基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法.pdf
《基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法.pdf》由会员分享,可在线阅读,更多相关《基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法.pdf(12页珍藏版)》请在咨信网上搜索。
1、收稿日期:;修回日期:基金项目:国家自然科学基金资助项目();广西壮族自治区自然科学基金资助项目()作者简介:胡立坤(),男,湖北襄阳人,教授,博导,博士,主要研究方向为机器人动力学与控制、机器人运动规划等;何旭杰(),男,湖南衡阳人,硕士研究生,主要研究方向为剩余寿命预测;殷林飞(),男(通信作者),江西九江人,副教授,博导,博士,主要研究方向为负荷预测、新能源出力预测(风力发电预测 光伏发电预测)、剩余寿命预测等()基于可自动扩展的 模型的航空发动机剩余寿命预测方法胡立坤,何旭杰,殷林飞,(广西大学 电气工程学院;先进测控与智能电力研究中心,南宁 )摘要:对航空发动机进行实时状态监测和健康
2、管理可以有效降低发动机故障风险,确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段,其中长短期记忆(,)网络常被使用。但由于航空发动机复杂的机械结构与运行模式,使用传统的 网络对航空发动机的剩余寿命进行单次预测后,所得预测结果的准确率不足以满足其寿命预测的精度要求。基于 网络的广泛使用以及它对时间序列数据的有效预测能力,考虑到采用多级预测的方法能够有效降低预测误差,提出了一种新型的可自动扩展的长短期记忆(,)预测模型。模型依托多个子模块逐级连接的网络结构,不断地提取前一级模块的输出误差作为后一级模块的训练值,形成了误差的多级预测机制,有效降低了模型的预测误差,
3、提升了预测结果的准确性。基于美国国家航空航天局发布的 数据集的四个子集对 模型的预测效果进行了测试,实验结果表明,与传统的 网络相比,模型在四个子集上的均方根误差平均减少了 ,同时它的预测效果也优于现有的一些先进算法。实验充分验证了 模型在提升航空发动机剩余寿命预测准确度方面的有效性及优势。关键词:剩余寿命预测;自动扩展;航空发动机;长短期记忆网络;子模块级联中图分类号:文献标志码:文章编号:():,(,):,(),:;引言作为飞机的动力装置和核心部件,航空发动机价格昂贵、结构复杂、工作环境恶劣 。航空发动机必须在强气流冲击等极限环境下长期保持可靠稳定的运行 。根据美国国家航空航天局的统计,近
4、年来,民用航空领域中发动机故障约占飞第 卷第 期 年 月计 算 机 应 用 研 究 机机械故障总数的 。因此,对航空发动机进行准确的剩余寿命(,)预测,可以使维修人员及时监控发动机的运行状态,有效评估其健康状况,提前作出预防性维修决策,为发动机的安全稳定运行提供有力保障 。近年来,的预测方法主要包括基于模型和基于数据驱动的方法 。当设备的退化机制和影响因素被充分了解时,基于模型的预测方法通过对设备进行准确的物理建模,从而清晰地把握设备的寿命变化规律,实现设备 的准确预测 ,文献 中提到了一些著名的基于模型的预测方法。建立航空发动机的整体模型需要构建精确的部件物理模型(如发动机轴承、风扇叶片、进
