一种基于MCLSTM模型的航空发动机寿命预测方法

技术领域

本发明涉及航空发动机寿命预测领域，特别是一种基于MCLSTM模型的航空发动机寿命预测方法。

背景技术

航空发动机是一种高度复杂和精密的热力机械，是为航空器提供飞行所需动力的发动机，由于其复杂的内部结构、恶劣的工作环境，航空发动机也更易发生故障；因此对航空发动机剩余使用寿命的准确预测，对航空发动机的运行和维护有极大的帮助。

现有神经网络预测模型均存在不能根据输入数据重要程度对不同的输入数据进行不同更新模式的问题，模型计算量大、模型的预测精度差。

发明内容

本发明的目的就是提供一种基于MCLSTM模型的航空发动机寿命预测方法，它可以用于航空发动机剩余寿命的预测。

本发明的目的是通过这样的技术方案实现的，具体步骤如下：

1)数据采集：采集待预测航空发动机多维退化参数，通过稳定趋势分析，选取若干能反映航空发动机退化性能的参数，获得采集数据；

2)数据预处理：采用滑动窗口技术对采集数据进行数据分割，获得预处理数据x

3)构建模型：构建包含多细胞长短期记忆神经网络MCLSTM模型和统计模型的航空发动机寿命预测模型；

4)提取健康指标：将预处理数据x

5)寿命预测：将MHI与THI连接构成健康指标数据集，将健康指标数据集输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。

进一步，所述航空发动机寿命预测模型包括MCLSTM模型、统计模型、全连接层FC1、全连接层FC2、全连接层FC3、回归层，所述MCLSTM模型包括层级划分单元和多细胞更新单元。

进一步，步骤4)中提取基于MCLSTM模型的健康指标MHI的具体步骤为：

4-1-1)将步骤2)中的预处理数据作为输入数据输入MCLSTM模型中，通过层级划分单元对输入数据进行层级划分，通过多细胞更新单元对划分层级后的数据进行更新，获得隐藏特征；

4-1-2)将得到的隐藏特征输入到注意力机制中，得到注意权重，将注意权重与隐藏特征合并；获得合并特征；

4-1-3)将合并特征作输入全连接层FC1中得到全连接层FC1的输出，将全连接层FC1的输出输入全连接层FC2中，获得基于MCLSTM模型的健康指标MHI。

进一步，步骤4)中提取基于统计模型健康指标THI的方法为：

将步骤2)中的预处理数据输入统计模型中，通过统计模型对输入数据的均值和趋势系数进行统计，将统计数据输入航空发动机寿命预测模型的全连接层FC3中，获得基于统计模型的健康指标THI。

进一步，步骤4-1-1)中获得隐藏特征的具体步骤为：

4-1-1-1)层级划分：将步骤2)中的预处理数据作为输入数据，将t时刻的输入数据x

A＝tanh(w

A

式(1)(2)中，w

4-1-1-2)提取隐藏特征：根据层级划分结构，将不能层级的数据输入多细胞更新单元c

式(3)中，c

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请的航空发动机智能寿命预测模型的一个分支通过MCLSTM模型从输入数据及工况信息中提取基于MCLSTM模型的健康指标MHI，另外一个分支通过统计模型对输入数据的均值和趋势系数进行统计，获得基于统计模型健康指标THI，最终基于两个分支构建的健康指标进行回归预测，该预测方法具有更好的综合预测性能。

2、本申请的MCLSTM模型通过层次划分单元来确定输入数据的重要程度，然后设计具备不同数据更新模式的多细胞更新单元对输入数据进行差异化更新，可以更好的挖掘航空发动机不同程度的健康状态退化趋势。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明航空发动机寿命预测的方法流程图。

图2为本发明多细胞长短期记忆神经网络MCLSTM模型的结构示意图。

图3为本发明数据预处理中滑动窗口技术的示意图。

图4为本发明所述预测方法在FD001子集上的预测结果图。

图5为本发明所述预测方法在FD004子集上的预测结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1-图3所述的一种基于MCLSTM模型的航空发动机寿命预测方法，具体步骤如下：

1)数据采集：采集待预测航空发动机多维退化参数，通过稳定趋势分析，选取若干能反映航空发动机退化性能的参数，获得采集数据，具体步骤为：

1-1)在C-MAPSS(商用模块化航空推进系统仿真)对航空发动机的退化数据进行了仿真，采集待预测航空发动机多维退化参数,如表1所示：

表1发动机运行时21个传感器的输出

如表2所示，将C-MAPSS数据集根据不同的运行条件和故障模式划分为4个子数据集：

表2 C-MAPSS数据集

每个子数据集包含训练数据、测试数据以及与测试数据相对应的实际剩余寿命RUL；训练数据包含从某一个健康状态到故障的所有发动机数据，而测试数据是发动机运行故障之前的数据；训练数据和试验数据分别包含一定数量的具有不同初始健康状态的发动机。

由于发动机初始健康状态不同，同一数据库中不同发动机的运行周期也不同。以FD001数据集为例，训练数据集包含100个引擎，最大运行周期为362，最小运行周期为128。为充分证明所提方法优越性，采用最简单的子集即单一工况和单一故障的子集FD001和最复杂的子集即多工况和多故障模式的子集FD004作为实验数据。

1-2)将一些稳定的趋势测量(传感器1、5、6、10、16、18和19的测量数据)提前被排除。这些传感器测量并不适合用于剩余寿命RUL预测，因为这些测量的全寿命测量曲线是稳定的、恒定的，即包含的发动机退化信息较少，又因为工况信息对模型的预测能力有显著影响。因此，筛选后的14个传感器测量和工况信息共同构成原始数据，获得采集数据。

