[发明专利]基于ESN的涡轮发动机的剩余寿命预测方法

说明书

技术领域

本法明涉及预测方法，具体涉及基于ESN的涡轮发动机的剩余寿命预测方法。

背景技术

随着现实系统越来越复杂，预测与健康管理（Prognostics and Health Management，PHM）技术成为当前一个热门的话题。对于复杂系统一般由很多组件组成，例如飞机发动机，涡轮发动机等。通过完全了解系统的动态特性进而建立系统模型的模型驱动方法，不仅成本高，费时而且也许是不可能实现的。而使用数据驱动的方法是很合理的，它只需要依靠收集到的系统状态数据而不需要知道系统的先验知识。典型的基于数据驱动的故障预测方法有：人工神经网络(artificial neural networks,ANN)、模糊系统(fuzzy systems)和其他计算智能方法，神经网络是一类在故障预测方法和应用研究中最多的一种方法。理论上讲，递归神经网络更适合预测剩余寿命。Yam et al.使用递归神经网路跟踪变速箱的退化速度，当变速箱的预测状态降到预先设定的危险阈值时发出报警。Felix O.Heimes使用由扩展Kalman滤波训练的RNN预测在PHM08会议上首次提出的数据集，并在比赛中获得了二等奖。Yam and Tse提出一种有效的轴承系统的智能诊断程序用于状态监测和寿命预测。这些结果都可以作为设备管理系统的输入去事先计划设备的维修工作Jie Liu andAbhinav Saxena中提出一种自适应的递归神经网络用于系统的动态状态预测。在递归神经网络的基础上建立改进的ARNN，使用recursive Levenberg-Marquardt(RLM)方法训练权值，并通过预测锂电池的剩余寿命来验证方法的有效性。

虽然从理论上讲RNN可以以任意精度逼近任意动态系统，但是理论和实际上的困难限制了RNN的使用。RNN的基本网络结构如图2所示。数据由输入层输入(由u(n)表示)，输出层表示网络的输出或响应（由y(n)表示），隐含层包含n个内部神经单元。RNN存在以下问题：

(1)很难选择合适的网络拓扑，包括RNN的隐层数以及每个隐层中含有的神经元个数；

(2)RNN要训练网络的全部的权值即Wⁱⁿ,W，W^out，W^back；

(3)使用梯度法训练权值，容易陷入局部最优。

发明内容

本发明是为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，并且计算时容易陷入局部最优的问题，从而提出了基于ESN的涡轮发动机的剩余寿命预测方法。

基于ESN的涡轮发动机的剩余寿命预测方法，它包括下述步骤：

步骤一、训练阶段，建立ESN的涡轮发动机的数学模型，根据已知的输入单元u(n)和已知输出单元y(n-1)，采用ESN的涡轮发动机的数学模型的内部处理单元的更新方程和最小二乘理论求得输出权值矩阵W^out，

输入单元u(n)为ESN的涡轮发动机的数学模型的一组数据集，该组数据集包含100个涡轮发动机的数据单元，所述的100个涡轮发动机均属于同一生产批次，且100个涡轮发动机在开始试验之前的初始剩余寿命不同，

每一个数据单元中的一个元素对应24维数据，该24维数据中的3维数据表示涡轮发动机操作条件数据，剩余的21维表示传感器采集的涡轮发动机状态数据；

步骤二、在测试阶段，被测涡轮发动机在正常运行时，通过传感器测量获得涡轮发动机的24维数据作为输入单元的数据集；结合步骤一训练后的ESN的涡轮发动机的数学模型的输出单元和输出权值矩阵W^out，采用训练后的ESN的涡轮发动机的数学模型的输出单元的方程求得待测涡轮发动机的剩余寿命预测值。

本发明通过使用随机建立的大规模稀疏连接权（叫做储备池）作为信息处理单元代替RNN的隐层；将低维的输入空间映射到高维的状态空间；随机建立输入权值，反馈权值和神经元内部连接权值；通过线性回归的方法训练输出权值，得到全局最优权值。

附图说明

图1为基于ESN的涡轮发动机的剩余寿命预测方法的方法流程图；

图2为现有的RNN的基本网络结构示意图；

图3为S型函数的曲线图，图中的x表示水平方向，y表示垂直方向；

图4为储备池规模和谱半径对ESN输出结果的影响示意图，图中误差表示ESN的输出值和真实剩余寿命的差值；

图5为输入单元位移和输入单元尺度对ESN输出结果的影响示意图，图中误差表示ESN的输出值和真实剩余寿命的差值；