基于LSTM-SVR的无人机发动机健康评估方法技术

本发明专利技术提出基于LSTM

【技术实现步骤摘要】
基于LSTM
‑
SVR的无人机发动机健康评估方法


[0001]本专利技术涉及无人机领域，涉及基于LSTM
‑
SVR的无人机发动机健康评估方法

技术介绍

[0002]现阶段，无人机技术日益成熟，作为一个新兴产业也越来越受研究人员关注，无人机技术正在向高灵活、高功率、长行程方向迅速发展。由于无人机的故障很多是由于发动机引起的，而无人机的发动机结构异常复杂，影响发动机寿命的影响参数很多，同时这些参数范围和格式也均不同，影响程度也不同，因此当发动机出现故障时导致维修成本很高。为了降低维修成本同时降低发动机健康程度的预测误差，本专利技术提出基于LSTM
‑
SVR的无人机发动机健康评估方法。首先，对无人机发动机上传感器收集到的原始数据进行归一化处理，将处理后的数据作为输入量，建立LSTM神经网络，进行LSTM模型训练，建立SVR模型进行训练，最后将LSTM和SVR相结合，建立了一种混合LSTM
‑
SVR的健康预测模型。该模型采用求解非线性回归问题常用的SVR方法来降低LSTM的预测误差，将输出测量值通过未确知理论和深度信念网络转化为HRD，评估发动机的健康状态。

技术实现思路

[0003]为了克服现有技术存在的缺点，本专利技术提供了基于LSTM
‑
SVR的无人机发动机健康评估方法，用于解决
技术介绍
中提到的发动机维修成本高以及健康程度预测精度低的问题。
[0004]本专利技术采用了如下技术方案：
[0005]基于LSTM
‑
SVR的无人机发动机健康评估方法，包括：
[0006]步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据，通过数据归一化处理后，构建训练样本，训练样本包括训练集和测试集；
[0007]步骤2、在步骤1构建训练样本基础上，创建长短期记忆网络(LSTM)网络和支持向量回归(SVR)模型，作为无人机发动机健康预测模型；
[0008]步骤3、将步骤1的测试集输入到步骤2构建的LSTM
‑
SVR模型，模型输出值通过未确知理论和深度信念网络，得到的健康可信度(HRD)，通过HRD评价发动机的健康状态。
[0009]优选地，所述步骤1的具体步骤包括：
[0010]步骤1.1：对无人机发动机在工作过程中的传感器获取的原始传感器数据，进行归一化和标准化处理；
[0011]步骤1.2：对步骤1.1处理后的数据进行特征选择；
[0012]步骤1.3：对步骤1.2特征选择后的数据，构建训练样本，训练样本包括训练集和测试集。
[0013]优选地，所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)，
[0014][0015][0016]x0表示传感器原始数据，x
max
表示同维度样本最大值，x
min
表示同维度最小值，x
i
′
表示为归一化处理之后的第i个传感器的数据。x
i
和S
i
表示第i个传感器数据的均值和标准差。
[0017]优选地，所述步骤2的具体步骤包括：
[0018]步骤2.1：构建LSTM；
[0019]步骤2.2：将步骤1的测试集输入到LSTM网络中，设置学习率和隐含层神经元个数后进行LSTM结构模型的训练和预测，生成一组预测值L
t
，从预测值L
t
中减去t时刻的真实值Y
t
，得到LSTM的预测误差e
t
；
[0020]步骤2.3：根据LSTM结构模型训练的损失，更新LSTM结构模型参数；
[0021]步骤2.4：构建SVR模型对预测误差e
t
进行回归预测，引用SVR模型对LSTM预测的误差e
t
进行纠正，得到预测误差
[0022]步骤2.5：合并LSTM模型预测值L
t
与SVR纠正得到的误差e
t
，最终获得混合模型的预测结果。
[0023]优选地：根据LSTM结构模型训练的损失，更新LSTM结构模型参数；所述步骤2.1，构建LSTM模型和SVR模型作为发动机健康预测模型，LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数，记为σ，输出范围为[0，1]，代表当前输入信息的重要程度，越接近1表示越重要，在生成候选记忆时，选择tanh激活函数，用于调节流经网络的值，将输出数值始终限制在[
‑
1，1]之间；SVR模型长用于优化系统模型，SVR在线性函数两侧制造了一个“间隔带”，间距为∈对所有落入到间隔带内的样本不计算损失，也就是只有支持向量才会对其函数模型产生影响，最后通过最小化总损失和最大化间隔来得出优化后的模型，它的意义确保预测值f(x)与训练标号的差异最小。
[0024]优选地，根据步骤3中具体步骤包括：
[0025]步骤3.1：根据LSTM
‑
SVR模型的输出值，建立未确知评价指标集，确定基于不同评价指标的未确知测度函数，并根据该函数构建未确知评估模型；
[0026]步骤3.2：根据发动机上不同传感器及不同时刻点的对发动机的健康状态等级的影响，构建权重分配模型；
[0027]步骤3.3：根据深度信念网络，融合未确知评估参数获得HRD，通过HRD评价发动机的健康状态。
[0028]本专利技术的有益效果是：本专利技术提出了基于LSTM
‑
SVR的无人机发动机健康评估方法。通过对多个传感器得到的数据进行归一化后。训练了一种基于LSTM的深度神经网络，并且通过训练SVR模型对LSTM的误差进行补偿拟合。混合预测模型采用SVR对LSTM在各时间点的预测误差进行拟合。它是一种广泛应用于时间序列预测研究的思想，避免了单个模型的预测误差影响结果的问题，从而提高了模型的预测精度。
附图说明
[0029]图1为本专利技术的方法流程图。
[0030]图2为LSTM神经网络结构图。
[0031]图3为SVR模型。
[0032]图4为混合LSTM
‑
SVR工作机理。
[0033]图5为模型的训练流程图。
[0034]图6为HRD计算方法流程图。
[0035]图7为HRD结构图。
[0036]图8为本专利技术的模型结构图。
具体实施方式
[0037]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图，对本专利技术进行进一步详细说明。
[0038]除非另有定义，本文所使用的所有的技术术语和科学术语与属于本专利技术的
的技术人员通常理解的含义相同，本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0039]基于LSTM
‑
SVR的无人机发动机健康评估方法，包括以下步骤：...

