[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

说明书

基于双通道长短时记忆神经网络的涡轮发动机剩余使用寿命预测方法，首先测量监测发动机状态的传感器数据指标的可变性，获取具有可变性的传感器数据指标，然后利用双通道长短时记忆神经网络处理数据指标和数据指标的差值，并设计一种卷积神经网络模块提取长短时记忆神经网络序列输出结果的局部时间特征，之后，将局部时间特征用于两层全连接神经网络的输入，预测发动机的剩余使用寿命，最后，使用上一个时刻的预测值作为一个对当前时刻预测结果的缓冲，平滑校准当前的预测值。本发明有效降低了故障噪声的干扰，提高了长短时记忆神经网络处理时间序列的能力，并最终提升了拟合剩余使用寿命的精确度。

技术领域

本发明属于设备健康管理中的寿命预测领域，具体涉及基于双通道长短时记忆网络的涡轮发动机剩余使用寿命预测方法。

背景技术

涡轮发动机是飞机的心脏，为飞机的飞行提供动力。但由于发动机往往是在高温高压的环境中运行，故障问题难以避免。发动机故障轻则会使飞机无法起飞，旅客改签，航空公司信誉受到损害等，重则会导致飞机损坏，人员伤亡。因此如何在故障发生之前，准确地预测出发动机的剩余使用寿命具有十分重要的意义。目前，使用传统的深度学习方法取得了不错的效果，但依然面临以下的问题：

(1)涡轮发动机在不同环境下运行，时间特征对寿命预测的影响会发生变化，针对这种现象，我们该如何去选择有用的时间特征，从而避免特征冗余或无效特征的出现是一个需要解决的问题。

(2)针对时间特征，研究人员往往是让模型关注某一个时刻的时间特征的大小，忽略了两个不同时刻时间特征的差值，例如如果某一时间特征值一直持续较大，但其特征差值却较小，如何利用这两个参数去预测寿命，减少噪声影响，让模型更具有鲁棒性也是亟需解决的问题。

(3)一般情况下，涡轮发动机的寿命使平滑稳定的，即发动机在某一时间段内剩余使用寿命的长短是相差不大的，发生波动的次数是比较少见的，但在恶劣环境的工作下，传感器传回系统的数据往往是不干净的，而传统的深度学习方法根据数据去学习预测，利用神经网络预测的剩余使用寿命会上下波动，剩余使用寿命曲线呈现锯齿状，这导致与实际的剩余使用寿命有较大的偏差。

发明内容

为了解决以上问题，本文提出了一种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。首先采用自适应选择特征的方法，针对不同数据集，利用特征的可变性(prognosability)选择出可预测性的特征，然后利用双通道长短时记忆网络，处理时刻特征值和特征差值，再用卷积神经网络提取长短时记忆网络处理后每个时刻的输出特征，之后通过全连接神经网络预测剩余使用寿命，最后，受梯度动量的启发，针对寿命曲线是锯齿状的问题，提出了一种动量平滑的方法来处理实际剩余使用寿命曲线。

为了达到上述目的，本发明所采用的技术方案为：

基于双通道长短时记忆网络的寿命预测方法，包括以下步骤：

A.对数据做预处理，挑选出对模型预测有用的特征，标准化数据，加快模型的收敛，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prognosability，挑选出在一定时间范围内变化较大的特征，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，可以观察到，对于某些特征，若prognosability等于0或NaN，则去掉这些特征，形成新的样本集；

b.采用z-score进行数据标准化：

u表示所有被选特征的的均值，σ表示所有被选特征的的标准差，x表示某一被选特征值；