2)数据预处理：采用滑动窗口技术对采集数据进行数据分割，获得预处理数据，具体方法为：

如图3所示，发动机的全生命周期为T，滑动窗口大小设为l，滑动步长设为m，则第i个输入样本的尺寸为l×n，其中：n为所选传感器个数与工况信息维数之和；

则第i个样本输入时实际剩余寿命RUL为T-l-(i-1)×m；

将线性分段剩余寿命RUL技术用于构造寿命标签，其定义如下所示：

式(4)中，Rul

FD001和FD004的最大寿命值分别设置为130和150次运行周期，设置滑动窗口大小l为30,滑动步长m为1。则FD001和FD004的训练样本大小分别可以计算为17731和54028，测试样本数则分别为100248，因为只使用了测试集的最后一次测量值进行预测能力验证。

3)构建模型：构建航空发动机寿命预测模型，所述航空发动机寿命预测模型包括多细胞长短期记忆神经网络MCLSTM模型、统计模型、全连接层FC1、全连接层FC2、全连接层FC3、回归层，所述MCLSTM模型包括层级划分单元和多细胞更新单元。

4)提取健康指标：将预处理数据x

4-1)提取基于MCLSTM模型的健康指标MHI：

4-1-1)将步骤2)中的预处理数据作为输入数据输入MCLSTM模型中，通过层级划分单元对输入数据进行层级划分，通过多细胞更新单元对划分层级后的数据进行更新，获得隐藏特征h

4-1-1-1)层级划分：将步骤2)中的预处理数据作为输入数据，将t时刻的输入数据x

A＝tanh(w

A

式(5)(6)中，w

4-1-1-2)提取隐藏特征：根据层级划分结构，将不能层级的数据输入多细胞更新单元c

式(7)中，c

4-1-2)将得到的隐藏特征h

4-1-3)将合并特征作输入全连接层FC1中得到全连接层FC1的输出，将全连接层FC1的输出输入全连接层FC2中，获得基于MCLSTM模型的健康指标MHI。

在本发明实例中，高层级数据代表航空发动机退化的全局趋势，以期获得长久保留，以便准确评估航空发动机退化的总体趋势，因此，子细胞单元c

中高层级数据代表航空发动机退化过程中的中长期趋势，其被输入子细胞单元c

中层级数据代表退化过程中的中期趋势，这股数据将由子细胞单元c

中低层级数据代表航空发动机退化过程中的短中期趋势，其被输入子细胞单元c

低层级数据代表了航空发动机退化过程中的短期波动，希望能够实时更新低层级数据，以便快速获取航空发动机退化趋势的局部变化，子细胞单元c

4-2)提取基于统计模型的健康指标THI：

将步骤2)中的预处理数据输入统计模型中，通过统计模型对输入数据的均值和趋势系数进行统计，将统计数据输入航空发动机寿命预测模型的全连接层FC3中，获得基于统计模型的健康指标THI。

5)寿命预测：将MHI与THI连接构成健康指标数据集，将健康指标数据集输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。

在本发明实例中，训练过程中样本总数为N，将均方误差(MSE)定义为损失函数，则其计算公式为：

式(8)中，

航空发动机寿命预测模型的超参数选取为：MCLSTM的神经细胞数为50，全连接层FC1的神经细胞数为50，全连接层FC2、FC3的神经细胞数均为10，回归层的神经细胞数为1，学习率为0.001，Dropout1、Dropout2均设置为0.2。

6)实验验证：

6-1)构建评价指标：采用IEEE评价分数(Score)和均方根误差(RMSE)作为评价指标对剩余使用寿命预测性能进行定量表征，评价指标可分别计算如下：

式(9)、(10)、(11)中，Rul

6-2)剩余使用寿命预测及对比：为综合评估所提模型的预测能力，并考虑深度学习模型中初始权重的随机性分配问题，基于FD001及FD004数据通过所提方法进行了10次平行实验，并于几种先进的方法进行比较，将统计方法、浅层机器学习模型和深度学习模型等各种最新方法与所提深度学习方法进行比较，突出所提方法在两个子集上进行RUL预测方面的优势。不同方法的评价指标定量值见表3。

表3.不同方法在FD001及FD004上的预测表现定量对比

总的来说，所有方法在FD001上的剩余寿命RUL预测都表现得更好，因为FD001比FD004更简单。另外，由于两个子集的发动机数量不同，FD004的发动机数量远远大于FD001,而Score为累计评价指标。因此，同一模型在两个子集中的得分差异很大。由表3可知，LSTM、DBN、MODBNE和基于注意的深度学习方法在RUL预测方面的表现都优于浅层学习方法和统计算法。实验结果表明，由于深度学习方法的结构更深，使其具有更强的特征提取能力，而CNN由于不适合对时间序列数据进行处理，其性能不如ELM和RF。MODBNE作为一种基于DBN的集成学习模型，利用DBN的特征提取才能和集成学习的优势，优于其他DL方法。由于利用了手工特征和注意力机制，基于注意的深度学习方法性能最好。说明了所使用的深度学习框架的有效性，并进一步验证了MCLSTM的有效性。由于提出的MCLSTM，采用深度学习方法可以尽可能多地获取全局趋势并尽快更新局部趋势，与其他基准方法相比，提高了RUL预测能力。

如图4和图5所示，为本申请所述的基于MCLSTM模型的航空发动机寿命预测方法预测的剩余寿命RUL与真实剩余寿命RUL的对应关系，说明两个剩余寿命值近似重合，故所提模型的剩余寿命RUL预测是可行的。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。