一种多工况下飞机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自适应交互学习的多工况下飞机发动机剩余寿命预测方法，包括：获取飞机发动机的多元传感器数据并进行信号预处理和信号选择；构建自适应交互学习模型并利用历史多元传感器数据进行训练，所述自适应交互学习模型基于交互式循环神经网络构建，包括相互连接的融合模型和失效过程模型，同时实现融合多元传感器数据构建发动机的健康指数HI和失效过程建模；将经过预处理的多元传感器数据输入训练完成的自适应交互学习模型，得到飞机发动机健康指数HI；基于飞机发动机健康指数HI和自适应交互学习模型参数得到飞机发动机剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测。与现有技术相比，本发明专利技术具有预测精度高等优点。精度高等优点。精度高等优点。

【技术实现步骤摘要】
一种多工况下飞机发动机剩余寿命预测方法


[0001]本专利技术涉及飞机发动机失效过程建模与剩余寿命预测
，尤其是涉及一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法。

技术介绍

[0002]飞机发动机作为飞机的“心脏”，其可靠性与稳定性是飞机飞行安全的重要保障。在发动机运行的过程中进行在线状态监测和预测剩余使用寿命(Remaining Useful Lifetime,RUL)，并根据预测结果合理安排维修计划，留有充足的寿命裕度，可以保证飞行的安全性与维修的经济性。
[0003]近年来，基于深度学习的飞机发动机失效过程建模和RUL预测是国内外企业、院所关注和研究的焦点和热点之一，该类方法可分主要为两类。第一类以多传感器数据的测量值或提取的特征作为神经网络模型输入，以RUL作为模型输出，该类模型包括深度置信网络(Deep Belief Network,DBN)、卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network，RNN)。虽然该类方法设计的神经网络可以直接预测RUL，但没有考虑到飞机发动机退化过程机制，可解释性较差。第二类模型首先融合多传感器数据构建健康指数(Health Index,HI)，然后根据构建的健康指数对飞机发动机退化过程进行建模。健康指数的构建可以由深度学习模型完成，如人工神经网络(Artificial Neural Network)、长短期记忆网络(Long Short
‑
>Term Memory,LSTM)等。这类模型可以将发动机失效过程可视化，并监测运行中的飞机发动机的实时健康状态。但该类方法仍然存在以下三个问题。
[0004]第一，现有的方法假设飞机发动机在单一工况下运行，然而实际的运行过程中，其工作环境中的压强、温度和转速等都在不断变化，收集到的传感器数据的统计学特征会随着工作环境发生变化，不利于准确地估计实际失效状态。第二，大多数现有的基于HI的神经网络模型将HI构建和失效过程建模分成两个独立的部分，忽略了这两部分之间的内在关联性。此外，融合模型和退化模型的泛化能力也很重要，融合模型不仅需要有效地融合多传感器数据构建HI，而且需要融合来自多传感器信号的相应退化状态。同样地，退化模型不能只基于HI进行退化过程建模，还要对基于每个传感器信号进行退化过程建模。第三，与深度学习中的监督学习相比，由于飞机发动机的实际健康状态无法从传感器数据中直接观察到，HI的构建更具挑战性。

