劉偉民，胡忠志

（1.中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063；2.清華大學(xué)航空發(fā)動機(jī)研究院，北京100084）

0 引言

航空發(fā)動機(jī)健康管理技術(shù)是航空制造業(yè)、運輸業(yè)和維修業(yè)共同關(guān)注的熱點問題。從技術(shù)手段上提高航空發(fā)動機(jī)可靠性、可用性與安全性是各航空大國共同追求的目標(biāo)[1]。美國、俄羅斯、英國等能夠自主研制航空發(fā)動機(jī)的國家，都將發(fā)動機(jī)故障預(yù)測與健康管理系統(tǒng)（Prognostics and Health Management，PHM）放在重要位置。而剩余壽命預(yù)估作為航空發(fā)動機(jī)故障預(yù)測與健康管理系統(tǒng)的重要組成部分，是連接狀態(tài)監(jiān)視、故障診斷及預(yù)測、運維支持系統(tǒng)的重要橋梁[2]，對降低發(fā)動機(jī)運維成本、維護(hù)其運行安全、減少部件無效替換次數(shù)等具有顯著意義。

目前對航空發(fā)動機(jī)剩余壽命進(jìn)行預(yù)估的方法大致可分為基于模型、經(jīng)驗、數(shù)據(jù)3類[2]。在基于模型的方法中，An 等[3]采用貝葉斯推理、Wei 等[4]采用擴(kuò)展卡爾曼濾波、Zio 等[5]采用粒子濾波的方法，基于發(fā)動機(jī)退化模型與部分傳感器數(shù)據(jù)對發(fā)動機(jī)剩余壽命進(jìn)行預(yù)估，但是由于發(fā)動機(jī)各部件之間退化存在耦合，且退化模型建立困難，所以基于模型的方法具有較大的局限性。在基于經(jīng)驗的方法中，戎翔[6]基于可靠性統(tǒng)計的方法建立威布爾模型，得到研究對象當(dāng)前運行時間下剩余壽命的分布函數(shù)；Bai 等[7]根據(jù)性能可靠性建模理論，建立研究對象的威布爾分布的性能可靠性模型，從而進(jìn)行壽命預(yù)估?；诮?jīng)驗的壽命預(yù)估方法易于實現(xiàn)，但是其預(yù)測精度普遍較低。在基于數(shù)據(jù)的方法中，Yan 等[8]、Liu 等[9]利用自回歸滑動平均模型對研究對象剩余壽命進(jìn)行預(yù)估，具有較高精度，但是存在對數(shù)據(jù)噪聲敏感、只能對單一變量進(jìn)行時序預(yù)測等缺點；Widodo 等[10]、Qu 等[11]利用支持向量機(jī)對研究對象故障時間進(jìn)行預(yù)測，僅需少量歷史數(shù)據(jù)即可收斂，但沒有使用研究對象的時序信息，預(yù)測精度不佳；Tian 等[12]、Liu 等[13]分別利用全連接與遞歸全連接神經(jīng)網(wǎng)絡(luò)對研究對象剩余壽命進(jìn)行預(yù)測，但是由于全連接神經(jīng)網(wǎng)絡(luò)無法利用研究對象的時序信息，精度較低，同時由于計算資源與算法的局限性，當(dāng)時發(fā)展的神經(jīng)網(wǎng)絡(luò)深度與規(guī)模都比較小，限制了航空發(fā)動機(jī)剩余壽命預(yù)測的能力。

目前在較強的計算能力與海量數(shù)據(jù)的支持下，深度學(xué)習(xí)算法得到了快速發(fā)展，在一些領(lǐng)域已經(jīng)具有較高的實際應(yīng)用價值。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)剩余壽命預(yù)估方法，對航空發(fā)動機(jī)剩余壽命進(jìn)行預(yù)測，并在NASA 的C-MAPSS 中的渦扇發(fā)動機(jī)退化數(shù)據(jù)集上進(jìn)行驗證。

1 航空發(fā)動機(jī)剩余壽命預(yù)估簡介

航空發(fā)動機(jī)的壽命是其競爭力和持久性的重要特性之一，現(xiàn)代航空發(fā)動機(jī)的高可靠性與安全性很大程度上是材料的改進(jìn)、壽命預(yù)估能力的提高、保守設(shè)計和維修思想的共同作用[14]。

