基于传感器自适应选择的飞机发动机预测健康管理方法

技术领域

本发明涉及飞机发动机的预测和健康管理领域，尤其是涉及一种基于传感器自适应选择的飞机发动机预测健康管理方法。

背景技术

制造系统的预测和健康管理(PHM)可以协助维护计划和安全检查的决策，有效防止设备的意外故障并延长寿命。基于传感器信号对机器的失效模式识别和剩余寿命(RUL)预测是PHM中重要的研究课题。在复杂的制造系统中，多失效模式和多工况耦合的情形会对该研究课题带来挑战。与此同时，部分传感器与退化无关，因此需要通过筛选传感器来排除无关传感器的干扰。

对于失效模式识别的有监督方法包括K近邻、支持向量机(SVM)、朴素贝叶斯等方法。然而实际情形中失效模式标签可能未知，考虑到全部手动标记费时费力，实践中通常标记部分样本的失效模式标签进行半监督学习，方法包括费舍尔线性判别分析(FLDA)模型、图模型、流形正则化方法等。对于RUL预测的方法可以分为机器学习方法和深度学习方法。机器学习方法包括线性回归和健康指数方法。深度学习方法包括深度神经网络(DNN),卷积神经网络(CNN)、长短期记忆网络(LSTM)等。然而这些方法的传感器选择主要基于可视化检查和主观评价，而不能自适应于不同样本、工况和失效模式。与此同时，这些失效模式识别和RUL预测方法没有考虑多工况和多失效模式耦合的情景。最后，现有的一些研究将失效模式识别和RUL预测看作两个独立的目标，而由于不同失效模式下传感器数据和RUL的映射有显著区别，因此需要方法来刻画两个目标之间的复杂关系并进行联合预测。

综上所述，多工况下飞机发动机的失效模式识别和RUL预测面临的挑战和研究空白如下：第一，如何实现自适应的传感器筛选以去除退化无关的传感器信息。现有的方法通过可视化检查和主观评价而不能实现自动的传感器筛选。第二，不同的失效模式和工况会给传感器筛选以及失效模式识别和RUL预测带来挑战，现有的研究还没有考虑失效模式和工况耦合时的情景。第三，对于未知失效模式标签的情形，实践中通常标记部分样本进行半监督学习，而现有的半监督学习没有考虑多工况下联合的失效模式识别和RUL预测。

发明内容

本发明的目的是为了提供一种基于传感器自适应选择的飞机发动机预测健康管理方法，利用飞机发动机运行中采集到的反映其退化状态的多元传感器信号数据，实现对在役飞机发动机传感器自适应选择，失效模式的识别和RUL的预测。

本发明的目的可以通过以下技术方案来实现：

一种基于传感器自适应选择的飞机发动机预测健康管理方法，包括以下步骤：

S1、获取多维传感器采集的飞机发动机失效数据、时变工况数据、失效模式数据和真实RUL数据，作为原始数据；

S2、利用时间窗方法对原始数据进行处理，得到失效数据训练样本；

S3、基于失效数据训练样本对深度学习模型进行训练，所述深度学习模型基于传感器选择权重对输入的飞机发动机失效数据进行自适应选择，并利用根据传感器选择权重构建的失效模式识别网络进行失效模式识别，提取传感器选择后的输入的工况无关特征，建立不同失效模式下的工况无关特征与RUL预测值之间的映射关系，结合失效模式识别结果得到最终的RUL预测值；

