一种基于卷积神经网络的推力室剩余寿命预测方法

本发明涉及一种，尤其是涉及一种基于卷积神经网络的推力室剩余寿命预测方法。

背景技术：

1、液体火箭发动机推力室是发动机的核心组件，负责产生推力以推动火箭飞行。然而，推力室在点火实验中承受着极端的工况，如高温、高压和化学腐蚀等，这些因素会导致推力室的失效，主要包括热疲劳裂纹、材料蠕变、烧蚀、熔融和机械损伤等。这些失效形式会严重影响发动机的性能和可靠性，甚至可能导致发动机故障。

2、传统的推力室寿命预测方法主要依赖于物理模型和经验公式，这些方法往往基于简化的假设和有限的实验数据，存在预测精度低、实时性差和适用性有限等问题。此外，传统方法难以考虑推力室内部复杂的物理和化学过程，无法准确预测推力室的剩余寿命。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的推力室剩余寿命预测方法，通过采集推力室的实时监测数据和无损检测特征，训练卷积神经网络模型，实现对推力室剩余寿命的准确预测。该方法具有高效、准确、可靠的特点，可广泛应用于液体火箭发动机的维护和健康管理，有助于提高发动机的性能和安全性。

2、本发明的目的可以通过以下技术方案来实现：

3、深度学习技术的发展为推力室剩余寿命预测提供了新的可能性。卷积神经网络(cnn)作为一种深度学习模型，具有强大的特征提取和模式识别能力。cnn能够自动学习和提取数据中的复杂特征，无需人工特征工程，大大减少了人力成本。此外，cnn具有较好的泛化能力，能够处理大量的高维数据，提高预测精度和实时性。因此，将cnn应用于推力室剩余寿命预测具有巨大的潜力和优势。

4、本发明提供一种基于卷积神经网络的推力室剩余寿命预测方法，包括以下步骤：

5、s1：数据采集：

6、对液体火箭发动机推力室进行分阶段多次点火实验，直至推力室失效。记录每次点火实验中推力室的实时监测数据，包括压力、温度、振动；记录每次点火实验的累积点火时长；在每阶段点火实验结束后，使用无损检测手段探查推力室的缺陷、裂纹、变形特征，基于推力室失效的累积时长、推力室的实时监测数据、使用无损检测得到的缺陷特征构建数据集；

7、s2：数据预处理：

8、对s1中采集到的数据进行清洗、标准化和归一化处理，以提高数据质量和可利用性；对无损检测得到的图像数据进行增强，增强包括：旋转、翻转、缩放，以增加数据的多样性和模型的泛化能力；

9、s3：模型设计与训练：

10、设计卷积神经网络cnn模型，包括：卷积层、池化层和全连接层，以提取和整合推力室数据中的特征信息，利用s1中得到的数据集进行训练；使用激活函数和正则化技术提高模型的非线性建模能力和防止过拟合；使用损失函数和优化器对模型进行训练，通过前向传播和反向传播调整网络权重，以最小化预测误差；

11、s4：模型评估与测试：

12、使用独立的测试集对模型的泛化能力进行评估，计算预测精度、均方误差等性能指标；

13、s5：模型部署与应用：

14、将训练好的模型部署到实际应用中，用于预测推力室的剩余寿命；根据模型预测结果，制定相应的维护和更换计划，以确保发动机的安全性和可靠性。

15、进一步的，s1中，所述无损检测手段包括：超声波检测、射线检测、计算机断层扫描。

16、进一步的，s3中，所述激活函数为：relu、sigmoid中的一种，所述正则化技术为：dropout、batch normalization中的一种，所述损失函数包括：均方误差，所述优化器为：adam、rmsprop中的一种。

17、进一步的，s1中，监测数据采集方法具体包括：

18、实时监测数据的记录：在每次点火实验期间，使用高精度的传感器和测量设备实时记录推力室的运行数据，如表1所示。确保所有传感器数据同步采集，并实时存储在数据采集系统中，以便后续分析和处理；

19、无损监测特征采集：在每次点火实验阶段结束后，使用无损检测技术对推力室进行详细的检查，从无损检测的图像和信号中提取推力室的缺陷特征，缺陷特征包括：裂纹长度、宽度、位置、形状、材料变形的程度和模式，将无损检测得到的特征数据记录在专门的数据库或文件中，以便于后续的数据预处理和模型训练；