【技术保护点】

【技术特征摘要】
1.基于LSTM
‑
SVR的无人机发动机健康评估方法，其特征在于，所述方法具体包括以下步骤：步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据，通过数据归一化处理后，构建训练样本，训练样本包括训练集和测试集；步骤2、在步骤1构建训练样本基础上，创建长短期记忆网络(LSTM)网络和支持向量回归(SVR)模型，作为无人机发动机健康预测模型；步骤3、将步骤1的测试集输入到步骤2构建的LSTM
‑
SVR模型，模型输出值通过未确知理论和深度信念网络，得到的健康可信度(HRD)，通过HRD评价发动机的健康状态。2.根据权利要求1中步骤一所述的基于LSTM
‑
SVR的无人机发动机健康评估方法，其特征在于：所述步骤1的具体步骤包括:步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据，进行归一化和标准化处理；步骤1.2:对步骤1.1处理后的数据进行特征选择；步骤1.3:对步骤1.2特征选择后的数据，构建训练样本，训练样本包括训练集和测试集。3.根据权利要求2所述的基于LSTM
‑
SVR的无人机发动机健康评估方法，其特征在于：所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)：述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)：x0表示传感器原始数据，x
max
表示同维度样本最大值，x
min
表示同维度最小值，x
′
i
表示为归一化处理之后的第i个传感器的数据。和S
i
表示第i个传感器数据的均值和标准差。4.根据权利要求3所述的基于LSTM
‑
SVR的无人机发动机健康评估方法，其特征在于：所述步骤2的具体步骤包括:步骤2.1:构建LSTM；步骤2.2:将步骤1的测试集输入到LSTM网络中，设置学习率和隐含层神经元个数后进行LSTM结构模型的训练和预测，生成一组预测值L
...

【专利技术属性】
技术研发人员：许鑫杰，徐志玲，谢非凡，胡琳丽，王欢欢，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：