CN114818116A - 基于联合学习的飞机发动机失效模式识别和寿命预测方法 - Google Patents

基于联合学习的飞机发动机失效模式识别和寿命预测方法 Download PDF

Info

Publication number
CN114818116A
CN114818116A CN202210334726.3A CN202210334726A CN114818116A CN 114818116 A CN114818116 A CN 114818116A CN 202210334726 A CN202210334726 A CN 202210334726A CN 114818116 A CN114818116 A CN 114818116A
Authority
CN
China
Prior art keywords
aircraft engine
failure
failure mode
life prediction
model
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
CN202210334726.3A
Other languages
English (en)
Inventor
王迪
王昱晖
王秋歌
孟圆
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210334726.3A priority Critical patent/CN114818116A/zh
Publication of CN114818116A publication Critical patent/CN114818116A/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
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。与现有技术相比，本发明具有模型的准确性较高，大大减少了计算时间，可以巧妙地捕捉剩余寿命与失效模式之间的复杂关系等优点。

Description

基于联合学习的飞机发动机失效模式识别和寿命预测方法
技术领域
本发明涉及飞机发动机剩余寿命预测技术领域，尤其是涉及基于联合学习的飞机发动机失效模式识别和寿命预测方法。
背景技术
制造***的稳定性对于完整生产过程具有重要意义，其意外失效通常会导致物流中断、生产停机、威胁设备安全和客户不满等严重后果。制造***的预测和健康管理(PHM)对于制造***的稳定性起到了重要保障作用，在包括飞机发动机、电池和半导体在内的各种领域中得到了广泛应用。在健康管理中，基于传感器信号数据对机器的失效模式识别和剩余使用寿命(RUL)进行预测是一个重要课题。
对于失效模式识别和剩余使用寿命预测问题，数据驱动型方法应用广泛，大致可分为两类，即统计方法和机器学***的数据级融合，大多数忽略了多种失效模式之间的差异与其在实际应用中对机器产生不同的影响，只针对单一潜在的失效模式并进行预测。机器学习方法如前馈神经网络(FFNNs)、卷积神经网络(CNN)、递归神经网络(RNN)及其变体(长短期记忆(LSTM))、受限玻尔兹曼机器(RBM)和深度置信网络(DBN)，通过提取数据中的特征进行RUL预测，但其预测方法类似于黑箱，没有考虑到***工程特性，直接从原始传感器信号中提取特征，导致提取的特征可解释性差、计算时间长。其他一些深度学习方法将失效模式识别和RUL预测分成两部分，其中失效模式识别是监督分类问题，而RUL预测是监督预测问题，但实际上失效模式识别和RUL预测是相辅相成的，不能独立看待。
综上所述，飞机发动机的失效模式识别和剩余使用寿命预测面临的挑战和研究空白如下：第一，多种失效模式下飞机发动机的失效模式复杂，不同失效模式下的不同失效阈值难以在实践中确定。现有的方法通过假设只有一个潜在的失效模式和一个预先指定的失效阈值来进行预测，此类方法无法确定多个失效阈值。第二，传感器信号包含丰富的工程特性信息，并且不同类型的传感器相互之间具有相关性。现有的深度学习方法类似于“黑箱”，通过训练海量原始传感器信号来提取特征，导致提取的特征可解释性差，模型计算时间长。第三，失效模式识别和剩余使用寿命预测预测是相辅相成的，因此在进行健康管理时应将其视为一项联合任务。然而，大多数现有的方法将这两个问题独立地处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，利用飞机发动机运行中采集到的反映其健康状态的多元传感器信号数据，实现对飞机发动机失效模式的识别和剩余寿命的预测。
本发明的目的可以通过以下技术方案来实现：
一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，包括以下步骤：
获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。
进一步地，所述飞机发动机的传感器信号包括历史飞机发动机的传感器信号和正在使用的飞机发动机的传感器信号；
