一种复杂工况下航空发动机多部件性能预测方法与流程

本发明涉及人工智能领域，尤其涉及一种复杂工况下航空发动机多部件性能预测方法。

背景技术：

1、航空发动机是一种燃气涡轮式航空发动机，主要特点是其首级扇叶的面积远大于涡轮喷气发动机的首级扇叶面积，它的增压扇叶同时具有螺旋桨和压缩空气的作用，能从穿过自身的空气之中获得航空飞行所需要的动能。发动机气路系统在运行时能够实现能量的转化，将燃油中的化学能转化为飞机运行时所需要的机械能，维持飞机的运行。

2、发动机气路系统结构复杂，是发动机众多子系统中最容易出现故障的系统，这也是气路参数呈现出不同退化模式的主要原因。其工作环境复杂，受各种内外因素影响，这包括气压、温度以及内部组件的相互影响等，这会导致发动机气路系统出现的不同的故障行为，如疲劳、磨损、腐蚀、变形和失稳。并且这些故障行为在不同的工况下的表现也有所不同，其最终会反映到气路系统的转速、温度和空气流量等观测测量参数上，从而使得退化出现不同的模式。

3、目前，针对航空发动机的部件性能预测的问题，主要是单功能分块实现，其方法只能实现，故障部件定位，故障部件不可测参数估计，不可测参数预测中的一部分内容。大部分情况，故障部件不可测参数估计和预测功能，融合在同一个神经网络中实现，导致神经网络的规模十分庞大，此外，还会带来长时预测困难，神经网络不收敛的问题。所以，一个能够适应多工况情形下，集成了部件故障定位，部件故障不可测参数估计，不可测参数预测功能的系统成为了一个需要探索的方向。

技术实现思路

1、本发明目的在于，提出一种多种工况下航空发动机多部件性能预测方法，增强航空发动机部件性能预测的系统性，以及提高在不可测参数长时预测方面的能力。解决航空发动机在复杂工况下多部件预测的难题。

2、为实现上述目的，本发明的技术方案如下：

3、一种复杂工况下航空发动机多部件性能预测方法，包括以下步骤：

4、步骤1、采集航空发动机多种工况下不同部位的截面压力和截面温度，通过对数据添加噪声扩充训练样本数据来模拟样本空间分布情况；对添加噪声后数据进行预处理，并将其划分为训练集和测试集；

5、步骤2、故障部件定位神经网络的训练：初始化故障部件定位神经网络；将训练集数据批量输入故障部件定位神经网络进行训练，直到收敛；通过调节超参数，进行复训练，使其达到最优；将测试集数据输入训练完成的故障部件定位神经网络，对其进行测试验证。

6、故障部件定位神经网络由多层bi-lstm神经网络和两层全连接层构成，其中第一层全连接层采用relu激活，第二层全连接层采用softmax处理，最终输出结果为独热编码形式。

7、具体步骤如下：

8、步骤2.1：将不同工况下的航空发动机数据混合到一起，对于故障种类进行独热编码，初始化故障部件定位网络的超参数和神经权重。

9、步骤2.2：将训练集数据批量输入至部件故障定位神经网络，通过部件故障定位神经网络前向传播输出的独热编码与训练集的独热编码数据对比，获得数据损失函数，利用部件故障定位神经网络反向传播的求导结果，更新各层bi-lstm网络和全连接层的神经权重；

10、步骤2.2.1：训练集数据批量输入至多层bi-lstm神经网络中进行计算；bi-lstm神经网络每一层具有相同的结构，通过超参数确定隐藏层的大小；bi-lstm神经网络的输出结果经由全连接层第一层进行relu激活后，输入第二层全连接层进行softmax函数处理，最终输出独热编码；

11、步骤2.2.2：根据故障部件定位神经网络前向传播的输出结果与训练集数据的标签数据对比，计算数据损失函数的输出结果；利用数据损失函数的输出结果对故障部件定位神经网络的神经权重进行求导，并更新各层网络的神经权重；

12、步骤2.2.3：重复步骤2.2.2，直到故障部件定位神经网络收敛；

13、步骤2.3：调节超参数，并重复步骤2.2，使故障部件定位神经网络性能达到最优；

14、步骤2.4：将测试集数据输入达到性能最优的故障部件定位神经网络，根据得到输出的独热编码定位故障部件。

15、步骤3、故障部件不可测参数估计神经网络训练过程，与步骤2中故障部件定位神经网络训练过程相同，包括初始化、训练、调节超参数、复训练，测试验证。

16、不可测参数估计神经网络由多层bi-lstm网络和两层全连接层构成，其中全连接层不需要relu激活和softmax函数处理，为普通全连接层。

17、步骤3.1：对于不同的工况下的数据，分别选取各个故障部件对应的故障数据，同样进行滑窗处理得到时间序列窗口。

18、步骤3.2：始化故障部件不可测参数估计神经网络的超参数和神经权重。

19、步骤3.3：将训练集数据批量输入故障部件不可测参数估计神经网络，通过故障部件不可测参数估计神经网络向前传播的输出结果与输入的训练集数据对比，获得数据损失函数；利用故障部件不可测参数估计神经网络反向传播的求导结果，更新各层bi-lstm网络和全连接层的神经权重。

