一种基于图神经网络的航空发动机排气温度预测方法

本发明涉及航空发动机排气温度监测领域，具体是一种基于图神经网络的航空发动机排气温度预测方法。

背景技术：

1、航空发动机性能参数预测是通过传感器收集的历史发动机监测数据来预测发动机性能变化趋势。通过监测和预测航空发动机的重要性能参数可以掌握发动机性能状态，进而评估其衰退量。作为航空发动机的核心部件之一，燃烧系统在高温高压的恶劣环境下运行，这使其极易出现故障和灾难性事故。排气温度(egt)通常被用作检测航空发动机热部件故障的指标。为了确保飞机飞行安全，对排气温度进行预测极其重要。预测和健康管理(phm)技术的应用可以通过提高可靠性、安全性、可用性、降低运营成本来帮助航空发动机安全经济地运行。作为phm中最重要的技术之一，航空发动机排气温度预测引起了广泛关注。

2、目前使用的航空发动机排气温度预测方法包括最小二乘法、支持向量机、人工神经网络等。2022年易文川等人在预测排气温度的基础上评估四种经典机器学习回归算法，包括随机森林、人工神经网络、支持向量机和门控循环单元。结果表明经过良好训练的机器学习模型可以准确预测航空发动机排气温度。近年来，随着人工智能技术的不断发展，深度学习技术具有较强的非线性拟合能力，其在排气温度预测方面应用广泛。2020年孔晨亦等人提出一种结合自编码器(autoencoder)和时间卷积神经网络的航空发动机排气温度预测模型。2022年刘等人提出一种将深度卷积神经网络(dcnn)和轻量梯度提升机(lightgbm)算法结合的排气温度预测模型。

3、然而，目前存在的航空发动机排气温度预测方法仅通过学习发动机传感器监控数据与排气温度之间的映射关系，没有融入航空发动机物理先验知识，因此模型的可解释性较差。同时上述方法无法融合监控数据的空间关联特征，导致排气温度预测的准确性较低。

4、图神经网络能够通过节点之间的连接关系和节点的特征来学习空间特征关联关系。利用航空发动机架构知识构建图神经网络关系图，融合监控数据的空间关联特征，根据融合后的特征来进行排气温度预测是一种新的方法。

技术实现思路

1、为了克服现有技术的不足，本发明提出了一种基于图神经网络的航空发动机排气温度预测方法，该项技术通过融入航空发动机物理先验知识来进行图神经网络图的创建，使用图神经网络提取传感器监控数据在物理空间上的关联关系，进而利用融合后的特征进行排气温度预测，从而使模型的可解释性更强，能够更加准确地预测航空发动机排气温度。

2、本发明的技术解决方案是：本发明为一种基于图神经网络的航空发动机排气温度预测方法，其特征在于：该方法包括以下步骤：

3、1)根据航空发动机先验知识进行图节点及边的划分；

4、以航空发动机部件作为图的各个节点，即每个节点在物理意义上表示一种发动机部件，其部件包括进气道、压气机、燃烧室、涡轮、尾喷管等；

5、2)根据传感器监测数据构建节点特征向量；

6、3)建立基于rgat的图神经网络模型；

7、3.1)使用rgat更新图节点特征；

8、3.2)对更新的图特征向量进行特征聚合；

9、3.3)使用循环神经网络对图网络提取的特征向量进行时间特征提取；

10、3.4)使用全连接网络完成特征映射；

11、4)训练图神经网络模型；

12、将数据集划分为训练集、验证集和测试集，使用训练集和验证集进行训练；

13、5)将测试集输入到训练好的图神经网络模型中得到预测的发动机排气温度，根据评价指标检验模型性能好坏；

14、6)若根据评价指标计算出来的模型误差满足要求，则该图神经网络模型能够用于排气温度预测；若不满足要求，则返回步骤4)，对模型重新进行初始化以及调整超参数，重新开始训练。

15、进一步的，步骤1)的具体步骤如下：

16、1.1)气流经过的相邻两部件以及在结构上存在连接关系的部件表示其对应的节点具有依赖关系，根据物理意义不同，定义节点依赖关系集合r＝[r1，...，rm]，ri表示某种节点依赖关系，m为不同节点依赖关系的类别数，对具有不同依赖关系的节点嵌入相应的特征向量，构成边的特征；

17、1.2)根据上述划分的节点及边的连接关系，得到图的邻接矩阵a，邻接矩阵反映节点之间的连接关系，1表示相连，0表示不相连。

18、进一步的，步骤2)的具体步骤如下：

19、2.1)根据发动机传感器监控数据筛选出与排气温度相关的特征参数，具体包括发动机进口总温t0、发动机进口总压p0、低压转子转速n1、高压转子转速n2、风扇进口导叶角度α1、高压压气机进口导叶角度α2、风扇出口外涵道总压p22、油门杆角度pla、燃油流量wf、喷口截面直径a8，得到的发动机参数特征矩阵描述如下：