常見的航空發(fā)動機(jī)壽命預(yù)估方法對壓氣機(jī)盤、渦輪盤、葉片、轉(zhuǎn)子主軸和轉(zhuǎn)子軸承等關(guān)鍵部件的壽命損耗進(jìn)行評估，并以此對剩余壽命進(jìn)行預(yù)估。通常，壽命預(yù)估系統(tǒng)由機(jī)載系統(tǒng)與地面系統(tǒng)2 部分組成，機(jī)載系統(tǒng)的任務(wù)是監(jiān)測并采集航空發(fā)動機(jī)各部件的原始數(shù)據(jù)，對各部件的使用與損傷狀況進(jìn)行跟蹤；地面系統(tǒng)則主要根據(jù)機(jī)載系統(tǒng)采集到的數(shù)據(jù)，結(jié)合基于模型、經(jīng)驗或數(shù)據(jù)的算法，對發(fā)動機(jī)各部件的剩余壽命進(jìn)行預(yù)估。

航空發(fā)動機(jī)健康管理系統(tǒng)的主要功能單元如圖1所示。

圖1 民用航空發(fā)動機(jī)健康管理系統(tǒng)主要功能

在傳統(tǒng)的航空發(fā)動機(jī)剩余壽命預(yù)估方法中，通常僅利用發(fā)動機(jī)工作時間或飛行循環(huán)數(shù)來表達(dá)部件的壽命損耗，但是由于每臺發(fā)動機(jī)所執(zhí)行的飛行任務(wù)、工作環(huán)境和載荷大小不盡相同，且同一批次的發(fā)動機(jī)個體之間通常也存在不小的差異，若僅采用工作時間或飛行循環(huán)數(shù)作為制定維護(hù)方案的惟一依據(jù)，發(fā)動機(jī)的壽命將得不到充分利用，這不僅會導(dǎo)致資源的浪費，更是給維修保障工作增加了負(fù)擔(dān)[6,15]。

本文提出一種算法，借助傳感器技術(shù)和計算機(jī)計算能力的發(fā)展，首先獲取每臺發(fā)動機(jī)的工況參數(shù)和發(fā)動機(jī)各部件實際運行數(shù)據(jù)，然后利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）提取數(shù)據(jù)特征，并使用長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memo?ry，LSTM）進(jìn)行時間序列預(yù)測，從而做出更精準(zhǔn)的壽命損耗評估與剩余壽命預(yù)測，在確保飛行安全的同時，避免發(fā)動機(jī)各部件剩余壽命的浪費，從而提高發(fā)動機(jī)的經(jīng)濟(jì)性。

2 用于航空發(fā)動機(jī)剩余壽命預(yù)估的神經(jīng)網(wǎng)絡(luò)架構(gòu)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是多層感知器的變種，基于生物學(xué)家Hubel 與Wiesel 關(guān)于貓的視覺皮層的研究發(fā)展而來[16]，最初被廣泛應(yīng)用于圖像識別領(lǐng)域。由于卷積神經(jīng)網(wǎng)絡(luò)可以高效地將低層特征組合成高層的抽象特征，目前已經(jīng)成為眾多學(xué)科領(lǐng)域的研究熱點之一。

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層與全連接層組成，其架構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

卷積層通過局域感受野的方法提取數(shù)據(jù)的局部特征，同時利用權(quán)值共享的方法減少卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量；池化層通過次抽樣的方法有效地縮減數(shù)據(jù)的尺寸，可以達(dá)到加快計算速度與防止過擬合的效果；全連接層利用卷積層與池化層提取出的特征完成回歸或分類任務(wù)。

卷積層每個節(jié)點的輸入只是上一層神經(jīng)網(wǎng)絡(luò)的一小塊，通過卷積核將當(dāng)前神經(jīng)網(wǎng)絡(luò)上的1 個子節(jié)點矩陣轉(zhuǎn)化為下一層神經(jīng)網(wǎng)絡(luò)上1 個深度不限的單位節(jié)點矩陣。通常卷積層通過邊緣補零的方式保持輸入數(shù)據(jù)矩陣長與寬不變，從而僅改變輸入數(shù)據(jù)的深度。例如，卷積核將m1×n1×k1個的節(jié)點矩陣轉(zhuǎn)化為1×1×k2的任意深度的單位節(jié)點矩陣，其轉(zhuǎn)化方法為

