[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

摘要

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。

主权项

1.一种基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法,其特征在于包括以下步骤:(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)；(3)将三维矩阵X(I×F×K)按变量按F方向展开为一个二维数据集X(Z×F)(Z＝K₁+K₂+...+K_I)，利用量子聚类理论得到二维数据集X(Z×F)的势能分布，确定所述发动机性能退化数据集的类别数量C，根据类别数量C利用模糊聚类理论得到发动机性能退化数据集的健康度标签Tag；(4)将步骤(3)中所述的二维数据集X(Z×F)和健康标签Tag中前90％的样本作为训练集、后10％的样本作为验证集，训练多变量深度森林分类器，若验证的集中分类准确率均大于90％，则保留所训练的多变量深度森林模型后结束训练，否则重新训练，直到满足条件为止；(5)分别针对步骤(3)所述的二维数据集X(Z×F)中每个特征变量f进行LSTM网络训练，最终可以得到F个LSTM时间序列预测模型，本步骤可以与步骤(4)先后进行或者同时进行；(6)利用步骤(5)中的F个LSTM时间序列预测模型，分别预测不同观测变量的变化趋势，将各变化趋势输入到步骤(3)中训练好的多变量深度森林模型中，得到测试数据集以及预测值的健康状态，根据不同健康状态对应的时间和预测开始，计算得到发动机不同健康阶段的维持时间和RUL。