基于混合效应失效模型从正在使用的飞机发动机的传感器信号中计算原始提取特征，通过历史飞机发动机的传感器信号获取总体特征信号，增强所述原始提取特征，得到所述飞机发动机的失效特征。
进一步地，增强后的所述飞机发动机的失效特征的计算表达式为：
Xm＝[xm,1,…,xm,J]
Figure BDA0003574083990000021
Figure BDA0003574083990000022
式中，l＝{1,....,L}为历史飞机发动机的序号，
Figure BDA0003574083990000023
为第l个历史飞机发动机的第j个传感器信号的原始提取特征，d是确保
Figure BDA0003574083990000031
的常数项，p(Ym，j|Ψm，jΓm，j＝Ψm，jΓl，j)通过
Figure BDA0003574083990000032
以及其噪声项
Figure BDA0003574083990000033
计算，其中，噪声的方差
Figure BDA0003574083990000034
的计算表达式为：
Figure BDA0003574083990000035
wl，j为第l个历史飞机发动机的第j个传感器信号的权重，m为第m个正在使用的飞机发动机，ym，j(t)为时间t第m个正在使用的飞机发动机的第j个传感器信号，ψT(t)为时间t下的基函数，ψT(t)＝[1，t，t2]，Γl，j为第l个历史飞机发动机的第j个传感器信号的随机效应参数的向量，
Figure BDA0003574083990000036
Ψi，j＝[ψT(t1)，ψT(t2)，...，ψT(τi)]，τi表示最后一次观测到信号的时间，
Yi，j＝Ψi，jΓi，j+εi，j为yi，j(t)＝ψT(t)Γi，j+εi，j的矩阵形式，yi，j(t)表示时间t第i个正在使用的飞机发动机的第j个传感器信号，εi，j其对应的噪声项。
进一步地，所述深度学习网络的联合学习模型根据输入的失效特征学习总体特征信息，然后通过失效模式识别模块获取每个失效模式的概率向量，通过剩余寿命预测模块获取各个失效模式下剩余寿命预测结果。
进一步地，所述深度学习网络的联合学习模型的训练过程包括：获取训练数据，并载入深度学习网络的联合学习模型中，基于损失函数进行模型训练，所述深度学习网络的联合学习模型的输入包括失效特征以及对应的标签，所述标签包括真实的失效模式和剩余寿命。
进一步地，训练过程的损失函数为：最小化q(Υ)和P(Υ|D)之间的KL散度，所述q(Υ)和P(Υ|D)之间的KL散度的计算表达式为：
Figure BDA0003574083990000037
式中，P(D|Υ)为训练数据的似然函数，D为训练数据集，Υ为模型参数，q(Υ)为训练数据的变分分布，pk为模型参数中的剩余寿命预测模块的权重参数，k＝1，...，K，q(βk)表示第k类失效模式中对应的q(Υ)的分布。
进一步地，采用反向传播算法估计模型参数。
进一步地，以最高概率的失效模式作为最终的失效模式识别结果，所述最终的失效模式识别结果的表达式为：
Figure BDA0003574083990000041
式中，k*为最终的失效模式识别结果，X*为提取出的失效特征，
Figure BDA0003574083990000042
为根据失效特征X*学习的总体特征信息，
Figure BDA0003574083990000043
为根据总体特征信息
Figure BDA0003574083990000044
预测的第k个失效模式的概率。
进一步地，所述深度学习网络的联合学习模型输出有多种失效模式下的剩余寿命预测结果，采用剩余寿命预测结果的均值作为最终的剩余寿命预测结果。
进一步地，所述剩余寿命预测结果的均值用样本均值近似，所述剩余寿命预测结果的均值的表达式为：
Figure BDA0003574083990000045
式中，R是随机前向传递
Figure BDA0003574083990000046
的随机样本数量，
Figure BDA0003574083990000047
通过对q(βk)取样得到，k＝1，...，K，X*为提取出的失效特征，
Figure BDA0003574083990000048
为根据总体特征信息
Figure BDA0003574083990000049
预测的第k个失效模式的概率，
Figure BDA00035740839900000410
为根据总体信息特征预测的第k个失效模式的剩余寿命。
与现有技术相比，本发明具有以下优点：
第一，本研究从深度神经网络中捕获多种失效模式下的失效模式，并直接预测剩余寿命的分布，这种方法不需要确定不同的失效模式，能更好地在实际应用中失效阈值未知的情况下应用。第二，本研究根据工程经验知识提取失效特征，以保证提取特征的良好可解释性，并通过深度神经网络表征了多元传感器之间的相关性，模型的准确性较高，且大大减少了计算时间。第三，该深度神经网络是一种联合学习模型，通过协同的方式进行失效模式识别和剩余寿命预测，可以巧妙地捕捉剩余寿命与失效模式之间的复杂关系。
附图说明
图1为本发明实施例中提供的某一正在使用的飞机发动机各传感器的提取特征结果示例；其中圆点表示所有历史飞机发动机在给定时刻的特征和剩余寿命数据，三角表示在该时刻下该正在使用的飞机发动机的原始特征、增强特征和剩余寿命；