5、排气阀、液压系统等),并利用这些部件的常见故障模式和历史数据来预测航空发动机的 。然而,航空发动机的动态响应和各部件之间的相互作用往往非常复杂,很难为它们构建一个准确的物理模型。因此,基于模型的预测方法在适应性和可扩展性方面表现不佳 。与基于模型的方法不同,基于数据驱动的方法有效揭示了传感器数据和系统退化程度之间的关系 ,它具有强大的概括能力,无须太多的经验知识 。基于数据驱动的方法通过挖掘数据之间的规律性,直接建立端到端的预测模型,提取与设备性能退化相关的潜在信息 。基于监测数据,可以实现对航空发动机 的精确预测。因此,目前在 预测研究领域,基于数据驱动的方法已经发展成为先进的预测方法,受到
6、科学家们的青睐 。在基于数据驱动的预测方法中,主要包括浅层机器学习和深度学习算法两种类型。浅层机器学习方法是基于对机械故障响应的理解,通常提取和推断几个代表特征,如通过健康指标来预测设备的退化 ,文献 介绍了几种常见的浅层机器学习方法。深度学习算法可以直接从大量的原始传感器数据中建立健康指标,学习优化的特征,并在没有特征工程的情况下对设备的 进行预测,有效提高了预测的准确性和鲁棒性,所以深度学习算法在预测领域中的应用更为广泛。表 列出了常见的 预测方法的特点。表 常见的 预测方法的分类及特点 分类方法案例是否建模 准确率特点基于模型文献 是高严格的应用场景基于数据驱动浅层机器学习文献 否高网络
7、深度不足、预测精度不够、不能学习大量数据深度学习 否非常高训练时间较短、网络深度足够、预测精度高、可以学习大量的数据、训练时间较长注:具体案例包括状态空间算法 、模型 、过程模型 、支持向量回归 、极限学习机 、随机森林 、隐马尔可夫模型 、支持向量机 。基于深度学习算法的 预测方法主要包括卷积神经网络(,)和 长 短 期 记 忆()网络 。是 预测领域一个常见的解决方案 ,已经拥有许多的应用实例。例如,马忠等人 采用一种改进的卷积神经网络对航空发动机的 进行预测,使用不同的一维卷积核提取序列趋势信息特征,而后将特征输入至构建的卷积神经网络得到剩余寿命的预测值。等人 提出了一个多尺度的深度卷积
8、神经网络预测模型,利用多尺度块来卷积时态传感器数据的时间维度,大大提升了模型对复杂特征的学习能力。等人 提出了一种基于双重注意力的数据驱动模型,其主要通过 和 架构实现,通过对不同重要程度的特征赋予不同权重来实现对复杂特征的精确学习。此外,另一种主流的深度学习预测方法是 。设备的 预测主要是基于传感器采集的时间序列数据,而 网络由于其特殊的门控结构,可以调节细胞内和细胞外的记忆,缓解梯度消失和爆炸的问题 ,特别适用于长期序列数据的学习。被大量应用于 预测领域 。许多基于 的改进模型被提出用于 预测。胡启国等人 提出了一种基于核主成分分析和双向长短时记忆神经网络的多信息融合寿命预测模型,先通过核
9、主成分分析对多维退化数据集进行降维处理和信息融合,再利用双向长短时记忆神经网络对带有多维退化信息的航空发动机剩余寿命进行预测,取得了良好的预测效果。等人 提出的基于卷积的 网络对 的输入到状态和状态到状态的转换进行卷积运算,该方法可以从时、频域提取特征并捕捉长期依赖关系,有效提高了 的预测精度。等人 建立了一个融合自回归综合移动平均模型和 的混合预测模型,可以有效地处理线性和非线性数据,比单一模型的预测更准确。等人 提出了一种适合 预测的双向 网络结构,该网络采用双向顺序处理方法,使其更适合于 等中间预测情况。张加劲 在前者的基础上提出一种基于注意力机制的卷积神经网络和双向 网络融合模型,通过
10、卷积神经网络提取特征,双向 网络用于获取特征中的长短期依赖关系,而后使用注意力机制来突出特征中的重要部分以提高模型预测的准确率。等人 通过在 网络中加入噪声,并对感觉指标进行相关分析,构建新的退化特征,作为 网络的输入,有效地提高了模型的预测性能。王旭等人 提出一种基于卷积自编码器与 的预测模型,其利用卷积自编码器构建航空发动机的健康因子,而后通过 建立健康因子与 间的特征关系来实现 预测。张其霄等人 提出一种基于贝叶斯优化的 算法,即利用贝叶斯优化算法对 网络的超参数进行迭代优化,对 的预测准确率有明显改善。等人 提出了一种预测方法,其可以根据每个考虑的时间实例的重要性为其分配一个自学习权重
