【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及設(shè)備故障預(yù)測(cè)與健康管理領(lǐng)域，具體是一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法。
技術(shù)介紹
1、航空發(fā)動(dòng)機(jī)作為大型航空航天器的主要?jiǎng)恿υ?，其故障?huì)嚴(yán)重影響設(shè)備的安全性和可靠性，因此在設(shè)備維護(hù)中需重點(diǎn)關(guān)注；隨著科技的發(fā)展，預(yù)測(cè)與健康管理(phm)技術(shù)廣泛應(yīng)用于復(fù)雜工業(yè)系統(tǒng)，其中預(yù)測(cè)設(shè)備的剩余使用壽命(rul)是phm的重要環(huán)節(jié)；rul預(yù)測(cè)不僅保障了發(fā)動(dòng)機(jī)的平穩(wěn)運(yùn)行，減少災(zāi)難性故障的可能性，還能幫助制定科學(xué)的維修策略，減少不必要的維護(hù)開支，實(shí)現(xiàn)從傳統(tǒng)停機(jī)維修向基于狀態(tài)的維修轉(zhuǎn)變，推動(dòng)航空業(yè)的持續(xù)發(fā)展。當(dāng)前學(xué)者對(duì)于航空發(fā)動(dòng)機(jī)剩余使用壽命的預(yù)測(cè)可以大致分為三類，基于物理的方法，數(shù)據(jù)驅(qū)動(dòng)法以及融合方法；基于物理模型的方法通過構(gòu)建零部件退化的數(shù)學(xué)或物理模型，結(jié)合觀測(cè)數(shù)據(jù)預(yù)測(cè)設(shè)備的剩余使用壽命(rul)；雖然該方法在特定條件下具有較高的預(yù)測(cè)精度，但缺乏普適性；而數(shù)據(jù)驅(qū)動(dòng)方法則通過收集系統(tǒng)的輸入輸出數(shù)據(jù)，無需深入了解設(shè)備工作原理或失效機(jī)制，便可實(shí)現(xiàn)rul預(yù)測(cè)；數(shù)據(jù)驅(qū)動(dòng)方法主要分為數(shù)理統(tǒng)計(jì)和機(jī)器學(xué)習(xí)兩類，其中機(jī)器學(xué)習(xí)應(yīng)用更為廣泛；機(jī)器學(xué)習(xí)又可分為淺層和深度學(xué)習(xí)，前者難以識(shí)別高維數(shù)據(jù)特征，而深度學(xué)習(xí)通過自動(dòng)特征提取解決了這一問題。
2、盡管深度學(xué)習(xí)在時(shí)序數(shù)據(jù)建模中表現(xiàn)出色，但大多方法忽視了不確定性量化，這對(duì)于航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)等安全關(guān)鍵應(yīng)用至關(guān)重要。不確定性量化能夠評(píng)估模型的可靠性，特別是在面對(duì)未知工況時(shí)，有助于優(yōu)化風(fēng)險(xiǎn)管理，制定靈活的維護(hù)策略，避免過度或不足維護(hù)，從而優(yōu)化資源和成本；在此基礎(chǔ)上，提出一種基于人工智能的航空發(fā)動(dòng)
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，以解決現(xiàn)有技術(shù)中提出的問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，包括以下步驟：
3、s1、對(duì)多維傳感器采集到的航空發(fā)動(dòng)機(jī)數(shù)據(jù)集中的工況進(jìn)行預(yù)處理，并劃分訓(xùn)練集和測(cè)試集；
4、s2、構(gòu)建基于多重優(yōu)化的bilstm-gru-attention網(wǎng)絡(luò)結(jié)構(gòu)模型；
5、s3、使用訓(xùn)練集對(duì)基于多重優(yōu)化的bilstm-gru-attention網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的網(wǎng)絡(luò)模型；
6、s4、將測(cè)試集數(shù)據(jù)輸入到訓(xùn)練完成的網(wǎng)絡(luò)模型中，實(shí)現(xiàn)發(fā)動(dòng)機(jī)剩余使用壽命的實(shí)時(shí)預(yù)測(cè)。
7、進(jìn)一步的，在步驟s1中：數(shù)據(jù)預(yù)處理包括以下步驟：
8、s1-1、判斷收集設(shè)備的傳感原始數(shù)據(jù)與剩余使用壽命間的相關(guān)性，如果傳感數(shù)據(jù)的數(shù)值是恒定的，則剔除設(shè)備的傳感器原始數(shù)據(jù)；
9、s1-2、對(duì)篩選后的數(shù)據(jù)進(jìn)行max-min歸一化處理，將所有的原始數(shù)據(jù)映射到[0,1]的區(qū)間上；
