[发明专利]一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法

权利要求书

1.基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：实现该方法的单元模块包括数据采集及预处理模块、源域模块、目标域模块和剩余寿命预测结果输出模块；由数据采集与预处理模块对故障信号进行采集和预处理，随后将信号以源域数据集和目标域数据集的形式分别输入到源域模块，源于模块的故障特征学习结果将迁移到目标域模块，辅助目标域模块的训练；目标域模块的训练结果输入到剩余寿命预测结果输出模块，最终输出预测的剩余寿命。

2.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：数据采集及预处理模块中具体实施方法如下：

步骤1.1通过N个不同变量的监测传感器获取历史航空发动机失效全寿命周期数据，设每个监测通道共采集到L个数据点；然后对N个监测变量进行筛选，得到M个与故障特征相关的变量，并按照筛选后的变量形成多维的监测数据，此时的数据集大小应为X_L×M；

步骤1.2对上述监测数据进行归一化处理，将其归一化至[0,1]之间，避免了负值对于数据处理的影响，具体计算公式为：

其中X_t为当前时刻的原始数据，Xnorm为当前时刻归一化处理后的数据，Xmax、Xmin分别为所有原始数据中的最大值和最小值；

步骤1.3通过滑动窗口采样的方法将上述处理后的数据制作成样本集；设置一个大小为W×M、步长为1的滑动窗口，依序对每台发动机的时间序列进行采样，最终将整个时间序列分割成L-W+1个样本，每个样本的大小即为窗口大小，按照样本时间所对应的剩余寿命标注标签；该样本集即为目标域输入样本，并按照1:4的比例划分测试集和训练集；

步骤1.4根据数据集本身的故障特征分布情况，选取目标域输入样本中的前n个样本和后n个样本生成新的样本集，按照“故障”、“正常”两种情况标注标签；该样本集即为源域输入样本，并按照1:4的比例划分测试集和训练集。

3.根据权利要求1所述的基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，其特征在于：源域模块中具体实施方法如下：

步骤2.1搭建用于进行故障特征提取的卷积神经网络模型作为源域模块，该网络包括一个输入层，四个卷积层，三个池化层，后接两个全连接层和一个输出层，对航空涡扇发动机数据进行故障特征提取和类型识别，最终输出判断此时发动机是否发生故障的概率值作为识别结果；其中，第一层卷积层采用膨胀卷积的方法，表达式如下：

上式的具体含义为：当输入为一维信号x(i)时(i表示第i个数据)，通过一个长度为k的膨胀卷积层w(k)后得到输出y(i)，参数d为膨胀大小，即卷积核中相邻节点的距离；

步骤2.2采用交叉熵函数作为该模型训练的损失函数，用以表征判断值与实际值的差值分布，表达式如下：

其中，m表示样本的总数，y_true为该样本真实的标签，y_pred为第四层的输出；

步骤2.3将源域输入样本集输入源域模型输入层，使用自适应矩阵估计优化器对整个网络的参数进行更新，具体步骤如下：

其中，下标t表示当前步长，θ_t为经过优化器更新后当前步长下的参数，ρ是当前指数衰减率的估值，η为学习率，可通过设置η的初始值来调整网络训练的速度和精度；g_t表示当前步长的梯度，s_t为关于参数的一阶梯度矩阵，r_t为关于参数的二阶梯度矩阵；δ为常量10^-8，以保证表达式中分母不为0而成立；和是对原始值的偏差修正；

步骤2.4将源域样本集输入源域模块，设置模型迭代次数、单次训练送入数据批量、训练批次和网络参数初始值，并实时监测源域模块的识别准确率和损失函数值的变化，当准确率达到一定标准时，保存网络。