图2(a)为本发明实施例中提供的一种失效模式识别结果，纵坐标轴的含义是每种RUL状态下的失效模式识别精度的平均值；
图2(b)为本发明实施例中提供的一种剩余寿命估计结果，其中条形柱和相应的误差箱分别表示该RUL状态下的预测误差的平均值和标准差；
图2(a)和图2(b)中，横坐标轴的含义是：对于每种RUL状态，“25，50，75，100，125”表示处于RUL真实数据小于或等于25、50、75、100和125状态的所有正在使用的飞机发动机的失效模式识别和剩余寿命估计结果，“+∞”表示所有正在使用的飞机发动机剩余寿命预测误差的失效模式识别和剩余寿命估计结果；
图3为本发明实施例中估计的RUL分布与真实RUL值比较的结果，其中点和相应的误差箱分别表示了本发明估计的RUL分布的均值和正负三倍标准差；
图4为本发明实施例中提供的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
通过采用本发明所提供的技术方案，有助于准确描述飞机发动机的健康状态和失效过程，并实现对飞机发动机剩余寿命的准确预测，能够有效减少由于飞机发动机的损坏而导致的经济和社会损失。
为评价模型的性能，本发明对飞机燃气轮机发动机的失效数据集进行了一个实例研究。该数据集是由NASA开发的商业模块化航空推进***模拟(C-MAPSS)生成的，它模拟了涡扇发动机的失效过程。该数据集包含四个子数据集，本研究使用名为FD003的子数据集进行案例研究。在FD003中，每个正在使用的飞机发动机都将进入两种潜在的失效模式中的一种：由高压压缩机(HPC)引起的失效或由发动机风扇(FAN)引起的失效。同时，考虑6个用于监测飞机发动机的失效信号的传感器，即T24、T30、T50、P30、Ps30和Phi。FD003包含一个训练集和一个测试集。训练集中包含每个飞机发动机的传感器信号直到其失效，失效模式已知；测试集中，传感器信号中断于失效前某时间点，并包含了真实的该时间点后剩余寿命数据，飞机发动机的失效模式是未知的。
如图4所示，下面利用本发明模型对飞机发动机进行特征提取，并利用其进行失效模式识别和剩余寿命预测，本研究包括离线模型训练程序和在线模型测试程序两个方面的框架。在模型训练过程中，首先，通过根据失效相关的工程经验知识来提取各类型的可用传感器信号的正在使用的飞机发动机的特征。然后，将提取的正在使用的飞机发动机特征作为所提出的深度神经网络模型的输入，深度神经网络联合学***均值作为剩余寿命值的点估计。
具体实施方式如下：
1、基于失效相关工程经验知识的特征提取
在本研究中，飞机发动机被分为两个种类，一种是历史飞机发动机，可以获取直到其失效时的传感器信号，另一种是正在使用的飞机发动机，只能获取到其失效前某个时间点的传感器信号。
本研究中，将某个可用的飞机发动机的传感器信号表示为Y。具体来说，对于飞机发动机i，将每种类型的传感器信号j区分开，其中j＝1，...，J，通过在工程实践中常用的一般混合效应失效模型可以表示为：
yi，j(t)＝ψT(t)Γi，j+εi，j， (1)
yi，j(t)表示传感器的信号时间t，εi，j是其对应的噪声项，假定其遵循均值为0、方差为
Figure BDA0003574083990000061
的正态分布
Figure BDA0003574083990000062
失效模型是一种多项式形式，其在时间t下的基函数为ψT(t)＝[1，t，t2]，且飞机发动机i的第j个传感器信号是随机效应参数的向量Γi，j。Γi，j是用最小二乘法估计的，即
Figure BDA0003574083990000063
把式(1)写成矩阵形式，即Yi，j＝Ψi，jΓi，j+εi，j其中Yi，j＝[yi，j(t1)，yi，j(t2)，...，yi，j(τi，j)]，Ψi，j＝[ψT(t1)，ψT(t2)，...，ψT(τi)]，εi，j＝[εi，j(t1)，εi，j(t2)，...，εi，j(τi)]，τi表示最后一次观测到信号的时间。使用失效模型gi，j(τm，j)＝ψT(τi)Γi，j，的零阶、一阶和二阶导数，即
Figure BDA0003574083990000071
来表征每个传感器信号的失效过程。因此，将第j个传感器信号的原始提取特征定义为：
Figure BDA0003574083990000072
即
Figure BDA0003574083990000073
p＝0，1，2，是
Figure BDA0003574083990000074
被小数定标规范化后的值。
对于某正在使用的飞机发动机m，可以通过式(1)和(2)计算其第j个信号传感器的原始提取特征
Figure BDA0003574083990000075
j＝1，...，J。本研究中通过提取历史飞机发动机特征来获取总体特征信息，从而增强正在使用的飞机发动机的特征。历史飞机发动机的集合用
Figure BDA0003574083990000076
表示，其直到其失效时的传感器信号均可用。通过式(1)和(2)获取飞机发动机l的第j个信号传感器的原始提取特征
Figure BDA0003574083990000077