式中：g（i）為單位矩陣中第i個節(jié)點的取值；ax,y,z為輸入矩陣中節(jié)點（x,y,z）的取值為對于輸出單位節(jié)點矩陣中的第i個深度的節(jié)點的卷積核權(quán)重；bi為對于輸出單位節(jié)點矩陣中的第i個深度的節(jié)點的偏置項參數(shù)；f為激活函數(shù)。

本文使用縮放指數(shù)型線性單元（Scaled Exponen?tial Linear Units，SELU）作為激活函數(shù)，可以使數(shù)據(jù)自歸一化，保證在訓(xùn)練過程中梯度不會爆炸或消失[17]。其表達(dá)形式為

式中：z為激活函數(shù)輸入值；λ與α為常數(shù)，λ≈1.051，α≈1.673。

池化層的前向傳播過程與卷積層類似，即通過滑動1 個池化核的結(jié)構(gòu)完成。池化層與卷積層不同的是，池化層改變輸入數(shù)據(jù)矩陣的長與寬，并不改變數(shù)據(jù)矩陣的深度。由于池化核的作用在于對數(shù)據(jù)特征進(jìn)行采樣，所以其計算不是節(jié)點的加權(quán)和，而是采用最大值或平均值運算。例如：池化核將1 個m1×n1×k1的節(jié)點矩陣轉(zhuǎn)化為1×1×k2的相同深度的單位節(jié)點矩陣，其轉(zhuǎn)化方法為

式中：P（i）為輸出矩陣中第i個深度上的取值；ax,y,i為輸入矩陣中第i個深度上池化核中的數(shù)據(jù)。

池化層可以在不改變輸入數(shù)據(jù)特征的前提下減小輸入數(shù)據(jù)的維度，從而達(dá)到加快計算速度與防止過擬合的效果。

經(jīng)過多個卷積層與池化層的交替?zhèn)鬟f，原始數(shù)據(jù)中的信息將被抽象為信息含量更高的特征，此時卷積神經(jīng)網(wǎng)絡(luò)還需要通過全連接網(wǎng)絡(luò)完成分類或回歸任務(wù)。

雖然卷積神經(jīng)網(wǎng)絡(luò)可以較好地提取輸入數(shù)據(jù)的特征，但是當(dāng)卷積神經(jīng)網(wǎng)絡(luò)層數(shù)較多時，其學(xué)習(xí)所需要的數(shù)據(jù)量與計算次數(shù)均會增加。為此，Szegedy[18]等提出了一種起始模組（Inception Module），如圖3 所示。該模塊通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來降低網(wǎng)絡(luò)的復(fù)雜度。

圖3 起始模組

起始模組由多個不同尺寸的卷積核組成，可以在減小網(wǎng)絡(luò)復(fù)雜度的同時，對輸入數(shù)據(jù)不同類型的特征進(jìn)行較好的提取。試驗表明，使用起始模組的GoogleLeNet 的訓(xùn)練參數(shù)數(shù)量只有 AlexNet 的 1/12，但是在ImageNet上的分類準(zhǔn)確度比在AlexNet上的高約10%。

2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種可以處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，可以保留序列數(shù)據(jù)的前后關(guān)系，但是當(dāng)序列長度較長時，會產(chǎn)生梯度消失的問題[19]。

長短期記憶神經(jīng)網(wǎng)絡(luò)最早由Hochreiter 和Schmidhuber 提出[20]，用以解決循環(huán)神經(jīng)網(wǎng)絡(luò)中梯度消失的問題。經(jīng)過數(shù)年的發(fā)展，LSTM 逐漸在語音識別、機(jī)器翻譯和時序預(yù)測等領(lǐng)域取得了成功和突破。LSTM的結(jié)構(gòu)如圖4所示。

圖4 LSTM結(jié)構(gòu)

圖中粉色圈為向量操作，其中?為向量點乘，⊕為向量加和；黃色矩形為激活函數(shù)，其中σ為sigmoid函數(shù)，tanh 為tanh 函數(shù)；黑線為從1 個節(jié)點的向量輸出到其他節(jié)點的向量輸入，2 條黑線交匯為向量的拼接，黑線分叉為向量被復(fù)制。

