基于多变量多步CNN的航空发动机剩余寿命预测.pdf

引用格式:曹越.基于多变量多步 的航空发动机剩余寿命预测.航空计算技术():.():.基于多变量多步 的航空发动机剩余寿命预测曹 越(南京航空航天大学江苏 南京)摘 要:针对航空发动机状态参数多、非线性特征提取难、多环节剩余寿命预测累计误差高的痛点问题提出多变量多步卷积神经网络用于航空发动机剩余寿命预测 将多状态参数对应的长时间序列作为输入样本连续的剩余寿命值作为模型输出通过多变量多步卷积神经网络的特征提取与降维处理实现了从多状态参数到多步剩余寿命的端对端直接预测 利用 仿真数据集进行实例验证结果表明:多变量多步卷积神经网络能够高效准确的得到端对端剩余寿命预测结果与其他对比模型相比也有更低的预测误差关键词:卷积神经网络航空发动机状态参数剩余寿命端对端预测中图分类号:.文献标识码:文章编号:()():.().:引言智能化的健康管理能够对设备性能衰退过程进行速测和评估并预测设备未来的健康状况从而实现智能预测性维修 作为智能健康管理的重要支撑预测技术能够在充分分析设备故障模式、退化趋势、性能阈值等因素的基础上在故障前预测设备 从而减小停机损失保障系统安全可靠运行 随着空地数据链技术、传感器技术的快速发展能够得到海量的飞机状态监测系统()报文、快速存取记录器()数据和传感器数据用于航空发动机状态监控 在航空大数据时代爆炸量的数据规模给 预测带来了新的机遇和挑战 如何从海量的监测数据中充分挖掘出有价值的设备退化信息并准确地建立相应的 预测模型成为当前迫切需要研究的课题 预测模型包括统计分析方法和机器学习模收稿日期:修订日期:基金项目:国家自然科学基金联合基金项目资助()作者简介:曹 越()男江苏南京人硕士第 卷 第 期航 空 计 算 技 术.年 月 .型 典型的统计分析模型包括维纳过程、高斯过程和主成分分析 郭庆等利用非线性维纳过程构建了发动机退化模型并通过贝叶斯方法更新了模型参数从而实现了对性能退化的实时预测 等提出了一种基于维纳分布、改进卡尔曼滤波和自适应校正算法的 预测方法 李锋等建立了一个基于维纳过程的发动机退化模型并提出了一种结合贝叶斯估计和期望最大化算法的在线参数估计方法用于气缸 的在线预测 等使用非线性维纳过程退化模型来描述两阶段退化过程其参数可以通过最大似然估计和贝叶斯方法进行估计和更新 机器学习模型包括以马尔可夫模型、支持向量机和贝叶斯方法为代表的传统机器学习模型以及以卷积神经网络()、长短时记忆网络()、深度信念网络()为代表的深度学习方法 符式峰等提出了基于主成分分析和反向传播神经网络的航空发动机大修周期预测方法 杨洪富等将 用于航空发动机的排气温度预测 李京峰等分别使用 和 对多传感器数据进行时间序列预测和综合健康指数提取 等使用堆叠式自动编码器进行特征融合获得轴承的健康指标然后应用 挖掘健康指标与剩余寿命之间的映射关系 等构建了递归卷积层来模拟机械系统不同退化状态的时间依赖性并使用变分推理来量化递归 在 预测中的不确定性 等结合门控循环单元和注意力机制来预测滚动轴承的剩余寿命 等构建了航空发动机 估计的自注意网络 等介绍了以自动编码器、和递归神经网络为代表的深度学习模型在 预测中的应用目前常用的剩余寿命预测方法是从多状态参数中提取综合性能退化量并构建模型将多状态参数映射到性能退化量再通过时间序列预测和设置阈值得到剩余寿命预测结果 然而由于有些设备结构复杂退化分布未知很难准确地衡量其不同阶段的性能退化量 同时在将性能退化量作为中间变量并使用多步骤多模型实现从多状态参数性能退化量剩余寿命的预测任务过程中存在着各个模块训练目标不一致误差累积、难以协同优化的问题导致系统很难达到最优的性能 端对端模型可以将多个步骤和模块解决的任务整合到单个模型建模解决从而省去了中间环节提高了训练效率和精度因此本文基于多变量多步 提出了将状态参数直接映射到剩余寿命的端对端预测方法 通过将多状态参数对应的长时间序列作为输入样本连续的剩余寿命值作为模型输出构建多变量多步 模型用于剩余寿命的端对端直接预测 一方面通过多变量多步 能够实现对多状态参数的针对性时间序列预测从而最大限度地保留原始数据特征另一方面同时通过直接将多步的剩余寿命作为标签能够反映系统在一个连续时间段内的变化趋势防止单步预测出现的异常预测结果影响中长期预测效果 多步多变量 模型原理.