CN115375026A - 一种多故障模式下的航空发动机寿命预测方法 - Google Patents

Abstract

本发明公开一种多故障模式下的航空发动机寿命预测方法，包括：将多个航空发动机在多故障模式下的训练集进行分析，确定训练集航空发动机性能退化路径的多个聚类类别；根据每一聚类类别的航空发动机的训练集数据，对每一聚类类别的航空发动机的寿命预测模型进行训练，得到每一聚类类别的经训练的寿命预测模型；根据每一聚类类别的航空发动机的测试集数据及对应的真实RUL，对每一聚类类别的经训练的寿命预测模型进行测试，将通过测试的寿命预测模型作为实用寿命预测模型；利用待测航空发动机的性能退化路径，确定其归属的聚类类别，进而确定所对应的实用寿命预测模型，以利用所对应的实用寿命预测模型，预测所述待测航空发动机的RUL。

Description

一种多故障模式下的航空发动机寿命预测方法

技术领域

本发明涉及航空发动机领域，特别涉及一种多故障模式下的航空发动机寿命预测方法。

背景技术

航空发动机是飞机的核心***，一旦发生故障，将直接导致航空飞机***发生故障，从 而造成严重后果，目前，提升其动力性能并确保其长期稳定处于可用状态是该领域研究的重 点和难点。故障预测与健康管理技术可跟踪和预测发动机运行健康状态，并在故障发生前给 出及时准确的维修建议，可有效确保发动机的长期安全可靠运行。

现有的研究主要针对航空发动机个体差异和退化特点展开寿命预测，而对于不同故障模 式对预测结果的影响的研究较少。具体地，同型号发动机不可避免的存在个体差异，包括出 厂故障程度差异、退化速率差异、退化特征差异等，使对于航空发动机进行寿命预测存在难 点。航空发动机剩余使用寿命(RUL)预测工作主要考虑航空发动机在单故障模式下运行的情况 或不考虑故障模式对航空发动机RUL的影响，而在航空飞机的实际工作中运行条件较为复杂， 单故障模式的条件较为理想化难以实现，实际情况下传感器采集的实验数据往往包含多个故 障模式。

另外，不同故障模式导致发动机的性能退化存在不同的特征和轨迹，航空发动机故障程 度随运行过程不断加深，在运行初期故障模式呈现较为微弱，这给航空发动机的性能退化路 径识别造成了较大困难，使得对于航空发动机寿命预测的难度进一步提高。

有效的发动机RUL预测可以保证维修活动的及时有效开展，从而减少发动机遭受故障所 造成的伤亡和损失，因此，综合考虑航空发动机的经济性和安全性，迫切需要一种针对航空 发动机的诊断预测技术，能够对航空发动机剩余使用寿命进行精准预测。

发明内容

本发明提供一种多故障模式下的航空发动机寿命预测方法，以便解决对航空发动机剩余 使用寿命进行精准预测的技术问题。

本发明实施例提供了一种多故障模式下的航空发动机寿命预测方法所述方法包括：将多 个航空发动机在多故障模式下从运行到故障的完整数据作为训练集进行分析，确定所述训练 集的航空发动机的性能退化路径的多个聚类类别；根据每一聚类类别的航空发动机的训练集 数据，对每一聚类类别的航空发动机的寿命预测模型进行训练，得到每一聚类类别的经训练 的寿命预测模型；将多个航空发动机在多故障模式下失效前结束的数据作为测试集，并根据 每一聚类类别的航空发动机的测试集数据及对应的真实剩余使用寿命RUL，对每一聚类类别的 经训练的寿命预测模型进行测试，将通过测试的寿命预测模型作为实用寿命预测模型；利用 待测航空发动机的性能退化路径，确定其归属的聚类类别，并利用其归属的聚类类别，确定 对应的实用寿命预测模型；利用所对应的实用寿命预测模型，预测所述待测航空发动机的RUL。

优选地，所述将多个航空发动机在多故障模式下从运行到故障的完整数据作为训练集进 行分析，确定所述训练集的航空发动机的性能退化路径的多个聚类类别包括：对训练集数据 进行预处理，得到已去除量纲影响和已降低噪声影响的训练集数据；从已去除量纲影响和已 降低噪声影响的训练集数据中提取与航空发动机性能退化路径相关的退化特征；对所述训练 集的与航空发动机性能退化路径相关的退化特征的时间序列进行聚类，得到所述训练集的航 空发动机的性能退化路径的多个聚类类别。

优选地，所述对训练集数据进行预处理，得到已去除量纲影响和已降低噪声影响的训练 集数据包括：对所述训练集数据进行归一化处理，得到已去除量纲影响的训练集数据；对已 去除量纲影响的训练集数据进行平滑降噪处理，得到已去除量纲影响和已降低噪声影响的训 练集数据。

优选地，所述从已去除量纲影响和已降低噪声影响的训练集数据中提取与航空发动机性 能退化路径相关的退化特征包括：对已去除量纲影响和已降低噪声影响的训练集数据进行主 成分分析PCA处理，得到所述训练集数据的多个PCA特征；按照PCA特征方差重要度由大至小的 顺序，从多个PCA特征中选取指定数量的PCA特征作为与航空发动机性能退化路径相关的退化 特征。

优选地，所述对所述训练集的与航空发动机性能退化路径相关的退化特征的时间序列进 行聚类，得到所述训练集的航空发动机的性能退化路径的多个聚类类别包括：利用动态时间 规整DTW算法，确定所述训练集的不同航空发动机的退化特征的时间序列之间的相似度；根据 所述训练集的不同航空发动机的退化特征的时间序列之间的相似度，对不同航空发动机的退 化特征的时间序列进行聚类，得到所述训练集的航空发动机的性能退化路径的多个聚类类别。

优选地，所述方法还包括：对所述测试集进行分析，确定所述测试集的航空发动机的性 能退化路径归属的聚类类别。

优选地，所述对所述测试集进行分析，确定所述测试集的航空发动机的性能退化路径归 属的聚类类别包括：对测试集数据进行预处理，得到已去除量纲影响和已降低噪声影响的测 试集数据；从已去除量纲影响和已降低噪声影响的测试集数据中提取所述测试集的航空发动 机的退化特征的时间序列；比较所述测试集的航空发动机的退化特征的时间序列和每一聚类 类别的聚类中心的时间序列的距离，将距离最小的聚类中心的聚类类别确定为所述测试集的 航空发动机的性能退化路径归属的聚类类别。

