[发明专利]基于改进的CNN模型的航空发动机剩余寿命预测方法

权利要求书

1.基于改进的CNN模型的航空发动机剩余寿命预测方法，其特征在于，包括以下步骤：

步骤一，获取历史航空发动机失效数据，形成训练集X_L×V，其中，L＝L₁+L₂+…+L_N表示N个航空发动机样本总的运行轨迹长度，N表示航空发动机样本个数，L_n表示第n个航空发动机样本的监测轨迹长度，n＝1,2,…,N，V表示航空发动机中传感器的个数；

步骤二，对V个监测变量进行特征选择，得到F个监测变量，原来的训练集降维为X_L×F；对F个监测变量按照“最小-最大”的方法进行标准化处理，计算公式如下：

其中，表示第n个发动机信号j的第i个时刻的原始数据，是标准化后的值，而和分别表示信号j的最大值和最小值；

然后，将标准化后的变量做差分运算生成新的变量，最终得到发动机性能退化的数据矩阵X_L×2F，且d阶差分运算的计算公式如下：

步骤三，构建嵌入SE模块的并行CNN网络架构

首先，建立监测变量X和剩余寿命RUL之间的映射关系，表示如下：

f:X→RUL i.e.,RUL(t)＝f(X_t-s+1,X_t-s+2,…,X_t)；

其中，t表示时刻，s表示时间步，X_i,i＝t-s+1,…,t表示时刻i所对应的监测数据，其长度为2F的向量形式；

在对航空发动机剩余寿命预测时，为了进一步提高CNN模型的预测性能，在分别对原始特征和差分特征通过卷积运算提取信息的基础上，通过嵌入SE模块来增强有效特征并抑制无效或噪声的影响；由于所收集到的数据来自于多个不同传感器监测到的时序数据，考虑到不同特征的差异性，在CNN中的卷积运算采用一维卷积运算，其目的是对同一特征上的数据才进行聚合操作，具体阐述如下：

确定输入的1维序列数据是x＝[x₁,x₂,…,x_N]，其中N表示序列长度，卷积层中的卷积运算定义为滤波器内核w，和串联向量的乘法运算，表示如下

其中，输出z_i是由卷积核w学得的特征，表示非线性激活函数，b表示偏置，*^T表示转置操作，表示一个从第i个数据点开始的窗口长度为F_L的序列数据，由表示的如下数据连接操作：

因此，将经第j个卷积核操作后得到的特征图表示为：

其中，表示第j个卷积核对序列进行非线性操作后的向量形式的输出；

在基础CNN后面接的SE模块包括压缩(Squeeze)和激励(Excitation)两部分，详述如下：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

其中，通道c∈{1,2,…,C}，是常规卷积操作后得到的通道c上的特征图，z_c表示通道c上特征图经平均池化后的结果，H、W、C分别表示多维特征图的高度、宽度和深度，表示x经过压缩操作F_sq后的结果，s表示z经过激励操作F_ex后的结果，W₁、W₂分别表示降维参数和升维参数，δ为激活函数ReLU，σ为sigmoid函数；最后，所述模块的输出如下所示：

其中，F_scale(x_c,s_c)表示标量s_c和特征图的乘积，即经过SE模块得到的加权特征图的结果；

构造样本的输入和输出，对X_L×2F中每个发动机的退化轨迹数据分别采用窗口滑动法构建出训练样本的输入，且其对应输出的标签即剩余寿命RUL根据分阶线性函数进行修正，最终将得到成对的样本的输入和输出，其中窗口滑动法描述如下：

对于X_L×2F中第n个发动机的退化轨迹数据表示为如下的二维矩阵形式

进一步，按照步长s＝1得到如下第n个发动机的第k个样本：

其中，N_t表示所构建样本时间窗口的长度；

其中分阶线性函数表达式如下：

其中，Label表示构建样本数据的标签，RUL表示获取到的历史航空发动机失效数据中的实际剩余寿命，R_early表示根据情况而设置的阈值；

步骤四，对于待进行剩余寿命预测的在役航空发动机的监测数据，构建出测试样本的输入，形成测试集；将构建的测试集输入到训练好的航空发动机剩余寿命预测模型中，得到在役航空发动机的剩余寿命预测值。