LSTM 的核心思想可以概括為：通過使用被稱為門（Gates）的結(jié)構(gòu)，選擇性地允許信息通過。LSTM 中有遺忘門、輸入門、輸出門。遺忘門的作用是決定當(dāng)前時刻從LSTM 神經(jīng)元丟棄什么信息；輸入門的作用是決定讓多少當(dāng)前時刻信息加入到神經(jīng)元中；輸出門的作用是計算當(dāng)前時刻神經(jīng)元輸出值和狀態(tài)值。從圖中可見，每個LSTM 神經(jīng)元在某時刻接收采樣輸入xt、上一時刻神經(jīng)元輸出和神經(jīng)元狀態(tài)量作為當(dāng)前時刻輸入；經(jīng)過遺忘門、輸入門、輸出門的計算后，LSTM神經(jīng)元輸出當(dāng)前時刻計算值和神經(jīng)元的狀態(tài)值。正是由于遺忘門、輸入門、輸出門的這種層級遞歸的結(jié)構(gòu)，LSTM神經(jīng)網(wǎng)絡(luò)才可以處理各類復(fù)雜的序列數(shù)據(jù)。

2.3 用于航空發(fā)動機(jī)剩余壽命預(yù)估的神經(jīng)網(wǎng)絡(luò)架構(gòu)

用于航空發(fā)動機(jī)剩余壽命預(yù)估的神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖5所示。

圖5 航空發(fā)動機(jī)剩余壽命預(yù)估的神經(jīng)網(wǎng)絡(luò)架構(gòu)

從圖中可見，航空發(fā)動機(jī)傳感器數(shù)據(jù)經(jīng)過適當(dāng)?shù)念A(yù)處理后，輸入至CNN中；由于CNN 具有強大的提取數(shù)據(jù)特征的能力，發(fā)動機(jī)的抽象特征將被提取出來，并形成時間序列，輸入至LSTM 中；LSTM 通過學(xué)習(xí)時間序列的特征，對航空發(fā)動機(jī)剩余壽命進(jìn)行預(yù)測；通過全連接層輸出航空發(fā)動機(jī)剩余壽命。

3 試驗數(shù)據(jù)介紹

使用NASA 的C-MAPSS 提供的渦扇發(fā)動機(jī)退化仿真數(shù)據(jù)集對提出的航空發(fā)動機(jī)剩余壽命神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行測試[21]。該數(shù)據(jù)集共有4 個子集，每個子集的運行環(huán)境與故障模式略有不同，詳情見表1。

表1 渦扇發(fā)動機(jī)退化仿真數(shù)據(jù)集說明

每個數(shù)據(jù)集可以進(jìn)一步分為訓(xùn)練集和測試集。訓(xùn)練集和測試集均由多個多變量時間序列組成，且每一時刻數(shù)據(jù)維度均為26 維，其中21 維為發(fā)動機(jī)各部件傳感器測得的數(shù)據(jù)，3 維為會對發(fā)動機(jī)性能產(chǎn)生重大影響的環(huán)境數(shù)據(jù)，2 維為發(fā)動機(jī)編號與運行次數(shù)。在訓(xùn)練集中，發(fā)動機(jī)部件持續(xù)退化至發(fā)動機(jī)發(fā)生致命故障；在測試集中，時間序列在發(fā)動機(jī)致命故障前的某個時刻終止。

由于不同數(shù)據(jù)集中航空發(fā)動機(jī)運行環(huán)境不同，所以在進(jìn)行剩余壽命預(yù)估前需要對傳感器數(shù)據(jù)進(jìn)行歸一化，其方法為

式中：c為發(fā)動機(jī)運行環(huán)境；f為21 個傳感器；x為傳感器采集到的實際數(shù)值；μc,f為平均值；σc,f為標(biāo)準(zhǔn)差。

為了充分提取傳感器信號之間的相關(guān)特性，考慮到卷積神經(jīng)網(wǎng)絡(luò)局域感受野的特點，在使用CNN 與LSTM 對發(fā)動機(jī)進(jìn)行剩余壽命預(yù)估時，首先應(yīng)對發(fā)動機(jī)傳感器數(shù)據(jù)進(jìn)行重構(gòu)，使其數(shù)據(jù)尺寸由1×n重構(gòu)為n×n。本文使用滑動重構(gòu)的方法，其具體操作如圖6所示。

