[发明专利]基于特征-模型迁移的航空发动机剩余使用寿命预测方法

权利要求书

1.一种基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，包括如下步骤：

S1、利用航空发动机状态监测参数和操作参数的历史数据创建训练数据集，并对训练数据集进行预处理，形成源域带标签数据、目标域不带标签数据和目标域带标签数据；

S2、构建由多层卷积层、全连接层和输出层级联而成的卷积神经网络，网络输入为航空发动机状态监测参数和操作参数，网络输出为航空发动机剩余使用寿命；

S3、将源域带标签数据和目标域不带标签数据同时输入至卷积神经网络，进行特征迁移，之后使用目标域带标签数据对特征迁移后的模型进行模型迁移；

S4、将待预测的目标域航空发动机状态监测参数和操作参数数据输入至经过特征迁移和模型迁移后的卷积神经网络中，卷积神经网络的输出即为该航空发动机的剩余使用寿命。

2.根据权利要求1所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，所述步骤S1具体包括以下步骤：

S101、以航空发动机不同部位的传感器监测变量作为状态监测参数，以飞行高度、马赫数和油门杆解算器角度作为操作参数，获取航空发动机状态监测参数和操作参数的历史数据序列；

S102、对所述历史数据序列中的各参数进行归一化；

S103、采用时间窗滑动的方式从归一化后的历史数据序列中提取训练样本，并创建训练数据集；每个训练样本包含一个时间窗内的所有状态监测参数和操作参数的时序数据，同时带有或者不带有航空发动机剩余使用寿命标签；

S104、根据每个训练样本的域来源以及是否携带航空发动机剩余使用寿命标签，将训练数据集划分为源域带标签数据、目标域不带标签数据和目标域带标签数据。

3.根据权利要求2所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，所述历史数据序列来源于C-MAPSS数据集，数据集中的不同子集根据其操作模态和故障类型的不同组合存在数据分布差异，每个子集作为一个域。

4.根据权利要求2所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，在步骤S102中，对参数的归一化采用最大最小归一化方法。

5.根据权利要求2所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，在步骤S103中，所述时间窗每次向后移动一个时刻，每个时间窗对应形成一个样本；将子集划分出源域和目标域，其中源域的样本数据带有航空发动机剩余使用寿命标签，目标域中只有少量样本数据带航空发动机剩余使用寿命标签，其余样本数据均不带航空发动机剩余使用寿命标签。

6.根据权利要求1所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，所述步骤S2中，卷积神经网络的卷积层优选为5层，其输出层优选采用全连接层实现。

7.根据权利要求1所述的基于特征-模型迁移的航空发动机剩余使用寿命预测方法，其特征在于，所述步骤S3具体包括以下步骤：

S301、将源域带标签数据和目标域不带标签数据输入至卷积神经网络，由堆叠的卷积层对输入数据进行特征提取，然后在全连接层和输出层进行领域自适应，实现源域和目标域之间的特征迁移；

S302、冻结经过特征迁移后的卷积神经网络中的卷积层，但保持全连接层和输出层为可训练状态，将目标域带标签数据输入至卷积神经网络重新训练，通过微调实现模型迁移。