其中j＝1，...，J且
Figure BDA0003574083990000078
前文已经说明过，飞机发动机的特征是通过混合效应失效模型提取的。如果获取了正在使用的飞机发动机m的传感器信号，随机效应模型参数Γm，j|Ym，j～Gmj的后验分布可以表示为p(Γm，j|Ym，j)∝p(Ym，j|Γm，j)p(Γm，j)，其中混合效应模型参数的先验分布p(Γm，j)可以记为Gj.使用Xm，j表示正在使用的飞机发动机m的第j个传感器信号特征，其中Xm，j可以被视为Γm，j的确定性映射，即Xm，j＝η(Γm，j)。正在使用的飞机发动机m的增强特征xm，j，是根据总体特征信息，计算Xm，j基于参数Γm，j的后验分布Gmj的期望获得的，即：
Figure BDA0003574083990000079
在式(3)中，由于有多种失效模式，所以可能无法很好地定义Gj的分布，因此
Figure BDA00035740839900000710
可能没有解析表达式。因此，可以通过相应的样本平均值使用数值方法近似
Figure BDA00035740839900000711
历史飞机发动机的随机效应参数
Figure BDA00035740839900000712
可以看做Gj的随机样本，因此，可以基于历史飞机发动机的情况通过下面的公式近似计算
Figure BDA00035740839900000713
Figure BDA00035740839900000714
从而加强特征xm，j可以通过下式近似，
Figure BDA00035740839900000715
其中
Figure BDA0003574083990000081
在式(6)中，d是确保
Figure BDA0003574083990000082
的常数项，p(Ym，j|Ψm，jΓm，j＝Ψm，jΓl，j)通过
Figure BDA0003574083990000083
以及其噪声项
Figure BDA0003574083990000084
计算，其中噪声的方差
Figure BDA0003574083990000085
通过下式计算
Figure BDA0003574083990000086
如果历史飞机发动机l与历史飞机发动机m有类似的失效趋势，其可能性p(Ym，j|Ψm，jΓm，j＝Ψm，jΓl，j))会较大，也使得发动机l有较高的权重wl，j。最后，将正在使用的飞机发动机m的提取特征表示为Xm＝[xm，1，…，xm，J]。
为了说明特征提取模型的有效性，图1中给出了某一正在使用的飞机发动机各传感器的提取特征结果示例，图中圆点表示所有历史飞机发动机在给定时刻的特征和剩余寿命数据，三角表示在该时刻下该正在使用的飞机发动机的原始特征、增强特征和剩余寿命。图中显示，相比于原始特征，增强特征更加接近于历史飞机发动机的特征，说明了本发明提出采用增强特征方法的有效性。所有传感器信号提取的特征都与剩余寿命相关，且传感器信号相互关联，这指明了建立深度神经网络来表征传感器信号之间的相关性以及提取的特征与RUL之间的关系是必要的。
2、离线训练：深度神经网络的搭建与训练
该深度神经网络旨在识别失效模式，并预测正在使用的飞机发动机的剩余寿命。假设共有K种失效模式，并使用k作为第k种失效模式的编号。在深度神经网络中，以正在使用的飞机发动机的提取特征X作为模型输入变量。也就是说，对于正在使用的飞机发动机m，模型输入为Xm.深度神经网络的计算公式如下：
Figure BDA0003574083990000087
Figure BDA0003574083990000088
Figure BDA0003574083990000089
深度神经网络首先为通过
Figure BDA00035740839900000810
学习总体特征信息u，并通过总体特征信息进行失效模式识别和剩余寿命预测，其中，α表示总体特征信息学习的参数集。然后，失效模式识别模块和剩余寿命预测模块被同时构建。失效模式识别模块通过
Figure BDA00035740839900000811
输出每个失效模式v的概率向量，其中Θ表示关于失效模式识别的参数集，v＝[v(1)，...v(k)，...，v(K)]，v(k)表示失效模式k的概率，并使用
Figure BDA0003574083990000091
以方便理解。剩余寿命预测模块包含分别预测每个失效模式的剩余寿命的K个子模块，即
Figure BDA0003574083990000092
k＝1，...，K，βk is表示失效模式k下剩余寿命预测的参数。
引入
Figure BDA0003574083990000093
和
Figure BDA0003574083990000094
k＝1，...，K的方程，
Figure BDA0003574083990000095
的表达公式是：
Figure BDA0003574083990000096
其中
Figure BDA0003574083990000097
是隐藏层c的值，
Figure BDA0003574083990000098
Figure BDA0003574083990000099
和