圖6 傳感器數(shù)據(jù)重組

圖中數(shù)字1~8 表示傳感器編號。首先將發(fā)動機(jī)采集到的1 維數(shù)據(jù)拓充成2 維數(shù)據(jù)，然后對第n行數(shù)據(jù)左滑位。從圖6 中可見，在數(shù)據(jù)重構(gòu)之前，3 號傳感器數(shù)據(jù)只與2 號和4 號傳感器相鄰，此時由于卷積神經(jīng)網(wǎng)絡(luò)受其局域感受野的限制，3 號傳感器與距離較遠(yuǎn)的8 號傳感器之間的相關(guān)特性將無法被有效提取。當(dāng)使用如圖5 所示的數(shù)據(jù)重新組合的方法后，3 號傳感器在矩陣中的位置與其他所有傳感器均相鄰，此時可以通過卷積層提取3 號傳感器與其他所有傳感器之間的相關(guān)特性。

神經(jīng)網(wǎng)路具體參數(shù)如圖7 所示。從圖中可見，傳感器采集航空發(fā)動機(jī)的數(shù)據(jù)，經(jīng)滑動重構(gòu)后，輸入至CNN 與 LSTM 神經(jīng)網(wǎng)絡(luò)架構(gòu)中；CNN 與 LSTM 神經(jīng)網(wǎng)絡(luò)架構(gòu)采用“離線訓(xùn)練、在線診斷”的工作方式，即離線訓(xùn)練好神經(jīng)網(wǎng)絡(luò)中各參數(shù)，這些參數(shù)在進(jìn)行航空發(fā)動機(jī)剩余壽命預(yù)估時不再更新；CNN 與LSTM 神經(jīng)網(wǎng)絡(luò)架構(gòu)最終的輸出為航空發(fā)動機(jī)剩余壽命預(yù)估結(jié)果。

圖7 神經(jīng)網(wǎng)路具體參數(shù)

值得注意的是，圖7 中卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)利用起始模組的思想，網(wǎng)絡(luò)前半部有3個分支：中間分支由2個卷積層、2 個池化層組成，作用是提取輸入信息特征；上分支由1 個卷積層組成，受Hebbian 原理的啟發(fā)，其卷積核尺寸為1×1，該分支的作用是抑制相鄰傳感器之間的相互影響；下分支同樣由1 個卷積層組成，其卷積核的尺寸與輸入數(shù)據(jù)的尺寸相同，該分支的作用是從各傳感器在當(dāng)前時刻采集的數(shù)據(jù)中提取航空發(fā)動機(jī)當(dāng)前時刻工作狀態(tài)特征。

4 試驗研究

4.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

在 Ubuntu 18.0 系統(tǒng)中 Python3.6 / Tensorflow 1.10.0 仿真環(huán)境下搭建如圖7 所示的神經(jīng)網(wǎng)絡(luò)構(gòu)架，采用Adam 優(yōu)化算法，步長設(shè)置為1×10-4，訓(xùn)練過程如圖8所示。

圖8 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

從訓(xùn)練過程可見，通過使用傳感器數(shù)據(jù)滑動重組、起始模組與SELU 激活函數(shù)的方法，可以顯著提高航空發(fā)動機(jī)剩余壽命預(yù)估構(gòu)架的預(yù)估準(zhǔn)確性。其中傳感器數(shù)據(jù)滑動重組對預(yù)估準(zhǔn)確性影響最大，起始模組與SELU對預(yù)估準(zhǔn)確性的影響不相上下。

在4 個測試集中發(fā)動機(jī)剩余壽命預(yù)測誤差的分布如圖9所示。

圖9 預(yù)測誤差范圍分布

從圖中可見，本文提出的基于CNN 與LSTM 的航空發(fā)動機(jī)剩余壽命預(yù)估架構(gòu)經(jīng)過訓(xùn)練后，可以準(zhǔn)確地對發(fā)動機(jī)剩余壽命進(jìn)行預(yù)估，具體的分析結(jié)果將在下一節(jié)中陳述。

