基于DaNet的无人机发动机的剩余使用寿命预测方法技术

本发明专利技术提出基于DaNet的无人机发动机的剩余使用寿命预测方法。包括:步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；步骤2、构建双注意力神经网络(DaNet)；步骤3、利用训练数据集的输入与输出对DaNet进行训练；步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据,通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。本发明专利技术采用融合双注意力机制网络模型进行健康评估方法，利用了注意力机制可以定位关键目标，可以有效地从数据中选择信息段，从而显著提高预测精度。从而显著提高预测精度。从而显著提高预测精度。

【技术实现步骤摘要】
基于DaNet的无人机发动机的剩余使用寿命预测方法


[0001]本专利技术涉及无人机领域，涉及基于DaNet的无人机发动机的剩余使用寿命预测方法

技术介绍

[0002]随着无人机发动机性能的不断提高以及复杂性的不断增加，系统的可靠性、故障诊断和预测、维修保障等问题越来越受到人们的重视。故障预测与健康管理(Prognostics Health Management，PHM)技术在航空领域得到越来越广泛的应用。PHM是指通过传感器系统采集设备运行过程中所产生的大量数据信息，运用数据挖掘和分析手段管理、监控、评估设备的健康状态，预测故障的发生，并提供维护保障建议或者策略。剩余使用寿命(Remaining UsefulLife，RUL)预测在故障预测与健康管理技术中扮演着至关重要的角色，RUL是指部件或者设备从当前时刻到发生故障(寿命结束)所经历的时间。准确的预测剩余使用寿命可以使用户在系统发生故障之前的适宜时机采取恰当的维修措施，其意义在于及时掌握系统的运行情况，降低设备维修成本，为确定合适的检修决策提供依据。
[0003]由于无人机发动机属于无人机上的核心部件之一，因此，对无人机发动机RUL预测的准确与否将直接关乎无人机能否安全运行。根据学习算法方式的不同，基于数据驱动的RUL预测方法包括传统的机器学习方法和近日兴起的深度学习方法。基于传统机器学习的预测方法虽然能够挖掘历史数据与剩余使用寿命之间的关系，但是对于数据的拟合能力有限，并且没有考虑数据在时间上的依赖性，因此对于多维非线性数据的预测效果难以令人满意。r/>[0004]为此，本专利技术提出基于DaNet的无人机发动机的剩余使用寿命预测方法。首先，对无人机发动机上传感器收集到的原始数据进行归一化处理，将处理后的数据作为输入量，建立LaNet、SaNet和FCN，其混合为DaNet，进行DaNet模型训练，最后FCN通过提取到的特征信息向剩余使用寿命的映射，通过RMSE和S
‑
评分函数对预测精准度进行判决。

