(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 202111261992.X (22)申请日 2021.10.28 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 秦毅　项盛　罗均　蒲华燕　钱泉　 (74)专利代理 机构 重庆市嘉允启行专利代理事 务所(普通 合伙) 50243 代理人 胡柯 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01)G06F 119/04(2020.01) (54)发明名称 基于自动多微分学习深度网络的航空发动 机寿命预测方法 (57)摘要 本发明提供一种基于自动多微分学习深度 网络的航空发动机寿命预测方法， 具体步骤为： 采集待预测航空发动机多维退化参数获得采集 数据； 采用滑动窗口对采集数据进行分割获得预 处理数据； 构建包 括MBCNN模型、 MCBLS TM模型、 全 连接层FC1、 回归层的航空发动机剩余寿命预测 模型； 将预处理数据作为MBCNN模型的输入数据， 提取MBCNN模型的输 出， 将MBCNN模型的输 出及递 归数据作为MCBLSTM模型的输入数据， 提取 MCBLSTM模型的输 出； 将MCBLSTM模型的输 出作为 全连接层FC1的输入， 得到全连接层FC1的输出， 将输入回归层中进行预测的剩余寿命的预测。 本 申请通过ADLDNN模型对特征自动筛选并于差异 化学习相结合， 提高了寿命预测的准确性和泛化 能力。 权利要求书4页 说明书13页 附图4页 CN 113987704 A 2022.01.28 CN 113987704 A 1.基于自动多微分学习深度网络的航空发动机寿命预测方法， 其特征在于， 具体步骤 如下： 1)数据采集： 采集待预测航空发动机多维退化参数， 通过稳定趋势分析， 选取若干能反 映航空发动机退化 性能的参数， 获得采集数据； 2)数据预处 理： 采用滑动窗口技 术对采集数据进行 数据分割， 获得 预处理数据； 3)构建模型： 构 建基于自动多微分学习深度神经网络ADLDNN的航空发动 机剩余寿命预 测模型， 所述寿命预测模型包括多分支卷积神经网络MBCNN模型、 多细胞双向长短期记忆 MCBLSTM模型、 全连接层FC1、 回归层； 4)特征提取： 将预处理数据作为MBCNN模型的输入数据， 提取MBCNN模型的输出， 将 MBCNN模型的输出及递归数据作为M CBLSTM模型的输入数据， 提取M CBLSTM模型的输出； 5)寿命预测： 将MCBLSTM模型的输出作为全连接层FC1的输入， 得到全连接层FC1的输 出， 将全连接层FC1的输出输入回归层中进行 预测的剩余寿命的预测。 2.如权利要求1所述的基于自动多微分学习深度网络的航空发动机寿命预测方法， 其 特征在于， 所述多分支卷积神经网络MBCNN模型包括级别划分单元、 空间特征异化提取单 元； 所述多细胞双向长短期记 忆MCBLSTM模型包括双向趋势划分单 元、 多细胞 更新单元。 3.如权利要求2所述的基于自动多微分学习深度网络的航空发动机寿命预测方法， 其 特征在于， 步骤4)中提取MBCN N模型的输出的具体步骤为： 4‑1‑1)级别划分： 将步骤2)中的预处理数据作为输入数据， 将t时刻的输入数据xt输入 到MBCNN模型的级别划分单元中进行层级划分， 所述层级划分单元包括一个由五个神经元 组成的全连接层FC2， 对全连接层FC2的输出Dt进行了softmax归一化操作， 得到层级划分结 果D1t： D1t＝softmax(Dt)＝[d11t d12t d13t d14t d15t]                     (2) 式(1)、 (2)中， 和 分别表示全 连接层FC2的权重和偏 差， d11t、 d12t、 d13t、 d14t和d15t分 别代表重要级别、 相对重要级别、 一般级别、 相对次要级别和次要级别五个级别， D1t中最大 元素的位置表示当前输入的水平划分结果； 4‑1‑2)提取特征： 根据输入数据的阶段划分结果D1， 将输入数据输入空间特征异化提取 单元的不同卷积路径中进 行卷积处理， 根据层次划分结果和设计的5条卷积路径， 对输入测 量值进行自动差分处 理， 得到健康特 征 权　利　要　求　书 1/4 页 2 CN 113987704 A 2式(3)中， Pij和Cij分别表示第i个卷积路径的第j个卷积运算和池化运算， 为重要级别 数据的卷积输出， 为相对重要级别数据的卷积输出， 为一般级别数据的卷积输 出， 为 相对次要 级别数据的卷积输出， 为次要级别数据的卷积输出。 4.如权利要求2所述的基于自动多微分学习深度网络的航空发动机寿命预测方法， 其 特征在于， 步骤4)中提取M CBLSTM模型的输出的具体步骤为： 4‑2‑1)趋势划分： 将t时刻MBCNN模型的输出 以及t‑1时刻MCBLSTM模型的递归数据 h2 t‑1作为MCBLSTM模型t时刻的输入数据， 输入双向趋势划分单元中进行趋势划分， 所述双 向趋势划分单元包括分别沿前向和后向划分其趋势水平的全连接层FC3、 全连接层FC4， 所 述全连接层FC 3与全连接层FC4均包括五个神经 元， 全连接层FC 3与全连接层FC4的输出 与 分别为： 式(4)中， 为全连接层FC3的权值， 为全连接层FC4的权值， 为全连 接层FC3的偏差， 为全连接层FC4的偏差 。 分别对 与 进行softmax操作， 分别得到正向和反向的趋势水平 与 式(5)中， 和 分别表示在双向计算 过程中局部趋势、 中短期趋势、 中期趋势、 中长期趋势和全局趋势， 中 表 示t时刻沿两个方向的趋势水平； 4‑2‑2)特征提取： 根据趋势划分结果 和 将不同趋势的数据输入沿两个方向的差 异学习的多细胞更新单元 和 中进行更新， 所述 包括五个子单元 所述 包括五个子单 元 权　利　要　求　书 2/4 页 3 CN 113987704 A 3