11、,有效提高了航空发动机 的预测效果。等人 提出利用深度森林分类器和 建立离线健康状态估计和退化趋势预测模型进行在线 预测。根据上述有关 的若干应用实例可以发现,这些在传统 网络的基础上进行改进的预测模型能够取得较为可观的预测效果,进一步验证了 网络在预测领域中具有很高的适用价值。可是这些模型的预测精度仍存在一定的提升空间,并且由于这些模型不具备根据不同预测场景的需求动态调整预测误差的能力,有必要开发一个预测精度更高、应用范围更广的模型应用于航空发动机 的预测。本文提出了一种新型的预测模型 可自动扩展的长短期记忆(,)模型。模型采用多个 子模块级联的结构,依赖于 能够有效预测时间序列数据的优势,
12、实现了各级子模块输出误差的逐级传递和逐级预测,保证了预测误差的逐级下降。此外,模型还可根据其均方根误差(,)的大小动态调整子模块的级联过程,当模型的 小于预测场景的精度要求或子模块的级联次数达到特定数值时,模型便可自动终止子模块的级联扩展过程。所提的模型借助自动扩展的算法机制打破了 本身预测精度的限制,并可通过对预测误差的阈值调整完成不同预测精度场景下的预测任务。对于航空发动机高精度的预测要求与多场景的工况而言,模型在其 的预测问题上具有明显的优势。本文工作的亮点包括:)本文提出了一种新型的基于数据驱动的预测模型 ,并应用于航空发动机 预测领域,较传统 和其他预测模型而言,预测精度得到了有效提
13、升;)模型可以根据不同场景下的预测精确度要求自计 算 机 应 用 研 究 第 卷动调整子模块的级联数目,直至最后一级子模块产生的预测误差在设定的预测精度之内。这一特点保证了 模型在其他预测领域仍能表现出良好的适用性。美国国家航空航天局发布的商用模块化航空推进系统模拟(,)数据集具有数据量大、数据特征多的特点。实验结果表明,模型在 数据集的四个子集上均表现出色,这也验证了 模型具备有效处理庞大数量的多特征数据的能力。基础理论 及长期依赖问题传统的神经网络包括输入层、隐藏层和输出层三个基本结构。数据和信息的传输只存在于相互连接的层之间,同一层中的多个神经元之间没有数据和信息的传输,各层的参数集是独
14、立的,彼此不同。因此,传统的神经网络不适合处理时序数据。循环神经网络(,)与传统神经网络的区别在于,通过在隐藏层的神经元之间建立数据传输通路来处理时间序列数据。的隐藏层结构如图 所示 ,其中 代表输入序列,代表隐藏层的状态信息,是 对输入序列 的输出响应,用来描述输出序列 与目标序列 之间的偏差,和 是 中相互连接的层的权重矩阵,是隐藏层中神经元相互连接的权重矩阵。在输入序列的不同时间,的参数矩阵 、和 的尺寸是不变的。因此,对于未知长度的时间序列数据,的泛化能力能够得到保证。隐藏层的状态信息表示为 ()()()()对输入序列 的输出响应为 ()()()其中:和 是偏置项;和 是非线性激活函数
15、。在某一时刻的输出同时受当前输入和先前状态的影响。图 的隐藏层结构 长期依赖问题是 在实际应用中必须面对的最大挑战。当 被用于时间序列数据预测时,需要综合利用前一时刻的状态信息和当前时刻的输入信息来预测数值。当前的状态信息取决于先前的状态信息。当时间跨度较短时,短期依赖情况如图 ()所示,可以很好地处理短期依赖情况;当时间跨度较大时,长期依赖情况如图 ()所示。在长期依赖的情况下,很难建立一个合理的时间序列模型,因此会出现长期依赖的问题。图 依赖关系 梯度消失和梯度爆炸现象的存在是长期依赖问题发生的根本原因。在 训练过程中,基于时间的反向传播算法被应用于更新参数矩阵 、和,梯度下降计算是更新参
