[发明专利]基于自编码器和回声状态网络的发动机剩余寿命预测方法

说明书

一种基于改进的堆叠式稀疏自编码器(SSAE)和注意力回声状态网络(Atten‑ESN)的发动机剩余寿命预测方法，首先采用3sigma准则去除原始噪声获得高质量的原始数据并实现数据重构，利用改进的SSAE提取发动机每个周期的特征并进行特征降维，其中在编码器中采用BN层与Dropout层解决梯度消失以及过拟合问题，然后将提取的发动机特征构建成HI值，获得表征发动机退化趋势的HI曲线，最后在ESN网络中引入注意力机制，自适应处理不同类型的特征并优化网络参数，最终得到RUL值，实现涡扇发动机的剩余寿命预测。本发明采用特征提取加网络预测结构的组合模型进行剩余寿命预测，提高了预测精度。摘要附图如图1。

技术领域

本发明属于机械设备的剩余寿命预测技术领域，具体涉及基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余寿命预测方法。

背景技术

涡扇发动机是飞机的核心，涡扇发动机的健康状态分析对于航空器的评估、安全使用以及制定维护策略都至关重要，而剩余寿命(remaining useful life,RUL)是衡量涡扇发动机的健康状况的关键指标，准确地预测剩余寿命既能够避免未及时维护带来的安全事故，也能减少过度维护产生的昂贵成本。涡扇发动机因测点较多，工况复杂，数据量大等使得剩余寿命预测面临特征提取、预测精度等的极大挑战，要解决这些问题，关键在于：一方面，选择合适的预测方法或者模型，方法或模型的选择直接决定了预测的效果。另一方面是构建出反映涡扇发动机退化过程的健康指标(health indicator,HI)，一个合理准确的健康指标能够提高预测精度并简化模型。

目前主流的RUL预测方法主要有两类：分别是基于模型的预测和基于数据驱动的预测。基于模型的寿命预测是建立一个数学或者物理模型，通过该模型来分析描述设备或者部件的退化过程取长补短，在特定领域能有效提高特征提取率，提升模型的预测精度和泛化能力。基于数据驱动的预测方法通过收集到的设备退化数据、测试数据或者多个传感器采集的历史数据，对数据进行特征提取和训练，学习到设备的退化趋势，采用机器学习以及数理统计方法将设备退化趋势与剩余寿命联系建模并进行RUL预测。但是，涡扇发动机等设备的退化过程通常是由多个传感器采集的，这类传感器数据的数据量庞大且有效信息难以提取，所以如何设计由不同模型构成的组合结构，采用何种特征提取方式提取有效特征，对发动机的退化趋势进行构建，对构建好的特征趋势，使用何种网络进行RUL预测并平衡模型之间的内在关系，使模型的功能最优化，降低时间复杂度是该方法面临的挑战。

发明内容

为了克服现有技术存在的缺点，本发明提供了一种基于改进的堆叠式稀疏自编码器和注意力回声状态网络的发动机剩余寿命预测方法。首先，采用3sigma准则去除原始噪声并实现数据重构，再利用改进的堆叠式稀疏自编码器提取发动机每个周期的特征并进行特征降维，同时，在编码器中采用BN层与Dropout层解决梯度消失以及过拟合问题，然后将提取的发动机特征构建成HI值，获得发动机退化趋势，最后在回声状态网络中引入注意力机制，自适应处理不同类型的输入并得到RUL值，实现涡扇发动机的剩余寿命预测。

为了达到上述目的，本发明采取的技术方案为：

一种基于自编码器和状态网络的发动机剩余寿命预测方法，包括以下步骤：

1)对于获取的不同的发动机随时间产生的传感器数据进行数据选择形成原始数据集每个数据样本都包含第i个环境中的发动机的编号、从开始到现在的运行时间、操作设置以及传感器的信息，其中，i表示第i个环境，随后对该原始数据集进行数据的3sigma降噪和归一化处理，3sigma准则来消除测量数据中的粗差，即数据分布几乎集中在(μ-3σ,μ+3σ)区间，其比例是99.73％，超过该区间的数据比例为0.27％，这部分数据属于粗大误差被认为是原始数据的噪声，我们在降噪过程中消除这部分数据，归一化则是将数据大小限定在[0,1]之间，3sigma和归一化计算式如(1)(2)所示；

P(μ-3σ＜x＜μ+3σ)＝0.9973 (1)