【技术实现步骤摘要】
本专利技术属于数据预处理领域，涉及一种面向航空发动机参数的基于双向动态和属性关联的长短期记忆神经网络缺失值填补方法，可用于处理航空发动机运行过程中产生的不完整时序数据中的缺失值问题，为航空发动机的健康监控和性能分析提供支持，在航空发动机监控系统中的应用部署。
技术介绍
1、航空发动机的参数数据形成了复杂的多元时间序列，然而，其中通常存在着缺失值问题。这些缺失可能由多种因素引起，如传感器故障、通信故障、环境变化或采样频率的差异。不完整的数据集通常无法直接用于航空发动机的健康监控和性能分析，这对飞行安全和发动机维护构成了挑战。目前，解决这一问题的常见方法是进行缺失值填补。
2、缺失值填补利用模型估计值替代缺失值，将不完整的数据转化为完整的数据。在处理具有时序依赖的航空发动机运行参数数据时，高效的缺失值填补对后续的数据分析、故障诊断和健康监测至关重要。因此，为这些数据设计一个适应其特性的有效的缺失值填补方法具有重要意义。
3、现有的填补方法包括简单插值、回归模型以及基于统计的方法，这些方法虽然在某些情况下效果显著，但往往对数据中的时间依赖性和变量间非线性关联信息挖掘不足。随着机器学习技术的发展，基于神经网络模型的缺失值填补方法逐渐兴起。特别是，batista等人提出了基于长短期记忆网络(lstm)用于处理时序数据中的缺失值(zhang,k.,liu,r.,2023.lstm-based multi-task method for remaining useful life predictionunder cor
4、此外，还有一些lstm方法的变体被广泛使用，如hussain等人(hussain,s.n.,aziz,a.a.,hossen,m.j.,et al.2022.a novel framework based on cnn-lstm neuralnetwork for prediction of missing values in electricity consumption time-series datasets.journal of information processing systems,18(1),115-129.)提出将卷积神经网络(cnn)和lstm混合，来处理空调设备中的缺失值，与单独使用cnn和lstm的方法相比，混合方法表现更为出色。chen等人(chen,z.,yuan,c.,wu,h.,et al.2022.animproved method based on eemd-lstm to predict missing measured data ofstructural sensors.applied sciences,12(18),9027.)将集合经验模态分解(eemd)与lstm相结合。eemd是一种信号处理技术，用于将原始测得信号分解成不同的经验模态函数(emd)子分量，有助于捕捉信号中的不规律、周期性的变化。通过结合eemd和lstm而形成的混合方法能够有效地处理由于振动台实验中测点故障而导致的结构动态响应测得信号的缺失数据。li等人(li,l.,zhou,h.,liu,h.,et al.2021.a hybrid method couplingempirical mode decomposition and a long short-term memory network to predictmissing measured signal data of shm systems.structural health monitoring,20(4),1778-1793.)提出将经验模态分解与lstm相结合，形成一种混合模型，通过将缺失数据插补任务转化为时间序列预测任务，采用“分而治之”的策略解决结构健康监测系统中出现的数据缺失问题。然而，这些基于长短期记忆神经网络的缺失值填补方法并未充分考虑不同属性之间的关联性，通常采用单向模型，未能充分利用后继时间节点的信息。
技术实现思路
1、本专利技术旨在提供一种面向航空发动机参数数据的双向动态和属性关联的长短时记忆神经网络缺失值填补方法，简称bda-lstm。首先，对航空发动机参数数据的每个属性，采用线性插值法对缺失值进行初始化。具体而言，利用缺失值发生时刻前后的两个最近观测值构建线性插值函数，计算出缺失值在其发生时刻的估计值，作为其初始值。其次，将不完整数据按照时序正向和逆向排列，分别输入bda-lstm网络进行训练，得到正向和反向模型。在训练过程中，对于每个方向的模型，利用去跟踪自编码器挖掘不同参数之间的非线性关联性。在自编码器的基础上，通过依次剔除每个输入属性，经过两层全连接层得到多组隐藏状态输出，用以表征去除不同输入信息后通过属性间关联计算得到的隐藏信息。随后，使用lstm挖掘数据的单个方向上的时序依赖，并将该隐藏信息与lstm前一时刻和当前时刻的隐藏信息拼接，并将其映射为一个维度数与数据属性数相同的向量，用以表征时序依赖隐藏信息。通过将属性关联隐藏信息和时序依赖隐藏信息加权求和，并经过一个全连接线性层输出得到单向模型的填补结果。训练完成后，可以获得时序正向的隐藏状态和时序反向的隐藏状态，将两者拼接后通过一个全连接层输出最终的填补结果。
2、本专利技术面向航空发动机运行时产生的不完整参数数据设计。这类数据是通过在发动机运行时进行连续采样获得的，包含不同参数的时间序列，形成多变量时间序列。在这些时间序列中，一些参数之间存在较强的非线性相关性，例如发动机进口总温度、发动机出口总温度、风扇入口压力、风扇出口压力、旁通管道总压力、物理风扇转速、物理核心速度、修正风扇转速、校正堆芯速度、旁路比率、燃烧器燃油空气比、涡轮出口总温度、涡轮出口总压力。通过建模这些参数之间的非线性相关性，我们能够有效提升缺失值填补的性能。
3、本专利技术的具体技术方案如下：
4、一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，包括以下步骤：
5、(1)初始化缺失值
6、在处理航空发动机参数的不完整数据时，由于存在缺失值，这些数据无法直接用于神经网络模型的训练。因此，对航空发动机参数中的缺失值进行初始化处理；航空发动机参数构成一个多本文档来自技高网...
【技术保护点】
1.一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，其特征在于，步骤如下：
【技术特征摘要】
1.一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，其特征在于，包括以下步骤：
...
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。