一种基于知识与数据融合驱动的航空发动机寿命预测方法

本发明提供一种基于知识与数据融合驱动的航空发动机寿命预测方法，属于航空发动机寿命预测。

背景技术：

1、随着智能制造和工业4.0概念的兴起与推进，设备健康管理(prognostics andhealth management,phm)以及预测性维护(predictive maintenance,pdm)的重要性日益凸显，在确保生产系统的可靠性、安全性及经济效益方面越发重要；在此背景下，剩余使用寿命预测(remaining useful life,rul)作为工业应用的重要研究方向，要求对机械设备从当前时刻到完全失效的预期持续时间进行有效估计。

2、航空发动机作为飞机的动力部件，其可靠性和安全性直接关系到飞行的安全，然而发动机在运行过程中不可避免地会受到各种因素的影响，如高温、高压、振动、腐蚀等，导致其性能逐渐退化，剩余使用寿命不断减少；因此准确预测航空发动机的剩余使用寿命对于确保飞行安全、优化维修策略和降低运营成本具有重要意义。

3、目前针对航空发动机剩余使用寿命的预测方法主要有：通过深入理解发动机的物理退化过程和故障机制来预测rul，然而，由于系统运行机理的高度复杂性，获取精准物理模型的成本高昂；此外，深度学习技术成为一个有效的手段，用以处理高度非线性和变化的序列数据，包括全连接神经网络(fcn)，循环神经网络(rnn)，卷积神经网络(cnn)、基于注意力机制的transformer，图神经网络(gnn)等，可以利用上述先进的网络架构在rul预测任务中获得相比传统方法更好的结果。

4、基于深度学习的航空发动机rul预测技术可以被划分为两类：基于时间模式的方法和基于时空模式的方法：

5、第一类策略主要关注于挖掘序列内部复杂的时间变化；经典的网络架构有长短期记忆网络(lstm)和门控循环单元(gru)，其依赖于马尔卡夫假设对序列数据进行建模。例如，sayah等人提出了一种用于航空发动机rul预测的多层lstm。luo等人将后验分析与大量的gru分类器相结合，有效的解决了寿命预测中的多路径退化问题。这些方法虽然取得了一些好的结果，但其效率受到顺序计算范式的影响。相比之下，时间卷积网络(tcn)由于其并行计算的能力和高效的特征提取机制，在rul预测任务中展现出独特的优势。wang等人采用tcn处理多维多通道传感器数据，并提出了一种具有软阈值机制的新型时间卷积神经网络用于发动机rul预测。cao等人使用tcn来捕获时间依赖关系并从振动信号中提取高级特征表示并取得了较好的预测效果。然而，由于一维卷积核的局限性，它们仅能对相邻时间点之间的变化建模。近年来，具有注意力机制的transformer已被广泛用于提取时序数据的长期依赖。zhang等人利用注意力机制处理非相邻时间点之间的关联，并提出基于改进transformer的集成多头双稀疏自注意力网络来提升rul预测效果。

6、第二类策略往往在第一类策略的基础上，考虑了多传感器之间潜在的空间关联。相关研究通常采用注意力机制或图神经网络来学习传感器之间的关系，以增强对预测起到关键作用的特征贡献值。例如，liu等人提出了一种新的基于数据驱动的飞机引擎rul估计框架，他们使用了一个带有通道关注的cnn获取更重要的关键元素。随后，利用transformer模型将注意力集中在这些重要的特征上。为了揭示与退化过程最密切相关的特征，chen等人为lstm增加了一种注意力机制，这使得他们能够赋予重要的样本和特征更多的权重。sun等人将多个传感器被构造成一个传感器网络，利用层次图表示层建模空间依赖性，以实现传感器的有效信息融合。

7、然而，虽然上述方法均可以实现对航空发动机使用寿命的预测，但它们主要受益于在从传感器监测数据中捕获时间依赖性和空间关联性的进展，仍然存在以下的局限性和缺陷：

8、(1)在航空领域，发动机系统的运行环境复杂多变，受到多种不可预测因素的影响，如操作条件的变化、环境扰动以及设备老化等。这些因素导致航空发动机退化过程具有高度的不确定性，其退化轨迹被噪声所掩盖，难以准确建模。