20、步骤3.4：调节超参数，并重复步骤3.3使故障部件不可测参数估计神经网络性能达到最优。

21、步骤3.5：将测试集数据输入训练达到性能最优的故障部件不可测参数估计神经网络，并输出不可测参数。

22、步骤4、故障部件不可参数预测神经网络的训练过程也与步骤2中的训练过程相同，但采用的网络结构不同。故障部件不可参数预测神经网络基于transfomer神经网络，由位置编码层、多层完全相同的transformer编码器和一层普通全连接层构成。

23、步骤4.1：将步骤3获得的故障部件的不可测参数序列，进行滑窗处理，并分割为训练集和测试集。

24、步骤4.2：初始化故障部件不可测参数预测网络的超参数和神经权重。

25、步骤4.3：将训练集数据批量输入至故障部件不可参数预测神经网络，通过故障部件不可参数预测神经网络向前传播的输出结果与输入的训练集数据对比，获得数据损失函数，利用故障部件不可参数预测神经网络反向传播的求导更新transformer编码器和全连接层的神经权重。

26、步骤4.4：调节超参数，并重复步骤3.3使故障部件不可测参数预测神经网络性能达到最优。

27、步骤4.5：将测试集数据输入训练达到性能最优的不可测参数预测神经网络，最终得到故障部件性能失效点。

28、步骤5、通过步骤2的故障部件定位神经网络获得故障部件定位信息，步骤3的故障部件不可测参数估计神经网络根据定位信息选取相应的故障部件并进行不可测参数估计获得不可测参数，步骤4的故障部件不可参数预测神经网络根据不可测参数进行预测，最终输出预测值，根据预测值获得部件性能失效点。

29、所述步骤1中，预处理包括数据的添加噪声处理、归一化处理，其中，

30、添加噪声处理采用添加高斯白噪声的方式，计算方法如下：

31、

32、其中ps、pn分别表示干净信号和噪声的有效功率，信噪比(snr)是正常信号功率与噪声功率的比值，单位为db，信噪比应该越高越好。其中信号功率其实就是信号的能量或强度，在连续的情况下就是对信号x平方后求积分，而在离散情况下是对信号x平方后求和。

33、下式中x(n)和n(n)分别为干净信号和噪声：

34、

35、高斯白噪声的生成公式如下：

36、

37、其中n为信号离散值的个数，n为第几个离散值。

38、通过设置不同的信噪比，来控制添加噪声的强弱，丰富数据，增强神经网络系统的鲁棒性。

39、归一化处理采取标准化方法，计算方法如下：

40、

41、其中，为添加噪声后数据的标准差，为添加噪声后数据的均值，n为数据总数，z为归一化后的数据，zi为添加噪声后的数据。

42、所述步骤2、3、4中，超参数包括网络层数、隐藏层大小、学习率、隐层神经元个数和迭代次数。

43、所述步骤2中，故障部件定位神经网络能够识别多种工况下的部件故障，可以将在工况下用同一个网络进行故障部件定位，有效降低了网络的种类。输出结果采用独热编码可以将分类变量转换为稀疏向量，其中只有一个元素为1，其余元素为0，对应该样本所属的类别。

44、所述步骤3中，输出结果为输入序列的末尾时刻的故障部件不可测参数。

45、所述步骤4中，部件性能失效点为故障部件的不可测参数达到一定阈值的时刻。在该时刻部件性能严重衰退，可能引发安全事故。

46、与现有技术相比，本发明的有益效果：

47、本发明基于航空发动机在不同工况下各个部件的压力与温度传感器数据，利用深度学习在大数据前提下预测优势对该数据进行分析学习，以便对航空发动机故障部件进行定位，不可测参数估计与预测，可以为部件性能预测提供系统性方法，以避免航空发动机故障部件的失效。

48、对于部件故障定位与不可测参数估计采用双向长短期记忆网络(bi-lstm)，它是一种常用的循环神经网络(rnn)变体。

49、bi-lstm在序列标注任务中表现优异，它可以同时考虑上下文信息，有助于更准确地对每个位置的标签进行预测。因此适用于故障部件定位这种类似标注任务。bi-lstm能够同时考虑输入序列的过去和未来信息，通过前向和后向传播，可以更全面地理解和捕捉序列数据中的上下文信息，有助于提高模型对序列数据的建模能力。此外，bi-lstm利用前向和后向两个方向的信息流，有助于减轻梯度消失和梯度爆炸的问题，使得模型更容易训练。

50、对于故障部件不可测参数预测问题，采用transformer神经网络。transformer网络是一种基于自注意力机制(self-attention)的深度学习模型。transformer中的自注意力机制使得模型能够同时处理输入序列中所有位置的信息，而不受序列长度影响，这样可以实现更高效的并行计算，加快训练速度。由于自注意力机制的特性，transformer能够轻松地捕捉长距离的依赖关系，无需像rnn或lstm那样受限于固定的窗口大小，因此在处理长序列任务时表现更好。transformer能够同时考虑输入序列中所有位置的信息，而非局限于固定的上下文窗口，从而更好地捕捉全局信息，有利于提高模型对序列的理解能力。综合以上transformer神经网络的特点，其适用于航空发动机不可测参数的预测任务。