本發(fā)明屬于航空發(fā)動機(jī)整機(jī)性能退化預(yù)測領(lǐng)域，通過設(shè)計一種區(qū)間預(yù)測的方法來解決航空發(fā)動機(jī)外場使用期間的性能退化趨勢預(yù)測問題。

背景技術(shù)：

1、航空發(fā)動機(jī)作為飛機(jī)的主要動力來源，其可靠性對飛行安全至關(guān)重要。航空發(fā)動機(jī)長期工作在高溫高壓環(huán)境下，并且需要進(jìn)行連續(xù)得工況切換以適應(yīng)不同飛行任務(wù)的功率需求。連續(xù)頻繁的工況切換加速了退化過程，并可能導(dǎo)致故障或失效。航空發(fā)動機(jī)的性能評估和預(yù)測是phm中的關(guān)鍵問題之一，通過分析和預(yù)測發(fā)動機(jī)的性能變化趨勢，能夠制定更有效的維護(hù)計劃，提高整體性能，延長發(fā)動機(jī)壽命。

2、現(xiàn)有的預(yù)測方法可分為基于物理的方法和基于數(shù)據(jù)驅(qū)動的方法兩大類?；谖锢淼姆椒ㄍㄟ^熱力學(xué)計算，借助幾何、物理知識構(gòu)建出設(shè)備的數(shù)學(xué)模型，來實現(xiàn)對發(fā)動機(jī)性能退化行為的預(yù)測?；谖锢淼姆椒m有高度可解釋性，但航空發(fā)動機(jī)是一個極其復(fù)雜的氣動和熱力學(xué)旋轉(zhuǎn)機(jī)械系統(tǒng)，構(gòu)建出其明確的數(shù)學(xué)模型的建模和計算復(fù)雜度較高，并且對于某些復(fù)雜的物理過程存在建模不準(zhǔn)確的問題。近年來，隨著傳感器技術(shù)和人工智能的發(fā)展，數(shù)據(jù)驅(qū)動預(yù)測技術(shù)逐漸成為實現(xiàn)發(fā)動機(jī)性能預(yù)測的重要工具。數(shù)據(jù)驅(qū)動方法使用機(jī)器學(xué)習(xí)技術(shù)直接從收集的狀態(tài)監(jiān)測(cm)數(shù)據(jù)中學(xué)習(xí)系統(tǒng)行為，然后利用學(xué)習(xí)到的知識來預(yù)測退化趨勢。發(fā)動機(jī)性能預(yù)測是航空發(fā)動機(jī)維護(hù)和健康管理的重要組成部分，通過對發(fā)動機(jī)運(yùn)行數(shù)據(jù)的實時監(jiān)測和分析，可以及時發(fā)現(xiàn)發(fā)動機(jī)的異常情況，并采取相應(yīng)的措施進(jìn)行維修和調(diào)整，確保發(fā)動機(jī)的穩(wěn)定運(yùn)行。

3、性能變化趨勢預(yù)測問題可歸結(jié)為序列到序列的回歸問題(長時間序列預(yù)測問題)。wang等通過lstm實現(xiàn)了退化趨勢的多步預(yù)測。yang等提出了一種集數(shù)據(jù)修復(fù)和退化趨勢預(yù)測于一體的網(wǎng)絡(luò)框架dr-dtpn，有效的解決了監(jiān)測數(shù)據(jù)缺失和分布變化導(dǎo)致設(shè)備退化趨勢預(yù)測偏差嚴(yán)重的問題。ou等設(shè)計了一個adadsc將退化特征序列表征為具有不同分布的多個階段，有效的解決了性能退化趨勢預(yù)測中的時間分布差異問題。以上發(fā)明的預(yù)測結(jié)果只能給出發(fā)動機(jī)在未來某一時刻性能的參考值，并且忽略了設(shè)備使用期間維修活動所帶來的影響。對航空發(fā)動機(jī)性能預(yù)測的主要目的是，能夠判斷其在未來能否可靠工作并為其維修策略的制定提供參考。因此，更希望能夠預(yù)測航空發(fā)動機(jī)性能變化的區(qū)間范圍，確保其在最差的情況下仍然能夠有效工作。此外，如何對維修活動帶來的發(fā)動機(jī)性能恢復(fù)進(jìn)行建模，為發(fā)動機(jī)性能退化預(yù)測帶來了挑戰(zhàn)。

4、為了解決退化趨勢提取以及考慮維修活動的性能變化區(qū)間預(yù)測問題，本發(fā)明基于經(jīng)典的transformer架構(gòu)設(shè)計了一種新的網(wǎng)絡(luò)結(jié)構(gòu)qcformer。具體來說，其將維修事件作為一種特殊的位置編碼引入網(wǎng)絡(luò)，實現(xiàn)對維修事件的建模。采用pinball?loss作為損失函數(shù)，實現(xiàn)對性能變化區(qū)間的預(yù)測。并且在encoder學(xué)習(xí)過程中引入1d?cnn策略，有效學(xué)習(xí)局部特征的同時，并降低了模型訓(xùn)練的復(fù)雜度。

