[发明专利]一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法

权利要求书

1.一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法，其特征在于：包括以下步骤：

步骤1)，根据发动机历史退化数据，建立n个基于LSTM深度神经网络的发动机健康指标LSTM-HI模型，构建反映剩余使用寿命的健康指标模型库；

步骤2)，根据待测试发动机过往传感器数据集，训练ARIMA模型，设计预测窗口长度为l，并向后预测窗口长度为l的发动机传感器参数；

步骤3)，根据预测的传感器参数以及LSTM网络健康指标模型库，解算LSTM-HI指标，评价发动机是否退化至失效，若超过失效阈值，则拟合概率分布特征参数，获得发动机剩余使用寿命；否则，转至步骤2)，在原有预测窗口长度上，再增加预测窗口长度l，依次进行计算；

所述步骤1)中根据发动机历史退化数据，建立n个基于LSTM深度神经网络的发动机健康指标LSTM-HI模型具体步骤如下：

步骤1.1)，根据航空发动机由健康退化至失效的历史数据，选择合适的传感器参数，并进行降噪、平滑处理，组成n个训练数据集；

步骤1.2)，基于LSTM深度学习网络和训练数据集构建发动机健康指标LSTM-HI，具体表达式如下：

其中，HI_t是人为构造的健康指标，表示选择的传感器参数，k表示选择的传感器参数的数量，t表示时刻；

步骤1.3)，训练深度学习网络LSTM，得到n个LSTM-HI模型，建立航空发动机健康状态评价指标模型库。

2.根据权利要求1所述的一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法，其特征在于：所述步骤1.3)中训练深度学习网络LSTM，得到n个LSTM-HI模型，建立航空发动机健康状态评价指标模型库具体步骤如下：

步骤1.3.1)，对于一组发动机全寿命观测数据其中，x_t表示选择的传感器参数，表示发动机的失效循环数即其使用寿命，HI_t是人为构造的健康指标假设当前时刻的输入数据为x_t，上一时刻LSTM网络的输出h_t-1，则当前时刻LSTM网络的输出计算如下：

f_t＝σ(w_f·[h_t-1,x_t]+b_f)

i_t＝σ(w_i·[h_t-1,x_t]+b_i)

o_t＝σ(w_o·[h_t-1,x_t]+b_o)

h_t＝o_t·Φ(S_t)

其中，σ(·)，Φ(·)表示激活函数，w表示权重，b表示偏置，S_t表示LSTM网络的记忆状态量，i_t表示输入门的输出，f_t表示遗忘门的输出，o_t表示输出门的输出；

步骤1.3.2)，由步骤1.3.1前向计算所有输入样本对应的LSTM网络的输出，并记录各个训练样本的误差；

步骤1.3.3)，根据前向计算得到的误差，通过误差梯度下降法训练LSTM网络直到精度满足要求；

步骤1.3.4)，将n组发动机全寿命观测数据分别训练n个LSTM网络，得到n个LSTM-HI模型，建立模型库。