10、s1-3、在歸一化后的數(shù)據(jù)中，使用滑動(dòng)窗口方法生產(chǎn)若干組多變量時(shí)間序列，從而構(gòu)建出不同設(shè)備的時(shí)間序列訓(xùn)練集，滑動(dòng)時(shí)間窗的步長(zhǎng)為1，建立壽命標(biāo)簽和標(biāo)簽歸一化，得到處理后的訓(xùn)練集和測(cè)試集。
11、進(jìn)一步的，在步驟s1-2中：對(duì)篩選后的數(shù)據(jù)進(jìn)行max-min歸一化處理，將所有的原始數(shù)據(jù)映射到[0，1]的區(qū)間上；歸一化處理的公式如下：
12、
13、其中，x′i，j(t)為xi，j(t)數(shù)據(jù)歸一化得到的值；xi，j(t)為在t時(shí)刻第i個(gè)發(fā)動(dòng)機(jī)的第j個(gè)傳感器得到的原始數(shù)據(jù)；min(x，j)和max(x，j)分別為為全部發(fā)動(dòng)機(jī)全部時(shí)刻的第j個(gè)傳感器得到的最小值和最大值。
14、進(jìn)一步的，在步驟s2中：基于多重優(yōu)化的bilstm-gru-attention的網(wǎng)絡(luò)模型具體包括：
15、s2-1、構(gòu)建bilstm層，并將其中參數(shù)抽象為運(yùn)動(dòng)中的粒子利用算法對(duì)其進(jìn)行優(yōu)化，從而獲取bilstm層超參數(shù)的最優(yōu)參數(shù)組合；
16、s2-2、構(gòu)建基于貝葉斯參數(shù)優(yōu)化的gru層，用于進(jìn)一步提取復(fù)雜的時(shí)間序列特征，增強(qiáng)特征表達(dá)能力；
17、s2-3、構(gòu)建注意力機(jī)制層，對(duì)bilstm和gru層的輸出進(jìn)行加權(quán)處理，通過計(jì)算每個(gè)時(shí)間步的重要性權(quán)重，篩選出最為重要的特征，形成一個(gè)新的特征表示；
18、s2-4、經(jīng)過注意力層處理后的特征被輸入到全連接層進(jìn)一步降維處理，輸出發(fā)動(dòng)機(jī)剩余使用壽命，并插入dropout層，防止過擬合的發(fā)生，dropout數(shù)值設(shè)置為r；
19、s2-5、在訓(xùn)練預(yù)測(cè)擬合曲線的過程中，整個(gè)訓(xùn)練數(shù)據(jù)集被隨機(jī)分為幾個(gè)小批次，每個(gè)小批次包含m個(gè)樣本；模型以p的學(xué)習(xí)率進(jìn)行訓(xùn)練，fd001子數(shù)據(jù)集訓(xùn)練過程配置為最多運(yùn)行a個(gè)epoch，fd003子數(shù)據(jù)集訓(xùn)練過程配置為最多運(yùn)行b個(gè)epoch；
20、s2-6、在推理階段，采用dropout技術(shù)用于對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行不確定性量化。
21、進(jìn)一步的，在步驟s2-1中：構(gòu)建bilstm層，將bilstm層的參數(shù)抽象為運(yùn)動(dòng)中的粒子，粒子i在一維空間的位置表示為矢量xi＝(x1，x2，...xn)，運(yùn)動(dòng)速度表示為矢量vi＝(v1，v2，...vn)；每個(gè)粒子都有一個(gè)由目標(biāo)函數(shù)決定的目標(biāo)位置x，并且能夠判斷出目前的個(gè)體最佳位置pbest和現(xiàn)在的位置xi，也能夠判斷出目前的群體最佳位置gbest，gbest是pbest中的最佳值；粒子通過跟蹤兩個(gè)極值即個(gè)體最佳位置pbest和群體最佳位置gbest來更新自己的位置，最終獲取群體最佳位置gbest對(duì)應(yīng)的bilstm層最優(yōu)參數(shù)組合，此方法具有自組織性、進(jìn)化性和記憶功能，能夠強(qiáng)化bilstm層的特征捕捉能力，從而提升網(wǎng)絡(luò)預(yù)測(cè)模型bilstm-gru-attention的預(yù)測(cè)精準(zhǔn)度。
22、進(jìn)一步的，在步驟s2-1中：包含的步驟有：
23、s2-1-1、初始化一群群體規(guī)模為n的粒子，初始化信息包括粒子的隨機(jī)位置和速度，初始迭代次數(shù)t＝0，準(zhǔn)備進(jìn)入尋優(yōu)過程；
24、s2-1-2、定義粒子的目標(biāo)位置x，根據(jù)目標(biāo)位置評(píng)價(jià)當(dāng)前位置、個(gè)體最佳位置和群體最佳位置的優(yōu)異程度，距離目標(biāo)位置越近的位置越優(yōu)異；
25、s2-1-3、將每個(gè)粒子的當(dāng)前位置xi與其經(jīng)過的個(gè)體最優(yōu)位置pbest作比較，如果當(dāng)前位置較好，則將其作為當(dāng)前的個(gè)體最優(yōu)位置pbest；
26、s2-1-4、將每個(gè)粒子的當(dāng)前位置xi與其經(jīng)過的群體最優(yōu)位置gbest作比較，如果當(dāng)前位置較好，則將其作為當(dāng)前的群體最優(yōu)位置gbest；