优选地，所述利用待测航空发动机的性能退化路径，确定其归属的聚类类别包括：对所 述待测航空发动机的当前得到的所有数据进行预处理，得到已去除量纲影响和已降低噪声影 响的数据；从所述待测航空发动机的已去除量纲影响和已降低噪声影响的数据中提取所述待 测航空发动机的退化特征的时间序列；比较所述待测航空发动机的退化特征的时间序列和每 一聚类类别的聚类中心的时间序列的距离，将距离最小的聚类中心的聚类类别确定为所述待 测航空发动机的性能退化路径归属的聚类类别；

优选地，所述寿命预测模型是基于Informer神经网络的多故障下航空发动机剩余使用寿 命预测模型。

本发明的有益效果是，能够精准预测航空发动机的剩余使用寿命，极大程度保证航空发 动机正常运行，提高维修诊断效率。

附图说明

图1是本发明提供的多故障模式下的航空发动机寿命预测方法的流程图；

图2是本发明提供的多故障模式下的航空发动机寿命预测的详细流程图；

图3a和图3b分别是1号和7号训练发动机21个气路参数的原始数据图；

图4a、图4b、图4c分别是1号发动机的21个参数预处理后图，LPC出口总温度参数预处理前后对比图，HPC出口总压参数预处理前后对比图；

图5是全部训练发动机21个气路参数的预处理后数据图；

图6是性能退化路径识别流程图；

图7是航空发动机气路参数PCA特征方差重要度柱状图；

图8a、图8b、图8c分别是降维后特征1、特征2和时间的关系图，特征1和特征2的 关系图；

图9a、图9b、图9c分别是聚类后特征1、特征2和时间的关系图，特征1和特征2的 关系图；

图10是多故障模式下航空发动机剩余使用寿命预测模型结构图；

图11是位置编码步骤图；

图12是注意力计算具体流程图；

图13a是经过路径识别后预测结果和真实值的对比图；

图13b是未经路径识别预测结果和真实值的对比图；

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。在后 续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地 使用。

图1是本发明提供的多故障模式下的航空发动机寿命预测方法的流程图，如图1所示， 所述方法可以包括：步骤S101：将多个航空发动机在多故障模式下从运行到故障的完整数据 作为训练集进行分析，确定所述训练集的航空发动机的性能退化路径的多个聚类类别；步骤 S102：根据每一聚类类别的航空发动机的训练集数据，对每一聚类类别的航空发动机的寿命 预测模型进行训练，得到每一聚类类别的经训练的寿命预测模型；步骤S103：将多个航空发 动机在多故障模式下失效前结束的数据作为测试集，并根据每一聚类类别的航空发动机的测 试集数据及对应的真实剩余使用寿命RUL，对每一聚类类别的经训练的寿命预测模型进行测 试，将通过测试的寿命预测模型作为实用寿命预测模型；步骤S104：利用待测航空发动机的 性能退化路径，确定其归属的聚类类别，并利用其归属的聚类类别，确定对应的实用寿命预 测模型；利用所对应的实用寿命预测模型，预测所述待测航空发动机的RUL。

本发明通过基于轨迹聚类的航空发动机性能退化路径识别和基于深度学习的航空发动机 剩余使用寿命预测，实现了航空发动机剩余使用寿命的精准预测。

其中，步骤S101可以包括：首先，对训练集数据进行预处理，得到已去除量纲影响和已 降低噪声影响的训练集数据，例如，对所述训练集数据先进行归一化处理，得到已去除量纲 影响的训练集数据，再进行平滑降噪处理，得到已去除量纲影响和已降低噪声影响的训练集 数据，即预处理后的训练集数据；其次，从已去除量纲影响和已降低噪声影响的训练集数据 中提取与航空发动机性能退化路径相关的退化特征，例如，对预处理后的训练集数据进行主 成分分析(PCA)处理，得到所述训练集数据的多个PCA特征及相应的时间序列，按照PCA特 征方差重要度由大至小的顺序，从多个PCA特征中选取指定数量(例如2个、3个、4个等 等)的PCA特征作为与航空发动机性能退化路径相关的退化特征；然后，对所述训练集的与 航空发动机性能退化路径相关的退化特征的时间序列进行聚类，得到所述训练集的航空发动 机的性能退化路径的多个聚类类别，例如，利用动态时间规整(DTW)算法，确定所述训练集 的不同航空发动机的退化特征的时间序列之间的相似度，根据所述训练集的不同航空发动机 的退化特征的时间序列之间的相似度，对不同航空发动机的退化特征的时间序列进行聚类， 得到所述训练集的航空发动机的性能退化路径的多个聚类类别。

考虑到性能退化路径差异对航空发动机剩余使用寿命预测的影响，本发明按照训练集航 空发动机性能退化路径的聚类类别，训练寿命预测模型。例如，如果有两个聚类类别A和B， 那么利用聚类类别A的航空发动机的训练集数据训练寿命预测模型，得到聚类类别A的经训 练的寿命预测模型，利用聚类类别B的航空发动机的训练集数据训练寿命预测模型，得到聚 类类别B的经训练的寿命预测模型。需要指出的是，训练模型采用的训练集数据是前述的预 处理后的数据。

在得到每一聚类类别的经训练的寿命预测模型后，需要对每一聚类类别的经训练的寿命 预测模型进行测试。在一个实施方式中，如果已知测试集的航空发动机性能退化路径的聚类 类别，就可以根据测试集的航空发动机的测试集数据及对应的真实剩余使用寿命RUL，直接 对对应聚类类别的经训练的寿命预测模型进行测试，如果通过测试，就将该寿命预测模型作 为可以实际使用的寿命预测模型，即实用寿命预测模型。在另一实施方式中，如果测试集的 航空发动机性能退化路径的聚类类别未知，就需要先对测试集进行分析，确定测试集的航空 发动机的性能退化路径归属的聚类类别，可以包括，对测试集数据进行预处理，得到已去除 量纲影响和已降低噪声影响的测试集数据，预处理方法可参照步骤S101；从已去除量纲影响 和已降低噪声影响的测试集数据中提取测试集的航空发动机的退化特征的时间序列，具体处 理方法可参照步骤S101；根据所述测试集的航空发动机的退化特征的时间序列和每一聚类类 别的聚类中心的时间序列，确定所述测试集的航空发动机的性能退化路径归属的聚类类别， 例如，分别计算测试集的航空发动机的退化特征的时间序列与每一聚类类别的聚类中心的时 间序列的距离，将距离最小的聚类中心的聚类类别确定为所述测试集的航空发动机的性能退 化路径归属的聚类类别，即与哪个聚类中心更接近，就将测试集的航空发动机的性能退化路 径归属到该聚类中心所在的聚类类别中。然后再根据测试集的航空发动机的测试集数据及对 应的真实剩余使用寿命RUL，对已确定的对应聚类类别的经训练的寿命预测模型进行测试， 如果通过测试，就将该寿命预测模型作为可以实际使用的寿命预测模型，即实用寿命预测模 型。需要指出的是，在上述两个实施方式中，测试模型采用的测试集数据是预处理后的测试 集数据，预处理方法可参照步骤S101。通过将步骤S103的测试结果与未识别性能退化路径 的预测方法的预测结果比较，也可以明显发现，本发明的预测准确度有显著提升，因此可将 模型应用于对待测航空发动机的RUL预测。

