数模融合驱动的航空发动机剩余使用寿命预测方法及系统

本发明属于航空发动机性能预测相关，更具体地，涉及一种数模融合驱动的航空发动机剩余使用寿命预测方法及系统。

背景技术：

1、随着机械科学的蓬勃发展以及工业现代化程度的不断提高，航空发动机这类大型旋转机械逐渐向高速化、高精度和集成化的方向发展，其健康状况对于航空飞机的正常运行有着至关重要的影响，如果在运行过程中发生功能障碍致使航空发动机的正常运行被迫停止，极易造成无法挽回的经济损失，产生一系列灾难性后果。为避免航空发动机从早期轻微故障向严重、灾难性故障演化，发展故障预测与健康管理(prognostics and healthmanagement,phm)技术意义重大。作为phm核心内容之一，剩余使用寿命(remaining usefullife,rul)预测旨在预测系统从当前运行时刻直到失效的时间。精准有效的rul预测对降低航空发动机维修成本，提升系统安全性与可靠性具有重要的理论意义和实践价值。

2、航空发动机的剩余使用寿命预测方法主要有基于机理模型、基于数据驱动和基于数模融合的方法。基于机理模型的方法使用物理机理或数学模型，基于系统的退化机制或者损伤第一性原则来表示系统的退化过程，可以提供较强可解释性和较为可靠的rul预测结果，但该方法通常需要对研究对象有较为清晰和系统的机理认知和建模所需的专家知识，且不具有较高效率和时效性。基于数据驱动的方法利用信号处理和人工智能等方式进行特征分析，建立传感器历史数据与航空发动机退化趋势的隐含映射关系，该方法可以挖掘多传感数据中蕴含的退化信息，实现高效的rul预测，然而其较少利用发动机退化机理等先验知识，造成机理信息的浪费。基于数模融合的方法可以融合机理模型和数据驱动方法的优势，在机理模型获取丰富的先验知识，以及众多能表征发动机性能退化的、解释退化过程物理意义的退化参数特征基础上，结合传感器历史数据共同提取航空发动机的退化趋势信息，实现高效而准确的rul预测。现有的数模融合驱动方法主要存在以下问题及不足：首先，航空发动机机理模型以工况和退化参数特征作为输入，输出多传感器数据，而在实际过程中退化参数特征往往无法预知；其次，现有方法难以适应实际复杂连续变工况条件下的rul精确预测，具体而言，复杂变工况下的发动机数据存在退化趋势不明显、特征尺度不一致、变长度工作循环等问题；最后，现有方法在特征提取方面仍存在一定的局限性，需进一步增强长时序特征提取、多通道信息流通和冗余信息过滤的能力。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种数模融合驱动的航空发动机剩余使用寿命预测方法，解决了数模融合的剩余使用寿命预测存在的实际过程中参数特征不可知、特征尺度不一致、特征提取能力较弱的问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种数模融合驱动的航空发动机剩余使用寿命预测方法，训练阶段：s1：采集多台相同型号航空发动机全生命周期运行过程中的工况数据和多个传感器数据，以构建训练集和测试集；s2：依据训练集中的数据，进行热力学过程分析以及稳态和动态运行过程分析，构建非线性热力学机理模型，对所述非线性热力学机理模型进行求解获得当前t时刻的状态空间，该t时刻的状态空间包括当前t时刻的传感器数据仿真预测值t+1时刻的目标工况数据wi,j,t+1、t+1时刻的传感器数据目标观测值xi,j,t+1以及航空发动机各部件的效率特性图和流量特性图，分别将所述效率特性图中的效率换算曲线和流量特性图中的流量换算曲线在坐标轴上的比例缩放因子定义为退化特征参数；s3：构建包括策略网络和价值网络的csac网络，将所述csac网络输出作为所述非线性热力学机理模型的输入，并采用所述csac网络，基于当前t时刻的状态空间，在状态空间中进行探索，将探索得到的t+1时刻状态空间中的t+1时刻的传感器数据仿真预测值与t时刻实际状态空间st中的传感器数据目标观测值xi,j,t+1间的距离作为损失函数中的惩罚或奖励，根据所述损失函数进行策略网络和价值网络的梯度反向传播实现对所述csac网络的训练以及对所述非线性热力学机理模型的校准，对校准后的非线性热力学机理模型进行求解获得每个训练样本对应的目标退化特征参数；s4：构建包括浅层inception网络和深层dgc网络的ms-idgcn网络模型；s5：采用多尺度滑窗方法对每个训练样本中的工况数据、多个传感器数据以及所述目标退化特征参数在时间步尺度上进行滑窗获得特征图，将特征图依次输入所述浅层inception网络和深层dgc网络，将得到的增强特征映射为预测rul，将所述预测rul与真实rul的mse距离作为损失函数进行反向传播实现对ms-idgcn网络模型的训练；

3、应用阶段：采用步骤s1～s3获得待测航空发动机的目标退化特征参数，并采集待测航空发动机的工况数据和多个传感器数据，将所述待测航空发动机的目标退化特征参数以及工况数据和多个传感器数据输入步骤s5训练好的ms-idgcn网络模型获得待测航空发动机的rul预测结果。

