(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111240696.1 (22)申请日 2021.10.25 (71)申请人 中国航空工业 集团公司西安 航空计 算技术研究所 地址 710000 陕西省西安市锦业 二路15号 (72)发明人 段秉环　戴小氐　郝玉锴　赵根学　 孙志颖　牛玥瑶　 (74)专利代理 机构 中国航空专利中心 1 1008 代理人 王世磊 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/04(2020.01) (54)发明名称 一种航空发动机剩余使用寿 命预测方法 (57)摘要 本发明属于机载设备故障预测与健康管理 领域， 具体涉及一种航空发动机剩余使用寿命预 测方法。 该方法包括： 对发动机的原始时序序列 进行数据处理得到第一训练数据和第一测试数 据； 构建以两层长短时记忆网络层加两层全 连接 层为主的网络模型， 所述网络模型包括七层， 其 中， 第一层、 第三层为长短时记忆网络层， 第五层 和第七层为全 连接层， 第二层、 第四层、 第六层为 丢弃层； 将第一训练数据输入所述网络模型进行 网络训练得到训练后的网络模型； 将第一测试数 据输入所述训练后的网络模型进行测试得到发 动机的剩余使用寿命值。 解决了传统BP神经网络 和支持向量机等深度学习方法在时序序列预测 方面存在的过拟合、 高维灾难的问题。 权利要求书1页 说明书4页 附图3页 CN 114004144 A 2022.02.01 CN 114004144 A 1.一种航空发动机剩余使用寿命预测方法， 其特 征在于， 包括： 对发动机的原 始时序序列进行 数据预处 理得到第一训练数据和第一测试 数据； 构建两层长短时记忆网络层加两层全连接层的网络模型， 所述网络模型包括七层， 其 中， 第一层、 第三层为长短时记忆网络层， 第五层和第七层为全连接层， 第二层、 第四层、 第 六层为丢弃层； 将第一训练数据输入所述网络模型进行网络训练得到训练后的网络模型； 将第一测试 数据输入所述训练后的网络模型进行测试 得到发动机的剩余使用寿命值。 2.根据权利要求1所述的方法， 其特征在于， 对发动机的原始时序序列进行数据 预处理 得到第一训练数据和第一测试 数据， 具体包括： 从发动机的原始时序序列中的训练数据中提取有效的样本特征并确定所述样本特征 对应的发动机剩余使用寿命， 从发动机的原始时序序列中的测试数据中提取有效的样本特 征， 所述样本特 征包括： 操作条件以及 传感器值； 分别针对训练数据和测试数据， 对提取到的样本特征进行小波变换方法去噪、 主成分 分析法降维得到第一训练数据和第一测试 数据。 3.根据权利要求2所述的方法， 其特征在于， 确定所述样本特征对应的发动机剩余使用 寿命， 具体为： 发动机的全生命周期值减去当前运行的循环数。 4.根据权利要求2所述的方法， 其特征在于， 对发动机的原始时序序列进行数据 预处理 得到第一训练数据和第一测试 数据， 之前 所述方法还 包括： 将第一训练数据中 高于某个阈值的发动机剩余使用寿命值 修改为所述阈值。 5.根据权利要求1所述的方法， 其特征在于， 将第 一训练数据输入所述网络模型进行网 络训练得到训练后的网络模型， 具体包括： 在每一个时间步， 用时间窗口内包含的时序序列共同预测此刻发动机的剩余使用寿 命， 所述时间窗口 的长度小于第一测试 数据中各个发动机的时序 序列长度的最小值。 6.根据权利要求1所述的方法， 其特征在于， 将第 一训练数据输入所述网络模型进行网 络训练得到训练后的网络模型， 具体包括： 采用可变学习率策略在训练过程中分段 逐步降低学习率以加速网络模型的收敛。 7.根据权利要求2所述的方法， 其特征在于， 所述小波变换方法为小波变换固定 式阈值 去噪方法。 8.根据权利要求7 所述的方法， 其特 征在于， 小 波基函数为db3 。权　利　要　求　书 1/1 页 2 CN 114004144 A 2一种航空发动机剩余使用寿命 预测方法 技术领域 [0001]本发明属于机载设备故障预测与健康管理领域， 具体涉及一种航空发动机剩余使 用寿命预测方法。 背景技术 [0002]航空发动机是飞机 的心脏， 其性能与飞机 的安全航行息息相关， 因此对发动机的 剩余使用寿命(Remaining  Useful Life， RUL)、 健康状况进行预测， 可以在故障发生前就采 取防护措施， 对飞行系统的安全性可提供有力的保障； 另外， 也可帮助设备保障人员确定对 发动机维护的最佳时机， 降低维修成本。 相较传统的基于卡尔曼滤波、 基于相似逼近等方 法， 深度学习由于其可以从复杂数据中提取更有用的特征、 更擅长学习与 识别的优势， 已越 来越广泛地被 应用于解决发动机的故障预测问题。 [0003]从航空发动机采集到的数据一般具有高维度、 读数不准确、 噪声污染、 多个部件之 间存在复杂的时间依赖性等特征， BP神经网络、 支持向量机等深度学习 方法在预测发动机 的剩余使用寿命上已取得了一定的成果， 但它们存在过拟合、 维数灾难、 参数选择困难等问 题， 亟待一种方法能从发动机的数据样本中捕捉复杂的机器行为和时序关联。 发明内容 [0004]本发明的目的： [0005]提供一种航空发动机剩余使用寿命预测方法， 以解决传统BP神经网络和支持向量 机等深度学习方法在时序 序列预测方面存在的过拟合、 高维灾难的问题。 [0006]本发明的技 术方案： [0007]第一方面， 提供了一种航空发动机剩余使用寿命预测方法， 包括： [0008]对发动机的原 始时序序列进行 数据预处 理得到第一训练数据和第一测试 数据； [0009]构建以两层长短时记忆网络层加两层全连接层为主的网络模型， 所述网络模型包 括七层， 其中， 第一层、 第三层为长短时记忆网络层， 第五层和第七层为全连接层， 第二层、 第四层、 第六层为丢弃层； [0010]将第一训练数据输入所述网络模型进行网络训练得到训练后的网络模型； [0011]将第一测试数据输入所述训练后的网络模型进行测试得到发动机的剩余使用寿 命值。 [0012]进一步地， 对发动机的原始时序序列进行数据预处理得到第一训练数据和第一测 试数据， 具体包括： [0013]从发动机的原始时序序列 中的训练数据中提取有效的样本特征并确定所述样本 特征对应的发动机剩余使用寿命， 从发动机的原始时序序列中的测试数据中提取有效的样 本特征， 所述样本特 征包括： 操作条件以及 传感器值； [0014]分别针对训练数据和测试数据， 对提取到 的样本特征进行小波变换方法去噪、 主 成分分析法降维得到第一训练数据和第一测试 数据。说　明　书 1/4 页 3 CN 114004144 A 3