[发明专利]基于CNN和LSTM的飞控系统剩余寿命预测方法

说明书

本发明属于机器学习、深度学习及航空领域，具体涉及一种基于CNN和LSTM的飞控系统剩余寿命预测方法，旨在解决飞控系统剩余寿命预测网络复杂、准确性低问题。本系统方法包括获取飞控系统数据集；利用故障临界点分析模型判断当前转的健康状态；基于操作模态数据，根据变化阈值，获取飞控系统数据集的操作模态；若为单模态，将飞控系统数据集作为第二数据集；否则对操作模态数据进行分类，获取当前转及之前各转对应模态的出现次数的统计结果，将模态分类、统计结果增入系统数据中，获取第二数据集；根据第二数据集和故障临界点，基于寿命预测模型获取各飞控系统的剩余寿命。本发明降低了预测网络的复杂度，提高了预测的准确性。

技术领域

本发明属于机器学习、深度学习及航空领域，具体涉及一种基于CNN和LSTM的飞控系统剩余寿命预测方法。

背景技术

飞控系统是航空器的核心组成部分。由于对其复杂性、随机性、安全性、可靠性和经济性等因素的考虑，快速准确的预测飞控系统的剩余使用寿命成为航空领域研究的重点。

传统的策略是通过定期的预防性维修，费时、低效、代价昂贵。随着互联网技术的不断发展，信息爆炸时代各种数据爆炸式增长，我们可以很容易的从航空器安装组件上的传感器获取大量的振动数据，这使得数据驱动方法应运而生。数据驱动根据实测数据寻找退化规律，通过统计学习算法，可以揭示采集到的传感器数据之间的潜在关联和因果关系，进而推断出相应的系统消息。例如，典型的ML算法中的支持向量回归、隐马尔科夫模型等，具备良好的预测性能。

传统的ML算法能够很好的学习采集数据与目标输出之间的映射关系，但通常需要手动提取特征，在大规模的任务中非常复杂。深度学习(DL)是神经网络的衍生物，可以通过多层、大型的神经网络自动学习到数据中的层次特征，通常DL处理单一的数据对象，而剩余有效寿命预测这样的任务需要处理序列信息，即前一个输出与下一输入相关联，当时间序列较长时，参数会呈指数增长，使得模型比较复杂。RNN是专门处理序列数据的网络，但是在输入的所有信息不加过滤地沿时间进行传递的过程中，随着时间的增长会出现梯度爆炸或消失的现象，即长期依赖问题。而LSTM在RNN的结构基础上，增加了4个门，使得信息在被筛选处理之后才流向下一个时刻，有效的解决了这一问题。一维CNN作为一种深度学习方法，具有权值共享、卷积操作等特性，能够挖掘大量数据中的深层特征，也适用于处理序列化的数据。

因此，本发明提出了一种并行结合一维CNN和LSTM的模型来预测飞控系统的剩余有效寿命，通过不断监测飞控系统的运行状态，及时采取相关的应对措施，比如维修、换发等，降低事故的发生率等，恢复飞控系统正常的运行功能，缩短了预测时间，提高预测的鲁棒性。

发明内容

为了解决现有技术中的上述问题，即为了解决航空飞控系统剩余寿命预测网络复杂、准确性低的问题，本发明第一方面，提出了一种基于CNN和LSTM的飞控系统剩余寿命预测方法，该方法包括：

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，