本发明基于已识别的性能退化路径对航空发动机的剩余使用寿命进行预测，在应用于实 际预测即对待测航空发动机进行RUL预测时，对待测航空发动机的当前得到的所有数据，例 如从运行至当前时刻的航空发动机数据，进行预处理，得到已去除量纲影响和已降低噪声影 响的数据，预处理方法可参照步骤S101；从待测航空发动机的已去除量纲影响和已降低噪声 影响的数据中提取所述待测航空发动机的退化特征的时间序列，比较所述待测航空发动机的 退化特征的时间序列和每一聚类类别的聚类中心的时间序列的距离，将距离最小的聚类中心 的聚类类别确定为待测航空发动机的性能退化路径归属的聚类类别；在确定待测航空发动机 的聚类类别后，可以确定该聚类类别对应的实用寿命预测模型，将待测航空发送机的已去除 量纲影响和已降低噪声影响的数据输入至已确定的实用寿命预测模型，以预测待测航空发动 机的RUL。

图2是本发明提供的多故障模式下的航空发动机寿命预测的详细流程图，如图2所示， 具体内容分为，步骤1：航空发动机参数数据预处理，可以包括：对全部发动机数据，即原始 数据依次进行归一化处理(例如最大最小值归一化处理)和降噪处理(例如局部加权回归处 理)，得到预处理后的数据。步骤2：基于轨迹聚类的航空发动机性能退化路径识别，具体地， 在对预处理后的数据降维以提取退化特征(例如基于PCA)后，将识别性能退化路径问题可转 化为轨迹聚类问题，分为两个步骤进行：计算路径之间的相似度和对路径进行聚类。由于路 径长度不同、变化频率不同，在发动机上的表现为发动机寿命不同、退化速率不同，需要先 计算不同长度的序列之间的相似度。本发明可以使用DTW方法计算发动机性能退化路径之间 的相似度。为了提高计算效率并使聚类中心与具体轨迹相对应，聚类算法上可以选择K- Medoids算法，进行航空发动机性能退化路径的聚类和识别。步骤3：基于深度学习的航空发 动机剩余使用寿命预测。考虑到本发明以航空发动机运行仿真数据作为研究基础，由于发动 机样本数较多，每个发动机样本的样本数据量较多，每个样本数据包含的参数较多，导致样 本数据集十分庞大且复杂，同时对于最终剩余使用寿命预测结果的准确度要求较高，因此可 以选择数据驱动中基于深度学习方法作为航空发动机剩余使用寿命预测(或简称寿命预测) 的方法，例如，采用Informer作为寿命预测模型网络，并利用已有样本训练网络，完成发动 机剩余寿命预测。

气路部件是航空发动机的重要部分，目前主要通过监测气路部件的温度、压力、转速等 参数的数据，包括核心转速、HPC出口温度和风扇入口压力等，来描述航空发动机的性能衰退 变化。由于气路部件和航空发动机的整体性能密切相关，并且相较于航空发动机的其他部件， 其发生的故障概率较高，因此下面的实施例以航空发动机气路参数数据为例，进行详细说明。

1、航空发动机的气路参数数据预处理.

航空发动机气路参数数据较多，并且航空发动机运行过程中存在多维度的噪声干扰，因 此需要对于对气路参数进行归一化和降噪处理，消除参数量纲、数据突变点和噪声的影响， 提高数据的总体质量。

由于实际运行过程下的航空发动机传感器检测数据难以获得，本实施例采用2008年PHM 国际会议中的Data Challenge的数据集，该数据集是由C-MAPSS模型采集所得，这是一套由 美国国家航空航天局研发的商业涡轮风扇发动机运行仿真模型，该模型通过模拟航空发动机 的五个部件(包括风扇(Fan)、高压压气机(HPC)等)在不同运行条件和故障模式下的退化 过程，从而获取航空发动机工作中逐个时刻的气路参数数据。C-MAPSS仿真的数据集共包括4 个子数据集，如表1所示。本实施例针对发动机单运行工况多故障模式的情况，因此选用第 三个子数据集FD003。该数据集中，所有发动机均为同一型号，所有发动机均在同一工况下 运行，发动机包含HPC退化和风扇退化两种故障模式，但并未标注对应的退化路径。对于该 数据集中的发动机退化过程来说，每个部件都存在退化，而最终发生退化型故障的仅为HPC 或风扇，并不存在两部件同时发生退化型故障的情况。子数据集FD003包括三个文本文件：

a.训练集：包含100个航空发动机样本，测量记录从运行到故障的完整的数据实例，可 以用来训练预测模型。

b.测试集：包含100个航空发动机样本，测量记录在失效前结束的不完整的数据实例， 目的是用来预测航空发动机RUL。

c.测试集剩余寿命：包含100个测试航空发动机样本的真实RUL，用于与预测值进行比 对，评估预测效果。

训练集和测试集样本中的每个实例都是由包含26个变量的时间序列组成。第1个变量代 表发动机号，第2个变量代表发动机的飞行循环数，第3-26个变量代表发动机运行参数，包 括3个工况参数和21个气路参数，其中，21个气路参数名称如表2所示。

表1.C-MAPSS数据集具体说明表

属性	FD-001	FD-002	FD-003	FD-004
					航空发动机工况数	1	6	1	6
航空发动机故障数	1	1	2	2
					训练集航空发动机数	100	260	100	249
测试集航空发动机数	100	150	100	248

表2.发动机气路参数具体含义表

先对发动机数据进行初步分析，以把握发动机性能退化过程中气路参数的总体趋势。图 3a和3b是1号和7号训练发动机21个气路参数的原始数据图，横坐标为飞行循环，纵坐标 为对应运行值。通过可视化数据可以看到，部分参数确实随着飞行循环数的增加呈现变化趋 势，这反映出航空发动机的性能存在衰退。然而对于同一航空发动机来说，部分气路参数呈 现整体上升的趋势，部分气路参数呈现整体下降的趋势，部分气路参数始终不发生改变。对 于不同航空发动机来说，部分参数变化趋势相同，部分参数变化趋势不同甚至完全相反，且 变化趋势相同的变化幅度可能存在差异。而且，原始数据中的参数存在量纲单位并不统一， 数值大小不在相同的范围，并且存在较大的噪声，这会影响后续性能退化路径识别和剩余寿 命预测的精确性。因此有必要对数据进行预处理，以提高数据的质量。

本实施例采用基于最大最小值方法的数据归一化处理和基于局部加权回归方法的数据平 滑降噪处理。

1)基于最大最小值方法的数据归一化处理.

