【技术实现步骤摘要】
针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法
[0001]本专利技术属于航空发动机的健康管理与预测
,涉及一种针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制的深度学习建模方法。
技术介绍
[0002]航空发动机作为飞机的重要部件,其安全性和可靠性举足轻重。然而由于大部分零件都长时间工作在高温、高压、高速旋转等恶劣工作环境下,航空发动机发生故障的概率较高,并且随着使用时长的增加,各部件逐步老化,故障率随步攀升,严重影响飞机的安全运行。传统的航空发动机维修方式主要分为计划维修和事后维修,经常会导致“过修”和“失修”等两种情形,不仅造成了严重的资源浪费,也无法消除航空发动机潜在的安全隐患。解决这个问题的有效方法主要是针对航空发动机的历史传感器数据,提出一种基于数据驱动的机器学习或深度学习模型,从而预测航空发动机的剩余使用寿命,对地面系统提供一些决策支持,辅助地面维修人员对发动机进行一些维修工作,保证飞机安全性能的同时,避免“过度维护”造成的人力和物力方面的浪费。
[0003]目前,预测航空发动机剩余使用寿命的方法有以下几种:
[0004]1)基于卷积神经网络的预测方法。
[0005]该方法是在航空发动机历史传感器数据上,通过滑动时间窗口构造样本,然后使用卷积神经网络提取特征,最后通过全连接层进行剩余使用寿命的预测。卷积神经网络是一种通过卷积计算的前馈神经网络,是受生物学上的感受野机制启发而提出的,具有平移不变性,使用卷积核,最大的应用了局部信息,保留了平面结构信息。但是该 ...
【技术保护点】
【技术特征摘要】
1.一种针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法,其特征在于,包括以下步骤:包括离线训练阶段和在线测试阶段,离线训练阶段采用航空发动机历史传感器数据训练多尺度混杂注意力机制模型,在线测试阶段根据航空发动机传感器采集的实时数据,使用训练好的多尺度混杂注意力机制模型预测剩余使用寿命;包括以下步骤:步骤1:数据预处理最终得到样本其中k为航空发动机传感器数据的维度,n为滑动时间窗口大小;步骤2:设置RUL标签对于步骤1.3构造的样本中的最后一条数据,此处最后一条数据指第n条数据,将总飞行循环数Cycle
total
与当前飞行循环数Cycle
cur
的差值和剩余使用寿命阈值RUL
TH
相比取小者,计算其剩余使用寿命RUL
label
:RUL
label
=min(Cycle
total
‑
Cycle
cur
,RUL
TH
)
ꢀꢀ
(2)将RUL
label
作为该样本的剩余使用寿命真实值,在步骤4训练时使用;步骤3:构建多尺度混杂注意力机制模型多尺度混杂注意力机制模型网络结构图包括位置编码层、特征提取层和回归预测层这三个部分;(3.1)位置编码层首先,将样本通过线性层映射到更高维度的空间使数据维度d可以被后续的注意头数量H整除:Y=XW
Y
ꢀꢀ
(3)其中,是可训练的投影矩阵;然后,加入正弦余弦位置编码得到作为步骤3.2的输入,位置编码矩阵中各个位置的值如下:其中,P
i,2j
是编码矩阵P第i行第2j列的值;P
i,2j+1
是编码矩阵P第i行第2j+1列的值;i∈[0,n
‑
1]表示行数,表示列数;(3.2)特征提取层特征提取层包括多头混杂注意力机制和多尺度卷积神经网络两部分,同时在这两部分的结束位置加入残差连接和层归一化方法来抑制过拟合;所述的多头混杂注意力机制由多头自注意力机制和多头外部注意力机制混杂而成,得到特征HybridAttention;所述的多尺度卷积神经网络不包含池化层和全连接层,只使用多个不同尺寸的卷积核对时序数据进行特征提取,并将结果进行融合,实现对数据本地特征提取能力的增强;将多头混杂注意力机制提取的特征HybridAttention作为输入,首先使用3个不同尺寸的卷积核分别提取特征,然后设置1个可以学习的参数初始值为1,其中参数β在步骤4的训练过程中进行梯度更新;并对参数β进行指数归一化,最后使用该参数对3个卷积核提取的特征进行加权求和得到最终结果MultiScaleConv:
其中为第i个卷积核提取的特征;(3.3)回归预测层首先将步骤3.2得到的结果展开为然后通过两层全连接神经网络计算结果,得到航空发动机的剩余使用寿命预测值RUL:RUL=Relu(FW2+b1)W2+b2ꢀꢀ
(16)其中,为第一层全连接神经网络的投影矩阵,为第一层全连接神经网络的偏置,为第二层全连接神经网络的投影矩阵,为第二层全连接神经网络的偏置,投影矩阵和偏置都是可训练的,Relu为激活函数;步骤4:模型训练通过最小化损失函数,使模型输出的剩余使用寿命预测值RUL与真实值之间的差异逐渐变小,直到达到停止标准,所述真实值为步骤2所设置的RUL标签RUL
label
;损失函数采用均方误差(MSE)损失函数:其中,n是样本数,RUL
i
为第i个样本剩余使用寿命的实际值,为第i个样本剩余使用寿命的预测值;首先将步骤1.3得到的样本分批次输入到步骤3构建的...
【专利技术属性】
技术研发人员:马松,李志,孙涛,孙希明,徐赠淞,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。