CN112100767A - 一种基于奇异值分解和gru的航空发动机寿命预测方法 - Google Patents

一种基于奇异值分解和gru的航空发动机寿命预测方法 Download PDF

Info

Publication number
CN112100767A
CN112100767A CN202010908498.7A CN202010908498A CN112100767A CN 112100767 A CN112100767 A CN 112100767A CN 202010908498 A CN202010908498 A CN 202010908498A CN 112100767 A CN112100767 A CN 112100767A
Authority
CN
China
Prior art keywords
data
gru
neural network
singular value
value decomposition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010908498.7A
Other languages
English (en)
Inventor
郑华
尚亚飞
段世强
赵东柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010908498.7A priority Critical patent/CN112100767A/zh
Publication of CN112100767A publication Critical patent/CN112100767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于奇异值分解和GRU的航空发动机寿命预测方法。首先通过对原始数据进行前置处理，再通过SVD对剩余特征数据进行降维、重构，去除冗余信息，筛选有效特征，作为衡量发动机寿命的特征数据。然后经过GRU神经网络深度挖掘历史信息，实现对航空发动机寿命的预测。该方法能够提取发动机信息的主要特征数据，排除无关因素干扰，提升了航空发动机寿命预测的精度。

Description

一种基于奇异值分解和GRU的航空发动机寿命预测方法
技术领域
本发明属于航空安全领域，具体涉及一种寿命预测方法。
背景技术
航空发动机作为一种动力装置***，在飞机的发展过程中起着关键性作用，既是飞机的“心脏”，又是推动飞机快速发展的源动力。然而，由于长期服役在高温、高压、高转速、交变负载等条件下，航空发动机对安全可靠性要求极高，一旦关键部件出现故障，往往会造成高额的维修成本，甚至造成巨大的飞行灾难。所以，为了保证飞机的安全、稳定运行，提前预知飞机状态，尤其是航空发动机的安全状态尤为重要。对航空发动机剩余使用寿命进行预测能够提前掌握发动机状态，对于安全飞行至关重要。
随着大数据和人工智能的崛起，发动机剩余使用寿命预测问题逐渐隐现。以往基于物理和知识的航空发动机剩余使用寿命预测逐渐过渡到基于数据的研究中。通过分析发动机历史数据，充分挖掘传感器内在信息机制，有效对航空发动机剩余使用寿命进行预测，为飞机的安全、有效运行保驾护航。
但以往基于物理和知识的研究方法中，对于发动机信息不能够充分利用，更是难以提取主要特征信息进行分析。而现存部分数据驱动的研究中，多数是基于一种传感器信息进行分析，或者基于经验值来舍去部分传感器数据，这样不仅导致传感器信息大量丢失，甚至出现误判的风险，对飞机安全运行造成潜在风险。并且部分数据驱动的算法中不能够深度挖掘数据之间的历史信息，导致对历史数据利用不充分，从而导致预测结果精度不高等一系列的问题。如何有效利用传感器历史数据信息，并深度挖掘数据之间的潜在机制，做到最大化信息互通、互融，并有序做到合理舍弃、合理分析，排除无关因素干扰的问题研究，是寿命预测算法的不断创新，不断改进的驱动力。
发明内容
为了克服现有技术的不足，本发明提供了一种基于奇异值分解和GRU的航空发动机寿命预测方法。首先通过对原始数据进行前置处理，再通过SVD对剩余特征数据进行降维、重构，去除冗余信息，筛选有效特征，作为衡量发动机寿命的特征数据。然后经过GRU神经网络深度挖掘历史信息，实现对航空发动机寿命的预测。该方法能够提取发动机信息的主要特征数据，排除无关因素干扰，提升了航空发动机寿命预测的精度。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：采用航空推进***仿真数据集，将传感器数据中在选择的时间范围内一直保持不变的数据剔除，完成数据前置处理，得到m×n阶传感器数据矩阵A；
步骤2：对传感器数据矩阵A进行SVD奇异值分解：
步骤2-1：定义：
A＝U∑VT
式中，∑＝diag(δ1，δ2，...，δn)为对角矩阵，δ1≥δ2≥...≥δn是A的正奇异值，U为m阶酉矩阵，满足UTAATU为对角矩阵；V为n阶酉矩阵，满足VTATAV为对角矩阵；
步骤2-2：获取满足下式的前k个正奇异值δ1，δ2，...，δk，k＜n；
Figure BDA0002662365740000021
步骤2-3：使用δ1，δ2，...，δk重构传感器数据矩阵A′：
A′＝U∑′VT
式中，∑′＝diag(δ1，δ2，...，δk)；A′中的数据为传感器特征数据；
步骤3：构建GRU神经网络；
步骤3-1：构建三层GRU神经网络模型，每层的神经元个数分别设置为d1，d2，d3，初始学习率设置为d4，dropout设置为d5；
步骤3-2：将步骤1得到的传感器特征数据，按9∶1的比例随机划分为训练集和验证集；
步骤3-3：使用训练集数据，将传感器特征数据输入GRU神经网络，在tensorflow深度学习框架下对GRU神经网络进行训练；
通过反向传播优化参数，训练d6个Epoch；采用早停机制，在每次Epoch之后统计RMSE的loss值；
步骤3-4：使用验证集数据对训练完成的GRU神经网络进行验证；
步骤4：使用真实航空发动机传感器数据输入经过步骤3训练和验证完成的GRU神经网络预测航空发动机寿命。
