【技术实现步骤摘要】
本专利技术涉及航空发动机的健康管理与预测，尤其涉及一种基于多层次图特征融合的航空发动机剩余寿命预测方法。
技术介绍
1、当前，随着现代工业系统的日益复杂化和精密化，对系统的安全性和可靠性提出了更高的要求，尤其是像航空发动机这样的关键系统，一旦在其运行过程中发生故障，将可能会导致重大的经济损失并威胁生命安全。因此发展设备的故障预测与健康管理(phm)技术对保障系统安全、提高系统可靠性、降低维护成本具有极其重要的意义。剩余使用寿命(rul)预测是phm系统的重要组成部分，其主要目的是通过对航空发动机内部的传感器信号进行分析与处理，建模并预测出航空发动机的剩余使用寿命，为设备的预测性维护提供决策支持，实现提高设备运行安全性、降低设备维护成本和增加设备使用寿命的目的。
2、通常来说，在剩余使用寿命预测的研究中，主要有三种研究路线：基于物理模型的方法、基于数据驱动的方法和混合方法。由于设备的物理机理极其复杂，很难对其建立精确的数学模型，这也意味着基于物理模型的方法和混合方法存在局限性。而随着大数据技术的不断发展，目前基于数据驱动的方法成为了研究的热点。与另外两条路线不同的是，该方法不需要领域的先验知识，可以从海量的运行数据中直接学习到反映设备健康状态的特征，根据设备传感器网络所记录的多元状态监测序列对航空发动机的退化特征进行建模，再将退化特征进行映射，最终获得航空发动机当前的rul预测值。由于航空发动机的状态监测序列并非一维的，而是由传感器网络所采集到的多元时序信号，且系统的运行工况和退化模式也并非单一的，这也给特征的提取带来
3、深度学习技术由于其强大的特征提取能力和数据拟合能力已成为目前数据驱动方法中最热门的方向，例如卷积神经网络(cnn)、长短时记忆网络(lstm)等等，2022年，cheng等人在《multi-dimensional recurrent neural network for remaining usefullife prediction under variable operating conditions andmultiple fault modes》提出了一种基于bi-lstm和bi-gru的多维递归神经网络，用于预测变工况和多故障下的rul，能够通过不同通道从多个传感器数据和工况中提取特征。xiang等人在《spatiotemporally multi-differential processing deep neural network and itsapplication to equipment remaining useful life prediction》中提出了一种基于lstm的时空多差分深度神经网络来预测设备的rul，利用多趋势、多阶段信息来提高特征提取能力。
4、目前基于数据驱动的航空发动机rul预测技术主要存在两个缺陷：
5、第一，数据处理高度规则化；现有方法绝大部分都将传感器所采集到的时序信号看作是类似于文本、语音、图片等规则的欧式数据，并利用cnn、lstm等传统的、高度规则化的深度学习技术进行处理，这忽略了传感器网络所包含的拓扑特征，例如在航空发动机中，不同监测位置的流体压力、温度是存在一定的物理关联的，并非相互独立的，将其看作是欧式数据实际上是不合理的，此外这种规则化的数据存在一种安全风险，一旦在模型的输入过程中交换了传感器数据的输入顺序将会出现完全错误的预测结果，这导致预测模型的鲁棒性低。
6、第二，忽略预测结果的平滑性；目前现有的基于深度学习的rul预测技术，往往都存在预测曲线抖动剧烈的问题，例如连续几天内的预测值差别过大，这导致预测结果的可信度降低，极大影响技术的实际应用。
技术实现思路
1、本专利技术要解决的问题是针对上述现有技术的不足，提供一种基于多层次图特征融合的航空发动机剩余寿命预测方法，以解决现有的多元传感器时序信号特征提取高度规则化以及预测结果可信度低的问题。
2、本专利技术提供一种基于多层次图特征融合的航空发动机剩余寿命预测方法，包括如下步骤：
3、步骤1：获取航空发动机状态数据集；所述航空发动机状态数据集中包括若干种工况条件信号、若干个多元传感器时序信号、若干个虚拟传感器信号、发动机健康参数、rul标签、发动机单元编号、飞行周期、飞行类别和健康状态标签；
4、步骤2：将航空发动机状态数据集划分为训练集和测试集；
5、步骤3：对训练集和测试集中的工况条件信号、多元传感器时序信号和rul标签进行预处理；
6、步骤3.1：对工况条件信号、多元传感器时序信号进行最大最小值归一化操作，得到归一化后的若干个工况条件信号和多元传感器时序信号；
7、步骤3.2：对归一化后的每个多元传感器时序信号中的值进行排序，得到每个值的排序值，由每个值的排序值构成秩次序列，进而由若干个多元传感器时序信号得到若干个秩次序列；
8、步骤3.3：根据秩次序列，利用spearman相关性分析方法计算归一化后的多元传感器时序信号xs中任意两个多元传感器时序信号之间的spearman相关性系数，并根据spearman相关性系数构建传感器网络拓扑图；所述传感器网络拓扑图由若干个代表传感器的传感器节点及连接它们的边组成；
9、所述构建传感器网络拓扑图的方法具体为：若两个多元传感器时序信号之间的spearman相关性系数大于等于设定阈值，则两个多元传感器时序信号所对应的传感器节点之间存在边，否则不存在；
10、所述spearman相关性系数计算公式为：
11、
12、其中，n表示秩次序列中的样本量；s′1,index为秩次序列s'1中的第index个值；s'2,index为秩次序列s2中的第index个值；ρs为spearman相关性系数；
13、步骤3.4：对多元传感器时序信号进行退化增强处理，得到多元残差时序信号；
14、步骤3.4.1：将工况条件信号中的健康状态下的工况条件信号作为输入，多元传感器时序信号中的健康状态下的多元传感器时序信号作为输出，利用三层全连接神经网络fnn来拟合健康状态下的航空发动机输入输出模型；
15、步骤3.4.2：将任意工况条件信号输入健康状态下的航空发动机输入输出模型，得到对应的健康状态下的理想多元传感器时序信号；
16、步骤3.4.3：将健康状态下的理想多元传感器时序信号与航空发动机状态数据集中真实的多元传感器时序信号计算残差并按飞行周期为单位经过sg平滑滤波去噪处理，得到多元残差时序信号。
17、步骤3.5：基于传感器网络拓扑图对多元残差时序信号进行图信号构建，得到航空发动机全生命周期的图序列；所述图信号包括拓扑图、节点特征和边特征三个要素；
18、所述得到图序列的方法具体为：利用时间滑窗法对一个飞行周期内的多元残差时序信号按照设定的窗口大小进行截取，将截取的时序信号作为节点特征，使用传感器网本文档来自技高网...
【技术保护点】
1.一种基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤3包括如下具体步骤：
3.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤4包括如下具体步骤：
4.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤6包括如下具体步骤：
5.根据权利要求2所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤3.4包括如下具体步骤：
6.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤7中光滑处理方法为：
7.根据权利要求4所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，步骤6.1中所述节点级特征提取的表达式为：
8.根据权利要求4所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，步骤6.2中所述子图级特
9.根据权利要求4所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，步骤6.3中所述周期级特征提取表达式为：
...【技术特征摘要】
1.一种基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤3包括如下具体步骤：
3.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤4包括如下具体步骤：
4.根据权利要求1所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤6包括如下具体步骤：
5.根据权利要求2所述的基于多层次图特征融合的航空发动机剩余寿命预测方法，其特征在于，所述步骤...
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。