16、数矩阵 、和 的核心方法,损失函数 在时间 上关于 、和的偏导数由式()()表示。()()()()()()()()()()()()()()()()()()()()()()()()()()式()中的 通常是激活函数 ,的导数范围为 ,。多次利用反向传播算法来初始化参数。当 的初始特征值小于 时,式()中的运算会使偏导数极小,导致梯度消失;当 的初始特征值大于 时,式()中的运算会使偏导数极大,导致梯度爆炸。梯度消失和爆炸问题导致梯度被近程梯度所主导,造成模型难以学习长期依赖关系,降低了模型的表示能力,限制了 在时间序列中的预测能力。网络的基本理论 在 的基础上引入了状态单元和门控结构,以缓解 的
17、长期依赖性问题。与 相比,具有更新和删除前一刻信息的功能。的基本结构如图 所示。式()()描述了 中各层的数学关系 。图 单元的基本结构 网络的遗忘门 表示为 (,)()网络的输入门 表示为 (,)()网络的输出门 表示为 (,)()要更新到状态单元 的候选状态信息珋表示为珋 (,)()其中:、和 分别对应于权重矩阵、和 的偏置项。网络在 时刻的状态单元 表示为 珋()网络在 时刻的隐藏状态信息 表示为 ()()激活函数 ()和 ()分别表示为()()()()网络通过引入一个状态单元 来存储和传输时间序列信息。的门结构是通过 函数产生 ,内的数值来实现的。遗忘门、输入门 和输出门 都是通过对隐
18、藏状态信息 和输入 应用 函数得到的。遗忘门 决定历史信息 中的哪些信息将被删除,输入门 决定候选状第 期胡立坤,等:基于可自动扩展的 模型的航空发动机剩余寿命预测方法态信息珋中的哪些信息将被更新为状态信息,输出门 决定这个单元的状态信息 的哪些部分将被输出到下一个 单元。通过状态单元和门结构来模拟输入数据序列。预测模型 模型是基于传统 网络演变发展而来的,其基本结构如图 所示。模型是由多个相同的子模块逐级连接构成的,每个子模块均包含一个 层、多个全连接层以及一个回归输出层。模型的运行机制是:模型依靠多个子模块扩展级联的网络结构,从第二个子模块开始,便不断地将前一个子模块的预测误差作为输出训练
19、值传递给后一个子模块。在这种机制下,自第二个子模块起,之后的所有子模块都是在对上一级子模块的输出误差进行预测。网络在时序数据预测中的良好表现,导致 模型中每个子模块的预测精度都能够保持一定水准,这使得单个网络模块训练时累积下来的较大预测误差在经过多级子模块的连续预测后一定能够缩减到可允许的误差范围内。而预测误差越小,说明预测值越能反映真实值的变化规律,则模型的预测精度就越高。在预测算法的控制下,当模型的预测误差小于设定的预测精度或模型中的子模块数量达到设定值时,代表着数据的预测过程已经完成,此时 模型会自动终止子模块扩展级联的过程,输出末级子模块对上一级子模块预测误差的预测值。而后经过各级子模
20、块预测值的逐级累加,最终得到原始数据准确的预测结果。此外,模型还有一个优势,就是其可以根据不同预测场景的精度要求,动态调整参与扩展级联的子模块数量,直至预测误差达到满意的预测精度。因此,模型能够很好地保证数据拟合效果,有效提升预测精度。图 模型的结构及其训练过程 模型详细的训练过程是:)将数据集划分为训练集和测试集,依次将训练集中的时序数对(,)输入模型的首个子模块,并将数对归一化至 ,;)经过归一化的数对按序被输入到模型的首个子模块中,经过 层、多个全连接层和回归输出层的训练,得到训练后的首个子模块;)将数对中的训练输入值 重新输入至训练后的首个子模块中,便可得到输入 对应的预测输出值 。预
