[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

说明书

本发明公开了一种基于特征‑模型迁移的航空发动机剩余使用寿命预测方法。本发明基于特征‑模型迁移，在数据预处理阶段，本发明选取航空发动机的状态监测参数和操作参数作为卷积神经网络的输入，并对数据进行归一化和滑动时间窗处理，划分出源域数据和目标域数据。在构建卷积神经网络阶段，本发明选用多层卷积层以充分提取数据特征。在特征‑模型迁移阶段，本发明先利用源域带标签数据和目标域不带标签数据进行特征迁移，之后利用目标域带标签数据对特征迁移后的模型微调，进行模型迁移，以充分利用源域数据和目标域数据。结果表明，本发明基于特征‑模型迁移学习的模型在目标域的测试集上可以取得较好的预测效果。

技术领域

本发明涉及迁移学习和航空发动机剩余寿命预测领域，尤其涉及一种基于迁移学习的航空发动机剩余寿命预测方法。

背景技术

航空发动机作为航空飞机重要的组成部分，是飞机服役期间安全运行的关键部件。发动机的故障会导致航空飞机系统的安全隐患，增加非计划停飞的风险，甚至会导致重大的人员伤亡和经济损失。因此对航空发动机进行剩余使用寿命预测是近年来的研究重点和难点。随着机器学习的不断发展，基于迁移学习的航空发动机剩余使用寿命预测受到越来越多的研究关注。经典的迁移学习方法适用条件有限，在预测精度上还有很大的提升空间。发动机实际运行过程中，数据的采集方法可能发生变化，导致可能存在既有带标签数据，又有不带标签数据的情况。但经典迁移方法难以充分利用现有的所有数据。

发明内容

本发明的目的在于克服现有的迁移学习方法进行航空发动机剩余寿命预测的不足，并提供一种基于特征-模型迁移的航空发动机剩余使用寿命预测方法。

为了解决上述技术问题提供的技术方案为：

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。

作为优选，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。

进一步的，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。

进一步的，在步骤S102中，对参数的归一化采用最大最小归一化方法。