[发明专利]基于时空多异化处理深度网络的航空发动机寿命预测方法

权利要求书

1.基于时空多异化处理深度网络的航空发动机寿命预测方法，其特征在于，具体步骤如下：

1)数据采集：采集待预测航空发动机多维退化参数，通过稳定趋势分析，选取若干能反映航空发动机退化性能的参数，获得采集数据；

2)数据预处理：采用滑动窗口技术对采集数据进行数据分割，获得预处理数据；

3)构建模型：构建基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型，所述航空发动机寿命预测模型包括时间多异化处理长短期神经网络TMLSTM模型和空间多异化卷积神经网络SMCNN模型；

4)提取健康指标：将预处理数据分别输入TMLSTM模型与SMCNN模型中，获得基于TMLSTM模型的健康指标THI与基于SMCNN模型的健康指标SHI；

5)寿命预测：将提取的MHI与SHI连接成一个新的HI矩阵，将新的HI矩阵输入航空发动机寿命预测模型的回归层中进行剩余使用寿命的预测。

2.如权利要求1所述的基于时空多异化处理深度网络的航空发动机寿命预测方法，其特征在于，所述基于时空多异化处理深度神经网络SMDN模型的航空发动机寿命预测模型包括TMLSTM模型、SMCNN模型、全连接层FC1、全连接层FC2、回归层；

所述TMLSTM模型包括多趋势划分单元和多细胞更新单元；

所述SMCNN模型包括多阶段划分单元和空间特征异化提取单元。

3.如权利要求2所述的基于时空多异化处理深度网络的航空发动机寿命预测方法，其特征在于，步骤4)中获取基于TMLSTM模型的健康指标THI的具体步骤如下：

4-1-1)将步骤2)中的预处理数据作为输入数据输入TMLSTM模型中，通过多趋势划分单元对输入数据进行趋势划分，通过多细胞更新单元对划分趋势后的数据进行更新，获得隐藏特征；

4-1-2)将得到的隐藏特征输入到全连接层FC1中，获得基于TMLSTM模型的健康指标THI。

4.如权利要求2所述的基于时空多异化处理深度网络的航空发动机寿命预测方法，其特征在于，步骤4)中获取基于SMCNN模型的健康指标SHI的具体步骤如下：

4-2-1)将步骤2)中的预处理数据作为输入数据输入SMCNN模型中，通过多阶段划分单元对输入数据进行阶段划分，通过空间特征异化提取单元对划分阶段后的数据进行更新，获得空间特征；

4-2-2)将得到的空间特征输入到全连接层FC2中，获得基于SMCNN模型的健康指标SHI。