[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

说明书

本发明提供一种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，步骤为：采集待预测航空发动机多维退化参数获得采集数据，采用滑动窗口技术对采集数据进行分割获得预处理数据；构建包括TMLSTM模型和SMCNN模型的航空发动机寿命预测模型，将预处理数据分别输入TMLSTM模型与SMCNN模型中，获得THI与SHI；将THI与SHI连接成一个新的HI矩阵，将新的HI矩阵输入寿命预测模型的回归层中进行剩余寿命的预测，本申请寿命预测模型的一个分支通过TMLSTM模型提取THI，另外一个分支通过SNCNN模型提取SHI，最终基于两个分支构建的指标进行回归预测，该预测方法具有更好的综合预测性能。

技术领域

本发明涉及航空发动机寿命预测领域，特别是一种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。

背景技术

航空发动机是一种高度复杂和精密的热力机械，是为航空器提供飞行所需动力的发动机，由于其复杂的内部结构、恶劣的工作环境，航空发动机也更易发生故障；因此对航空发动机剩余使用寿命的准确预测，对航空发动机的运行和维护有极大的帮助。

随着科学技术的发展长短期记忆LSTM和卷积神经网络CNN被广泛应用于旋转机械剩余使用寿命RUL的预测中，但传统的长短期记忆LSTM和卷积神经网络CNN在剩余使用寿命RUL预测中存在不能根据相应的趋势信息和阶段信息对输入数据进行差异化处理的缺陷，预测精度差。

发明内容

本发明的目的就是提供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，它可以用于航空发动机寿命的预测。

本发明的目的是通过这样的技术方案实现的，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。

进一步，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。

进一步，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。

进一步，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；