Figure BDA00035740839900000910
分别是隐藏层c的权值矩阵和偏置矩阵，
Figure BDA00035740839900000911
是实践中常用的relu激活函数。设参数集为
Figure BDA00035740839900000912
来简化符号表示。基于
Figure BDA00035740839900000913
得到
Figure BDA00035740839900000914
的公式是：
Figure BDA00035740839900000915
在式(13)中，
Figure BDA00035740839900000916
是隐藏层c的值，
Figure BDA00035740839900000917
Figure BDA00035740839900000918
Figure BDA00035740839900000919
和
Figure BDA00035740839900000920
分别是隐藏层c的权值矩阵和偏置矩阵。
Figure BDA00035740839900000921
在输出层，通过softmax函数得到不同失效模式的概率，
Figure BDA00035740839900000922
和
Figure BDA00035740839900000923
分别为输出层的权重矩阵和偏差，而
Figure BDA00035740839900000924
表示所有
Figure BDA00035740839900000925
之和。设参数集为
Figure BDA00035740839900000926
来简化符号表示。此外，基于
Figure BDA00035740839900000927
得到
Figure BDA00035740839900000928
k＝1，...，K的公式是
Figure BDA00035740839900000929
Figure BDA00035740839900000930
Figure BDA00035740839900000931
是隐藏层c的值，
Figure BDA00035740839900000932
Figure BDA00035740839900000933
Figure BDA00035740839900000934
和
Figure BDA00035740839900000935
是隐层c处的权值矩阵和偏差矩阵，
Figure BDA00035740839900000936
和
Figure BDA00035740839900000937
是输出层的权重矩阵和偏差。设参数集为
Figure BDA00035740839900000938
来简化符号表示。
设
Figure BDA00035740839900000939
为模型训练的正在使用的飞机发动机的集合。对于某飞机发动机
Figure BDA00035740839900000940
Xm是从其传感器信号Ym得到的提取特征，也是模型的输入。真实的失效模式
Figure BDA00035740839900000941
和剩余寿命
Figure BDA00035740839900000942
作为模型输入的标签。将训练数据集表示为
Figure BDA00035740839900000943
模型参数设置为Υ＝{α，Θ，β1，...，βK}.对所有训练数据的似然函数如下：
Figure BDA00035740839900000944
在式(15)中，不丧失一般性，假设
Figure BDA0003574083990000101
其噪声项
Figure BDA0003574083990000102
Figure BDA0003574083990000103
然后，得到负对数似然函数为
Figure BDA0003574083990000104
其中的常数项被省略。
本研究利用变分推理，通过定义一个近似的、计算上易于处理的变分分布q(Υ)来近似后验分布P(Υ|D)。模型训练过程是为了最小化q(Υ)和P(Υ|D)之间的Kullback-Leibler(KL)散度，即：
Figure BDA0003574083990000105
该过程只考虑
Figure BDA0003574083990000106
中权重的不确定性βk，k＝1，...，K。也就是说，在
Figure BDA0003574083990000107
的输出层，假设近似的变分分布
Figure BDA0003574083990000108
和
Figure BDA0003574083990000109
是正态分布，即
Figure BDA00035740839900001010
Figure BDA00035740839900001011
.以式(17)作为损失函数，并采用反向传播算法来估计模型参数。
3、在线训练：利用神经网络进行失效模式识别和剩余寿命预测
对于有可用传感器信号的正在使用的飞机发动机Y*，该计算方法的目的是识别其失效模式k*和预测其剩余寿命z*。其特征X*首先通过特征提取的程序获得深度神经网络的模型输入。其次深度神经网络联合学习失效模式和剩余寿命。失效模式识别中，深度神经网络输出的多种失效模式的概率为