4.2 航空發(fā)動機(jī)剩余壽命預(yù)估結(jié)果分析

對于NASA 的C-MAPSS 提供的渦扇發(fā)動機(jī)退化仿真數(shù)據(jù)集，目前有2 個常用的算法性能評估指標(biāo)，即JScore和JRMSE[21-22]，JScore為非對稱指標(biāo)，對剩余壽命高估的行為懲罰較大；JRMSE為對稱指標(biāo)，可以避免通過低估剩余壽命而使JScore指標(biāo)數(shù)值過小的行為發(fā)生。JScore和JRMSE的具體計算方法為

式中：hi為第i個樣本剩余壽命的預(yù)測值與實際值的差值；Rest，i為第i個樣本剩余壽命的預(yù)測值；Ract，i為第i個樣本剩余壽命的實際值。

JRMSE與JScore評估指標(biāo)對比如圖10 所示。綜合使用JRMSE與JScore評估指標(biāo)可以對算法性能進(jìn)行評價。

圖10 JRMSE與JScore評估指標(biāo)對比

將本文提出的CNNLSTM 方法與多層感知機(jī)（Multi-Layer Perceptron，MLP）、支持向量機(jī)（Support Vector Machines，SVM）、相關(guān)向量回歸（Relevance Vector Regression，RVR）、卷積神經(jīng)網(wǎng)絡(luò) CNN[22]和卷積門控循環(huán)神經(jīng)網(wǎng)絡(luò)（CNN Gate Recurrent Unit，CNNGRU）[23]等方法進(jìn)行對比，結(jié)果見表2、3。

表2 JRMSE指標(biāo)對比

表3 JScore指標(biāo)對比

從表中可見，本文提出的CNNLSTM 方法在JRMSE指標(biāo)上優(yōu)于其他大部分方法，且在JScore指標(biāo)上優(yōu)于其他所有方法。從仿真結(jié)果和指標(biāo)對比可知，本文提出的方法可以在保證預(yù)測精度的前提下，對航空發(fā)動機(jī)剩余壽命進(jìn)行較為保守的預(yù)估，在保證資源不被浪費的情況下，盡可能提前發(fā)出故障預(yù)警信號，從而提高飛行的安全性。

為了更直觀地觀察CNN 與LSTM 的方法對航空發(fā)動機(jī)剩余壽命的預(yù)估情況，在4 個數(shù)據(jù)集中分別隨機(jī)取出1 組數(shù)據(jù)，并以該組數(shù)據(jù)前半部分?jǐn)?shù)據(jù)點作為依據(jù)，對健康指數(shù)的趨勢進(jìn)行預(yù)估，剩余壽命預(yù)估結(jié)果如圖11所示。

從圖中可見，CNNLSTM 在航空發(fā)動機(jī)性能退化時對剩余壽命的預(yù)估結(jié)果與真實值較為接近，震蕩較小，當(dāng)失效閾值選取恰當(dāng)時，可以較好地對航空發(fā)動機(jī)剩余壽命進(jìn)行預(yù)估。

5 結(jié)論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)剩余壽命預(yù)估方法，并對其應(yīng)用效果進(jìn)行了驗證，得到如下結(jié)論：

（1）該方法通過利用CNN 提取傳感器數(shù)據(jù)中的特征，避免了傳統(tǒng)算法中繁瑣的手工提取數(shù)據(jù)特征的操作；同時利用LSTM 對CNN 提取出的特征進(jìn)行了時序預(yù)測；在特征的時序預(yù)測基礎(chǔ)上，該方法使用全連接層輸出航空發(fā)動機(jī)剩余壽命。

（2）在NASA 的C-MAPSS 提供的渦扇發(fā)動機(jī)退化數(shù)據(jù)集上對該方法進(jìn)行了驗證，結(jié)果表明，采用該方法可以顯著提高航空發(fā)動機(jī)剩余壽命預(yù)估的準(zhǔn)確性，且該方法在JScore指標(biāo)上的表現(xiàn)較前人的研究提升明顯，可以在保證預(yù)測精度的前提下，對航空發(fā)動機(jī)剩余壽命進(jìn)行較為保守的預(yù)估，在保證資源不被浪費的情況下，盡可能提前發(fā)出故障預(yù)警信號，從而提高飛行的安全性。

由于利用該方法對航空發(fā)動機(jī)剩余壽命進(jìn)行預(yù)估時沒有利用航空發(fā)動機(jī)退化模型，因此可以預(yù)計該方法在解決其他時序預(yù)測問題時也會有較好的表現(xiàn)。