[发明专利]一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法

说明书

本发明公开了一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法，该方法包括：根据发动机历史退化数据，建立n个基于LSTM深度神经网络的发动机健康指标(LSTM‑HI)模型；根据发动机过往传感器数据，训练ARIMA模型并向后多步预测发动机传感器参数；由预测的传感器参数，根据LSTM‑HI指标评价发动机是否退化至失效，得到发动机剩余使用寿命及其概率分布。本发明提出了一种新颖的航空发动机剩余使用寿命预测方法，具有较高的准确率和可行性，对于航空发动机实时健康管理、降低维修成本有着积极促进的作用。

技术领域

本发明属于航空发动机剩余使用寿命技术领域，尤其涉及一种基于LSTM(LongShort-Term Memory)网络和ARIMA(Autoregressive Integrated Moving Average Model)模型的航空发动机剩余使用寿命预测方法。

背景技术

航空发动机常年工作在高温、高压、高负载的苛刻条件下，并且其工作状态经常改变，这就导致了发动机故障频发。航空发动机作为飞行器的“心脏”，其健康状况直接决定着旅客的人身安全以及民航飞行的安全。为保证其安全性，发动机必须及时地进行维修。然而过早的维修势必会引起航空公司运营成本的增加，因此，必须适时掌握维修时间，从而最大限度的实现发动机的使用价值。准确地预测航空发动机剩余使用寿命(RUL)是保障飞行安全与降低维修成本的重要措施。

随着人工智能技术的发展，基于数据的故障诊断方法为解决非线性复杂系统的健康预测问题提供了一种新的解决途径。对如今的智能发动机控制来说，数据驱动的传感器故障诊断及解析余度技术也备受重视。深度学习网络因其强大的非线性映射能力得到了广泛的关注与研究。递归神经网络(RNN)可以对数据在时间序列上的变化进行建模，在自然语言处理、语音识别等领域取得了成功。长短期记忆网络(LSTM)是在RNN的基础之上发展而来的专门解决数据的长期依赖性问题的一种深度学习网络。其优点是不需要复杂的调参，默认就可以记住数据长期的信息，从而解决长期依赖问题。

此外，传感器技术与在线监测技术的迅速发展，使得在飞机运行过程中对发动机性能与状态数据进行集成、传递、分析与平局成为了可能，这为发动机剩余使用寿命预测提供了有利的技术支持与充分的数据准备。

发明内容

针对上述技术问题，本发明提供一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法，该方法可具有较高的准确率和可行性，对于航空发动机实时健康管理、降低维修成本有着积极促进的作用。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于LSTM网络和ARIMA模型的航空发动机剩余使用寿命预测方法，包括以下步骤：

步骤1)，根据发动机历史退化数据，建立n个基于LSTM深度神经网络的发动机健康指标(LSTM-HI)模型，构建反映剩余使用寿命的健康指标模型库；

步骤2)，根据待测试发动机过往传感器数据集，训练ARIMA模型，设计预测窗口长度l，并向后预测窗口长度l的发动机传感器参数；

步骤3)，根据预测的传感器参数以及LSTM网络健康指标模型库，解算LSTM-HI指标，评价发动机是否退化至失效，若超过失效阈值，则拟合概率分布特征参数，获得发动机剩余使用寿命；否则，转至步骤2)，再增加预测窗口长度l，依次进行计算。

优选的：所述步骤1)中根据发动机历史退化数据，建立n个基于LSTM深度神经网络的发动机健康指标(LSTM-HI)模型具体步骤如下：

步骤1.1)，根据航空发动机由健康退化至失效的历史数据，选择合适的传感器参数，并进行降噪、平滑处理，组成n个训练数据集；

步骤1.2)，基于深度学习网络LSTM和训练数据集构建航空发动机健康状态评价指标LSTM-HI，具体表达式如下：