一种基于图结构的航空发动机剩余使用寿命跨域预测方法技术

本发明专利技术提出一种基于图结构的航空发动机剩余使用寿命跨域预测方法，包括：对源域与目标域的航空发动机传感器子数据集进行预处理，计算经过选择处理后的传感器数据之间的相关性，构建航空发动机图数据集；设计一种时序图注意力模型的域特征提取模块提取航空发动机的时间依赖关系和空间拓扑依赖关系，在每一层门控循环单元中对不同的传感器进行基于注意力的信息聚合，在捕捉整个时序数据的过程中对每一时刻的传感器拓扑信息进行提取；设计一种域特征分离模块将域不变信息与域专属信息分离，并利用MK

【技术实现步骤摘要】
一种基于图结构的航空发动机剩余使用寿命跨域预测方法


[0001]本专利技术涉及航空发动机的剩余寿命跨域预测领域，特别涉及一种基于图结构的航空发动机剩余使用寿命跨域预测方法。

技术介绍

[0002]剩余使用寿命(remaining useful life，RUL)预测作为预测与健康管理(PHM)的重要内容之一，目前也引起了广泛的关注并成为该领域的一个研究热点。作为保障发动机安全的关键环节，航空发动机等复杂精密设备的运行退化趋势的预测和健康状态的评估是非常有挑战性的。为了保障国家和民众的人身和财产安全，尽早对航空发动机的剩余使用寿命进行预测，并根据预测结果进行维护和检修，对安全飞行以及避免事故发生有着重大的意义。
[0003]随着深度学习技术在各个领域中的发展和应用，航空发动机的健康状态可以通过对传感器参数的大小和变化趋势进行分析来进行预测维护。由于航空发动机经常运行在不同的工作环境且运行成本高昂，在实际运行场景中收集传感器数据样本存在分布差异大、标签难以获取等问题，限制了传统的深度学习方法的使用。
[0004]本专利技术主要针对航本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图结构的航空发动机剩余使用寿命跨域预测方法，其特征在于，步骤如下：(1)数据预处理：利用航空发动机公开数据集C
‑
MAPSS，该数据集有4个子数据集，每个子数据集由一个训练数据集、一个测试数据集和一组测试数据集的真实RUL标签组成；首先对数据集中传感器进行选择，选择所收集数据有明显退化趋势的传感器，删除数值恒定或没有退化趋势的传感器数据，并采用最小最大归一化方法对航空发动机传感器信号做归一化处理；为了充分利用航空发动机的多传感器时序信息，使用固定长度的滑动窗口将整个数据集的时间序列数据拆分成时间维度上的子时间数据；分段线性退化模型通过设定阈值将健康状态的RUL标签设定为固定值，其余RUL标签设置为发动机当前运行时刻至运行失效的时间间隔；将超过阈值N的RUL标签标记为N，小于N的RUL标签保持不变；(2)生成传感器之间的图数据集：为了获得航空发动机传感器数据的拓扑结构并构建图数据集，将不同传感器的时间序列数据视为图节点，通过计算不同传感器数据之间的相关性来定义每个数据集的图结构，相关性由两个传感器节点之间的Pearson相关系数ρ(X,Y)进行计算，具体如下：其中X,Y分别代表不同的样本，Cov(X,Y)代表两个样本之间的协方差；σ
X
和σ
Y
分别代表两个样本的标准差，μ
X
和μ
Y
分别代表两个样本的均值，E表示数学期望；只需计算数据集中不同传感器样本之间的Pearson系数，即可根据确定的阈值构建子数据集的传感器图结构；当计算中心节点与其他传感器节点的相关性大于阈值时，认为两个传感器节点在图结构中是连通的，相关性不满足条件的节点不能加入到中心节点的邻居节点集合中；相邻节点集的生成方法如下：其中表示传感器节点x
i
的邻居集合，θ表示判断节点之间是否连通的阈值，adj(x
i
,x
j
)代表当两个传感器节点的数据满足条件ρ(x
i
,x
j
)≥θ时返回的节点集合{x