优选地，所述步骤2-2中的C＝0.9。
优选地，所述d1，d2，d3，d4，d5和d6的值分别为200、150、25、1×10-3、0.2和1000。
优选地，所述在tensorflow深度学习框架下对GRU神经网络进行训练是采用Adam优化算法。
本发明的有益效果是：
本发明结合SVD和GRU深度神经网络进行发动机剩余寿命预测，充分发挥数据特征的高效提取，有效挖掘数据之间的历史信息，对发动机寿命***。对于飞机的及时维修和安全运行有着举足轻重的作用，并能够改善传统维修方式，探索新一代飞机运行和维修的强大优势，具有实际的工程价值。
附图说明
图1是本发明流程框图。
图2是本发明实施例1号发动机第12列传感器数据趋势图。
图3是本发明实施例1号发动机第18列传感器数据趋势图。
图4是GRU模型结构图。
图5是本发明实施例航空发动机真实退化曲线示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示，本发明提供了一种基于奇异值分解和GRU的航空发动机寿命预测方法，包括以下步骤：
步骤1：采用航空推进***仿真数据集，将传感器数据中在选择的时间范围内一直保持不变的数据剔除，完成数据前置处理，得到m×n阶传感器数据矩阵A；
步骤2：对传感器数据矩阵A进行SVD奇异值分解：
步骤2-1：定义：
A＝U∑VT
式中，∑＝diag(δ1，δ2，...，δn)为对角矩阵，δ1≥δ2≥...≥δn是A的正奇异值，U为m阶酉矩阵，满足UTAATU为对角矩阵；V为n阶酉矩阵，满足VTATAV为对角矩阵；
步骤2-2：获取满足下式的前k个正奇异值δ1，δ2，...，δk，k＜n；
Figure BDA0002662365740000031
步骤2-3：使用δ1，δ2，...，δk重构传感器数据矩阵A′：
A′＝U∑′VT
式中，∑′＝diag(δ1，δ2，...，δk)；A′中的数据为传感器特征数据；
步骤3：构建GRU神经网络；
步骤3-1：构建三层GRU神经网络模型，每层的神经元个数分别设置为d1，d2，d3，初始学习率设置为d4，dropout设置为d5；
步骤3-2：将步骤1得到的传感器特征数据，按9∶1的比例随机划分为训练集和验证集；
步骤3-3：使用训练集数据，将传感器特征数据输入GRU神经网络，在tensorflow深度学习框架下对GRU神经网络进行训练；
通过反向传播优化参数，训练d6个Epoch；采用早停机制，在每次Epoch之后统计RMSE的loss值；
步骤3-4：使用验证集数据对训练完成的GRU神经网络进行验证；
步骤4：使用真实航空发动机传感器数据输入经过步骤3训练和验证完成的GRU神经网络预测航空发动机寿命。
具体实施例：
本实施例选择商用模块化航空推进***仿真数据集(commercial modular aero-propulsion system simulation，C-MAPSS)进行分析，部分传感器数据原始变化趋势如图2和图3所示。
飞机在运行的过程中，发动机运行数据经传感器输出，在众多纷杂的数据中要有效排除噪声因素的干扰，并充分利用传感器数据。
首先利用步骤1对原始数据进行前置处理。
接着采用步骤2进行SVD降维。SVD是一种提取信息的强大工具，能够通过便捷的矩阵分解方式，发现数据中潜在的模式。在利用SVD做数据信息提取或者压缩时，依据一些启发式策略，如直接设定只提取∑中的前K项，或者另一种较常用的做法是保留矩阵中一定百分比的能量信息，一般可设定为90％，能量信息的比例计算可先求得所有奇异值平方总和，然后将奇异值的平方依次累加到总值的90％为止。本实施例中采用第二种方法，筛选传感器有效数据≥0.9，作为神经网络的输入特征矩阵。
经过上述得到的特征数据，按9∶1的比例把数据集划分为训练集和验证集，并初始化网络结构的超参数，基于GRU神经网络的时间序列预测，深度挖掘历史数据信息。还可以采用ARIMA算法、xgboost算法替代GRU神经网络进行预测，但精度比使用GRU神经网络差。
构建三层GRU神经网络模型，每层的神经元个数为200、150、25，并采用Adam优化算法，初始学习率可设置为1×10-3、dropout＝0.2。通过反向传播优化参数，训练1000个Epoch，为了避免过拟合，采用早停机制，在每次Epoch之后统计RMSE的loss值。
GRU是循环神经网络的一种变种，在保持RNN效果的同时又使结构更加简单，从而提高训练效率。GRU只有两个门结构，更新门和重置门，更新门控制前一时刻的状态信息被带入到当前状态中的程度，值越大前一时刻的状态信息带入越多。重置门控制忽略前一时刻状态信息的程度，值越小说明忽略的越少。GRU模型的结构图如图4所示。
GRU在数学上的形式化表示：
rt＝σ(Wr·[ht-1，xt])
式中，rt表示重置门，ht-1表示上一时间序列的信息，xt表示当前时刻的输入，Wr是重置门权重。
zt＝σ(Wz·[ht-1，xt])
式中，zt表示更新门，Wz是更新门权重。
Figure BDA0002662365740000051
Figure BDA0002662365740000052
式中，ht表示当前时间序列的输出信息，Wh是候选集权重。
yt＝σ(Wo·ht)
式中，Wo是输出权重，在上列公式中[]表示两向量相连，×表示两向量的乘积，σ代表激活函数sigmoid。
在通过SVD降维、重构的特征数据作为GRU神经网络的输入，以时间序列作为航空发动机寿命寿命预测退化机制建立模型如图5所示。
在tensorflow深度学习框架下对GRU神经网络进行训练，对于训练过程结果的好坏可以用以下两个标准来与其他算法对比：
(1)评分函数：对于航空发动机这类复杂设备，维修不足将带来的损失远远大于维修过剩导致的成本，因此要对高估RUL施加更大的惩罚。评分函数是非对称的函数，Score得分越低，就表明预测方法的性能就越好。
(2)RMSE：为常见评价预测的指标。
经过对比发现，本发明方法可以有效地预测航空发动机寿命，预测准确度优于其他同类方法。