21个气路参数均进行归一化处理，本实施例选择最大最小值的数据归一化方法将参数标 准化至[0，1]范围内，这样有利于进行参数筛选中的图像绘制，具体计算公式见式1。由于后 续方法对初始变量的方差较为敏感，对数据进行归一化处理可以保所有参数在所有操作条件 下的贡献是等同的，从而使得寿命预测更加准确合理确。对于恒指参数，如风扇入口总温度， 由于其数值不随时间发生改变，即不包含退化信息，因此统一归一化为常数0。

其中，

是第j个参数的最大值，

是第j个参数的最小值，x^i，j是参数归一化前的值，

是参数归一化后的值。

2)基于局部加权回归方法的数据平滑降噪处理.

部分气路参数虽然对航空发动机的衰退过程较为敏感，但是由于运行过程中存在大量多 维度的噪声信号干扰，如果不加以处理会影响航空发动机性能退化路径识别和剩余使用寿命 预测的精度。对于归一化后的数据，本实施例采用局部加权回归(Lowess)平滑的方法对气 路参数进行平滑处理，从而滤除传感器采集的气路参数信号中的随机噪声、保留气路参数退 化特征，并且可以有效降低数据突变点对参数衰退趋势的影响，为后续建立有效的健康评估 和剩余寿命预测模型提供高质量的输入数据。局部加权回归算法，将算法推广应用到多个自 变量的情况，其核心思想是对局部数据进行加权拟合，最终得到拟合点的估计值。该方法的 具体步骤为：

(1)确定窗口范围，窗口范围用于控制局部加权回归数据平滑的尺度。

(2)在确定的窗口范围n内，对于其中所有的点q_k，k＝1，2，…，n，通过加权函数ω_k(q_i) 对g_i开展d阶多项式拟合。

(3)经过计算获得q_i的拟合值p_i，用于代替q_i。

函数ω_k(q_i)决定了权值的分布，本实施例选择了一种较为常用的权重函数，具体见公式2。

该函数是一种类似高斯分布的指数衰减函数，即距离回归值越远的点，所占权重越低。式 中λ为波长参数，控制了权值随距离下降的速率，权重随距离下降速率随λ增大而增大。 局部加权回归的一大特点就是可以伴随着自变量值发生变化而自适应的改变线性回归模型中 的参数，对于不同的自变量值，模型中的参数会随之变化而发生变化，在自变量空间的范围 内，模型将自动给出经过局部加权回归过后函数的估计值。

图4a是1号发动机21个参数预处理后图，图4b是1号训练发动机LPC出口总温度参数 预处理前后对比图，图4c是1号训练发动机HPC出口总压参数预处理前后对比图，横坐标为 飞行循环，纵坐标为处理前后对应值。通过可视化数据可以看到，预处理后的数据标准化至 [0，1]内，去除了量纲的影响，同时经过降噪处理后的数据提取了原始数据中的衰退趋势而过 滤了绝大部分噪声信息，无论对上升趋势的数据还是下降趋势的数据有效降低了发动机数据 中随机噪声波动的影响，使得预处理后的数据具有良好的信噪比，提纯得到了较高质量的数 据，为后续航空发动机性能退化路径识别和剩余使用寿命预测打下了良好的基础。

对经过预处理后的数据展开初步分析，图5是全部训练发动机21个气路参数的预处理后 数据图，横坐标为剩余使用寿命，纵坐标为对应运行值。通过可视化数据可以得出以下结论： (1)部分参数随着运行循环数的增加呈现变化趋势，证明随着运行过程的进行，航空发动机 的性能确实存在衰退，从而导致气路参数上反映出变化，因此可以通过航空发动机运行中的 参数变化预测其剩余使用寿命。(2)其中有部分参数，如HPC出口总压、物理核心速度、燃 油流量、修正核心速度等参数的变化趋势视觉上呈现两个聚类，这与FD003数据集中航空发 动机包含了两中故障模式相对应，可以由此证明故障模式的不同确实会导致性能退化路径不 同，反应到气路参数上呈现不同的变化轨迹。(3)对于(2)中参数来说，参数在工作前期阶 段已经呈现出两个分布，这证明在无外界碰撞等干扰的条件影响下，航空发动机的出厂随机 磨损决定其故障模式，因此通过航空发动机初期工作中的气路参数范围区间，来识别其未来 性能退化路径的方法是可行的。(4)部分参数，如LPC出口温度、HPC出口温度、LPT出口温 度等参数随着运行循环数的增加呈现单一变化趋势，证明对于该参数来说，不同性能退化路 径对其的影响不大或者无影响，其变化主要与运行循环数有关。

综上，由于航空发动机气路参数存在噪声干扰，不加以处理会对航空发动机的性能退化路 径识别和剩余使用寿命预测的精度造成一定的影响，因此需要进行参数数据预处理的工作。 本实施例主要对航空发动机的数据进行了初步分析，运用最大最小值归一化和局部加权回归 平滑法对参数进行预处理提高数据质量，为后续精确的性能退化路径识别和剩余使用寿命预 测工作建立基础。

2.多故障模式下航空发动机的性能退化路径聚类与识别.

