一种航空装备关键状态参数的智能预测方法技术

本发明专利技术涉及航空飞行数据分析技术领域，特别涉及一种航空装备关键状态参数的智能预测方法。包括以下步骤：1)数据预处理阶段；2)模型训练阶段；3)预测与可视化阶段。本发明专利技术利用航空飞行器历史飞行数据，训练算法建立航空装备关键状态参数与多元观测参数的非线性映射模型，利用构建好的模型预测关键状态参数，对提升航空装备的预防性维修保障能力具有重要意义。义。义。

【技术实现步骤摘要】
一种航空装备关键状态参数的智能预测方法


[0001]本专利技术涉及航空飞行数据分析
，特别涉及一种航空装备状态参数的智能预测方法。

技术介绍

[0002]航空装备如航空发动机、飞控系统都是飞机的重要子系统，它们的工作状态对飞机的飞行安全有着重要影响。标志这些子系统的关键状态参数会受到多个参数的影响。例如，航空发动机的排气温度(Exhaust Gas Temperature，EGT)是监控航空发动机健康状态的重要参数，其变化情况可以较好反映出发动机的工作状况和性能衰退情况。通过EGT预测，可以提前感知发动机健康状况，为发动机的预防性维修工作提供数据支持。而EGT随时间的变化过程是一个复杂的非线性变化过程，难以用精确的物理模型描述，同时引起EGT变化的因素有很多，是发动机各部件共同作用的结果。因此，如何准确预测EGT成为航空发动机健康管理领域研究的热点之一。