Claims (4)

1.一种基于奇异值分解和GRU的航空发动机寿命预测方法，其特征在于，包括以下步骤：
步骤1：采用航空推进***仿真数据集，将传感器数据中在选择的时间范围内一直保持不变的数据剔除，完成数据前置处理，得到m×n阶传感器数据矩阵A；
步骤2：对传感器数据矩阵A进行SVD奇异值分解：
步骤2-1：定义：
A＝U∑VT
式中，∑＝diag(δ1，δ2，...，δn)为对角矩阵，δ1≥δ2≥…≥δn是A的正奇异值，U为m阶酉矩阵，满足UTAATU为对角矩阵；V为n阶酉矩阵，满足VTATAV为对角矩阵；
步骤2-2：获取满足下式的前k个正奇异值δ1，δ2，...，δk，k＜n；
Figure FDA0002662365730000011
步骤2-3：使用δ1，δ2，...，δk重构传感器数据矩阵A′：
A′＝U∑′VT
式中，∑′＝diag(δ1，δ2，...，δk)；A′中的数据为传感器特征数据；
步骤3：构建GRU神经网络；
步骤3-1：构建三层GRU神经网络模型，每层的神经元个数分别设置为d1，d2，d3，初始学习率设置为d4，dropout设置为d5；
步骤3-2：将步骤1得到的传感器特征数据，按9∶1的比例随机划分为训练集和验证集；
步骤3-3：使用训练集数据，将传感器特征数据输入GRU神经网络，在tensorflow深度学习框架下对GRU神经网络进行训练；
通过反向传播优化参数，训练d6个Epoch；采用早停机制，在每次Epoch之后统计RMSE的loss值；
步骤3-4：使用验证集数据对训练完成的GRU神经网络进行验证；
步骤4：使用真实航空发动机传感器数据输入经过步骤3训练和验证完成的GRU神经网络预测航空发动机寿命。
2.根据权利要求1所述的一种基于奇异值分解和GRU的航空发动机寿命预测方法，其特征在于，所述步骤2-2中的C＝0.9。
3.根据权利要求1所述的一种基于奇异值分解和GRU的航空发动机寿命预测方法，其特征在于，所述d1，d2，d3，d4，d5和d6的值分别为200、150、25、1×10-3、0.2和1000。
4.根据权利要求1所述的一种基于奇异值分解和GRU的航空发动机寿命预测方法，其特征在于，所述在tensorflow深度学习框架下对GRU神经网络进行训练是采用Adam优化算法。
CN202010908498.7A 2020-09-02 2020-09-02 一种基于奇异值分解和gru的航空发动机寿命预测方法 Pending CN112100767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010908498.7A CN112100767A (zh) 2020-09-02 2020-09-02 一种基于奇异值分解和gru的航空发动机寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010908498.7A CN112100767A (zh) 2020-09-02 2020-09-02 一种基于奇异值分解和gru的航空发动机寿命预测方法

