[发明专利]一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法

权利要求书

1.一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法，具体步骤如下：

步骤1)在多组航空发动机由健康到退化状态的检测信号数据基础上，增加检测信号数据的一阶差分、二阶差分构成三维检测数据结构并以此作为特征项；

步骤2)基于差分累加法生成训练目标剩余寿命RUL；

步骤3)根据训练集、特征项以及训练目标RUL，训练基于深度FNN-LSTM混合网络的发动机剩余寿命预测模型，并采用最佳模型对测试集进行预测，获得发动机剩余寿命RUL。

2.根据权利要求1所述的一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法，步骤1)中在发动机检测信号数据的基础上，增加检测信号数据的一阶差分、二阶差分构成三维检测数据结构并以此作为特征项的具体步骤如下：

步骤1.1)采用检测信号数据一阶差分、二阶差分信息，进而使用数学模型更准确地描述检测信号数据以及其一阶差分、二阶差分与发动机变化过程之间的非线性关系：

其中， (1)

上式(1)-(3)中k为时间点，r(k)表示发动机的变化过程，s_k为k时的检测信号值，为检测值关于时间的一阶微分，为检测值关于时间的二阶微分。在实际应用中，一般通过采集离散值来研究变化过程，因此采用上式(2)，(3)中的差分替代连续过程中的微分。f表示检测信号数据到r(k)的映射关系。

步骤1.2)通过向前差分法计算发动机检测信号数据的一阶差分和二阶差分；

步骤1.3)在检测信号数据中，使用各信号的一阶差分、二阶差分扩展对应信号列维度，则构成<检测信号数据，检测信号数据一阶差分，检测信号数据二阶差分>的三维检测数据结构作为针对每个检测信号的特征项。

3.根据权利要求1所述的一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法，步骤2)中基于差分累加法生成训练目标剩余寿命RUL的具体步骤如下：

步骤2.1)选择具有退化趋势的检测信号，进行平滑滤波减少噪声干扰，并对所选信号数据进行归一化；

步骤2.2)采用差分累加的方法获取退化拐点，即对于每一列信号值，依次累加后一时刻与前一时刻数值的差分，并设定退化阈值，当累加和在某一点超过阈值，且到其后连续4个点均大于阈值时，则该点选取为退化拐点，由此获取了各个信号量的拐点，选取信号量中最小的3个拐点的平均值为该组发动机RUL的拐点；

步骤2.3)采用退化数据的时间步的逆序作为初始RUL，取拐处对应的RUL更新从初始到拐点时间段的RUL，其余时间段的RUL保持不变，由此，生成训练目标RUL。

4.根据权利要求1所述的一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法，其特征在于，步骤3)根据特征项以及训练目标RUL，训练基于深度FNN-LSTM混合网络的发动机剩余寿命预测模型具体步骤如下：

步骤3.1)基于深度FNN-LSTM混合网络、训练集和步骤2)生成的训练目标RUL构建航空发动机剩余寿命预测模型，其表达式如下：

RUL_t＝FNN-LSTM(x₁，x₂，…，x_k，…，x_t)，(k＝1，2，…，t) (3)

其中，t表示时刻，表示第k时刻的一组特征项值，i为第i个特征项，特征项为第i个检测信号以及其一阶差分二阶差分构成的三维检测数据结构。

步骤3.2)对于一组训练数据，假设当前时刻输入数据x_{input_t}，经过FNN网络输出为x_{fnn_t}，上一时刻LSTM网络隐藏状态为h_t-1，细胞状态为c_t-1，则当前时刻FNN-LSTM网络的输出计算如下：

x_{fnn_t}＝σ(w_fnnx_{input_t}+b_fnn) (4)

f_t＝σ(w_fx_{fnn_t}+R_fh_t-1+b_f) (5)

～c_t＝tanh(w_cx_{fnn_t}+R_ch_t-1+b_c) (6)

i_t＝σ(w_ix_{fnn_t}+R_ih_t-1+b_i) (7)

c_t＝f_tc_t-1*i_t～c_t (8)

o_t＝σ(w_ox_{fnn_t}+R_oh_t-1+b_o) (9)

h_t＝o_t*tanh(c_t) (10)

其中，σ，tanh为激活函数，w表示权重，b表示偏置，i_t为输入门，f_t为遗忘门，o_t为输出门，h_t为当前时刻LSTM网络的输出；

步骤3.3)按照式子(4)-(10)前向计算FNN-LSTM网络，采用Adam优化算法进行网络训练，经过多次调参训练，获得FNN-LSTM最佳预测模型；

步骤3.4)使用获得的FNN-LSTM预测模型对测试集进行预测，获得预测值RUL。