j
,j≥i}；由此得到图数据集(X,A)，其中X为传感器输入数据，A为每个子数据集对应的邻接矩阵，邻接矩阵A根据传感器节点x的邻居节点集合获得，当节点x
i
与节点x
j
存在邻居关系时，即x
j
存在于中，则A
ij
＝1，否则A
ij
＝0；在该邻接矩阵中包含节点自连接，即A
ii
＝1；(3)深层特征提取：利用改进的时序图注意力模型TGAT对输入的源域和目标域航空发动机传感器数据进行特征提取，得到航空发动机的深层时空特征；即，特征提取模块由所提出的改进的时序图注意力模型构成，按照处理特征的来源和功能分为三个部分：共享特征提取模块E
shared
、源域特征提取模块和目标域特征提取模块共享特征提取模块E
shared
同时接收源域和目标与的输入数据，用来学习不同领域之间的不受领域变化影响的域不变特征；源域特征
提取模块和目标域特征提取模块分别用来学习源域和目标域数据中的专属时序退化信息；最终源域数据和目标域数据通过三个特征提取模块，获得源域域专属特征目标域域专属特征源域域不变特征和目标域域不变特征以及源域域专属融合时空特征目标域域专属融合时空特征源域域不变融合时空特征和目标域域不变融合时空特征改进的时序图注意力模型的构建过程为：(3.1)空间拓扑特征提取在获得经步骤(2)处理的图数据集之后，将得到的源域数据和目标域数据输入到图注意力网络GAT中，以更新节点特征；GAT通过计算中心节点与不同邻居节点之间的相关性对不同邻居节点分配不同的权重；中心节点与不同邻居节点之间的相关性计算方式如下：其中h
i
是中心节点，h
j
是相邻节点集合中的邻居节点；W为计算相关共享参数，最终通过函数a(
·
)映射为相关系数；计算中心节点与所有相邻节点的相关系数后，可以得到分配给每个节点的注意力系数α
ij
，具体如下：最终通过GAT聚合了每个节点及其一阶邻居的特征，具体的结构定义如下：其中σ(
·
)表示激活函数；最后通过聚合计算得到的整个传感器数据的隐藏状态为Z＝G(A,X)＝[h
(1)
,h
(2)
,
…
,h
(i)
]；G(
·
)表示GAT节点特征聚合操作，h
(i)
表示图中第i个节点特征，A为包括节点自连接的邻接矩阵，X表示输入的节点特征；(3.2)时间特征提取GRU结构被用于提取航空发动机数据的时间依赖信息；GRU的模型的定义如下：u
t
＝sigmoid(W
u
·
[X
t
,h
t
‑1]+b
u
)r
t
＝sigmoid(W
r
·
[X
t
,h
t
‑1]+b
r
)c
t
＝tanh(W
c
·
[X
t
,(r
t
*h
t
‑1)]+b
c
)h
t
＝u
t
*h
t
‑1+(1
‑
u
t
)*c
t
其中r
t
和u
t
代表重置门和更新门，用于更新t时刻的隐藏状态h
t
；其中W
u
、W
r
、W
c
、b
u
、b
r
、b
c
是GRU模型的参数，sigmoid(
·
)和tanh(
·
)分别是激活函数；(3.3)时空特征提取为了更好地提取航空发动机传感器数据的时空特征，设计一种将GAT和GRU的优点相结合的改进的时序图注意力模型TGAT；
首先将每个时刻的图结构传感器数据输入到GAT结构中提取空间拓扑特征，然后将计算得到t时刻的图注意力层输出和GRU结构在t
‑
1时刻的隐藏状态输入到GRU中以提取时间特征，最后通过注意力模块对提取的特征进行融合处理，得到航空发动机传感器数据的时空特征；具体如下：u
t
＝sigmoid(W
u
·
[Z
t
,h
t
‑1]+b
u
)r
t
＝sigmoid(W
r
·
[Z
t
,h

【专利技术属性】
技术研发人员：覃振权，李东升，卢炳先，王雷，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：