模型 模型包括卷积层、池化层和全连接层 通过对输入样本进行 操作能够使输入样本经过卷积运算后仍然保持原尺寸 利用卷积核和不同窗口内的样本数据做内积运算通过滑动窗口完成整个样本的卷积运算其中通过多个卷积核对样本进行处理可以得到包含多通道的特征图从而将低维度特征映射到高维度空间 在经过卷积操作后设置通道数为可以得到 个特征图 池化运算可用于压缩数据和参数常用的池化操作包括最大值池化和平均值池化将提取的多通道隐层特征展开到一维的全连接层中通过激活函数将全连接层映射到输出层得到模型预测结果在 模型前向传播过程中设置输入层 和卷积层 之间的权重和偏置分别为 和 可以得到:()()()/()()同理可以得到做最大值池化操作后的池化层 结果为:()()其中在最大值池化操作中每 窗口内保留最大值作为结果将池化层 一维展开后就可以得到全连接层 设定全连接层与输出层之间的权重为 和 可以得到输出层 为:()()假设实际样本标签为 定义其交叉熵损失函数为:()其中表示第 个出输出节点的预测结果 是样本个数根据损失函数的定义和偏导求解可以得到在反向传播过程中 模型参数的更新公式:()年 月曹 越:基于多变量多步 的航空发动机剩余寿命预测 ()()().多变量多步 模型在传统的卷积神经网络模型基础上可以通过改变输入、输出和中间层模型结构构建用于时间序列预测的多变量多步卷积神经网络模型 这种模型可以将时间序列分成多个输入/输出模式用于预测未来多个时间步的输出 具体地可以将 个时间步作为输入 个时间步作为输出使用这样的模型来预测未来 个时间步的输出值 模型的关键在于输入的形状参数其中包含样本数、时间步数和特征数 每个样本的输入形状在第一个隐藏层中定义训练数据的输入维度或形状为:样本时间步特征 基于滑动窗口的样本生成过程如图 所示 假设有 个并行序列每个序列有 个时间步 我们可以选择前 个时间步的值作为输入样本将剩余时间步的值作为样本标签滑动窗口的宽度为 滑动步长为 通过滑动窗口的方式可以获取样本数据和对应的标签用于训练时间序列预测模型 为了更好地处理序列多变量输入的问题可以为每个输入序列使用单独的一维卷积神经网络()进行处理并将多个 模型的输出进行组合从而实现多变量多步时间序列预测图 基于滑动窗口的样本生成 端对端剩余寿命预测模型基于多变量多步 的端对端剩余寿命预测模型如图 所示 主要包含数据采集与预处理、预测模型构建和多步预测结果输出 个部分)数据采集与预处理 采集到全寿命周期的 个状态参数作为样本将 个时间序列的剩余寿命值作为样本标签 同时对原始状态参数进行平滑化处理得到 个状态参数的长时间序列样本)预测模型构建:针对每个状态参数将其分别输入到不同的 中进行卷积和池化处理 这里使用 是为了对每个状态参数进行更精细化的处理)多步预测结果输出:从每个 模型的全连接层中提取特征并将多个卷积神经网络的全连接层拼接到一起并将全连接层与输出层相连接得到多步剩余寿命预测通过上述步骤能够实现从多状态参数到多步剩余寿命的端对端直接预测从而减少了因中间环节而造成的累计误差图 端对端剩余寿命预测模型流程示意 实例验证本文选取美国国家航空航天局的商用模块化航空推进系统仿真数据集()数据集用于实例验证 将个典型的状态参数 作为输图 平滑处理后的多个状态参数 航 空 计 算 技 术 第 卷第 期入并采用累积平均方法对长时序状态参数进行平滑化处理从而在保留输入特征的同时降低噪声干扰经过平滑处理后的 个状态参数如图 所示构造样本量为、步长为、通道数为 的 输入数据并按照通道的不同构建 个独立的 模型用于特征提取并将不同的 提取到的多通道特征进行一维展开和拼接并将其与输出层相连接从而实现 个步长的时间序列预测如图图 多步多变量 模型图 设置训练和测试样本比例为:在训练和测试过程中误差变化如图 所示经过 个 的训练训练样本均方误差()值降低到.