[发明专利]基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法

权利要求书

1.基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法，特征在于包括以下步骤：

A.对数据做预处理，以下将分为特征选择，标准化处理和时间窗口处理三个方面展开数据的处理；

a.求解特征的可变性prognosability，挑选出在有变化的特征，用于模型的训练，prognosability公式如下：

x_j表示第j个系统上某个特征的测量向量，变量M是监控的系统数量，N_j是第j个系统上的测量数量，对于某些特征，如果其prognosability等于0或NaN，则去掉这些特征；

b.采用z-score进行数据标准化：

u表示被选特征的均值，σ表示被选特征的标准差，x表示某一被选特征值；

c.划分时间窗口，窗口宽度表示为N_t，滑动步幅表示为s，第一个时间窗口Input1＝[x₁,x₂,...,x_Nf]，x_i表示某一时间特征向量，表示时间特征向量x_i在时间窗口的第一个值，依次类推；

第二个时间窗口，即时间特征差值Input₂＝[d₁,d₂,...,d_Nf]，d_i表示某一时间特征向量的差值；

B.双通道长短时记忆网络处理Input₁和Input2之后，得到两个输出Output1＝[h1,h2,...,h_{hidden_size}]和Output₂＝[g₁,g₂,...,g_{hidden_size}]，h_i表示长短时记忆网络处理Input₁之后的向量，g_i表示长短时记忆网络处理Input₂之后的向量；

将Output₁的后(N_t-1)个行向量和Output₂直接相加，得到Output，Output＝[o₁,o₂,...,o_{hidden_size}]，o_i由h_i和g_i相加得到；

C.将寿命预测分为两个部分，一部分是利用卷积神经网络提取双通道长短时记忆网络序列输出结果的局部时间特征，另一部分是利用全连接神经网络预测剩余使用寿命；

D.考虑涡扇发动机前期的剩余使用寿命对当前时刻的剩余使用寿命存在缓存的关系，受到动量梯度下降的启发，采用动量平滑剩余使用寿命方法，用于测试集，公式如下：

predict_t＝k×y_t+(1-k)×predict_t-1,0≤k≤1(8)

y_t是使用双通道长短时记忆网络预测t时刻的剩余使用寿命，predcit_t-1是上一个时刻平滑之后的预测结果，predict_t是当前t时刻平滑之后的剩余使用寿命，k表示y_t在predict_t中所占的比例；

2.如权利要求1所述的基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法，其特征在于，所采用数据集可以分为FD001，FD002，FD003和FD004四个子数据集，每个数据集都包含训练集和测试集，详见表1：

表1数据集介绍

3.根据权利要求1所述的基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法，其特征在于，详细参数设定详见表2：

表2参数细节