[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

说明书

本发明提供基于改进的CNN模型的航空发动机剩余寿命预测方法，属于故障预测与健康管理(Prognostics and Health Management,PHM)领域。首先对航空发动机退化特征进行一阶差分计算得到(新的)差分特征，并和原始特征一起来表征其退化。接着，通过在并行的CNN网络中嵌入SE模块来增强由卷积运算得到的有效特征并抑制无效特征或噪声的影响，从而提出改进的CNN模型。按照退化特征和剩余寿命之间的映射关系来构建样本的输入和输出，并用于训练模型。最后，对于在役航空发动机，按照同样的方式构建出测试样本的输入，形成测试集并输入到训练好的预测模型中，得到在役航空发动机的剩余寿命预测值。本发明所提出的方法计算过程简单有效，且预测精度很高。

技术领域

本发明是涉及航空发动机剩余寿命(Remaining Useful Life,RUL)预测方法，特别是涉及由差分技术生成新的特征、通过嵌入SE(Squeeze-and-Excitation)模块来对CNN(Convolutional Neural Network)网络不同通道提取的特征进行校准，在此基础上所构建的改进的并行CNN模型用来预测航空发动机的剩余寿命，属于故障预测与健康管理(Prognostics and Health Management,PHM)领域。

背景技术

在经济可承受性和维修保障模式改革需求的牵引下，PHM已成为航空发动机健康管理重点研究的关键技术之一。作为PHM的重要研究内容，剩余寿命预测旨在通过预知故障发生时刻以便提前采取恰当的维修措施，并最终为运行规划和维修决策提供支持。

传感器技术的飞速发展使得能够采集到大量的航空发动机监测数据，为航空发动机剩余寿命预测提供了坚实的数据基础。同时，深度学习技术由于其强大的非线性映射能力与表示学习能力，在自然语言处理、语音识别、自动变速器等领域取到了成功的应用。特别是CNN在其特征提取方面的优势，对于无论数据发生位移、扭曲、畸变等都具备保持数据信息的能力。基础的CNN网络经卷积后得到的特征表示，通常被认为在每个通道上的重要性都是相同的。为了提高CNN的性能，通过嵌入轻量级的SE模块来模拟卷积特征各个通道之间的作用关系，从而学习不同通道的权重大小。

发明内容

本发明要解决的技术问题在于：数据驱动的航空发动机剩余寿命预测的思想是通过从实时监测数据中提取到退化特征信息来评估其当前所处的健康状态，从而达到剩余寿命预测的目的，其中的关键在于如何从高维、高噪声数据中提取到高质量的退化特征。为了解决这一技术问题，本发明主要贡献体现在三个方面：(1)差分技术：通过对原始特征采用一阶差分计算得到的新特征称为差分特征，进一步刻画退化量变化量的信息；(2)通道注意力机制：在基础的CNN网络后面嵌入SE模块，通过模拟卷积特征各个通道之间的作用关系来学习特征权重，使得有效的特征增强，无效或效果小的特征减弱，从而明确提取特征的指向性；(3)并行结构：并行CNN的架构设计主要是为了分别对原始特征和新生成的差分特征分别进行卷积运算来进一步提取高质量的退化特征信息。因此，本发明提出基于改进的CNN模型的航空发动机剩余寿命预测方法。

为实现本发明之目的，采用以下技术方案予以实现：

基于改进的CNN模型的航空发动机剩余寿命预测方法，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，且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：