Figure BDA00035740839900001012
k＝1，...，K。以最高概率的失效模式作为失效模式k*的点估计，即
Figure BDA00035740839900001013
对于剩余寿命预测，该深度神经网络输出多种失效模式下的剩余寿命分布。将剩余寿命分布的近似预测分布表示为q(z*|X*)，剩余寿命的预测均值可以用样本均值近似：
Figure BDA00035740839900001014
R是随机前向传递
Figure BDA00035740839900001015
的随机样本数量，
Figure BDA00035740839900001016
通过对q(βk)取样得到，k＝1，...，K。最终得到剩余寿命z*的点估计量为
Figure BDA00035740839900001017
4、失效模式识别和寿命估计结果分析
本研究设置了两个指标来评估模型的性能。
1)对于正在使用的飞机发动机的失效模式的识别，使用精度作为度量标准来衡量其效率。精度定义为能够正确识别失效模式的单元的比率。
2)对于正在使用的飞机发动机的剩余寿命的预测，将剩余寿命预测误差作为评估预后性能的度量指标。正在使用的飞机发动机的剩余寿命预测误差∈*定义为预测的剩余寿命z*与真实的剩余寿命
Figure BDA0003574083990000111
之间的差的绝对值除以真实的失效时间τ*，即：
Figure BDA0003574083990000112
图2(a)和图2(b)展示了本发明的失效模式识别和剩余寿命估计结果。其中，图片的横坐标轴的含义是：对于每种RUL状态，“25，50，75，100，125”表示处于RUL真实数据小于或等于25、50、75、100和125状态的所有正在使用的飞机发动机的失效模式识别和剩余寿命估计结果，“+∞”表示所有正在使用的飞机发动机剩余寿命预测误差的失效模式识别和剩余寿命估计结果。图2(a)展示了失效模式识别结果，纵坐标轴的含义是每种RUL状态下的失效模式识别精度的平均值。在发动机剩余寿命小于等于125时，本发明能完全准确地识别失效模式。当发动机剩余寿命大于125时，本发明依然能保证以将近97％的精度识别失效模式。图2(b)展示了剩余寿命估计结果，其中条形柱和相应的误差箱分别表示该RUL状态下的预测误差的平均值和标准差。如图所示，本发明模型在每种RUL状态下均能实现良好的飞机发动机RUL预测，这对于避免飞机发动机的突发故障具有重要的实际意义。
图3展示了本发明估计的RUL分布与真实RUL值比较的结果，其中点和相应的误差箱分别表示了本发明估计的RUL分布的均值和正负三倍标准差。可以看出，本发明估计的RUL靠近真实值，同时拥有较高的稳定性和较小的不确定性(即标准差较小)。尤其在RUL较小的时候，本发明模型对RUL估计的稳定性更为显著。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，包括以下步骤：
获取飞机发动机的传感器信号，根据工程中的经验失效模型和特征提取方法，从所述传感器信号中提取飞机发动机的失效特征，将该失效特征载入预先建立并训练好的深度学习网络的联合学习模型中，获取不同失效模式的概率和基于不同失效模式的剩余寿命分布，得到最终的失效模式识别结果和剩余寿命预测结果。
2.根据权利要求1所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述飞机发动机的传感器信号包括历史飞机发动机的传感器信号和正在使用的飞机发动机的传感器信号；
基于混合效应失效模型从正在使用的飞机发动机的传感器信号中计算原始提取特征，通过历史飞机发动机的传感器信号获取总体特征信号，增强所述原始提取特征，得到所述飞机发动机的失效特征。
3.根据权利要求2所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，增强后的所述飞机发动机的失效特征的计算表达式为：
Xm＝[xm，1，…，xm，J]
Figure FDA0003574083980000011
Figure FDA0003574083980000012
式中，l＝{1，....，L}为历史飞机发动机的序号，
Figure FDA0003574083980000013
为第l个历史飞机发动机的第j个传感器信号的原始提取特征，d是确保
Figure FDA0003574083980000014
的常数项，p(Ym，j|Ψm，jΓm，j＝Ψm，jΓl，j)通过
Figure FDA0003574083980000015
以及其噪声项
Figure FDA0003574083980000016
计算，其中，噪声的方差
Figure FDA0003574083980000017
的计算表达式为：
Figure FDA0003574083980000018
wl，j为第l个历史飞机发动机的第j个传感器信号的权重，m为第m个正在使用的飞机发动机，ym，j(t)为时间t第m个正在使用的飞机发动机的第j个传感器信号，ψT(t)为时间t下的基函数，ψT(t)＝[1，t，t2]，Γl，j为第l个历史飞机发动机的第j个传感器信号的随机效应参数的向量，