由于不同航空发动机出厂磨损程度不同，以及发动机运行过程中部件退化速度不同，从 而导致不同发动机发生故障时的故障部件存在差异，即故障模式的存在差异，这会导致不同 发动机性能退化的方向和程度不同，即具有不同的性能退化路径。航空发动机发生故障的过 程复杂、涉及因素较多，导致退化过程中的特征与诸多因素相关，可能由发动机自身状态差 异引起，可能由不同故障模式引起，也可能存在其他因素的干扰，这对开展剩余使用寿命的 预测较为不利。并且性能退化路径的影响会混叠在发动机个体差异中，如果能将发动机按照 性能退化路径进行识别和区分，减少性能退化路径差异对发动机剩余使用寿命预测的影响， 从而更加准确的把握发动机自身性能退化与剩余使用寿命之间的联系，或许可以进一步提高 预测的准确性。而通过前述对经过预处理后的数据展开的初步分析可以看出，航空发动机气 路参数对于不同性能退化路径确实有不同的呈现，如果能够准确识别航空发动机的性能退化 路径，针对不同性能退化路径对航空发动机的剩余使用寿命开展预测，将大大提高预测的准 确性，因此本实施例围绕航空发动机的性能退化路径识别展开，具体流程图如图6所示。

1)基于主成分分析发动机气路参数降维方法.

数据驱动方法通过大量的观测对反映航空发动机性能的多个气路参数，收集航空发动机 运行过程中的大量气路部件传感器数据，以便开展对气路参数数据分析，寻找参数之间的规 律。较多的航空发动机样本、较多的气路参数变量为研究航空发动机性能退化趋势提供了丰 富的样本信息，但也在一定程度上增加了对气路参数数据计算和分析的工作量。在多数情况 下，许多气路参数之间可能存在较强的相关性和一定的冗余，从而增加了性能退化路径分析 和识别的复杂性，如果只是对每个气路参数单独展开分析，得到的结果往往不符合现实情况， 不具有整体性。然而盲目减少气路参数数据又会损失原始数据中很多反映航空发动机性能退 化的信息，导致结果和实际情况不相符。减少数据集的变量数量无疑会在一定程度上降低整 体数据的精度，然而降维是在保留少量数据从而方便计算的同时，保留数据的绝大部分信息 从而保证在可接受精度下降范围的信息筛选。相较于完整的庞大的原始数据集，经过降维处 理后的数据集用较少的退化特征包含绝大部分退化信息，更易于对性能退化路径识别的探索 和可视化，并且机器学习算法可以更快更高效地分析数据，不需要处理与主体无关或关系很 小的变量。

因为各气路参数变量间存在一定的相关性和冗余情况，所以可以使用相对较少的衰退特 征来表示存在于各气路参数中的衰退信息。主成分分析分析(PCA)不但能够减少需要后续模型 分析的气路参数数量，同时也能够最大程度减少数据信息损失，从而实现对所采集的航空发 动机气路参数数据展开全面而高效的分析。PCA方法可以有效降低数据集的维数，通过将多 变量转换为包含原数据集大部分信息的较少特征，可以从相对复杂混乱的数据集中提取大部 分有效信息。该方法的数学原理是将输入数据矩阵的方差最大方向作为数据的主要特征轴， 按照方差重要度从大到小进行降序排列，方差越大则表示在该维度上数据的信息越为重要， 最终将包含数据特征的新矩阵输出。对于航空发动机数据向量X＝[X₁，X₂，...，X_m]，X_i＝ [x_i1，x_i2，...，x_in]^T(m为参数序号，n为对应参数的数据总数)后，PCA方法的主要步骤如下：

(1)计算X的协方差矩阵，计算特征值和特征向量；

(2)对特征值进行降序排列，保留最大特征值对应的特征向量ξ；

(3)得到气路参数降维后的特征Y＝Xξ；

(4)将降维后的特征整合为发动机的数据向量，重复上述步骤，得到发动机降维后的特 征Z。

提取的发动机特征质量的高低决定发动机衰退过程表现的好坏，对于发动机特征提取的 效果越好，发动机衰退过程的特点就越明显，可以更加准确的进行后续的故障路径识别和剩 余工作寿命预测。将21个气路参数进行PCA处理，重构向量空间得到21维特征，图7是航 空发动机气路参数PCA特征方差重要度柱状图，横坐标为按重要度降序排列的21维特征，纵 坐标为对应方差重要度。根据柱状图可以看出，前两个特征的重要度为85.9％，前三个特征的 重要度为93.6％，前四个特征的重要度为99.4％。因此，可以取前2个或前3个或前4个特征 进行分析和故障模式聚类。

以选取前2个特征为例验证本实施例的可行性，分别做各特征和时间的关系图，分析各 特征和退化模式的关系。图8a是特征1和时间的关系图，图8b是特征2和时间的关系图， 横坐标为剩余使用寿命，纵坐标为对应特征值。可以看到特征1和特征2在时间维度均具有 较好的聚类。从特征1和特征2和时间的关系可以看出，对于不同的航空发动机故障模式， 其特征参数变化的趋势和范围均存在着一定程度的差异，为探究特征1和特征2的协同关系 与故障模式之间是否具有进一步的相关性，做特征1和特征2的关系图分析特征1和特征2 整体与退化模式的关系，如图8c所示，横坐标为特征1对应值，纵坐标为特征2对应值，轨 迹表示航空发动机状态从出厂到故障的演进，并达到最终故障状态点。可以看到特征1和特 征2整体呈现出两个聚类，无论是在特征趋势上还是在最终故障点上均具有较好的聚类结果， 这与FD003数据集中航空发动机包含了两中故障模式相对应，因此认为两类不同的性能退化 路径对应两种不同的航空发动机故障模式导致的性能退化，两类不同的最终故障点簇对应两 种不同的发动机故障模式。因此，后续可以使用轨迹聚类方法，对发动机衰退特征曲线进行 聚类，从而使得相同故障模式实现聚类、不同故障模式实现分类，从而对不同故障模式分别 采用合适的方法进行剩余工作寿命的预测，提高预测的精度。

2)基于动态时间规整的性能退化路径相似度评估方法.