技术实现思路

[0005]为了克服现有技术存在的缺点，本专利技术提出了基于DaNet的无人机发动机的剩余使用寿命预测方法，用于解决
技术介绍
中提到的发动机维修成本高以及健康程度预测精度低的问题。
[0006]本专利技术采用了如下技术方案：
[0007]基于DaNet的无人机发动机的剩余使用寿命预测方法，包括：
[0008]步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；
[0009]运用时间窗口的方法将降噪后的数据进行组合，将组合后的数据与对应时刻下无人机发动机的剩余使用寿命(RUL)分别作为训练数据集的输入与输出；
[0010]步骤2、构建双注意力神经网络(DaNet)；
[0011]步骤3、利用训练数据集的输入与输出对DaNet进行训练；
[0012]步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据，通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。
[0013]优选地,所述步骤1的具体步骤包括：
[0014]步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据，进行归一化和标准化处理；
[0015]步骤1.2：对步骤1.1处理后，剔除无人机发动机在工作过程中数据不变的传感器数据后，将剩余的数据作为特征选择后的数据；
[0016]步骤1.3：对步骤1.2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。
[0017]优选地，所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)，
[0018][0019][0020]x0表示传感器原始数据，x
max
表示同维度样本最大值，x
min
表示同维度最小值，x
i
′
表示为归一化处理之后的第i个传感器的数据。和S
i
表示第i个传感器数据的均值和标准差。
[0021]优选地,所述步骤2的具体步骤包括：
[0022]步骤2.1:构建LaNet，其包括一个平均池化层、全连接层以及激活函数Sigmoid，输入数据依次通过平均池化层和全连接层，经过激活函数Sigmoid的输出进入到SaNet；
[0023]步骤2.2:构建SaNet，其包括平均池化层、最大池化层、卷积层和激活函数Sigmoid，将LaNet输出数据依次通过平均池化层、最大池化层、卷积层，经过激活函数Sigmoid的输出进入到FCN；
[0024]步骤2.3:构建FCN，其包括卷积层、批量归一化层、激活函数Softmax、平均池化层以及密集层，经过卷积层、批量归一化层、激活函数以及密集层,最终FCN通过提取到的特征信息向剩余使用寿命的映射；
[0025]优选地,所述步骤3的具体步骤包括：
[0026]步骤3.1：利用训练数据集的输入与输出对DaNet进行训练；
[0027]步骤3.2：对DaNet训练时所采用学习速率设置为0.001的Adam优化算法；
[0028]步骤3.3：使用均方误差损失函数和S
‑
评分函数对DaNet训练的结果进行判决。
[0029]优选地,所述步骤4的具体步骤包括：
[0030]步骤4.1：采集无人机发动机在实际工作过程中的在线传感器数据；
[0031]步骤4.2：对采集的传感器数据进行特征筛选和平滑降噪；
[0032]步骤4.3：采用时间窗口组合的方式获得用于预测的数据。
[0033]步骤4.4：通过训练好的DaNet，DaNet最终输出对无人机发动机的剩余使用寿命的预测结果。
[0034]本专利技术的优势：本专利技术提出了基于DaNet的无人机发动机的剩余使用寿命预测方法，本专利技术在无需事先了解对象系统任何先验知识的情况下，通过传感器收集到的历史数
据，训练一种基于DaNet的神经网络，构建传感器数据和剩余使用寿命之间的映射关系，能够解决传统的长短时记忆网络所面临的参数繁多、难以直接处理将来时刻数据、以及难以反映不同时刻数据重要性程度的问题；然后提取系统在线工作过程中相应的传感器数据输入到训练好的深度神经网络中，即可实现系统剩余使用寿命的实时预测。
附图说明
[0035]图1为本专利技术的方法流程图。
[0036]图2为LaNet神经网络结构图。
[0037]图3为SaNet模型。
[0038]图4为FCN模型。
[0039]图5为本专利技术的模型结构图。
具体实施方式
[0040]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图，对本专利技术进行进一步详细说明。
[0041]除非另有定义，本文所使用的所有的技术术语和科学术语与属于本专利技术的
的技术人员通常理解的含义相同，本文中在本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于，所述方法具体包括以下步骤：步骤1、收集无人机发动机在工作过程中的传感器历史数据作为初始数据，并对收集的初始数据进行特征筛选，对筛选后的数据进行降噪处理，最终得到降噪后的数据；运用时间窗口的方法将降噪后的数据进行组合，将组合后的数据与对应时刻下无人机发动机的剩余使用寿命(RUL)分别作为训练数据集的输入与输出；步骤2、构建双注意力神经网络(DaNet)；步骤3、利用训练数据集的输入与输出对DaNet进行训练；步骤4、收集无人机发动机在实际工作过程中的传感器数据，将处理后的数据当作预测的数据,通过DaNet输出对无人机发动机的剩余使用寿命的预测结果。2.根据权利要求1所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，其特征在于，所述对收集的初始数据进行特征筛选，其具体过程为：步骤1.1:对无人机发动机在工作过程中的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处理后剔除无人机发动机在工作过程中数据不变的传感器数据后，将剩余的数据作为特征选择后的数据；步骤1.3:对步骤1.2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所述的基于DaNet的无人机发动机的剩余使用寿命预测方法，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计算式(1)和(2)：在于：所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2)：x0表示传感器原始数据，x
max
表示同维度样本最大值，x
min
表示同维度最小值，x
i
′
表示为归一化处理之后的第i个传感器的数...

【专利技术属性】
技术研发人员：许鑫杰，徐志玲，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：