[发明专利]一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法

权利要求书

1.一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法，其特征在于，包括以下步骤：

步骤一、数据预处理：

步骤101：设发动机整个退化过程的状态序列为N，退化状态序列X＝[x₁,x₂,…,x_N]，第i个传感器的性能退化状态表示为x_i,i＝1,2,…,N，性能退化状态序列为航空发动机退化过程中一个综合表示性能退化状态的序列数据；

步骤102：对整个退化状态序列进行滑动窗口法划分样本，选取连续k个时刻的数据为模型输入数据，第k+1时刻的数据为模型预测值构造训练样本{X_in＝[x₁,x₂,…,x_k]；Y_in＝[x_k+1]},k＜N；

步骤二、构建基本单元块：

步骤201：根据公式h_L＝f_r(X_k·w_L+b_L)建立基本单元块的线性层，对k个时刻的输入数据进行处理，其中X_in＝[x₁,x₂,…,x_k]为k输入数据，w_L和b_L表示线性层的权重和偏置，h_L表示线性层的输出，f_r为ReLU激活函数；

步骤202：根据公式h_C＝f_r(Conv1d(h_L))建立基本单元块的卷积层，对线性层的输出h_L进行处理，其中Conv1d表示一维卷积操作，h_C表示卷积层的输出，f_r为ReLU激活函数，卷积层共包含z层一维卷积操作用于对输入数据进行特征提取；

步骤203：根据公式X^f＝f_r(FC_f(h_C))建立基本单元块的重构序列部分，它是对输入序列数据进行重新预测的部分，其中X^f＝[x₁',x₂',…,x_k']表示重新预测的输出，h_C表示卷积层的输出，FC_f表示全连接层，f_r为ReLU激活函数；

步骤204：根据公式X^b＝f_r(FC_b(h_C))建立基本单元块的预测部分，它是对k+1时刻的数据进行预测的部分，其中X^b＝[x_k+1']表示k+1时刻预测的输出，h_C表示卷积层的输出，FC_b表示全连接层，f_r为ReLU激活函数；

步骤三、构建整体模型并训练：

步骤301：根据公式将h个基本单元块组合成为一个堆栈，其中X^r表示堆栈中每个基本单元块的残差和，为第j个基本单元块的重新预测序列的输出，堆栈中当前基本单元块的输入为上一个基本单元块重新预测的输出X^f＝[x₁',x₂',…,x_k']；

步骤302：根据公式计算堆栈的预测输出部分，其中Y^s表示堆栈的输出，表示堆栈中第j个基本单元块k+1时刻的预测输出；

步骤303：根据公式计算由m个堆栈组成的整体模型的预测输出，其中表示第p个堆栈的预测输出，Y表示模型的整体预测输出；

步骤304：根据公式计算模型的训练损失，其中Y_t表示模型的预测输出，y_t表示样本的真实输出，S表示样本个数；模型激活函数选择ReLU函数，优化器选择为Adam优化器；

步骤四、使用模型进行航空发动机退化趋势预测：

步骤401：设待预测的序列为X_pre＝[x₁,x₂,…,x_T]，根据步骤102截取待预测序列末尾k个连续时刻序列组成待测样本X'_pre＝[x_T-k,x_T-k+1,…,x_T]，其中T表示待预测样本的序列长度；

步骤402：将待测样本X'_pre＝[x_T-k,x_T-k+1,…,x_T]输入到步骤三训练好的模型中，计算得出T+1时刻预测航空发动机退化趋势的状态Y_pre＝x_T+1。