对于包含了航空发动机大部分性能退化信息的特征1和特征2的时间序列轨迹，目标是 对其进行轨迹聚类从而实现根据性能退化路径对航空发动机进行聚类，这需要计算和比较序 列之间的相似性。然而进行比较相似性的两段时间序列的长度很可能存在一定差异甚至差异 程度较大，在航空发动机上表现为不同航空发动机之间存在个体差异和故障模式差异从而导 致航空发动机寿命长短不同，并且测试集数据不像训练集数据一样属于全寿命周期数据，在 运行中途进行了截断，导致其只包含运行截断前的时间序列，并且点与点之间并非一一对应 关系，无法简单使用欧几里得距离进行度量，这时就需要对航空发动机气路参数时间序列在 时间轴上进行局部范围的缩放，其目的是使得在经过该操作后，两个时间序列的形态能够在 最大程度上保持一致性，从而获得两个时间序列之间最大可能的相似度，以实现更好的比对 效果。

动态时间规整(DTW)算法的思想是通过把未知序列的时间轴缩放至与模板序列的长度一 致，从而计算和比较两个时间序列之间的相似度，非常适用于不同节奏频率和序列长度的时 间序列，本发明将其应用在航空发动机性能退化轨迹聚类问题上。

对于航空发动机数据向量X_a＝[x_a1，x_a2，...，x_am]^T，X_b＝[x_b1，x_b2，...，x_bn]^T(a，b为航空发动机编号，m，n为对应运行循环数)后，DTW方法的主要步骤如下：

(1)构造一个m×n的矩阵网格，矩阵元素(i，j)表示x_ai和x_bj两点之间的距离d(x_ai，x_bj)， 每一个矩阵元素(i，j)表示x_ai与x_bj对齐。

(2)找到通过此网格的规整路径，并用W来表示：W＝[w₁，w₂，...，w_k]，max{m，n}≤ k＜m+n-1。

(3)路径边界条件约束，即w₁＝(1，1)，w_k＝(m，n)，确保所选的路径必定是从序列共同开始点出发，到序列共同终止点结束。

(4)路径连续性约束，如果w_p-1＝(r′，s′)，那么对于路径的下一个点w_p-1＝(r，s)需要 满足(r-r′)≤1和(s-s′)≤1，保证X_a和X_b中的每个坐标都在W中出现。

(4)路径单调性约束，如果w_p-1＝(r′，s′)，那么对于路径的下一个点w_p-1＝(r，s)需要 满足(r-r′)≥0和(s-s′)≥0，限制W上面的点必须是随着时间单调进行。

(5)重复(2)(3)(4)得到规整代价最小的路径

分母中的K用来对不同的长度的规整路径做补偿。通过规整代价最小的路径可以得到相似度(即路径终点指示的值)。

通过DTW方法计算不同航空发动机之间的特征1和特征2的时间序列轨迹的相似度，后 续通过聚类方法即可实现对于时间序列轨迹的聚类，从而将航空发动机按照性能退化轨迹相 似性进行聚类，以直观体现聚类结果，并实现对航空发动机性能退化路径的识别。

3)基于K-Medoids的性能退化轨迹类方法.

聚类算法可以把相似的样本自动归到相同的类别，最终同一组中的数据点应该具有相似 的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。K-Means是一 种简单快速的聚类技术，由于K-Means不具备噪音数据的包容性，且对于轨迹聚类来说，相 似度均值并没有实际含义，即并无轨迹与其相对应，这会对后续测试集数据性能退化轨迹识 别和分类造成困扰，使用K-Medoids算法可以很好的解决这个问题，比较结果表明，K-Medoids 中簇质心选择所用时间和簇重叠空间复杂度明显优于K-Means。K-Medoids与K-Means最大的 区别就是：K-Means是寻找簇中的平均值作为质心，而K-Medoids在寻找到平均值之后，会选 择一个离这个均值最近的实际点作为质心，即K-Medoids会以数据集中真正存在的最优点来 作为它的质心，故可以找到于质心相对应的轨迹，因此本实施例选择使用K-Medoids算法完 成后续聚类任务。K-medoids算法的步骤为：

(1)随机选择k个样本作为初始聚类中心a＝[a₁，a₂，...，a_k]。

(2)对每个样本x_i分别计算与k个聚类中心的距离(即通过DTW方法计算的相似度)，将其 划到距离最小的聚类中心。

(3)重新计算聚类均值点

聚类中心a_j＝min(a，a_j′)，即新的聚类中心为距离 聚类均值点最近的样本点。

(4)循环重复上面(2)(3)两步，直到迭代次数、最小误差变化等条件满足要求。

4)对发动机性能退化路径聚类结果进行分析.

对航空发动机21个气路参数经过PCA方法降维得到方差重要度较大且与性能退化路径 相关的特征1和特征2，对特征1和特征2的时间序列轨迹数据进行DTW方法计算相似度和 K-Medoids方法聚类，图9a是特征1和时间的关系图，图9b是特征2和时间的关系图，横坐标为剩余使用寿命，纵坐标为对特征应值，图9c是特征1和特征2的关系图，横坐标为特征1对应值，纵坐标为特征2对应值。可以看到，本实施例使用的轨迹聚类算法，无论在特 征与时间的关系上还是特征与特征的关系上，整体都很好的呈现出两个聚类并无交叉现象，且无论是在特征趋势上还是在最终故障点上均具有较好的聚类结果，这与FD003数据集中航 空发动机包含了两中故障模式相对应，将航空发动机按照不同的性能退化路径进行识别和区 分，以便于提高后续剩余寿命预测的准确性。

综上，由于航空发动机参数众多，彼此之间存在较大冗余，因此需要进行参数数据降维 提取衰退特征，再识别其性能退化路径。本实施例主要用PCA方法对航空发动机的21个气路 参数进行降维处理，用DTW方法计算处理后的特征时间序列之间的相似度，并用K-Medoids 方法将航空发动机性能退化路径进行聚类，为后续精确剩余使用寿命预测工作建立基础。

3.多故障模式下航空发动机剩余使用寿命预测.

鉴于Transformer神经网络对序列数据的强大处理能力，相较于其他网络结构在准确性 和效率上均具有显著优势，因此在预测模型上选择Transformer神经网络，由于长时序带来 的计算负担和潜在的精度影响，本实施例最终选择一种在Transformer神经网络基础上改进 的Informer神经网络作为多故障模式下航空发动机剩余使用寿命预测模型。

由于航空发动机数据量较大，共有100台发动机，每台发动机测得若干组时序数据，每 组时序数据包含21个气路参数，因此数据所包含的信息密度相对较低。为提高信息利用率， 防止由于对信息把握不足而导致寿命预测的精度受到影响。通过对参数进行注意力提取，从 而提取信息质量较高、性能退化表达能力较强的特征数据，然后将低可注意力路的特征数据 有目的性的进行剔除，获得信息密度较高的特征数据来进行寿命预测。通过此方法发可以在 降低计算量的同时，避免预测结果受低质量数据的影响。

1)基于Informer神经网络的多故障模式下发动机剩余使用寿命预测模型.

