[发明专利]基于混合机器学习的航空发动机剩余使用寿命预测模型

说明书

本发明属于航空发动机故障预测与健康管理技术领域，公开了基于混合机器学习的航空发动机剩余使用寿命预测模型，具体为一种基于混合机器学习模型SGBRT，以及时预测航空发动机的剩余使用寿命；该模型结合了自组织映射网络和梯度提升回归树算法，可通过以下步骤来预测航空发动机的剩余使用寿命：首先，该模型使用自组织映射网络将原始样本集聚类为簇；然后将每个簇分别构建梯度提升回归树，以预测航空发动机的剩余使用寿命。本发明不仅可以更好地预测航空发动机的剩余使用寿命，还揭示了航空发动机退化数据的内在特征。

技术领域

本发明属于航空发动机故障预测与健康管理技术领域，具体涉及一种基于混合机器学习的航空发动机剩余使用寿命预测模型。

背景技术

航空发动机是飞机最关键的部分之一，它是高度复杂的系统。航空发动机通常会在高温，高压，高速和高负载等严酷条件下长时间工作，因此容易出现故障。航空发动机的故障可能导致灾难性后果，因此要求非常高的可靠性和安全性。此外，航空发动机的维护成本非常高。对于航空发动机的管理，航空公司面临着各种压力，包括确保发动机的安全性和可靠性，避免发动机在运行过程中发生故障以及降低发动机的维护成本。发动机的故障预测与健康管理(prognostics and health management，PHM)是一种有效的解决方案。航空发动机的PHM技术是促进维护方式改革，提高发动机安全性，可靠性和经济承受能力的重要手段。作为PHM的关键核心技术，预测旨在预测组件或系统的(Remaining Useful Life,RUL)，并为操作计划和维护决策提供支持。

RUL预测可以预测设备从特定时刻的运行状态到故障状态的时间。现有的RUL预测方法可以分为两类：基于模型的方法和基于数据驱动的方法。如果对复杂系统的退化进行精确建模，则基于模型的方法通常会更准确。但基于物理模型的方法需要大量的先验知识。最近，基于数据驱动的方法受到越来越多的关注。基于数据驱动的方法不必了解机械系统的详细操作机制，只需要从系统中收集一些数据，即可根据人工智能等算法识别系统的状况。有许多方法和模型可用于数据驱动的RUL预测。

2015年，Nieto等人在《Hybrid psosvm-based method for forecasting of theremaining useful life for aircraft engines and evaluation of its reliability》提出了基于支持向量机的航空发动机RUL预测模型，并使用粒子群优化算法对支持向量机中的参数进行了优化。

随着大量具有出色显式标签的数据集的出现，人工智能的方法已广泛用于RUL预测中。其中，神经网络是最常用的算法之一。

2018年，Li等人在《Remaining useful life estimation in prognostics usingdeep convolution neural networks》提出了一种使用深度卷积神经网络进行数据预测的新方法。在C-MAPSS数据集上进行了实验，以证明该方法的有效性。但是，在处理多特征数据时，大多数深度学习方法都没有有效的机制来自适应地加权输入特征。2020年，Liu等人在《Remaining useful life prediction using a novel feature-attention based end-to-end approach》提出了一种新颖的基于特征关注的端到端RUL预测方法。提出的特征注意机制直接应用于输入数据，可以在训练过程中动态地将更多注意力集中到更重要的特征上。

在RUL预测中，时间序列分析也是一种常用的预测方法，并且相对成熟。在这种预测方法中，通常的想法是使用传感器数据作为时间序列，通过单步或多步来预测发动机的性能和健康参数，直到达到设置的故障阈值为止。