式；S4：预测模型选择与构建：根据S3中识别出的退化模式，若是第一类第二类退化模式，则构建ELM
‑
维纳过程预测模型；若是第三类退化模式，则构建多阶段LSTM预测模型；S5：寿命预测：训练S4中构建的模型并进行寿命预测。2.根据权利要求1所述的一种基于维纳过程和人工智能的发动机剩余寿命预测方法，其特征在于：所述S1具体为：使用滑动平均法对发动机原始检测数据进行去噪处理，滑动窗口大小为3，具体计算公式如下：其中x(n)为原数据的第n个值，y(n)为平滑后的第n个值；再对去噪后的数据进行MIN
‑
MAX标准化处理。3.根据权利要求2所述的一种基于维纳过程和人工智能的发动机剩余寿命预测方法，其特征在于：所述S1具体为：首先将退化模式分为三个类别，即a.无故障点或退化异常类型；b.含一个故障点的二阶段退化类型；c.含两个及以上故障点的多阶段退化类型；然后训练残差网络模型，该残差网络模型核心公式为：F(x
l
，ω
f
)＝x
l
+H(x
l
，ω
l
)
ꢀꢀꢀꢀ
(2)x
l
是第l层的输入，ω
l
＝{ω
l，k
|1≤k≤K}是第l层的参数，K是残差单元层数，那么第l+1层的输入为：x
l+1
＝F(x
l
，ω
f
)
ꢀꢀꢀꢀ
(3)循环代入这个式子x
l+2
＝x
l+1
+H(x
l+1
，ω
l+1
)＝H(x
l+1
，ω
l+1
)+x
l
+H(x
l
，ω
l
)，得到：将数据集代入S2得到的残差网络模型中，得出该数据集属于三类退化模型中的某一类模型。4.根据权利要求3所述的一种基于维纳过程和人工智能的发动机剩余寿命预测方法，其特征在于：所述S4具体为：若S3中得到数据集是第一类或第二类退化模型，则进行以下步骤来构建ELM
‑
维纳预测模型：首先采用两阶段维纳过程建立模型，其数学表达式如下：其中，μ1为第一阶段的漂移系数，μ2为第二阶段的漂移系数；σ1为第一阶段的扩散系数，σ2为第二阶段的扩散系数；B(t)是标准布朗运动；τ为故障点的时间；x0表示第一阶段的初始退化值；x
τ
是τ时刻的退化值；剩余寿命的数学表达式如下：L
m
＝inf{l
m
：X(t
m
+l
m
)≥ω|X(t
m
)≤ω}
ꢀꢀꢀꢀ
(6)式中L
m
为发动机发动机在当前时刻t
m
时的剩余寿命，ω为失效阈值；
预测模型的离线参数估计：设第i个发动机的参数为其中，μ
i，1
，μ
i，2
分别为第一阶段和第二阶段的漂移系数；和分别为第一阶段和第二阶段的扩散系数；τ
i
为第i个发动机的故障时间；利用极大似然估计(MLE)估计θ
i
，当函数lnL(θ
i
|X
i，1：m
)取到最大值，此时的θ
i
就是我们想要的参数：变点实时检测：利用ELM建立健康指数(HI)，HI的构造公式如下：HI
1：k
＝(hi1，hi2......，hi
k
)＝|Y
1：k
‑
X
1：m
|
ꢀꢀꢀꢀ
(8)其中Y
1：k
＝...

【专利技术属性】
技术研发人员：林景栋，闫冠松，张静曦，熊大略，李鸿威，杨越，
申请(专利权)人：重庆大学，
类型：发明
国别省市：