Informer模型使用ProbSparse自注意机制，通过提取将级联层来突出主导注意力，具 有优异的序列依赖比对性能，在时间复杂度和内存使用率上均有较大提升，在很大程度上提 高了对于长序列预测的计算速度。如图10所示的多故障模式下航空发动机剩余使用寿命预测 模型结构图，模型主体框架分为位置编码、编码器、解码器、全连接层四部分，具体步骤为：

(1)建立两个寿命预测模型，对应两条性能退化路径。按照性能退化路径将全部航空发 动机分为两类，分别将预处理后的航空发动机全部时间序列数据作为模型输入。

(2)将模型输入经过位置编码后转化为编码器的输入传入编码器中，为其附上位置信息。

(3)编码器部分包含3个编码器层，每个编码器层包括多头ProbSparse自注意机制、 残差连接和归一化、前馈网络、残差连接和归一化四个步骤，最终将连接特性图(包括Query 矩阵和Key矩阵)传入解码器中。

(4)将预处理后的航空发动机若干时间序列数据经过位置编码后转化为解码器的输入传 入解码器中，为其附上位置信息。

(5)经过Masked多头ProbSparse自注意机制，排除后时间序列对前时间序列的影响， 即模型只知道每个时刻和该时刻之前的数据，而不知道该时刻之后的数据，进行残差连接和 归一化。

(6)经过前馈网络处理，进行残差连接和归一化。

(7)经过编码器-解码器注意力机制，在该过程中Value矩阵为步骤(4)所传入，Query 矩阵和Key矩阵为步骤(2)所传入，进行残差连接和归一化。

(8)经过前馈网络处理，进行残差连接和归一化。

(9)解码输出作为全连接层的输入，最终转化为最终模型的输出，即RUL的预测值。

(10)将RUL预测值和RUL实际值的误差作为损失函数计算损失，通过反向传播更新网 络中的相关参数，重复训练直至损失达到要求。

针对位置编码，为了加快运算效率输入序列中的元素是一起处理的，而不是像RNN一样 是一个一个处理的，然而这样做忽略了序列中元素的先后关系，因此需要对序列种的各元素 进行位置编码，使模型具备了学习序列中个元素位置信息的能力，本实施例使用的是绝对位 置编码对序列中的元素进行标注。对于航空发动机气路参数时间序列W＝{W₁，W₂，W₃，...，W_n}， W_i＝{w₁，w₂，w₃，...，w₂₁}，n为时间序列长度，每个W_i包含21个气路参数，即为21维向量。 对W进行位置编码PE，从而使得模型的输入为X＝{W₁+PE₁，W₂+PE₂，W₃+PE₃，...，W_n+PE_n}，其中PE计算公式见式3、4。

其中，pos为w在序列中的位置，i为参数的在w中的位置，d_model为w编码的维度即为21，位置编码步骤图如图11所示。

选择使用正弦函数是因为对于任何固定的偏移量k，PE_pos+k可以表示成PE_pos的线性函数。 通过对航空发动机气路参数时间序列进行位置编码，使得模型获得具体数据信息的同时，获 得序列对应的位置信息，从而提高模型预测的精确性。

针对ProbSparse注意力机制，Transformer模型的核心是注意力机制，主要过程是计算数 据的Q(Query)、K(Key)、V(Value)，Q对应的是需要被表达的序列(称为序列A)，K和V对应 的是用来表达A的序列(称为序列B)，注意力计算公式见式5，dk为K维度的平方根，注意力 计算具体流程图如图12所示。

K和Q必须满足在同一高维空间中的前提条件(不然无法进行计算)，而V不一定需要和 K、Q在同一高维空间中，只需满足最终模型的输出和V在同一高维空间中即可。每个Q和序 列中所有K点积后，经过Softmax得到的离散分布是不同的，如果一个Q得到的分布类似均 匀分布，那么每个概率值都趋近于均值的倒数且值很小，在长尾分布中属于尾部，这样的Q不 会提供什么价值。反之，如果一个Q得到的分布和均匀分布差异很大，则必然有几个概率值 很大，这些大概率值主导了概率分布，在自注意力机制中是非常重要的，所以这样的Q才是 有价值的。如果将自注意力机制中的点积结果进行可视化分析，会发现服从长尾分布，也就 是少数的几个Q和K的点积计算结果主导了Softmax后的分布，这种稀疏性分布意味着序列 中的某个元素一般只会和少数几个元素具有较高的相似性/关联性。

ProbSparse自注意力机制的核心思想就是找到这些重要的稀疏的query，从而只计算这些 query的Attention值，来优化计算效率，对于Q∈R^m×d，K∈R^n×d，V∈R^n×d，具体步骤如 下：

(1)对K进行采样，得到K_sample，取样长度L_k＝mlnn，对每个q_i∈Q关于K_sample求M值，计算公式见式6。

(2)计算出M值最大的u个q_i，组成新矩阵记为

(3)计算

通过对参数进行注意力提取，从而提取信息质量较高、性能退化表达能力较强的特征数 据，并将低可注意力路的特征数据有目的性的进行提出，以获得信息密度较高的特征数据来， 有助于提高模型预测的精度。

2)剩余使用寿命预测模型预测结果评价.

将经过性能退化轨迹识别后的航空发动机气路参数时间序列数据输入基于Informer的多 故障模式下航空发动机剩余使用寿命预测模型中，从而获得模型的预测结果。

本实施例选择均方根误差(RMSE)和评分函数(Score)两个指标来评估和衡量预测模型 的性能，评估指标越低，预测效果越好。

RMSE对于衰退早期和晚期的预测误差赋予相同的权值，并通过对误差进行平方的方式来 放大较大的偏差，因此对与真实值偏差较大的预测值较为敏感，

为RUL的预测值，y_i为实际 值，n为预测值的总数，具体公式见式7。

Score对于超过真实剩余寿命值的预测剩余寿命值赋予更大的惩罚分数，考察超前预测的 能力，对预测性维护有较大的意义，具体公式见式8。

图13a是经过路径识别后预测结果和真实值的对比图，图13b是未经路径识别预测结果 和真实值的对比图，横坐标为发动机编号，纵坐标为对应的剩余使用寿命，实线为真实值， 虚线为模型预测值。可以看到经过识别性能退化路径后，相较于未经识别性能退化路径，发 动机的寿命预测准确度得到了较大的提升，表3为路径识别前后的预测结果对比表，用于比 较路径识别前后预测结果的RMSE和Score。可以看到经过识别性能退化路径后，相较于未经 识别性能退化路径前，发动机的寿命预测准确度得到了26.4％的提升(以RMSE作为衡量精度 的标准)，证明了航空发动机的剩余使用寿命与该航空发动机性能退化路径存在相关性，因此 航空发动机识别性能退化路径对剩余使用寿命预测具有重要作用，能有效提高寿命预测的精 确性。