技术实现思路

[0005]本专利技术的目的是为了提供一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，充分考虑多工况对飞机发动机退化状态的影响，利用飞机发动机运行过程中采集到的多元传感器信号数据，实现飞机发动机多工况下失效过程建模和剩余寿命预测，提高预测精度。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，包括以下步骤：
[0008]获取飞机发动机的多元传感器数据并进行信号预处理和信号选择；
[0009]构建自适应交互学习模型并利用历史多元传感器数据进行训练，所述自适应交互学习模型基于交互式循环神经网络构建，包括相互连接的融合模型和失效过程模型，同时实现融合多元传感器数据构建发动机的健康指数HI和失效过程建模；
[0010]将多元传感器数据输入训练完成的自适应交互学习模型，得到飞机发动机健康指数HI；
[0011]基于飞机发动机健康指数HI和自适应交互学习模型参数得到飞机发动机剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测。
[0012]所述发动机的健康指数HIy
l
(t)定义为发动机的潜在失效状态加上相应的白噪声项，其计算表达式为：
[0013][0014]式中，为白噪声项，为健康指数HI对应的潜在失效状态，由共同特征函数和个体随机效应参数综合描述，其计算表达式为：
[0015][0016]式中，ψ(t)是描述所有飞机发动机失效状态演变的共同特征函数，是描述发动机l的个体随机效应参数；
[0017]多元传感器数据信号x
l
(t)定义为其对应的失效状态g
l
(t)加上相应的白噪声项ε
l
(t)，其表达式为：
[0018]x
l
(t)＝g
l
(t)+ε
l
(t)
[0019]所述失效过程模型同时也用于描述传感器数据的失效状态演变过程，其表达式为：
[0020]g
l
(t)＝ψ(t)Γ
l
[0021]式中，代表发动机l的多元传感器数据的个体随机特征。
[0022]所述失效过程模型采用的ψ(
·
)函数是输入为时间t的长短期记忆网络的隐藏层值。
[0023]所述融合模型采用的η(
·
)函数为循环神经网络，设定为RNN的参数集，将RNN的表述简化为y
t
＝η(x
t
,ω)；
[0024]所述融合模型用于融合多元传感器数据构建健康指数HI，并融合多元传感器数据对应的失效状态构建融合失效状态。
[0025]所述HI的构建表达式如下：
[0026]y
l
(t)＝η(x
l
(t),ω)
[0027]式中，η(
·
)是RNN的函数形式，x
l
(t)是发动机l在t时刻的多元传感器信号数据，ω是RNN网络参数；
[0028]所述融合失效状态的构建如下：
[0029][0030]式中，g
l
(t)为多元传感器数据信号对应的失效状态。
[0031]所述自适应交互学习模型的总损失函数计算表达式如下：
[0032][0033]式中，λ1,λ2,λ3和λ4是权重系数，决定每个属性对所构建的HI的影响；对应优化HI的特性的损失函数，所述优化HI的特性包括：失效时刻HI的方差、单调性和曲率；为采用领域自适应最小化多工况引起的领域偏移的损失函数；分别对应最小化退化状态和传感器信号、健康指数HI之间的拟合误差。
[0034]所述优化HI的特性的损失函数为：
[0035][0036][0037][0038]式中，y
l
(t)为发动机的健康指数HI，是发动机l的失效时刻，L是历史数据中飞机发动机的数量，m为预配置的失效阈值，τ1是单调性对应的移动窗口的大小，d
l
(t)＝y
l
(t
‑
τ1)
‑
y
l
(t)，τ2是优化曲率对应的移动窗口的大小。
[0039]所述采用领域自适应最小化多工况引起的领域偏移的损失函数为：
[0040][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，包括以下步骤：获取飞机发动机的多元传感器数据并进行信号预处理和信号选择；构建自适应交互学习模型并利用历史多元传感器数据进行训练，所述自适应交互学习模型基于交互式循环神经网络构建，包括相互连接的融合模型和失效过程模型，同时实现融合多元传感器数据构建发动机的健康指数HI和失效过程建模；将多元传感器数据输入训练完成的自适应交互学习模型，得到飞机发动机健康指数HI；基于飞机发动机健康指数HI和自适应交互学习模型参数得到飞机发动机剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测。2.根据权利要求1所述的一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，所述发动机的健康指数HIy
l
(t)定义为发动机的潜在失效状态加上相应的白噪声项，其计算表达式为：式中，为白噪声项，为健康指数HI对应的潜在失效状态，由共同特征函数和个体随机效应参数综合描述，其计算表达式为：式中，ψ(t)是描述所有飞机发动机失效状态演变的共同特征函数，是描述发动机l的个体随机效应参数；多元传感器数据信号x
l
(t)定义为其对应的失效状态g
l
(t)加上相应的白噪声项ε
l
(t)，其表达式为：x
l
(t)＝g
l
(t)+ε
l
(t)所述失效过程模型同时也用于描述传感器数据的失效状态演变过程，其表达式为：g
l
(t)=ψ(t)Γ
l
式中，代表发动机l的多元传感器数据的个体随机特征。3.根据权利要求2所述的一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，所述失效过程模型采用的ψ(
·
)函数是输入为时间t的长短期记忆网络的隐藏层值。4.根据权利要求1所述的一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，所述融合模型采用的η(
·
)函数为循环神经网络，设定为RNN的参数集，将RNN的表述简化为y
t
=η(x
t
,ω)；所述融合模型用于融合多元传感器数据构建健康指数HI，并融合多元传感器数据对应的失效状态构建融合失效状态，其中，所述HI的构建表达式如下：y
l
(t)＝η(x
l
(t),ω)式中，η(
·
)是RNN的函数形式，x
l
(t)是发动机l在t时刻的多元传感器信号数据，ω是
RNN网络参数；所述融合失效状态的构建如下：式中，g
l
(t)为多元传感器数据信号对应的失效状态。5.根据权利要求2所述的一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，所述自适应交互学习模型的总损失函数计算表达式如下：式中，λ1,λ2,λ3和λ4是权重系数，决定每个属性对所构建的HI的影响；对应优化HI的特性的损失函数，所述优化HI的特性包括：失效时刻HI的方差、单调性和曲率；为采用领域自适应最小化多工况引起的领域偏移的损失函数；分别对应最小化退化状态和传感器信号、健康指数HI之间的拟合误差。6.根据权利要求5所述的一种基于自适应交互学习的多工况下飞机发动机剩余寿命预测方法，其特征在于，所述优化HI的特性的损失函数为：为：为：式中，y
l
(t)为发动机的健康指数HI，是发动机l的失效时刻，L是历史数据中飞机发动机的数量，m为预配置的失效阈值，τ1是优化单调性对应的移动窗口的大小，d
l
(t)＝y
...

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