[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

说明书

本发明公开了一种基于深度FNN‑LSTM混合网络的航空发动机剩余寿命预测方法，该方法包括：在原始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；基于差分累加法生成训练目标剩余寿命RUL；根据特征项以及训练目标RUL，建立基于深度FNN‑LSTM混合网络的发动机剩余寿命预测模型；由待预测的发动机检测信号数据，经过FNN‑LSTM预测模型，得到发动机剩余寿命。本发明提出了一种新型的航空发动机剩余寿命预测方法，具有较高的预测准确性、可实施性，为发动机视情维修提供了重要的参考依据。

技术领域

本发明属于航空发动机剩余寿命技术领域，涉及一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法。

技术背景

航空发动机作为飞行器的核心部件，需要在高强度的苛刻条件保持稳定运行，一旦出现故障或者停机，将会花费高昂的维修代价。因此，有研究者提出故障预测与健康管理系统PHM以减少维修费用。PHM旨在在系统/设施发生故障之前进行维护，根据历史轨迹数据，通过评估各种系统状况，进而实时评估风险或预测剩余寿命RUL。由于RUL预测在通用性、实用性以及可行性上均优于评估风险，发动机RUL预测成为众多学者研究的热点。

一般来讲，预测方法主要分为三种：基于模型、基于数据以及混合模型。基于模型预测指使用从第一原理或概率论导出的模型的方法。常用的方法包括粒子滤波，卡尔曼滤波以及威布尔分布、Eyring model等。由于采用模型最易表现系统实际退化特征，理论上此方法的预测准确率最高，但前提是基于系统退化的先验知识构建出准确的物理模型。而对于实际中的复杂系统，先验一般很难获取，且内部变量之间、变量与整体特征之间互相影响，难以构建准确的模型。基于数据的方法能够从高维海量数据中挖掘出与预测目标具有相关性或因果关系的特征量，并建立这些特征量与目标的映射关系。由于对复杂系统，基于数据的预测方法不需要系统先验知识，且比基于模型的方法更方便，学者们对此投入了大量研究，现已有很多模型被陆续提出，例如隐马尔科夫模型、人工神经网络(NN)及支持向量机SVM等。混合方法指通过将以上两种预测方法的优点结合起来的方法。但就目前已有的研究来看，将系统的物理特征与数据模型技术有效的融合还是有一定的挑战。

深度学习因其在处理高维非线性映射关系上出色表现以及最小化人工输入操作而引起广泛关注。尤其是深度技术中的卷积神经网络CNN以及循环神经网络RNN发展最为迅速，其在预测领域的表现远胜于传统神经网络。在分析剩余寿命预测问题时我们发现，数据一般为按照一定时间间隔从运行中的系统上记录的检测信号，即为时间序列数据。在处理时间序列数据的问题上，相比较擅长处理图像领域的CNN，带有记忆单元的循环神经网络RNN则是更合适的选择。在著名的PHM国际会议中，Heimes采用RNN模型在发动机寿命预测中取得了准确的预测结果，主要依靠RNN的内置记忆单元能够“记忆”序列中的历史信息。但是由于时间序列过长时，RNN存在“梯度爆炸”或者“梯度消失”问题，无法存储长序列的信息。为了解决“长期依赖”问题，学者们提出了很多种RNN变体，其中长短期记忆网络LSTM最为成功。

发明内容

发明目的：针对现有技术存在的问题，提供一种基于深度FNN-LSTM混合网络的航空发动机剩余寿命预测方法，为航空发动机健康管理、视情维修提供技术方案。

技术方案：为实现上述目的，本发明采用的技术方案如下：

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；