[发明专利]基于深度学习耦合建模的飞机发动机剩余寿命预测方法

权利要求书

1.一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，其特征在于，包括：获取飞机发动机的多元传感器失效信号，载入预先建立并训练好的深度学习耦合模型中，获取飞机发动机随时间演变的潜在失效状态分布，得到飞机发动机剩余使用寿命的分布结果，实现飞机发动机的剩余寿命预测；

所述深度学习耦合模型包括相互连接的失效过程模型和融合模型，所述失效过程模型用于描述飞机发动机随时间演变的潜在失效状态，所述融合模型用于结合多元传感器失效信号，构建发动机的健康指数HI，所述发动机的健康指数HI定义为发动机的潜在失效状态加上相应的白噪声项。

2.根据权利要求1所述的一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，其特征在于，失效过程模型中，所述飞机发动机随时间演变的潜在失效状态g_l，t的计算表达式为：

g_l，t＝η(ψ(t；β)；Γ_l)

式中，η(·)是失效模型的函数形式，β是描述所有发动机失效状态共同特征的固定效应参数，ψ是关于时间t和共同特征参数β的基函数，Γ_l是发动机l的随机效应参数。

3.根据权利要求2所述的一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，其特征在于，所述失效过程模型采用的η(·)函数为长短期记忆网络模型，该长短期记忆网络模型的输入是时间t、输出是潜在失效状态g_l，t；所述长短期记忆网络模型包括输入层t、隐藏层ψ_(t)和输出层g_l，t，所述隐藏层从遗忘门f_(t)、输入门i_(t)、候选单元状态a_(t)、单元状态c_(t)和输出门o_(t)获得。

4.根据权利要求3所述的一种基于深度学习耦合建模的飞机发动机剩余寿命预测方法，其特征在于，所述长短期记忆网络模型在时间t的表达式为：

f_(t)＝σ(ψ_(t-1)W_f+tU_f+b_f)

i_(t)＝σ(ψ_(t-1)W_i+tU_i+b_i)

a_(t)＝φ(ψ_(t-1)W_a+tU_a+b_a)

c_(t)＝f_(t)⊙c_(t-1)+i_(t)⊙a_(t)

o_(t)＝σ(ψ_(t-1)W_o+tU_o+b_o)

ψ_(t)＝o_(t)⊙φ(c_(t))

g_l，t＝ψ_(t)Γ_l

式中，σ为sigmoid激活函数，φ为tanh激活函数，⊙表示哈达玛积，W_.(即W_f，W_i，W_a和W_o)是连接隐藏层在时间t-1状态和时间t状态的权重矩阵，U_.和b_.分别是输入层的权重矩阵和偏差矩阵，定义长短期记忆网络模型的固定效应参数集为β＝{W_.，U_.，b_.}，Γ_l是发动机l在输出层的权重矩阵，是LSTM模型的随机效应参数。