S4、获取待预测飞机发动机失效数据，输入训练完成的深度学习模型，对在役飞机发动机传感器进行自适应选择，并输出时变工况下的失效模式识别和RUL预测结果。

所述步骤S2中，令多维传感器采集的飞机发动机失效数据表示为

所述传感器选择函数

其中

所述传感器选择权重采用注意力机制根据传感器数据和后续目标动态生成，其中，权重获取函数

其中，

其中，j

所述失效模式识别网络基于传感器选择权重矩阵的最后一项w

其中，z＝[z

所述提取传感器选择后的输入数据的工况无关特征具体为：利用长短期记忆网络

其中，特征

同时，采用领域自适应方法最小化工况带来的领域偏移以提取工况无关特征，通过构建工况分类器

其中，o＝[o

所述建立不同失效模式下的工况无关特征与RUL预测值之间的映射关系，结合失效模式识别结果得到最终的RUL预测值具体为：

通过深度神经网络

其中θ

联合学习网络

其中，z＝[z

所述深度学习模型的总损失函数

其中，λ

表示RUL预测损失的函数：

其中

表示传感器选择权重损失函数：

其中||·||

表示基于半标记样本的失效模式识别损失函数，其中，对于有失效模式标签的样本，对失效模式预测采用交叉熵损失函数/>

其中z

对于无失效模式标签的样本，对失效模式预测采用基于香农熵的损失函数

表示提取工况无关特征的损失函数，对工况预测结果采用交叉熵损失函数表示：

其中

所述深度学习模型在训练时，将总损失函数

所述深度学习模型的训练目标表示为：

与现有技术相比，本发明具有以下有益效果：

(1)本发明提出了一种自适应传感器选择技术，可以针对不同的工况和失效模式自动调整权重。此外，传感器选择权重可以作为失效模式识别的有效特征，从而无需在失效模式特征提取方面进行额外的努力。

(2)本发明提出了一种新颖的神经网络来提取工况无关的特征，有助于更准确地实现联合的失效模式识别和RUL预测。

(3)本发明采用了半监督学习方法，在模型的总体损失函数中设计了基于半标记样本的失效模式识别损失函数，使所提出的网络能够在很大一部分样本的失效模式标签未知的情况下准确识别失效模式。

附图说明

图1为本发明的方法流程图；

图2为不同失效模式下的传感器选择示意图，其中，(2a)展示了某一处于失效模式F下的在役飞机发动机的传感器选择结果，(2b)展示了某一处于失效模式H下的在役飞机发动机的传感器选择结果；

图3为本发明的失效模式识别和RUL预测结果示意图，其中，(3a)展示了失效模式识别结果，(3b)展示了RUL预测的结果；

图4为本发明在不同的训练样本中失效模式有标签比例下的失效模式识别精度图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种基于传感器自适应选择的飞机发动机预测健康管理方法，如图1所示，包括以下步骤：

S1、获取多维传感器采集的飞机发动机失效数据、时变工况数据、失效模式数据和真实RUL数据，作为原始数据。

本实施例中，将从多维传感器获得的飞机发动机失效数据表示为

该观测的真实RUL为

S2、利用时间窗方法对原始数据进行处理，得到失效数据训练样本。

本实施例将x使用时间窗方法后获得的矩阵

S3、基于失效数据训练样本对深度学习模型进行训练，所述深度学习模型基于传感器选择权重对输入的飞机发动机失效数据进行自适应选择，并利用根据传感器选择权重构建的失效模式识别网络进行失效模式识别，提取传感器选择后的输入的工况无关特征，建立不同失效模式下的工况无关特征与RUL预测值之间的映射关系，结合失效模式识别结果得到最终的RUL预测值。

(一)传感器选择

本发明中传感器层面的选择函数

其中

其中

其中j

(二)失效模式识别与RUL预测

本发明构建了一个联合学习网络来同时识别失效模式和预测RUL。不同失效模式下飞机发动机退化过程有显著差异，其传感器数据和RUL的映射也不同。因此对应RUL预测的传感器选择权重也会在不同失效模式下产生巨大差异。本发明基于传感器选择权重w

其中，z＝[z

为了实现多失效模式下的RUL预测，本发明利用长短期记忆网络

其中，特征

之后本发明通过深度神经网络

其中θ

失效模式的识别和RUL的预测都与工况无关，因此传感器数据和这两个目标的映射应当对工况不敏感。然而随时间变化的工况信息会包含在提取的特征中，从而影响到失效模式识别和RUL预测的效果。为了提取工况无关的特征，本发明采用领域自适应方法来最小化工况带来的领域偏移。具体来说，通过构建工况分类器

其中，o＝[o

(三)损失函数

1)RUL预测损失函数

RUL预测损失的函数记为

其中

2)传感器选择权重损失函数

如果将原始传感器数据作为输入并学习传感器选择权重而不经任何限制，最终的传感器选择权重可能含大量噪声且可解释性差。本发明通过权重损失函数来限制权重随着时间的变化，即：

其中∥·∥

为了说明传感器选择的有效性，图2中给出了不同失效模式下的传感器选择示例，图(2a)展示了某一处于失效模式F下的在役飞机发动机的传感器选择结果，图(2b)展示了某一处于失效模式H下的在役飞机发动机的传感器选择结果。其中横轴代表时间，纵轴代表不同的传感器。图中显示出的筛选结果随时间变化幅度小而具有实际意义，同时能自适应于不同的失效模式，表明所提出的方法可以实现时变工况下面向失效模式识别和RUL预测的自适应传感器选择。