20、记录每次点火实验的累积时长，包括单次点火时长和多次点火的总时长，各阶段持续时间分别为5s、10s、30s、60s、300s，直至失效；

21、累积点火时长作为推力室寿命预测的一个重要参数，反映了推力室承受的累积热负荷和机械负荷；

22、将实时监测数据和无损检测特征数据进行整合，形成完整的训练数据集；使用数据管理系统对数据进行分类、标记和管理，确保数据的质量和可追溯性。

23、通过上述数据采集步骤，可以获取到推力室在点火实验过程中的全面运行状态和健康状态信息。这些数据是后续卷积神经网络模型训练和剩余寿命预测的基础。

24、进一步的，s2中，所述数据预处理包括：数据清洗、标准化、归一化、数据增强；

25、数据清洗具体为去除噪声和异常值，确保数据质量，数据清洗的方法为使用统计方法(如箱线图)识别和去除异常值；

26、标准化(z-score标准化)具体为：不同特征的量纲和分布可能不同，标准化可以消除这些差异，使每个特征对模型的影响相同，便于模型训练；

27、

28、式中，μ是数据的平均值，σ是数据的标准差；

29、归一化(min-max归一化)具体为：将数据压缩到[0,1]区间内，加快模型收敛速度；

30、

31、式中，xmin是数据的最小值，xmax是数据的最大值；

32、数据增强具体为：增加数据的多样性，提高模型的泛化能力；对图像数据进行旋转、翻转、缩放操作；对信号数据进行时间扩展、压缩、加噪处理。

33、进一步的，所述数据预处理还包括：特征工程、缺失值处理、数据分割；

34、特征工程具体为：提取对模型有用的特征，减少无关特征的影响；使用时间序列分析提取信号的周期性特征；

35、缺失值处理具体为：对于缺失值，可以选择填充(如使用平均值、中位数或通过模型预测填充)或删除含有缺失值的样本；

36、数据分割具体为：将数据集分割为训练集、验证集和测试集，以评估模型的性能；使用70％-80％的数据作为训练集，10％-15％的数据作为验证集，剩余的作为测试集。

37、进一步的，s3中，所述模型设计过程中构建cnn架构具体为：

38、输入层：接受预处理后的数据，包括无损检测的图像或信号数据；

39、卷积层：使用卷积核提取局部特征；

40、

41、式中，f为输入数据，g为卷积核，*为卷积符号，n为输入数据中的一个元素，a为卷积核的大小，通常是一个整数；

42、激活函数：使用relu激活函数f(x)＝max(0,x)增加模型的非线性；

43、池化层：使用最大池化减少数据维度pooled(x,y)＝maxi,j(x+i,y+j)；

44、全连接层：将卷积层和池化层输出的特征进行连接，

45、y＝wx+b，

46、式中，w是权重，b是偏置；

47、输出层：根据任务需求设计输出层的单元数和激活函数，对于回归任务，通常使用线性激活函数。

48、进一步的，s3中，所述模型设计过程中，对于回归任务，使用均方误差mse损失函数，

49、

50、式中，y是真实值，是预测值；

51、使用adam优化器，通过计算梯度的一阶矩估计和二阶矩估计，然后使用这些估计来调整参数，以提高梯度的估计精度；这种方法使得adam优化器能够适应不同的学习速率，并且在训练过程中动态调整每个参数的学习率。

52、mt＝β1mt-1+(1-β1)gt，

53、

54、式中，gt是当前梯度；mt、vt分别为梯度的一阶、二阶矩阵估计；t为迭代次数；β1、β2分别为动量项与rmsprop项的指数衰减率，控制过去梯度信息的遗忘速度，其值通常设置在0.9到0.999之间；

55、

56、

57、

58、式中，分别是修正后的一阶、二阶梯度矩阵估计；θt、θt+1分别为当前参数值与更新后的参数值；α是学习率，ε是一个很小的常数以防止除以零。

59、进一步的，s3中，模型训练包括：

60、前向传播：输入数据通过卷积层、池化层和全连接层的前向传播，计算得到输出层的预测值；

61、计算损失：使用损失函数计算预测值和真实值之间的差异；

62、反向传播：根据损失函数计算的梯度，使用链式法则反向传播更新网络权重；

63、权重更新：使用优化器的更新公式调整网络的权重；

64、迭代训练：重复上述过程，每次迭代更新权重，直到达到预定的迭代次数或损失函数的值低于设定阈值；

65、验证与调优：在验证集上评估模型的性能，调整模型参数(如学习率、批次大小)和结构(如层数、过滤器数量)以优化模型；

66、保存模型：训练完成后，保存模型参数以便于后续使用。

67、进一步的，s4中，模型测试包括：

68、从原始数据集中分离出一个独立的测试集，这个测试集在模型训练过程中从未被使用过；

69、使用训练好的cnn模型对测试集中的数据进行预测；

70、均方误差mse：计算预测值和真实值之间的平均平方差；

71、

72、决定系数(r2)：评估模型对测试集数据的解释能力；

73、

74、式中，yi是测试集的真实值的平均值，是测试集的预测值的平均值。

75、与现有技术相比，本发明具有以下优点：

76、本发明通过采集推力室的实时监测数据和无损检测特征，训练卷积神经网络模型，实现对推力室剩余寿命的准确预测。该方法具有高效、准确、可靠的特点，可广泛应用于液体火箭发动机的维护和健康管理，有助于提高发动机的性能和安全性。