[发明专利]一种用于飞机发动机的剩余使用寿命预测系统

说明书

本发明一种用于飞机发动机的剩余使用寿命预测系统，属于机器剩余使用寿命预测领域，现有技术存在的退化特征提取不突出、网络复杂度大、预测精度不高的问题，使用前，需要通过信息采集模块获取飞机发动机不同部位部件的大量传感器信号；随后送入数据预处理模块对传感器数据进预处理，以方便下一模块使用；利用特征提取模块来对待预测的样本数据进行特征提取；最后通过回归预测模块来得到待预测飞机发动机的剩余使用寿命预测值；本发明解决了在大量传感器数据中提取重要退化特征并实现机器剩余使用寿命精准预测的问题，并提高了预测精度。

技术领域

本发明属于机器剩余寿命预测技术领域，特别是涉及一种用于飞机发动机的剩余使用寿命预测系统。

背景技术

伴随大数据时代的来临，工业互联网开始快速发展，先进传感器技术的快速应用促使了采集数据的井喷式爆发。而随着现代机器系统的安全性和可靠性要求的不断提高，若不对机器的健康状态进行主动性的评估，将会导致巨大的经济损失和人员生命财产安全。因此，对机器的剩余使用寿命进行预测的研究非常迫切且有必要性。机器剩余使用寿命预测作为目前预测健康管理（Prognostics and Health Management，PHM）领域的研究热点，RUL预测可以及时地为管理者提供设备的运行状态和剩余运行周期等信息，帮助他们及时做出决策，如是否提前进行选择性维修、是否需要设备的保养和维护等，来确保设备的健康平稳运行。

通常，对RUL预测常用的方法可以分为两类：基于模型的方法和基于数据驱动的方法。由于基于模型的方法主要依靠统计学、概率学以及大量先验知识来进行建模，但随着系统和设备越来越复杂而导致精确建模异常困难，而基于数据驱动的深度学习方法有着不依赖先验知识，只针对原始传感器数据进行分析提取的优点，网络的选取也更加的灵活，已成为RUL预测领域备受青睐的研究方向。

而近年来在深度学习算法的研究上，学者在RUL领域上已经有了许多成功的尝试，主要集中在两类方法上：基于CNN的方法和基于RNN的方法。在CNN的方法中，为了更好地提取原始数据的深度信息，学者们设计了DCNN，MSCNN等网络结构；在RNN的方法中，主要以LSTM和GRU网络为主进行网络结构的创新和改进，学者们设计了ConvLSTM，BiLSTM，MMALSTM，多尺度密集GRU等网络结构，利用这些网络结构本身对时间序列数据敏感的特性，提高对原始数据长期时间相关性分析的能力。而最近随着注意力机制的提出，添加注意力机制可以进一步提升网络对高度相关退化特征的提取能力，一些成果显著的研究证明了其添加的有效性，如多头注意力，自注意力的提出。总的来说，基于数据驱动的这些方法的优势是可以通过分析大量的传感器数据，设计合理的网络结构去提取数据的相关退化特征，来达到提高机器剩余使用寿命预测速度和准确度的目的。基于此，本发明通过对传感器数据的删选，分割以及利用RNN变体和改进的注意力机制结合的优势，提出了一种用于飞机发动机的剩余使用寿命预测系统。

发明内容

本发明针对现有技术存在的退化特征提取不突出、网络复杂度大、预测精度不高的问题，本发明提供了一种用于飞机发动机的剩余使用寿命预测系统。本发明旨在通过利用简单的网络结构提取高度相关的退化特征，实现机器剩余使用寿命的准确预测。

为解决上述技术问题，本发明采用的技术方案为：一种用于飞机发动机的剩余使用寿命预测系统，该系统包括信息采集及整合模块、数据预处理模块、特征提取模块以及回归预测模块；

信息采集及整合模块用于获取飞机发动机不同部位部件的传感器信号数据，并对获取的数据进行计算、整合，实现多指标显示的功能；

数据预处理模块对采集的数据进行归一化处理、数据样本的局部提取和时间维度特征的预提取三种操作；