3)基于半标记样本的失效模式识别损失函数

本发明重点关注仅有部分样本有失效模式标签的情景，利用混合的有标签和无标签样本用于模型训练，分别考虑基于有标签和无标签样本的损失函数。对于有失效模式标签的样本，本发明对失效模式预测采用交叉熵损失函数

其中z

确保最小化预测的失效模式概率的熵。例如，如果实际失效模式为k，则预测的失效模式概率z

4)提取工况无关特征的损失函数

本发明对工况预测结果采用交叉熵损失函数，即：

其中

5)模型的总损失函数

其中λ

(四)模型训练

为了后续描述，本发明将总损失函数

这两个目标可以通过反向传播实现，参数更新的公式如下：

在反向传播过程中，式(15)中关于λ

S4、获取待预测飞机发动机失效数据，输入训练完成的深度学习模型，对在役飞机发动机传感器进行自适应选择，并输出时变工况下的失效模式识别和RUL预测结果。

通过采用本发明所提供的技术方案，能够实现自适应且有意义的传感器选择，并实现对飞机发动机失效模式识别和剩余寿命预测，能够协助检修和维护计划，避免飞机发动机失效带来的经济和社会损失。

为评价模型的性能，本实施例基于飞机涡扇发动的失效数据集进行实例研究。该数据集是由NASA开发的商业模块化航空推进系统模拟(C-MAPSS)生成的，它模拟了涡扇发动机的失效过程。该数据集包含四个子数据集，本实例研究基于FD004子数据集。该数据集中的飞机发动机包含6种工况和2种失效模式。失效模式包括风扇故障(缩写为F)和高压压气机故障(缩写为H)。该数据集包括249个包含直到失效的完整观测的历史飞机发动机的数据和248个包含直到失效前一段时间的不完整观测在役飞机发动机的数据。本发明使用历史飞机发动机的数据，包括传感器数据、工况数据和失效模式标签来训练所提出的模型。通过训练后的模型完成对在役飞机发动机的失效模式识别和RUL预测，并使用在役飞机发动机的实际RUL数据和失效模式标签进行模型验证。

下面利用历史飞机发动机数据对本发明模型进行训练，并实现对在役飞机发动机的自适应传感器选择，以及失效模式识别和RUL预测。在本发明的模型中，包括一种基于注意力的长短期记忆(LSTM)网络模块，该模块通过限制权重的时间变化来生成自适应注意力权重，以用于实际有意义的传感器选择。传感器选择模块被集成到联合学习网络中，用于时变工况下的联合失效模式识别和RUL预测。该网络通过端到端训练来对抗地提取工况无关的特征，消除了不同工况引起的域差异，同时创新地利用传感器选择权重作为失效模式识别的更有效特征。此外，考虑到仅部分失效模式标签已知时的情况，本发明通过引入基于熵的失效模式概率损失函数来提高对失效模式标签未知样本的识别的准确性，从而实现半监督学习。

本实施例设置了两个指标来评估模型的性能。

1)对于在役飞机发动机的失效模式的识别，使用失效模式识别精度作为度量标准来衡量其效率。精度定义为能够正确识别失效模式的在役飞机发动机的比率。

2)对于在役飞机发动机的剩余寿命的预测，将剩余寿命预测误差作为模型的评价指标。在役飞机发动机的剩余寿命预测误差为∈，计算公示如下：

其中y为预测的RUL,

图3展示了本发明的失效模式识别和RUL预测结果。其中，图片的横坐标轴的含义是不同的RUL水平，“20，40，60，80，100，120，130”表示处于RUL真实数据小于或等于20，40，60，80，100，120和130的所有在役飞机发动机的失效模式识别和RUL预测结果。图(3a)展示了失效模式识别结果，纵坐标轴的含义是每种RUL水平下的失效模式识别精度的平均值。当发动机RUL等级较高时，本发明依然能保证以97.6％的精度识别失效模式。图(3b)展示了RUL预测的结果，其中的点和误差棒分别表示该RUL水平下的RUL预测误差的平均值和标准差。在不同的RUL等级下，本发明均能实现准确的剩余寿命预测，从帮助检修和维护策略的制定，避免飞机发动机的失效。

图4展示了本发明在不同的训练样本中失效模式有标签比例下的失效模式识别精度，其中点表示了失效模式识别精度的平均值。途中表示，本发明的方法仅需2％的样本有失效模式标签即可完成失效模式的识别，能实现有效的半监督学习。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。