Figure FDA0003574083980000021
Ψi，j＝[ψT(t1)，ψT(t2)，...，ψT(τi)]，τi表示最后一次观测到信号的时间，
Yi，j＝Ψi，jΓi，j+εi，j为yi，j(t)＝ψT(t)Γi，j+εi，j的矩阵形式，yi，j(t)表示时间t第i个正在使用的飞机发动机的第j个传感器信号，εi，j其对应的噪声项。
4.根据权利要求1所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述深度学习网络的联合学习模型根据输入的失效特征学习总体特征信息，然后通过失效模式识别模块获取每个失效模式的概率向量，通过剩余寿命预测模块获取各个失效模式下剩余寿命预测结果。
5.根据权利要求4所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述深度学习网络的联合学习模型的训练过程包括：获取训练数据，并载入深度学习网络的联合学习模型中，基于损失函数进行模型训练，所述深度学习网络的联合学习模型的输入包括失效特征以及对应的标签，所述标签包括真实的失效模式和剩余寿命。
6.根据权利要求5所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，训练过程的损失函数为：最小化q(Υ)和P(Υ|D)之间的KL散度，所述q(Υ)和P(Υ|D)之间的KL散度的计算表达式为：
Figure FDA0003574083980000022
式中，P(D|Υ)为训练数据的似然函数，D为训练数据集，Υ为模型参数，q(Υ)为训练数据的变分分布，βk为模型参数中的剩余寿命预测模块的权重参数，k＝1，...，K，q(βk)表示第k类失效模式中对应的q(Υ)的分布。
7.根据权利要求6所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，采用反向传播算法估计模型参数。
8.根据权利要求1所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，以最高概率的失效模式作为最终的失效模式识别结果，所述最终的失效模式识别结果的表达式为：
Figure FDA0003574083980000031
式中，k*为最终的失效模式识别结果，X*为提取出的失效特征，
Figure FDA0003574083980000032
为根据失效特征X*学习的总体特征信息，
Figure FDA0003574083980000033
为根据总体特征信息
Figure FDA0003574083980000034
预测的第k个失效模式的概率。
9.根据权利要求1所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述深度学习网络的联合学习模型输出有多种失效模式下的剩余寿命预测结果，采用剩余寿命预测结果的均值作为最终的剩余寿命预测结果。
10.根据权利要求9所述的一种基于联合学习的飞机发动机失效模式识别和寿命预测方法，其特征在于，所述剩余寿命预测结果的均值用样本均值近似，所述剩余寿命预测结果的均值的表达式为：
Figure FDA0003574083980000035
式中，R是随机前向传递
Figure FDA0003574083980000036
的随机样本数量，
Figure FDA0003574083980000037
通过对q(βk)取样得到，k＝1，...，K，X*为提取出的失效特征，
Figure FDA0003574083980000038
为根据总体特征信息
Figure FDA0003574083980000039
预测的第k个失效模式的概率，
Figure FDA00035740839800000310
为根据总体信息特征预测的第k个失效模式的剩余寿命。
CN202210334726.3A 2022-03-31 2022-03-31 基于联合学习的飞机发动机失效模式识别和寿命预测方法 Pending CN114818116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334726.3A CN114818116A (zh) 2022-03-31 2022-03-31 基于联合学习的飞机发动机失效模式识别和寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334726.3A CN114818116A (zh) 2022-03-31 2022-03-31 基于联合学习的飞机发动机失效模式识别和寿命预测方法

Publications (1)

Publication Number Publication Date
CN114818116A true CN114818116A (zh) 2022-07-29

Family

ID=82533361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334726.3A Pending CN114818116A (zh) 2022-03-31 2022-03-31 基于联合学习的飞机发动机失效模式识别和寿命预测方法