20、

21、其中，f表示筛选出的与排气温度相关的特征参数数量，t表示发动机采集数据的时间步长；

22、2.2)将发动机参数数据进行标准化处理，标准化计算公式为：

23、

24、其中，x表示各个监控数据，xmean表示数据均值，xstd表示数据的标准差；

25、对标准化处理后的发动机特征参数矩阵按部件进行特征聚类，聚类后的参数矩阵描述如下：

26、x＝[o1，o2，...，om]，oj＝[o1j，...，otj]

27、其中m为发动机部件的数目；oj表示第j个部件的特征矩阵；oij表示第j个部件对应的第i个监控参数的特征向量，长度为时间步长t；tj表示第j个部件对应的参数数量；

28、2.3)分别对每个部件的特征矩阵通过全连接网络进行特征映射，最终得到的特征矩阵描述为：

29、x＝[o1，o2，...，om]

30、其中，m为发动机部件的数目；oj表示第j个部件的特征矩阵；每个部件特征矩阵经过特征映射后的特征维度均为m，oj的形状为t×m。

31、进一步的，步骤3)的具体步骤如下：

32、3.1)使用rgat更新图节点特征：

33、rgat对节点特征的更新包括注意力头特征融合和关系头特征融合；

34、注意力头特征融合的数学描述如下：

35、

36、

37、其中，表示第l+1层节点i经过注意力头融合后的特征向量；k表示注意力的头数；表示对k个注意力得到的向量进行拼接；表示节点i的邻居节点；表示第l层节点j的特征向量；为权重矩阵，对输入向量进行特征变换；是由第l层的第k个注意力计算得到的归一化注意力系数，其注意力系数计算过程可描述为：

38、

39、

40、

41、其中，表示节点i特征向量经过权重矩阵wl变换后的特征向量；表示基于一对邻近节点i和j计算得到的注意力系数；al表示权重向量，将经过拼接的zi和zj映射为注意力系数；relu表示激活函数；为归一化后的注意力系数；

42、关系头特征融合的数学描述如下：

43、

44、

45、

46、其中，表示第l+1层节点i经过关系头融合后的特征向量；m表示关系头数量；是由第l层的第m个关系头计算得到的归一化注意力系数；rij表示节点i与节点j依赖关系嵌入的特征向量；σ表示sigmoid激活函数；wm1、wm2为可学习权重矩阵，bm1、bm2为偏置项；

47、最终节点特征更新的数学描述如下：

48、

49、

50、其中，表示与拼接后的特征向量；表示第l+1层节点i更新的特征向量；wl+1为可学习的权重矩阵，bl+1为偏置项；

51、对每个时间步对应的图特征向量分别经过rgat进行节点特征更新，得到更新后的图特征向量；

52、3.2)对更新的图特征向量进行特征聚合：

53、分别对每个时间步对应的图特征向量进行特征聚合，聚合方式为对所有节点的特征向量相加取均值，其数学描述为：

54、

55、其中，ht为第t个时间点聚合后的特征向量；m表示发动机部件节点数量；表示第t个时间点节点i更新后的特征向量。

56、经过特征聚合后的特征矩阵形状为t×d，t为输入的时间步长，d表示输出的特征维度；

57、3.3)使用循环神经网络对图网络提取的特征向量进行时间特征提取；

58、其中，循环神经网络可使用gru或lstm网络；

59、3.4)使用全连接网络完成特征映射：

60、循环神经网络在最后一个时间步的输出向量作为全连接网络的输入，经全连接网络进行特征映射后输出需要预测的发动机排气温度。

61、进一步的，步骤4)的具体步骤如下：

62、训练时采用mse损失函数，并通过adam优化器进行网络权重的更新，mse的计算公式如下：

63、

64、其中，n表示样本的数量，yi表示真实的发动机排气温度，表示排气温度预测值。

65、进一步的，步骤5)的具体步骤如下：

66、评价指标采用平均百分比误差(mape)，其计算公式为：

67、

68、其中，m表示样本的数量，yi表示真实的发动机排气温度，表示排气温度预测值。

69、本发明的有益效果如下：

70、本发明提出了一种基于图神经网络的航空发动机排气温度预测方法，该方法基于航空发动机物理架构来构建图神经网络，将发动机具体部件作为图节点，并根据部件在物理意义上连接关系的不同来划分边的依赖关系，同时使用one-hot编码嵌入边的特征。接着根据筛选出的与发动机排气温度相关的监控参数，按照发动机部件进行聚类，然后使用全连接网络进行特征映射得到节点的特征向量。进而利用rgat进行节点特征更新，融合部件空间特征信息，这些信息有利于提高航空发动机排气温度预测的准确性，同时使预测模型具有可解释性。