27、s2-1-5、根據(jù)以下公式調(diào)整粒子速度和位置：
28、vi′＝ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)；
29、xi′＝xi+viδt；
30、其中，vi′是粒子更新迭代后的速度大小，vi是粒子當(dāng)前的速度大小，xi′是粒子更新迭代后的位置數(shù)值，xi是粒子的當(dāng)前位置數(shù)值，δt是單位時(shí)間間隔，ω是慣性因子，i＝1，2，3，...，n，n是此群中的粒子總數(shù)，ran本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S1中：數(shù)據(jù)預(yù)處理包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S1-2中：對(duì)篩選后的數(shù)據(jù)進(jìn)行max-min歸一化處理，將所有的原始數(shù)據(jù)映射到[0,1]的區(qū)間上；歸一化處理的公式如下：
4.根據(jù)權(quán)利要求1所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2中：基于多重優(yōu)化的BiLSTM-GRU-Attention的網(wǎng)絡(luò)模型具體包括：
5.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2-1中：構(gòu)建BiLSTM層，將BiLSTM層的參數(shù)抽象為運(yùn)動(dòng)中的粒子，粒子i在一維空間的位置表示為矢量Xi＝(x1，x2，...xN)，運(yùn)動(dòng)速度表示為矢量Vi＝(v1，v2，...vN)；每個(gè)粒子都有一個(gè)由目標(biāo)函數(shù)決定的目標(biāo)位置X，并且能夠判斷出目前的個(gè)體最佳位置pbest和現(xiàn)在的位置xi，
6.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2-1中：包含的步驟有：
7.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2-2中：包括以下步驟：
8.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2-3中：包括以下步驟：
9.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S2-6中：包括以下步驟：
10.根據(jù)權(quán)利要求1所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟S4中：使用訓(xùn)練集對(duì)搭建完成的預(yù)測(cè)模型進(jìn)行訓(xùn)練，并用訓(xùn)練完成的模型對(duì)驗(yàn)證集進(jìn)行推理，通過均方根誤差RMSE和評(píng)分函數(shù)Score兩個(gè)評(píng)估指標(biāo)來驗(yàn)證模型性能，使用測(cè)試集對(duì)最佳模型進(jìn)行性能評(píng)估；兩個(gè)評(píng)估指標(biāo)的公式如下：
...【技術(shù)特征摘要】
1.一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟s1中：數(shù)據(jù)預(yù)處理包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟s1-2中：對(duì)篩選后的數(shù)據(jù)進(jìn)行max-min歸一化處理，將所有的原始數(shù)據(jù)映射到[0,1]的區(qū)間上；歸一化處理的公式如下：
4.根據(jù)權(quán)利要求1所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟s2中：基于多重優(yōu)化的bilstm-gru-attention的網(wǎng)絡(luò)模型具體包括：
5.根據(jù)權(quán)利要求4所述的一種基于人工智能的航空發(fā)動(dòng)機(jī)壽命監(jiān)測(cè)方法，其特征在于：在步驟s2-1中：構(gòu)建bilstm層，將bilstm層的參數(shù)抽象為運(yùn)動(dòng)中的粒子，粒子i在一維空間的位置表示為矢量xi＝(x1，x2，...xn)，運(yùn)動(dòng)速度表示為矢量vi＝(v1，v2，...vn)；每個(gè)粒子都有一個(gè)由目標(biāo)函數(shù)決定的目標(biāo)位置x，并且能夠判斷出目前的個(gè)體最佳位置pbest和現(xiàn)在...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：何瓊，郭雪晴，陳進(jìn)東，張健，王帥，楊振威，
申請(qǐng)(專利權(quán))人：北京信息科技大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。