CN114997051B 一种基于迁移学习的航空发动机寿命预测与健康评估方法 （浙大城市学院）

US2021406603A1,2021.12.30US2017300605A1,2017.10.19一种基于迁移学习的航空发动机寿命预测本发明涉及一种基于迁移学习的航空发动因子的构建流程；其次采用受极端偏值影响较环单元网络对多维时序数据的自动特征提取能2YongchengGao.Construction页.3步骤5、将健康因子与标准化处理后的减小速度v取交集，将步骤7、利用堆叠GRU神经网络模型对多维时序数据步骤8、利用迁移学习策略将堆叠GRU神经网络模2.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征3.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征在于：步骤2中数据预处理模块采用均值补全法对采集得到的工作状态参数与环境参数进44.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征采用最小二乘法插值对离散的健康因子进行拟合，根据航5.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征t6.根据权利要求1所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征初始衰退过程指航空发动机关键零部件出现的轻度初始7.根据权利要求5所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征隐含层包含3对堆叠GRU-Dropout层和一个Fla5-1)+bh)堆叠GRU-Dropout层对上层的参数进行随机舍弃；最后将堆叠GR将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集和测8.根据权利要求7所述基于迁移学习的航空发动机寿命预测与健康评估方法，其特征绝对误差eMAPE以及相关系数R2来衡量航空发动机寿命预测的预测值与真实值之间的差异，i进行航空发动机健康评估时，使用准确率来表征GRU神经网络模型的分类正确的样本67发和应用航空发动机智能运维与健康管理系统(Prognosticsandhealthmanagement，评估是急需解决的问题；关键限寿件的剩余使用寿命(RUL)预测的相关方法可粗略划分为[0004]基于模型的方法主要是依托于系统的物理衰退模型，分析机械设备的动力学特不再依托于机械知识，根据设备的工作状态参数和环境参数即可评估健康状态和预测寿发动机PHM系统的研究主要着眼于航空发动机单个零部件的诊断，对发动机整体性能衰退8b8数和油门旋转变压器角度。[0017]作为优选，步骤2中数据预处理模块采用均值补全法对采集得到的工作状态参数9[0049]将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集差eRMSE、平均绝对误差eMAPE以及相关系数R2来衡量航空发动机寿命预测的预测值与真实值[0055]进行航空发动机健康评估时，使用准确率来表征GRU神经网络模型的分类正确的数据进行降维；然后利用门控循环单元(GRU)网络对多维时序数据的自动特征提取能力挖[0070]本申请实施例一提供了一种如图1所示基于迁移学习的航空发动机寿命预测与健发动机关键限寿件的工作状态参数与环境参数；数据存储模块利用Sqlserver数据库技舍弃，其中异常值指偏离设备正常工作时状态参数范围的值；进行标准化处理时采用Z-[0084]XGBoost模型是由n个基模型组成的加法模型，假设第t次迭代要训练的树模型是[0087]步骤5、剩余使用寿命是指航空发动机在经过一次重大检修后经飞机正常飞行若干轮次后至下一次重大检修时所经历的时间周期。当关键限寿件的损伤或出现设备故障初始磨损的过程；正常衰退过程指由于轻度初始磨损引发的航空发动机性能衰退的过程，[0092]输入层特征映射组为多维数组(维度即为关键性能参数个数)，输入样本格式为N更有利于处理时间长度大的航空数据集；GRU神经网络模型的结构单元包括更新门Zt和重t用来控制当前状态Ht从历史状态Ht-1中保留的信息量和从候选状态Ht`中接于寿命预测模块，Dense层设置1个神经元，不设置非线性激活函数；对于健康评估模块，[0105]将建立的时序数据集输入待训练的GRU神经网络模型中，按设定比例划分训练集策略将堆叠GRU神经网络模型泛化至不同的飞行状态下，实现多工况下的GRU网络模型迁[0115]Step1：数据采集(本文为涡轮增压发动机全寿命周期运行数据，布设32个传感ff为风扇速据航空发动机退化关系式对所得健康因子离散值进行>0.90.9～0.8<0.80.01～0.8>0.8当测试集准确率不上升时停止训练保存模型。堆叠GRU模型需要设定的主要超参数为学习率和小批量训练批次大小。同样采取网格化搜索对参数进行优化，搜索空间为(学习率：康评估方面效果均优于其他两者，LSTM由于对时序数据的敏感性在寿命预测方面效果较