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;
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。
2.根据权利要求1所述的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,步骤S1中,训练集中的数据为发动机从初始状态一直运行到出现故障时的各个传感器数据和运行时长;测试集中的数据为发动机从初始状态运行到随机停止的某一时刻的各个传感器数据和运行时长;验证集中的数据只有测试集中未运行完的时长。
3.根据权利要求1所述的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,步骤S2中,剩余寿命标签是从每个航空发动机运行周期中选取对应周期中的最大值,然后添加到航空发动机标号之前,开始依次递减,直到递减到0,标志着一个周期运行结束。
4.根据权利要求1所述的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,步骤S3中,采用归一化中的线性函数归一化,使参数全为(0,1)之间的小数,数据集中的每个发动机都包含24个传感器数据和3个条件设置数据,将27个参数进行预处理。
5.根据权利要求1所述的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,步骤S4中,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。
6.根据权利要求5所述的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,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。
7.根据权利要求5所述的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,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。
8.根据权利要求1所述的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,步骤S5中,对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的评估使用的算法性能指标MAE和MSE如下:其中, 为发动机的寿命预测值,yi为发动机寿命的真实值, 为发动机的寿命的均值。
9.根据权利要求1所述的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,步骤S6中,拟合优度R2为:其中, 为发动机的寿命预测值,yi为发动机寿命的真实值,为发动机的寿命的均值。
10.根据权利要求1所述的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,步骤S7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。