[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

说明书

本发明公开了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，(1)利用迁移学习的思想，构建了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；(2)利用分类任务驱动得到卷积神经网络作为源域模块提取故障特征(3)利用剩余寿命预测任务驱动的长短时记忆网络作为目标域模块实现剩余寿命预测(4)构建特殊的损失函数完成源域故障特征迁移至目标域的过程，有效地提高了剩余寿命预测的精度；(5)固定训练成功的目标域模块参数，输入待预测的实时数据即可获得可视化的剩余寿命预测结果。通过与其他传统机器学习方法进行对比，本发明预测精度高，有较大的实际应用意义。

技术领域

本发明涉及航空涡扇发动机健康管理领域，特别涉及一种基于迁移学习中特征迁移方法的航空涡扇发动机剩余寿命预测方法。

背景技术

航天事业的发展已成为衡量一个国家科技水平、国防建设和国民经济现代化水平的重要指标之一，航天安全技术也成为了一个非常重要的领域。涡扇发动机是航天飞机的重要组成部分，一旦发生故障将直接影响整架飞机的运行和使用寿命，甚至造成更严重的安全事故。因此，研究如何使用有效的方法来预测故障具有重要意义。

在现代工业中，剩余寿命预测正成为确保机械安全、可用性和效率以及降低维护成本的关键技术，目前主要有两类方法：基于失效机理分析的预测和数据驱动的预测。前者依赖于专家经验，需要大量的机械相关知识。但是，由于涡扇发动机的受力往往非常复杂，用失效机制分析的方法来预测剩余寿命一般是不现实的。

近年来，结合人工智能的数据驱动方法可以通过挖掘数据序列和隐藏信息的特征进行预测，已成为退化分析和剩余寿命预测问题的主流研究方法。其中，迁移学习是近年来新兴的一种人工智能方法，可以通过适当的关联任务帮助主要目标的实现。本发明利用迁移学习思想中的特征迁移方法，可以有效地实现航空发动机的剩余寿命预测，从而控制并排除某些严重故障，缩小维修范围，节约经济成本。

发明内容

本发明提供了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测系统及方法，以解决现有监测技术难以获得精确的剩余寿命结果的问题。

本发明的目的可通过以下技术方案实现：

本发明提出的基于故障特征迁移的航空涡扇发动机剩余寿命预测系统，包括：

(1)数据采集及预处理模块

(2)源域模块

(3)目标域模块

(4)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。

模块(1)具体为：

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。