[发明专利]基于CNN和LSTM的飞控系统剩余寿命预测方法

摘要

本发明属于机器学习、深度学习及航空领域，具体涉及一种基于CNN和LSTM的飞控系统剩余寿命预测方法，旨在解决飞控系统剩余寿命预测网络复杂、准确性低问题。本系统方法包括获取飞控系统数据集；利用故障临界点分析模型判断当前转的健康状态；基于操作模态数据，根据变化阈值，获取飞控系统数据集的操作模态；若为单模态，将飞控系统数据集作为第二数据集；否则对操作模态数据进行分类，获取当前转及之前各转对应模态的出现次数的统计结果，将模态分类、统计结果增入系统数据中，获取第二数据集；根据第二数据集和故障临界点，基于寿命预测模型获取各飞控系统的剩余寿命。本发明降低了预测网络的复杂度，提高了预测的准确性。

主权项

1.一种基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，该预测方法包括：步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30；步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；其中，所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。