9、(2)基于数据获得传感器潜在空间关联存在不足，它们通常缺少对发动机物理特性和运行机理的深入理解，这种缺陷限制了模型在面对数据分布变化时的泛化能力和鲁棒性。实际上，领域知识已被证明可以指导深度学习的建模，但如何将其与数据驱动方法相结合，依然是一大难点。

技术实现思路

1、本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于知识与数据融合驱动的航空发动机寿命预测方法。

2、为了解决上述技术问题，本发明采用的技术方案为：一种基于知识与数据融合驱动的航空发动机寿命预测方法，包括如下的预测步骤：

3、步骤一：采用k-means聚类算法基于操作设置获得不同的条件分类，并对每一个条件分类的类别采用z-score操作对数据进行标准化处理，处理采用的计算公式为：

4、

5、式中：s表示传感器的集合，c表示条件的集合，i和j分别表示第i个传感器和第j个条件分类，ui，j和σi，j分别表示第j个条件分类下第i个传感器的平均值和标准差,xi，j和zi，j分别表示标准化前和标准化后的数据；

6、然后采用指数加权移动平均法对数据进行平滑处理，处理采用的计算公式为：

7、zt＝α*zt+(1-α)*zt-1；

8、式中：z′t表示zt滤波后的值，α表示滤波系数，t表示时间步；

9、步骤二：基于随机微分方程和领域知识对航空发动机rul预测模型进行构建：

10、步骤2-1：采用标准的1×1卷积，将预处理后的数据z∈rt×n投影到潜在高维空间，获得原始数据的嵌入表示x，表达式为：x＝embedding(z)；

11、步骤2-2：利用编码器提取数据的高级特征表示：

12、步骤2-2-1：通过门控循环单元gru处理数据，捕获时序依赖关系，获得隐藏状态；

13、步骤2-2-2：利用随机微分方程sde对发动机退化过程进行建模；

14、步骤2-2-3：利用门控循环单元gru输出求解随机微分方程sde，获得原始数据的特征矩阵；

15、步骤2-2-4：构建航空发动机知识图谱，具体归纳得到航空发动机组件之间的组成关系、连接关系、流向关系、监测关系；

16、步骤2-2-5：进行知识转化，获得基于知识的多传感器相关性矩阵；

17、步骤2-2-6：进行知识嵌入与自适应融合；

18、步骤2-3：采用线性残差模块作为模型的解码器，将编码后的隐藏表示映射到潜在空间，将隐藏层映射到输出的线性层上同时使用dropout，并在输出处使用层归一化，表达式如下：

19、y＝decoder(o)；

20、步骤2-4：解码器输出y将通过线性层获取最终的航空发动机rul预测值，表达式为：

21、rul＝linear(y)；

22、步骤三：对步骤二所构建的网络进行训练与测试，选择均方根误差rmse作为损失函数，采用自适应学习率的adam优化算法，通过动态调整每个参数的学习率，加速模型的收敛速度，同时提高训练的稳定性。

23、所述步骤2-2-1中捕获时序依赖关系，获得隐藏状态的具体方法为：

24、通过门控循环单元gru处理数据，捕获时序依赖关系，获得隐藏状态ht，表达式为：

25、rt＝σ(xtwxr+ht-1whr+br)；

26、ut＝σ(xtwxu+ht-1whu+bu)；

27、ct＝relu(xtwxc+rt☉whc+bc)；

28、ht＝(1-ut)☉ht-1+ut⊙ct；

29、式中：⊙是逐元素乘积，σ为sigmoid激活函数，xt表示该层在时间t的输入，wxr，whr，wxu，whu，wxc，whc，br，bu和bu均为模型参数。

30、所述步骤2-2-2中对发动机退化过程进行建模的具体方法为：

31、采用的随机微分方程sde的表达式为：

32、dxt＝u(t，xt)dt+σ(t，xt)dwt，x0＝x0；

33、式中：xt表示系统在时间t的状态；u(t，xt)和σ(t，xt)是确定性函数，分别代表系统的漂移和扩散特性；dwt为维纳过程或布朗运动的微分，代表系统受到的随机波动或噪声；