表3.路径识别前后的预测结果对比表

表4是不同预测模型在预测能力上的对比结果，均为识别性能退化路径后的预测结果。 如上表所示，Informer模型获得了最佳的Score结果和RMSE结果，并且相较于其他模型具 有明显优势，具有较好的多故障模式下航空发动机剩余使用寿命预测能力。

表4.不同预测模型的预测结果对比表

本实施例中，由于航空发动机的气路参数数据具有明显的时序性，而Informer神经网络 可以对时序数据的发展趋势进行有效学习，因此本实施例建立了基于Informer神经网络模型 的航空发动机剩余使用寿命预测模型。实验表明，基于Informer神经网络模型的发动机剩余 寿命预测模型能够较好地预测多故障模式下航空发动机的剩余寿命，相较于其他模型具有显 著优势，并且经过识别性能退化路径后的数据能有效提高寿命预测的精确性。

这样，在对多故障模式下的实际航空发动机进行RUL预测时，就可以采用本实施例的模 型进行更精确更有效的RUL预测。

综上所述，本发明具有以下优点：

(1)本发明提供一种适用于多故障模式下航空发动机的性能退化路径高效自主聚类识别 方法，通过DTW方法评估多个不同衰退速率、不同故障起始程度的发动机之间路径相似度， 并在此基础上引入K-Medoids性能退化路径聚类方法可实现大量航空发动机退化路径的快速 精准分类；

(2)本发明提出一种基于Informer深度神经网络的航空发动机剩余使用寿命预测模型， 通过综合考虑性能退化路径对发动机剩余使用寿命预测的影响，实现了高精度的寿命预测， 经对比采用性能退化路径识别后的预测精度提升26.4％。

(3)本发明将故障模式作为考虑因素，对航空发动机的性能退化路径进行识别，将相同 性能退化路径的航空发动机带入同一模型中进行训练和预测，有利于提高剩余寿命预测精度。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技 术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权 利范围之内。

Claims (9)

1.一种多故障模式下的航空发动机寿命预测方法，其特征在于，所述方法包括：

将多个航空发动机在多故障模式下从运行到故障的完整数据作为训练集进行分析，确定所述训练集的航空发动机的性能退化路径的多个聚类类别；

根据每一聚类类别的航空发动机的训练集数据，对每一聚类类别的航空发动机的寿命预测模型进行训练，得到每一聚类类别的经训练的寿命预测模型；

将多个航空发动机在多故障模式下失效前结束的数据作为测试集，并根据每一聚类类别的航空发动机的测试集数据及对应的真实剩余使用寿命RUL，对每一聚类类别的经训练的寿命预测模型进行测试，将通过测试的寿命预测模型作为实用寿命预测模型；

利用待测航空发动机的性能退化路径，确定其归属的聚类类别，并利用其归属的聚类类别，确定对应的实用寿命预测模型；

利用所对应的实用寿命预测模型，预测所述待测航空发动机的RUL。

2.根据权利要求1所述的方法，其特征在于，所述将多个航空发动机在多故障模式下从运行到故障的完整数据作为训练集进行分析，确定所述训练集的航空发动机的性能退化路径的多个聚类类别包括：

对训练集数据进行预处理，得到已去除量纲影响和已降低噪声影响的训练集数据；

从已去除量纲影响和已降低噪声影响的训练集数据中提取与航空发动机性能退化路径相关的退化特征；

对所述训练集的与航空发动机性能退化路径相关的退化特征的时间序列进行聚类，得到所述训练集的航空发动机的性能退化路径的多个聚类类别。

3.根据权利要求2所述的方法，其特征在于，所述对训练集数据进行预处理，得到已去除量纲影响和已降低噪声影响的训练集数据包括：

对所述训练集数据进行归一化处理，得到已去除量纲影响的训练集数据；

对已去除量纲影响的训练集数据进行平滑降噪处理，得到已去除量纲影响和已降低噪声影响的训练集数据。

4.根据权利要求2所述的方法，其特征在于，所述从已去除量纲影响和已降低噪声影响的训练集数据中提取与航空发动机性能退化路径相关的退化特征包括：

对已去除量纲影响和已降低噪声影响的训练集数据进行主成分分析PCA处理，得到所述训练集数据的多个PCA特征；

按照PCA特征方差重要度由大至小的顺序，从多个PCA特征中选取指定数量的PCA特征作为与航空发动机性能退化路径相关的退化特征。

5.根据权利要求2所述的方法，其特征在于，所述对所述训练集的与航空发动机性能退化路径相关的退化特征的时间序列进行聚类，得到所述训练集的航空发动机的性能退化路径的多个聚类类别包括：

利用动态时间规整DTW算法，确定所述训练集的不同航空发动机的退化特征的时间序列之间的相似度；

根据所述训练集的不同航空发动机的退化特征的时间序列之间的相似度，对不同航空发动机的退化特征的时间序列进行聚类，得到所述训练集的航空发动机的性能退化路径的多个聚类类别。

6.根据权利要求2-5任意一项所述的方法，其特征在于，所述方法还包括：

对所述测试集进行分析，确定所述测试集的航空发动机的性能退化路径归属的聚类类别。

7.根据权利要求6所述的方法，其特征在于，所述对所述测试集进行分析，确定所述测试集的航空发动机的性能退化路径归属的聚类类别包括：

对测试集数据进行预处理，得到已去除量纲影响和已降低噪声影响的测试集数据；

从已去除量纲影响和已降低噪声影响的测试集数据中提取所述测试集的航空发动机的退化特征的时间序列；

比较所述测试集的航空发动机的退化特征的时间序列和每一聚类类别的聚类中心的时间序列的距离，将距离最小的聚类中心的聚类类别确定为所述测试集的航空发动机的性能退化路径归属的聚类类别。

8.根据权利要求2-5任意一项所述的方法，其特征在于，所述利用待测航空发动机的性能退化路径，确定其归属的聚类类别包括：

对所述待测航空发动机的当前得到的所有数据进行预处理，得到已去除量纲影响和已降低噪声影响的数据；

从所述待测航空发动机的已去除量纲影响和已降低噪声影响的数据中提取所述待测航空发动机的退化特征的时间序列；

比较所述待测航空发动机的退化特征的时间序列和每一聚类类别的聚类中心的时间序列的距离，将距离最小的聚类中心的聚类类别确定为所述待测航空发动机的性能退化路径归属的聚类类别。

9.根据权利要求1所述的方法，其特征在于，所述寿命预测模型是基于Informer神经网络的多故障下航空发动机剩余使用寿命预测模型。

Images