(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 202111420929.6 (22)申请日 2021.11.26 (71)申请人 中国民航大 学 地址 300300 天津市东 丽区津北公路2898 号 (72)发明人 郭晓静　贠玉晶　殷宇萱　赵小源　 (74)专利代理 机构 西安方诺专利代理事务所 (普通合伙) 61285 代理人 景丽娜 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种基于改进LSTM的航空发动机寿命预测 方法 (57)摘要 本发明属于航空发动机技术领域， 具体地涉 及一种基于改进LSTM的航空发动机寿命预测方 法。 包括： 步骤1： 对传感器获取的原始传感器数 据处理， 构建训练样本， 训练样本包括训练集和 测试集； 步骤2： 在步骤1构建训练样本基础上， 构 建LSTM结构模型， 作为发动机剩余寿命预测模 型； 步骤3： 将步骤1的测试集输入到步骤2构建的 LSTM结构模型， 得到预测的RUL值， 采用RMSE与 Score评价指标对得到的预测RU L值进行评估。 本 发明提出了SDAE与LSTM的航空发动机寿命预测 方法， 利用 深层编码器无监督特征提取的优势， 对发动机传感器信号进行有效特征提取， 避免了 人工提取特征的低效率 以及所带来的预测不确 定， 并利用LSTM模型处理时序数据的优势进行 发 动机剩余寿 命预测。 权利要求书3页 说明书9页 附图6页 CN 114297910 A 2022.04.08 CN 114297910 A 1.一种基于改进LSTM的航空发动机寿命预测方法， 其特 征在于： 包括以下步骤： 步骤1： 对传感器获取的原始传感器数据处理， 构建训练样本， 训练样本包括训练集和 测试集； 步骤2： 在步骤1构 建训练样本基础上， 构 建LSTM结构模型， 作 为发动机剩余寿命预测模 型； 步骤3： 将步骤1的测试集输入到步骤2构建的LSTM结构模型， 得到预测的RUL值， 采用 RMSE与Score评价指标对得到的预测RUL 值进行评估， 并评价寿命预测效果。 2.根据权利要求1所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤1的具体步骤 包括： 步骤1.1： 对传感器获取的原 始传感器数据， 进行归一 化和标准 化处理； 步骤1.2： 对步骤1.1处 理后的原 始传感器数据构建RUL标签； 步骤1.3： 对步骤1.2的标签数据RUL采用分段线性函数进行处理， 将早期循环中RUL设 为常值， 在循环后开始线性退化， 直至 达到0； 步骤1.4： 对步骤1.3处 理后的数据进行 特征选择； 步骤1.5： 对步骤1.4特征选择后的数据， 构建训练样本， 训练样本包括训练集和测试 集。 3.根据权利要求2所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤1.1的归一 化和标准 化处理具体方法为， 归一化使用Min ‑Max模型， 如式(1)所示， 将归一化后的数据 转换为均值为0， 标准差为1 的分布； 数据标准 化， 如式(2)所示： 式(1)、 (2)中， x ′i,j(t)表示无量纲化样本， xi,j(t)表示原始样本， max(x:,j)表示同维度 样本最大值， mi n(x:,j)表示同维度最小值； 表示样本均值； s表示样本标准差 。 4.根据权利要求3所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤2的具体步骤 包括： 步骤2.1： 构建LSTM结构模型； 步骤2.2： 将步骤1的测试集输入到SDAE中， 通过SDAE编码提取步骤1.5的训练集数据深 层特征， 对训练集数据进 行无监督预训练， 通过训练构建得到发动机健康因子HI曲线， 表征 发动机退化趋势； 步骤2.3： 对步骤2.2SDAE编码后的时序数据作为LSTM结构模型的输入， 以发动机全寿 命周期的逆序数作为LSTM结构模型的标签， 设置学习率和隐含层神经元个数后进 行LSTM结 构模型的训练； 步骤2.4： 计算 LSTM结构模型训练的损失， 更新 LSTM结构模型参数。权　利　要　求　书 1/3 页 2 CN 114297910 A 25.根据权利要求4所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤2.1， 构建双层LSTM结构模 型作为发动机剩余寿命 预测模型， 双层LSTM结构模 型的 遗忘门、 输入门和输出门选择sigmoid激活函数， 记 为σ， 输出范围为[0,1]， 代表当前输入信 息的重要程度， 越接近1表示越重要， 在生 成候选记忆时， 选择tanh激活函数， 用于调节流经 网络的值， 将输出 数值始终限制在[ ‑1,1]之间， 具体如下， 1)遗忘门 ft＝σ(Wf[ht‑1,xt]+bf)                   (3) 2)输入门 it＝σ(Wi[ht‑1,xt]+bi)                      (4) 3)输出门 ot＝σ(Wo[ht‑1,xt]+bo)                  (6) ht＝ot⊙tanh(Ct)                      (8) 其中， W和b分别为模型权值和偏置， xt为输入样本， wf为遗忘门权重， ht‑1为t‑1时刻隐藏 层状态， bf为遗忘门偏置， wi为输入门权重， bi为输入门偏置， h为t时刻隐藏层状态， bc为 cell状态偏置， wc为cell状态权重， wo为输出门权 重， ot为输出门状态。 6.根据权利要求5所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤2.4的LSTM模型的损失采用均方差计算： 其中， 表示剩余寿命预测值， yi表示剩余寿命真实值， n 为样本量。 7.根据权利要求6所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤2.4的LSTM结构模型参数 更新公式如下， 对时刻权 重和动量因子进行 更新： mt＝β1·mt‑1+(1‑β1)·gt wt+1＝wt‑α·mt                      (10) 其中， wt为t时刻权重， gt为t时刻梯度， α 为初始学习率， mt为一阶动量因子， β1经验值为 0.9。 8.根据权利要求7所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤3的具体操作包括： 步骤3.1： 将步骤1.5的测试集数据输入步骤2.4更新后的LSTM结构模型的输入门， 得到 预测的RUL 值； 步骤3.2： 使用均方根 误差RMSE和Score评分函数对步骤3.1的预测RUL 值进行评价； 步骤3.3： 采用预测寿命偏离度 δ评价寿命预测效果。 9.根据权利要求8所述的一种基于改进LSTM的航空发动机寿命预测方法， 其特征在于： 所述步骤3.2的均方根 误差RMSE 评价方法为，权　利　要　求　书 2/3 页 3 CN 114297910 A 3