[发明专利]基于CNN和LSTM的飞控系统剩余寿命预测方法

权利要求书

1.一种基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，该预测方法包括：

步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30；

步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

其中，

所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

所述寿命预测模型基于一维全连接卷积神经网络CNN及单层的LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命；

所述寿命预测模型在训练过程中，将一维全连接卷积神经网络CNN与单层的LSTM并行提取故障特征，将提取的特征进行拼接；其中一维卷积神经网络CNN的卷积核的长度与LSTM中时间步的大小一致。

2.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述故障临界点分析模型训练过程为：

将发动机的总转数作为飞控系统的全寿命周期，找出各飞控系统由健康转向失效过程中故障最先出现的时间点，即第一个“1”出现的所对应的转数；其中，健康状态标记为0，失效状态标记为1。

3.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，步骤S30中“若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集”，其方法为：

利用K-means方法将当前转各飞控系统对应的操作模态数据按照预设六个模态进行聚类，将各飞控系统的操作模态数据对应模态的one-hot独热编码增入第二数据集；

基于各飞控系统当前转及之前各转对应的模态的one-hot独热编码，进行每一个飞控系统各模态出现次数的统计，以数组方式表示，并将该数组增入第二数据集。

4.根据权利要求3所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述寿命预测模型，其训练方法为：

获取飞控系统数据集，作为第一数据集；并对所述第一数据集进行标准化处理；

基于标准化处理后的第一数据集，利用故障临界点分析模型判断当前转的健康状态；若健康状态为失效，则将当前转作为故障临界点，获取标准化处理后的第一数据集对应的操作模态；

若所述操作模态为单模态，则将标准化处理后的第一数据集作为第二数据集；若所述的操作模态为多模态，对所述的操作模态数据进行模态聚类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果以及累加结果增入对应飞控系统当前转系统数据中，获取第二数据集；所述累加结果为聚类后的模态类别数据进行全周期的累加后的结果；

根据第二数据集以及所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

循环上述步骤，直至得到训练好的寿命预测模型。

5.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述的操作模态数据包括海拔、马赫数和海平面温度。