[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

说明书

本发明公开了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，包括以下步骤：步骤一、数据预处理；步骤二、构建基本单元块；步骤三、构建整体模型并训练；步骤四、使用模型进行航空发动机退化趋势预测；本方法提出了一种序列重构的基本单元块，该基本单元块输出包括对输入序列的重新预测值和对未来序列的预测值。同时，基于该基本单元块，提出了一种基于残差堆叠卷积网络的航空发动机退化趋势预测方法，提出的模型充分挖掘和利用历史序列信息，有效避免网络模型梯度消失的问题，提升了航空发动机退化趋势预测的准确性。

技术领域

本发明属于航空发动机性能退化技术领域，具体涉及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。

背景技术

航空发动机退化趋势预测是航空工业领域研究的重点之一，高效和准确地进行退化性能趋势预测可以帮助管理人员维护发动机健康状态和节省维修成本。基于航空发动机的监控数据，可得到发动机的性能退化状态指标，性能退化指标可以有效反应发动机退化趋势，若发动机处于退化状态，对发动机退化状态指标进行预测，即可有效监控发动机运行状态的未来变化情况进而制定有效维护策略。

目前，航空发动机退化趋势预测方法主要包括基于传统模型的方法和基于智能学习算法的方法。基于传统模型的预测方法通常包括自回归模型和自回归滑动平均模型等，传统模型对于退化趋势变化的规律性要求严格，准确率较低适用范围很小。基于智能学习算法的预测方法主要包括人工神经网络模型和支持向量回归模型等。传统时间序列预测模型一般只适用于平稳信号，但航空发动机信号中有较大波动，因此有研究人员基于智能学习算法强大的非线性逼近能力，预测发动机的性能退化趋势。在航空发动机性能退化趋势预测中仍然存在以下问题：(1)发动机未来的性能状态与之前若干飞行循环的性能退化状态有关，因此预测发动机性能退化状态时，不仅要考虑历史飞行循环的状态，还应考虑性能退化过程的时间累积效应。(2)发动机的退化过程随机性较大，基于一些经典分布，例如高斯过程、伽马过程等建立的退化状态预测模型不能有效监测由于突发情况带来的性能退化状态剧烈变化。

为了解决上述问题，提出了一种新的预测航空发动机性能退化趋势的方法，即基于序列重构的残差堆叠卷积网络的预测方法。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供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。通过基于序列重构的残差堆叠卷积网络的方法，充分挖掘和利用了退化序列中的信息。多个基本单元块集成为一个堆栈，将多个基本单元块的残差和输入到下一个堆栈中，有效避免了残差过小而直接将残差输入到下一个单元中造成的梯度消失问题。最后，集成多个堆栈结构组成最终模型。每个堆栈学习的上一个堆栈的残差，将每个堆栈的输出求和得到最终输出结果，这种多模块集成的思想提高了模型整体预测的准确性。

为解决上述技术问题，本发明采用的技术方案是：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：