技术实现思路

[0003]本专利技术的目的在于克服上述现有技术存在的不足之处，提供一种航空装备关键性能参数的智能预测方法，利用航空飞行器历史飞行数据，训练算法建立关键状态参数与多元参数的非线性映射模型，利用构建好的模型预测关键状态参数。
[0004]本专利技术的一种航空装备状态参数的智能预测方法，其特殊之处在于包括以下步骤：
[0005]1、数据预处理阶段
[0006]完成数据异常值修正、数据空缺值填补、数据归一化处理和设置滑动窗口；
[0007]所述异常值修正的具体步骤为：统计数据分布情况，找出其中的异常值，由于时间序列数据存在时间的累积关系，所以将异常值修正为其临近数据的中位数；
[0008]所述空缺值填补的具体步骤为：对于空缺值，采用与其相邻数值的中位数进行填补；
[0009]所述数据归一化处理的具体步骤为：由于发动机转速、滑油温度、滑油压力和排气温度等多个观测变量的数值范围不同，如果数据量级不同可能导致训练的网络模型不准确，所以要对多个观测变量进行归一化，常见的三种数据归一化方法为Z
‑
score、Min
‑
max和MaxAbs标准化方法；
[0010]所述设置滑动窗口的具体步骤为：设置滑动窗口是将样本数据按照窗口宽度为w步长为s划分为多个时间序列数据窗。
[0011]2、模型训练阶段
[0012]训练由卷积特征提取网络(Convolutional Neural Networks,CNN)、双向长短时记忆网络(Bidirectional Long Short
‑
Term Memory,Bi
‑
LSTM)和注意力机制Attention的权重分配网络组成的模型，其中，CNN从大量飞参数据中提取特征，Bi
‑
LSTM从特征中提取时
间相关性规律实现数据记忆预测，注意力机制Attention
‑
Permute层调整数据维度，为下一层的计算提供合适的数据结构，Attention
‑
Merge层计算Attention值，修正网络权重和偏置，从而准确构建预测参数与输入多元参数的非线性映射关系模型。其中，为了防止网络过拟合，Dropout层丢弃部分权重和偏置量，使之不参与网络迭代计算和更新，Dense层将前面网络层提取的特征进行非线性变化，建立特征间的关联，Flatten层将多维数据一维化，为下一层的计算提供合适的数据结构；
[0013]为了提升预测精度，预测包括三段网络模型的训练：CNN、Bi
‑
LSTM和Attention。
[0014]具体的，所述CNN是一种由卷积层、池化层和全连接层组成的深层前馈神经网络，用卷积代替全连接提取数据的局部特征，卷积深度为D，卷积核大小为F的卷积公式(1)为：
[0015][0016]其中，a
i,j
为卷积后特征矩阵的第i行第j列元素，w
d,m,n
为卷积核第d层第m行第n列的权重，x
d,i+m,j+n
表示卷积前矩阵的第d层第i行第j列的元素，w
b
为卷积核的偏置项，用f表示激活函数。每层神经元利用同一个卷积核与上一层的部分神经元连接，通过卷积网络的局部连接和权值共享，实现特征提取；
[0017]依据CNN的数学原理，卷积层通过卷积操作从航空装备多元观测参数的飞行数据中，提取影响关键状态参数取值的特征空间，将卷积核与观测变量对应位置的数据进行相乘相加得到特征空间的1个值，然后根据步长设置在观测变量移动滑动窗口，移动后再与卷积核元素对应相乘，计算对应的特征值，依次进行，得到卷积后的特征空间。为了防止网络过拟合，设置Dropout层丢弃部分权重和偏置，使之不参与网络迭代计算和更新，网络输出到Bi
‑
LSTM。
[0018]具体的，为了充分利用网络前后节点神经元的上下文信息、提高预测精度，所述Bi
‑
LSTM的内部节点神经元与LSTM相同，构建了3个门——遗忘门f、输入门i和输出门o；
[0019]在时间步t时，LSTM隐藏层的输入向量为x
t
，输出向量为h
t
，记忆单元为c
t
，其中，遗忘门公式(2)：
[0020]f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
) (2)
[0021]输入门公式(3)：
[0022]i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+b
i
) (3)
[0023][0024][0025]输出门公式(4):
[0026]o
t
＝σ(W
xo
x
t
+W
ho
h
t
‑1+b
o
) (4)
[0027][0028]其中表示向量元素对应乘；W表示权重；
σ
是sigmod函数，b是偏置项，tanh是双曲正切函数；
[0029]所述Bi
‑
LSTM是在LSTM的前向层计算的基础上增加反向层计算，各节点的计算方
法如式公式(5)
‑
(7)。
[0030][0031][0032]h
t
＝f(w4h
tR
+w2h
tL
)
ꢀꢀ
(7)
[0033]所述Attention是对于给定查询向量q，从信息X中选择第i条信息的概率的计算公式(8)为：
[0034][0035]其中，s(x
i
,q)为注意力打分函数，该函数可以是加性计算、点积计算、缩放点积计算或双线性计算函数。概率α<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空装备关键状态参数的智能预测方法，其特征在于包括以下步骤：1)数据预处理阶段完成数据异常值修正、数据空缺值填补、数据归一化处理、划分数据集和设置滑动窗口；2)模型训练阶段训练由卷积特征提取网络CNN、双向长短时记忆网络Bi
‑
LSTM和注意力机制Attention的权重分配网络组成的模型，其中，CNN从大量飞参数据中提取特征，Bi
‑
LSTM从特征中提取时间相关性规律实现数据记忆预测，注意力机制Attention
‑
Permute层调整数据维度，为下一层的计算提供合适的数据结构，Attention
‑
Merge层计算Attention值，修正网络权重和偏置，从而准确构建预测参数与输入多元参数的非线性映射关系模型，其中，为了防止网络过拟合，Dropout层丢弃部分权重和偏置量，使之不参与网络迭代计算和更新，Dense层将前面网络层提取的特征进行非线性变化，建立特征间的关联，Flatten层将多维数据一维化，为下一层的计算提供合适的数据结构；3)预测可视化阶段利用训练好的网络模型，预测关键状态参数，然后对关键状态参数反归一化处理，得到预测值，并绘制其可视化曲线。2.按照权利要求1所述的一种航空装备状态参数的智能预测方法，其特征在于1)数据预处理阶段中：所述异常值修正的具体步骤为：统计数据分布情况，找出其中的异常值，由于时间序列数据存在时间的累积关系，所以将异常值修正为其临近数据的中位数；所述空缺值填补的具体步骤为：对于空缺值，采用与其相邻数值的中位数进行填补；所述数据归一化处理的具体步骤为：从Z
‑
score、Min
‑
max和MaxAbs常见三种数据归一化方法选择一种进行归一化；所述设置滑动窗口的具体步骤为：设置滑动窗口是将样本数据按照窗口宽度为w步长为s划分为多个时间序列数据窗。3.按照权利要求1所述的一种航空装备状态参数的智能预测方法，其特征在于步骤2)模型训练阶段中：所述CNN是一种由卷积层、池化层和全连接层组成的深层前馈神经网络，用卷积代替全连接提取数据的局部特征，卷积深度为D，卷积核大小为F的卷积公式(1)为：其中，a
i,j
为卷积后特征矩阵的第i行第j列元素，w
d,m,n
为卷积核第d层第m行第n列的权重，x
d,i+m,j+n

【专利技术属性】
技术研发人员：王凤芹，杨玫，韩秋枫，张燕红，杜晶，赵海冰，吕洁，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：