34、采用euler-amaru数值方法进行求解，通过离散化时间步长，逐步逼近sde的解，得到系统状态随时间的演化轨迹，计算公式为：

35、

36、式中：δt为单位时间段的长度；u(t，xt)和σ(t，xt)分别代表漂移项和扩散项；∈t代表噪声项；

37、根据上式，通过迭代求解得到每一步的状态xt。

38、所述步骤2-2-3中获得原始数据的特征矩阵的具体方法为：

39、将门控循环单元gru提取的隐藏状态ht输入到随机微分方程sde中，分别计算漂移项ut(t，xt)、扩散项σt(t，xt)、噪声项∈t(t，xt)，利用三个不同线性层将ht投影到潜在空间，获取未知项表示；

40、对于∈t，采用sigmoid函数来自适应调整随机生成的噪声z的强弱，表达式为：

41、ut(t，xt)＝linearu(ht)；

42、σt(t，xt)＝linearσ(ht)；

43、∈t(t，xt)＝sigmoid(linea∈(ht))*zt；

44、式中：linearu，linearσ，linear∈表示三个不同的线性层，sigmoid代表激活函数，zt为t时刻随机生成的噪声，且服从正态分布；

45、然后将漂移项ut(t，xt)、扩散项σt(t，xt)、噪声项∈t(t，xt)带入下式：

46、

47、以迭代求解得到每一步的状态xt；

48、通过计算相邻时间步之间的差分来构建模型，表达式为：

49、

50、

51、差分序列δx＝{δx1，δx2...δxt，...δxt}能够反映时间序列数据的变化趋势和动态特征，通过上述步骤获得原始数据的特征矩阵xfea。

52、所述步骤2-2-4中构建航空发动机知识图谱的具体方法为：

53、对组成关系进行归纳：描述构成涡扇发动机整体系统的各个组件；

54、对连接关系进行归纳：描述涡扇发动机中各个组件之间的物理连接方式；

55、对流向关系进行归纳：描述涡扇发动机中气体和液体的流动路径；

56、对监测关系进行归纳：描述涡扇发动机中各个组件的关键参数由哪些传感器监测；

57、基于上述归纳信息对涡扇发动机知识图谱进行构造。

58、所述步骤2-2-5中进行知识转化的具体方法为：

59、对于知识图谱中的一个三元组(u，v，w)，采用transe模型通过优化以下目标函数来学习实体和关系的向量表示：

60、

61、式中：u，v，w分别表示头实体，关系和尾实体的向量表示，θ表示知识图谱中的所有三元组集合；

62、通过优化上述目标函数，获得每个实体的嵌入e，然后采用皮尔森相关系数计算实体之间的相似度，获得基于知识的多传感器相关性矩阵a1。

63、所述步骤2-2-6中进行知识嵌入与自适应融合的具体方法为：

64、随机初始化基于数据的多传感器相关性矩阵a2，将基于知识的相关性矩阵a1和基于数据的相关性矩阵a2进行融合，生成综合相关性矩阵a，采用自适应权重分配的方法，动态调整两个矩阵的权重：

65、将a1∈rd×d和a2∈rd×d扩展维度为a1∈r1×d×d和a2∈r1×d×d，然后利用2d卷积获取自适应权重参数α，表达式为：

66、

67、a＝αa1+(1-α)a2；

68、式中：σ是sigmoid激活函数，g(·)表示2d卷积层，表示矩阵拼接；α为自适应权重参数，取值范围在[0,1]之间；

69、通过优化α的取值，实现a1和a2的有效融合；

70、特征矩阵xfea将与融合后的传感器关系矩阵a相乘，编码器输出将表示为o，表达式为：

71、o＝axfea。

72、本发明相对于现有技术具备的有益效果为：本发明提出一种基于知识与数据融合驱动的航空发动机寿命预测方法，涉及航空发动机故障诊断与寿命预测，具体针对目前航空发动机退化过程具有高度的不确定性，难以准确建模，且传统深度学习方法数据依赖性高且泛化性差，无法有效利用领域知识的问题，设计出gru-sde模块，创新性地利用随机微分方程模拟航空发动机的退化过程，更准确地刻画了退化过程的不确定性和随机性；本发明针对航空发动机领域知识构建了知识图谱，并通过自适应融合的方式将其与数据驱动的学习过程相结合，有效地将领域知识嵌入到深度神经网络中，提高了模型的解释性和泛化能力。