申请/专利权人：长安大学

申请日：2020-06-08

公开（公告）日：2024-04-16

公开（公告）号：CN111639467B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/15;G06N3/0442;G06N3/0464;G06N3/045;G01M15/14;G06F119/04;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.10.02#实质审查的生效;2020.09.08#公开

摘要：本发明公开了一种基于长短期记忆网络的航空发动机寿命预测方法，将发动机的历史数据分为训练集、测试集和验证集；给训练集中航空发动机的每个周期添加剩余寿命标签并进行预处理；设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型并训练；将测试集的数据放入训练的模型中得出测试集在模型训练中MAE值和MSE值；将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比，得出相应的拟合优度验证预测的准确度和方法的可行性；将准确率最高的模型进行封装放到一个计算单元中，同时预测结果可视化。本发明所设置的神经网络移植性高、预测速度快、预测精度高且预测过程和结果完全可以可视化，操作方便简单。

主权项：1.一种基于长短期记忆网络的航空发动机寿命预测方法，其特征在于，包括以下步骤：S1、将发动机各个传感器采集的历史数据分为训练集、测试集和验证集；S2、给训练集中航空发动机的每个周期添加剩余寿命标签；S3、对步骤S1和步骤S2的数据进行预处理；S4、设计基于卷积神经网络和长短期记忆网络的航空发动机剩余寿命模型，训练模型，将经过步骤S3数据归一化与添加剩余寿命标签后的训练集作为卷积神经网络的输入，在经过CNN构建和参数调试后，提取出数据特征后作为长短期记忆网络的输入，在经过LSTM网络构建和参数调试后，输出航空发动机从初始状态到出现故障之间不同传感器参数所对应剩余寿命，得到一个剩余寿命预测模型，对数据进行处理之前可以使用CNN对收据进行特征选取，具体为： 其中，n＝1,2,...,N，m为传感器数目，T为卷积核一次处理的时间序列长度，σ表示激活函数，W表示权重，b表示偏置；经过CNN提取数据特征后作为LSTM网络的输入，其LSTM的公式如下： 其中，σ表示激活函数，W表示权重，b表示偏置，Ct表示LSTM网络的记忆状态量，it表示输入门的输出，ft表示遗忘门的输出，Ot表示输出门的输出；S5、将测试集的数据放入步骤S4训练出的模型中，得出测试集在模型训练中MAE值和MSE值；S6、经过步骤S5得出测试集中每个航空发动机在随机停止运行时的剩余寿命，将测试集中得出的剩余寿命标签与真实剩余寿命数据集进行对比，得出相应的拟合优度R2验证预测的准确度和方法的可行性；S7、将准确率最高的模型进行封装放到一个计算单元中，将预测结果可视化，具体为：S701、通过数据采集器对发动机上的传感器数据进行采集；S702、将采集的数据进行归一化处理，并存储原始数据到历史数据中；S703、将处理后的数据放入计算单元中进行剩余寿命预测；S704、将发动机的剩余寿命结果可视化。

全文数据：

权利要求：

百度查询： 长安大学 一种基于长短期记忆网络的航空发动机寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD