[发明专利]基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法

说明书

本发明公开了一种基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法,包括以下步骤：首先利用相关性指标和趋势性指标，对发动机训练数据集进行特征筛选；然后利用量子模糊聚类得到的健康状态标签，并训练多变量深度森林分类器，得到航空发动机健康评估模型；同时利用发动机训练数据集，训练长短周期记忆神经网络(LSTM)时间序列预测模型；最后利用发动机测试数据集，根据训练好的健康评估模型和时间序列预测模型，得到发动机不同健康阶段的维持时间和最终的剩余使用寿命(RUL)。本发明克服了观测数据存在的无标签、不均衡和初值不确定性，为航空发动机后续不同健康阶段的维修决策提供了技术参考。

技术领域

本发明涉及一种航空发动机寿命预测方法，特别是涉及一种基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法。

背景技术

发动机是航空器中结构最为精密复杂的子系统，为航空器提供飞行所需的动力，对安全性和可靠性要求极为苛刻。发动机在极端使用环境下长时连续工作过程中，其性能不可避免地产生退化，极易引发各类故障，威胁系统安全。以健康评估和故障预测为核心的PHM技术，是实现航空发动机预测维护和保障发动机运行可靠性的关键，已成为航空领域的关注焦点。近几年来，由于大数据分析技术、云计算技术及人工智能技术的推动，工业4.0及中国制造2025等概念的提出，使得航空发动机运行期间的观测数据，已成为发动机检测故障、预测故障发展趋势以及最终剩余使用寿命的高价值资源。相对于基于模型的寿命预测方法，数据驱动的方法不需要发动机退化过程的精确解析模型，通过对观测数据直接处理与分析，挖掘出数据背后隐藏的发动机健康状态和寿命信息，为故障预测与维护决策提供可靠信息。

现有数据驱动的寿命预测方法又可细分为三类：单变量方法，直接方法和多变量方法。单变量方法首先建立一个综合健康度指标(SHI)，利用事先设定的失效阈值确定系统的RUL。SHI构建和阈值确定这两个步骤极度依赖于应用对象的领域知识，是这类方法在实际应用中的掣肘问题。直接方法则是通过将当前样本与数据库中的历史样本进行相似度匹配，寻找出最为相似的样本作为参照进行RUL预测。这类方法在样本充足完备的条件下，具有良好的性能和普适性。多变量方法不需要构建SHI，也不需要大量历史样本，直接利用设备运行数据，提取和系统健康状态退化相关的特征量，通过聚类方法对设备健康状态的特征量进行分类，进而获知设备所处的健康阶段信息，动态设定设备的失效阈值，再进行RUL预测。该方法可克服单变量方法和直接方法的不足或约束，近年来颇受PHM领域的关注。然而，现有的多变量方法需要事先设定健康状态的类别个数，而且需要假定所有样本的初始都处于健康状态，也难以基于现实中发动机传感器采集的无标签、不均衡且初值不确定的数据来做出预测。

发明内容

发明目的：本发明要解决的技术问题是提供一种基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法，在现有航空发动机观测数据存在无标签、不均衡、初值不确定性问题的情况下，解决了现有的多变量方法不能基于上述观测数据进行很好预测的不足，能够在缺少先验知识情况下，实现航空发动机不同健康阶段的维持时间和RUL预测，为航空发动机后续不同健康阶段的维修决策提供技术参考。

技术方案：本发明所述的基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法,包括以下步骤:

(1)根据定义的相关性指标和趋势性指标，对发动机性能退化数据集X(I×J×K)进行特征选择，其中，I为相似发动机样本个数，J为每个发动机样本中各传感器输出的观测变量个数，K_i为每个发动机样本的观测数据个数，i＝1,2,...,I；

(2)根据步骤(1)的特征选择结果，将发动机样本中观测变量个数由J个减少为F个，得到代表发动机性能退化数据集的三维矩阵X(I×F×K)；