1.一种基于时空特征融合的涡扇发动机剩余使用寿命预测方法,其特征在于,包括以下步骤:
1)对于获取的不同的发动机随时间产生的传感器数据进行数据选择形成原始数据集每个数据样本都包含第i个环境中的发动机的编号、从开始到现在的运行时间、操作设置以及传感器的信息;其中,i表示第i个环境,随后对该原始数据集进行数据的归一化处理,将数据大小限定在[0,1]之间,计算式如(1)所示;
式中: 为归一化处理之后的第n个特征m数据点的值,Xm,n为处理前的原始数据,分别是对应特征的最大值和最小值;
经过数据处理后得到两类输入数据:多元时间序列矩阵(ssw×nf),矩阵(ssw×nf)的每一列,其中ssw表示滑动窗口和nf表示选择的特征个数;
2)将步骤1)中得到的两类输入数据分别输入到一维全卷积层和LSTM网络中进行训练,其中一维卷积层路径上数据输入是多元时间序列矩阵(ssw×nf),采用了三个一维卷积层
1 2 k
提取特征数据和三个最大池化层解析数据得到生成数据Z=(z ,z ,…,z),其中三个卷积层使用的是128,64和32个卷积核;卷积层的激活函数均为ReLU函数见式(2):f(x)=max(0,x) (2)同时在每一个池化层之后都进行规范化操作BN能够加速收敛、控制过拟合;矩阵(ssw×nf)的每一列作为每个时间步的LSTM输入,三个LSTM分别由128、64、32个单元结构定义,需要将各个隐层的结果作为下一层的输入,LSTM输出的数
1 2 j
据为Y=(y,y,…,y);
3)创建一维全卷积层并初始化其权重参数θc,创建LSTM网络模型并初始化其权重参数θl,然后训练两个网络模型,两个模型损失函数如式(3)和式(4)所示,采用梯度下降法最小化损失函数Vc,Vl,为获得更准确的数据样本,参数更新方式选用式(5)和(6),m表示批处理的大小,η表示学习率;
4)将步骤2)输出的空间特征数据Z和时间特征数据Y进行时空融合,其中卷积层路径能够获得局部、短时空间特征以及多维时空特征图,LSTM路径得获得随着时间变化的数据序列;得到的融合特征数据F(Z,Y)既保持了特征的完整性又提高模型的网络性能;表达式如式(7‑9):
Z={Zi|i=1,2,3,…,channel} (7)Y={Yi|i=1,2,3,…,channel} (8)式中,两个输入通道分别是Z和Y,单个输出通道为Fsingle,*表示卷积,K为卷积核;
5)构建一维卷积神经网络模型并将步骤4)的融合数据F(Z,Y)输入到网络中训练,卷积层输出矩阵的每一列包含一个滤波器权值,池化层减少输出复杂度,然后利用Flatten操作将多维的输入一维化,一维卷积神经网络中有三个全连接层,隐藏层分别为128和32个神经元;模型训练过程中的损失函数如式(10)所示,Xn数据样本个数,Yi指的是第i个发动机的RUL预测值与RUL实际值的差值;
6)测试阶段,从传感器获取到随时间变化的数据,通过步骤1)获得处理的数据及特征个数,将步骤2)的两类输出数据Z和Y进行采用步骤4)进行融合,最后将融合数据F(Z,Y)输入到一维卷积神经网络中进行寿命预测。