4、优选地，步骤s5具体包括：s51：对工况数据、多传感器时间序列数据以及目标退化特征参数在时间步尺度上进行滑窗，将得到的特征图输入浅层inception网络中得到第一特征，将第一特征映射为第一rul，将第一rul与真实rul的mse距离作为损失函数进行反向传播以实现对所述浅层inception网络的训练；s52：将第一特征和目标退化特征参数在工作循环尺度上进行滑窗得到工作循环尺度特征图，将所述工作循环尺度特征图输入深层dgc网络进行长时序特征提取得到第二特征，将第二特征映射为第二rul，将第二rul与真实rul的mse距离作为损失函数进行反向传播以实现对所述深层dgc网络的训练。

5、优选地，步骤s5在训练过程中采用早停机制，当训练集的损失在多个epoch中不再下降后停止训练，使用测试集进行rul预测和评价。

6、优选地，步骤s4中浅层inception网络通过将一维cnn网络中的一维卷积层替换为一维inception卷积块获得。

7、优选地，所述深层dgc网络依次包括一维卷积层、dgc卷积块、平均池化层、展平层和全连接层，其中，所述dgc卷积块包括glu门控线性单元、膨胀卷积和残差连接，所述glu门控线性单元包括第一分支和第二分支，第一分支直接通过线性激活输出，第二分支通过sigmoid操作将卷积得到的特征压缩至[0,1]区间，两个分支的卷积层结构相同，但卷积核的权值和偏置参数不共享，分支间通过与特征矩阵的点积以实现对有效特征的提取和冗余特征的过滤；残差连接将卷积块的输入和输出进行线性叠加。

8、优选地，步骤s6还包括采用rmse和score对所述rul预测结果进行评价。

9、优选地，所述非线性热力学机理模型f为：

10、

11、其中，为非线性热力学机理模型输出的传感器数据仿真预测值，w(t)为随时间t变化的实际工况条件，θ(t)为随时间变化的退化参数特征，退化参数特征表示如下：

12、ηreal＝[[θη(t)+1]·sη·ηc

13、wreal＝[θw(t)+1]·sw·wc

14、其中，ηreal,wreal表示航空发动机部件的实际效率和流量值，ηc,wc为部件特性图中的效率和流量值，sη,sw为健康状态下的效率和流量的比例因子，θη表示效率退化参数特征，θw为流量退化参数特征。

15、优选地，步骤s3中具体以传感器数据仿真预测值与传感器数据目标观测值xi,j,t+1间的距离dx的负值或倒数作为动作的奖励，奖励函数如下：

16、

17、

18、其中，||·||为欧氏距离，threshold为距离阈值，κ1、κ2、b1和b2为控制系数，κ1和κ2均为正值。

19、总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种数模融合驱动的航空发动机剩余使用寿命预测方法主要具有以下有益效果：

20、1.本技术首先建立航空发动机的非线性热力学机理模型，并基于约束软演员评论家(constrained soft actor-critic,csac)算法进行非线性热力学机理模型校准，得到了目标退化特征参数，然后利用目标退化特征参数和多传感器历史数据建立多时间尺度混合特征增强的inception膨胀门控卷积神经(multiple scale-inception&dilate gatedconvolutional network，ms-idgcn)网络模型，最后使用训练好的模型完成航空发动机剩余使用寿命的精确预测，解决数模融合的剩余使用寿命预测存在的实际过程中退化参数特征不可知、特征尺度不一致、特征提取能力较弱的问题。

21、2.本技术在进行非线性热力学机理模型校准时通过设计动作和状态空间，在网络中引入正则约束项以保证前后时刻动作探索的连续性，采用分段奖励函数以控制输出状态和真实状态的距离，从而解决实际过程中航空发动机的退化参数特征不可知的问题，获取具有物理可解释性、能直接反映发动机健康状态的退化参数特征，在保证较好的实时性能的前提下获得较高的校准精度。

22、3.本技术提出了浅层inception网络结合膨胀门控卷积的rul预测网络，浅层inception网络通过多通路并行卷积获取到多个卷积尺度中信息更为密集的特征，从而增强多卷积尺度特征提取和冗余信息过滤的能力，残差连接膨胀门控卷积dgc网络通过引入门控机制、膨胀卷积和残差连接单元，增强长时序特征提取的能力，并拓展模型的感受野，这有助于更好地利用cnn网络，提高rul预测的精度。

23、4.本发明采用一种多尺度时间滑窗的方法实现混合特征增强，通过从两个时间尺度对特征进行滑窗，在时间步的小尺度上从繁杂的传感器特征中提取到反映发动机工况信息和退化信息的浅层特征和局部特征，而在工作循环的大尺度上利用退化参数特征在长时间尺度上的趋势信息，提取反映周期信息和退化趋势的深层特征和全局特征，从而增强模型的特征提取能力，提高rul预测的精度。