Publications (1)

Publication Number Publication Date
CN112100767A true CN112100767A (zh) 2020-12-18

Family

ID=73757515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010908498.7A Pending CN112100767A (zh) 2020-09-02 2020-09-02 一种基于奇异值分解和gru的航空发动机寿命预测方法

Country Status (1)

Country Link
CN (1) CN112100767A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997051A (zh) * 2022-05-30 2022-09-02 浙大城市学院 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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127300A (zh) * 2016-07-04 2016-11-16 哈尔滨理工大学 一种旋转机械健康状态预测方法
CN107315892A (zh) * 2017-08-10 2017-11-03 北京交通大学 一种基于极限学习机的轴承故障诊断方法
US20180165592A1 (en) * 2016-12-13 2018-06-14 Industrial Technology Research Institute System and method for predicting remaining lifetime of a component of equipment
CN110245745A (zh) * 2019-05-30 2019-09-17 华中科技大学 基于集成双向循环神经网络的设备剩余使用寿命预测方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN110598854A (zh) * 2019-09-20 2019-12-20 国网福建省电力有限公司 一种基于gru模型的台区线损率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127300A (zh) * 2016-07-04 2016-11-16 哈尔滨理工大学 一种旋转机械健康状态预测方法
US20180165592A1 (en) * 2016-12-13 2018-06-14 Industrial Technology Research Institute System and method for predicting remaining lifetime of a component of equipment
CN107315892A (zh) * 2017-08-10 2017-11-03 北京交通大学 一种基于极限学习机的轴承故障诊断方法
CN110245745A (zh) * 2019-05-30 2019-09-17 华中科技大学 基于集成双向循环神经网络的设备剩余使用寿命预测方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN110598854A (zh) * 2019-09-20 2019-12-20 国网福建省电力有限公司 一种基于gru模型的台区线损率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHANG YAFEI等: "Prediction of Remaining Engine Life Based on Multi-sensing Fusion", 《IEEE XPLORE》 *
仝战营等: "基于动态滑动模型的加速度传感器数据在线预测方法研究", 《电子测量与仪器学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997051A (zh) * 2022-05-30 2022-09-02 浙大城市学院 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
CN114997051B (zh) * 2022-05-30 2023-05-09 浙大城市学院 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
WO2023231995A1 (zh) * 2022-05-30 2023-12-07 浙大城市学院 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

Similar Documents

Publication Publication Date Title
CN112131760B (zh) 基于cbam模型的航空发动机剩余寿命预测方法
CN110321603B (zh) 一种用于航空发动机气路故障诊断的深度计算模型
CN104951836A (zh) 基于神经网络技术的发帖预测***
CN105045941A (zh) 基于无迹卡尔曼滤波的抽油机参数优化方法
Shen et al. Remaining useful life prediction of rolling bearing based on multi-head attention embedded Bi-LSTM network
CN113204921B (zh) 飞机涡扇发动机的剩余使用寿命预测方法及***
CN109471049B (zh) 一种基于改进堆叠自编码器的卫星电源***异常检测方法
Tso et al. An ANN-based multilevel classification approach using decomposed input space for transient stability assessment
CN110298374A (zh) 一种基于深度学习的驾驶轨迹能耗分析方法和装置
Remadna et al. RUL estimation enhancement using hybrid deep learning methods
CN104680025A (zh) 基于遗传算法极限学习机的抽油机参数优化方法
CN115983465A (zh) 一种基于小样本学习的冲击地压时序预测模型构建方法
Liang et al. 1d convolutional neural networks for fault diagnosis of high-speed train bogie
Li et al. Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm
CN112100767A (zh) 一种基于奇异值分解和gru的航空发动机寿命预测方法
CN113673774A (zh) 基于自编码器和时序卷积网络的航空发动机余寿预测方法
CN104680023B (zh) 基于多目标决策的抽油机参数优化方法
Guo et al. Novel continuous function prediction model using an improved Takagi–Sugeno fuzzy rule and its application based on chaotic time series
CN116720057A (zh) 基于特征筛选与权值分配的江河水质预测方法及***
CN115982988A (zh) 一种基于PCA-Transformer的设备剩余使用寿命预测方法
CN114880767B (zh) 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
Neshat et al. Hybrid neuro-evolutionary method for predicting wind turbine power output
Zhang et al. Neural network based algorithm and simulation of information fusion in the coal mine
Dutta et al. Better prediction of humidity using artificial neural network
Wang et al. Tcn-gawo: Genetic algorithm enhanced weight optimization for temporal convolutional network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201218

WD01 Invention patent application deemed withdrawn after publication