可以看出经过训练能够构建时间序列预测模型用于直接挖掘多状态参数与剩余寿命之间的映射关系 经计算其全寿命周期内的剩余寿命预测平均绝对误差()为.循环说明通过调整预测步长能够实现对剩余寿命变化趋势和数值较为准确的预测图 多步多变量 模型图为了验证本文提出的端对端预测模型的有效性构建了基于性能退化分析的剩余寿命预测模型其中基于主成分分析和分布拟合得到的综合性能退化指标 构建基于 的时间序列预测模型对综合性能退化量进行时间序列预测 设置隐层节点为 批次数为 每 个时间序列预测 个指标值训练样本和测试样本按照:设置可以得到训练 个 后的训练误差和测试误差如图 所示 可以看出 的训练和测试误差都在.左右图 的训练误差和测试误差通过对单步预测结果的反复迭代可以得到后面时间序列的预测结果在设置阈值为.后可以得到从初始退化到失效的全寿命周期内剩余寿命预测与实际值之间的 为.循环 说明 模型虽然有较高的单步预测精度但是在长时间序列的滚动预测过程和根据阈值求解剩余寿命预测的过程中存在这一定的误差累计现象导致最终的剩余寿命预测结果偏高与 模型类似可以构建基于循环神经网络()、门控循环单元()、整合移动平均自回归模型(年 月曹 越:基于多变量多步 的航空发动机剩余寿命预测 )的时间序列预测模型用于得到剩余寿命预测结果 其中 和 的模型结构和节点设置与 相同 模型参数选择默认值进行拟合模型经过训练后用于样本测试可以得到如表 所示的全寿命周期 误差对比结果 结果表明本文提出的多变量多步 与传统 方法相比预测精度有很大提升与当前较为流行的、和 模型相比误差也更小证明了该方法的有效性表 不同模型的全寿命周期 误差模型 误差.多变量多步 .综上所述与传统单步的考虑退化过程的剩余寿命预测方法相比本文提出的多变量多步 具有更加简洁的模型结构和更少的求解环节能够得到更准确的剩余寿命预测结果 结束语为实现数据驱动的航空发动机精准 预测本文提出基于多变量多步 的时序预测模型 与传统的基于性能退化的间接预测模型相比多变量多步 能够实现从多状态参数到 的端对端直接预测 通过对多状态参数构建多变量 模型能够对不同维度的样本进行针对性分析从而充分挖掘多状态参数的深层次特征 多步预测能够反映航空发动机在一个连续时间段内的性能变化趋势防止单步预测出现的异常预测结果影响中长期预测效果 利用 的 数据集用于实例分析和模型预测结果对比结果表明本文提出的多变量多步 能够得到最低的 预测误差并简化建模和分析过程从而实现更高效和精准的 预测 在接下来的研究中可以针对更多维度和更长时间序列的样本集构建更深层的深度学习模型用于航空发动机 预测参考文献:易文川王兴王翔等.基于集成学习的航空发动机排气温度预测.航空计算技术():.郭庆李印龙.基于气路参数融合的涡扇发动机性能退化预测.航空动力学报():.:.李锋苑志凯何祯鑫等.退化数据驱动的气缸剩余寿命在线预测.振动测试与诊断():.:.符式峰贾晓亮安磊等.基于 的航空发动机大修周期预测方法.航空计算技术():.杨洪富贾晓亮.基于 的航空发动机排气温度预测.航空计算技术():.李京峰陈云翔项华春等.基于 的航空发动机剩余寿命预测.系统工程与电子技术():.:.:.:.():.:.:.:.:.:.:.:.:.航 空 计 算 技 术 第 卷第 期