Country Status (1)

Country Link
CN (1) CN114818116A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600413A (zh) * 2022-10-24 2023-01-13 中国航发沈阳发动机研究所（Cn） 一种航空涡扇发动机基本可靠性建模方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600413A (zh) * 2022-10-24 2023-01-13 中国航发沈阳发动机研究所（Cn） 一种航空涡扇发动机基本可靠性建模方法
CN115600413B (zh) * 2022-10-24 2023-08-18 中国航发沈阳发动机研究所 一种基于失效构型的基本可靠性建模方法

Similar Documents

Publication Publication Date Title
US11507049B2 (en) Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN110207997B (zh) 基于卷积自编码器的液体火箭发动机故障检测方法
EP1416348B1 (en) Methodology for temporal fault event isolation and identification
CN115034248A (zh) 用于设备的自动诊断方法、***和存储介质
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
Jung Data-driven open-set fault classification of residual data using Bayesian filtering
Mathew et al. Regression kernel for prognostics with support vector machines
CN111079348B (zh) 一种缓变信号检测方法和装置
CN112000081B (zh) 基于多块信息提取和马氏距离的故障监测方法及***
Xiong et al. Adaptive deep learning-based remaining useful life prediction framework for systems with multiple failure patterns
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
Hong et al. Remaining useful life prediction using time-frequency feature and multiple recurrent neural networks
CN114818116A (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法
CN114936520A (zh) 基于改进mset的汽轮机故障预警分析方法
CN112733446A (zh) 一种数据驱动的自适应异常检测方法
Wang et al. Joint learning of failure mode recognition and prognostics for degradation processes
Aremu et al. Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
Zhang et al. A flexible monitoring framework via dynamic-multilayer graph convolution network
CN115618506A (zh) 一种单轴联合循环燃气轮机功率的预测方法
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及***
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、***及设备
Xie et al. A Fault Prognosis Model of Battery Packs of Electric Vehicles based on Long Short-term Memory Neural Networks
Soualhi et al. Explainable RUL estimation of turbofan engines based on prognostic indicators and heterogeneous ensemble machine learning predictors

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