21、测值 与训练值 的差值便是首个子模块的预测误差:()若 不能满足预测精确度的要求,则模型继续将时序数对(,)作为第二级子模块的训练数据。按照首个子模块的训练流程,同理可得训练后的第二级子模块;而后将训练输入值 重新输入至训练后的第二级子模块中,得到输入 对应的预测输出值 。因此,第二级子模块的预测误差 可表示为 ()若 仍不能满足预测精确度的要求,按照上述规律分别可以得到、各级子模块的预测误差。依此类推,当 模型扩展级联至第 级子模块时,第 级子模块的预测误差 便可表示为 ()模型预测过程终止的条件是:(是调节模型预测精确度的常数)或级联次数等于某个特定数值(本研究设定为 )。若不满足这两个条
22、件,那么子模块扩展级联的进程便会一直进行下去;一旦满足这两个条件其中之一,子模块的扩展级联进程便会自动终止,此时也就代表着预测误差的精度已经满足要求,模型可以输出可靠的数据预测结果,即 模型的训练过程就此结束。模型之所以能保证较高的预测精确度,是因为其将预测原始数据的过程转换成了预测各级子模块误差的过程。因此对于经过训练后的 模型而言,最后一级子模块(假设为第 级)的输出值应当为 的值,还无法代表要预测的值 。通过结合式()()可以得知,当把、的表达式逐项累加时,可以重新表示为 ()其中:是 模型在子模块扩展级联到第 级时的预测输出值。根据式(),当第 级子模块的预测误差 趋于一个很小的数值时
23、,模型在每一级子模块级联时的预测输出值之和近似等于待预测数据的真实值 。因此,模型的最终输出的预测值 便可以用各级子模块的预测输出值之和表示,即 ()根据以上模型训练过程的描述,模型训练过程如图 所示。而后可利用训练后的 模型对测试集中的数据开展预测工作。图 模型的训练流程 计 算 机 应 用 研 究 第 卷综上所述,模型应用于数据预测领域具备以下优势:)模型的级联结构,保证了其可以利用下一级子模块来预测上一级子模块的预测误差,这一特性保证了模型的预测误差是随着子模块扩展级联进程的不断推进而逐渐减小的;)模型可以根据设定的预测精确度对子模块的级联过程进行动态调整,当最后一级子模块的预测误差达到
24、了设定的预测精度要求时子模块的扩展级联过程便可自动终止,这一特点保证了 模型的预测误差始终能够有效控制在所需预测精度的范围内;)本文采用级联的方式搭建出 模型,其相当于是由包含同等数量的神经元组成的宽度网络经过通道裁剪所形成的,这使得 模型的训练时间和计算内存比相同神经元组成的宽度网络更少。多个神经网络的级联固然会使得其运算成本比单个神经网络更高,但是它扩充了神经元的数量,使模型更容易地学习复杂特征,提升了模型的学习能力;同时,相较于宽度学习的方式,级联结构的运算成本更低,具有更高的运行效率。因此本文所提的级联结构是一种更为合理的网络优化方式。案例研究与分析 模型的训练过程和一系列的验证性实验
25、是在一台配备了 、与安装了 操作系统的个人电脑上使用 执行的。模型的关键超参数如表 所示。表 模型关键的超参数 参数数值参数数值梯度衰减系数 平方梯度衰减系数 初始学习速率 梯度阈值学习速率下降系数 正则项系数 学习速率下降周期 数据集介绍本文选择了航空发动机 预测领域的通用数据集 来验证 模型的预测效果。软件通过对航空涡扇发动机的关键部件进行模拟,从而得到航空涡扇发动机的性能退化全过程。模拟的部件包括风扇、压缩机和涡轮等 。数据集由四个数据子集组成,编号分别为 、,每个子集包含不同数量的航空发动机、不同数量的航空发动机的运行数据样本以及不同的航空发动机运行状态模式。数据集中的每个时间序列都是
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自动 扩展 LSTM 模型 航空发动机 剩余 寿命 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。