技術(shù)實現(xiàn)思路

1、為了解決當(dāng)前航空發(fā)動機(jī)外場穩(wěn)態(tài)數(shù)據(jù)采集后性能區(qū)間預(yù)測的問題，本發(fā)明提出了一種考慮維修因素的航空發(fā)動機(jī)性能區(qū)間預(yù)測方法(qcformer)，可以有效解決航空發(fā)動機(jī)在經(jīng)歷維修后性能難以預(yù)測的問題。

2、所述考慮維修因素的航空發(fā)動機(jī)性能區(qū)間預(yù)測方法(qcformer)，包括處理數(shù)據(jù)、搭建模型、模型訓(xùn)練及預(yù)測四個部分。其利用1d?cnn增強(qiáng)模型對數(shù)據(jù)在時序上的敏感程度，同時，增加事件編碼使得維修因素能被充分考慮，分別采用編碼器、解碼器和pinballloss，以得到能輸出數(shù)據(jù)分布區(qū)間的預(yù)測模型。相比于其他發(fā)動機(jī)性能預(yù)測方法，qcformer能夠在構(gòu)建預(yù)測模型時考慮到事件因素的影響，特別是針對航空發(fā)動機(jī)外場工作中時常進(jìn)行的清洗和維修，有效的構(gòu)建了實際情況中發(fā)動機(jī)性能參數(shù)預(yù)測的方法。

3、本發(fā)明提出的一種考慮維修因素的航空發(fā)動機(jī)性能區(qū)間預(yù)測方法，包括如下步驟：

4、步驟1，將從外場航空發(fā)動機(jī)上采集到的數(shù)據(jù)進(jìn)行處理，構(gòu)建訓(xùn)練集；

5、所述方法首先進(jìn)行相似換算統(tǒng)一至標(biāo)準(zhǔn)大氣條件下。之后，采用滑動窗口的方式采集得到用于模型訓(xùn)練的數(shù)據(jù)集其中表示長度為l的m個輸入變量，即待預(yù)測序列，表示長度為h的k個輸出變量，即預(yù)測序列。

6、步驟1的必要注釋：常用的性能參數(shù)包含功率、瞬時耗量sfc、排氣溫度egt以及轉(zhuǎn)速ng，其對應(yīng)的相似換算公式為：

7、

8、

9、步驟2，定義預(yù)測目標(biāo)變量yj的置信度水平；

10、步驟2的必要注釋：定義α為預(yù)設(shè)置信度，區(qū)間預(yù)測需要在給定置信水平為1-α的數(shù)據(jù)分布中預(yù)測目標(biāo)變量yj的范圍且滿足：

11、

12、目標(biāo)變量y在數(shù)據(jù)分布中對應(yīng)第q分位數(shù)的預(yù)測值yq，表示為：

13、yq＝argminy{f(y)≥q}

14、其中f(y)是變量y的累積分布函數(shù)。

15、步驟3，構(gòu)建含有cnn層的注意力機(jī)制網(wǎng)絡(luò)qcformer；

16、所述方法包含編碼器和解碼器兩個部分，編碼器用于序列特征學(xué)習(xí)，解碼器用于生成需要預(yù)測的目標(biāo)序列區(qū)間。

17、步驟3的必要注釋：為了提高模型對序列數(shù)據(jù)局部信息的敏感程度，在編碼器中引入了1d?cnn層。具體的，首先對序列輸入到1d?cnn層中沿時間維度執(zhí)行步長為1的卷積運(yùn)算進(jìn)行局部信息提取，經(jīng)過卷積層映射后變換為長度為l、維度為dm的新序列之后通過位置編碼引入數(shù)據(jù)的位置信息，編碼方式為：

18、

19、式中，pos表示位置，i表示維度，dm表示特征向量的維數(shù)，并且為了確保位置編碼保持對稱dm應(yīng)該為偶數(shù)。所述方法將維修活動視為一種特殊的位置信息，發(fā)動機(jī)使用周期內(nèi)維修活動是有限的，因此位置編碼為一個離散變量，通過唯一數(shù)值表示每種不同類型的維護(hù)活動，并通過嵌入層將其映射到dm維，得到維修事件編碼之后，將事件編碼進(jìn)行相同的一維卷積操作以與保持時間一致性，可表示為最終輸入編碼器的向量為序列信息位置編碼以及事件編碼三者的加和，即

20、注意力模塊由自注意力層和殘差連接以及l(fā)ayernorm組成，其輸出序列維度與輸入序列維度相同。自注意力機(jī)制包括矩陣q(查詢)、k(鍵值)、v(值)其均為輸入線性變換得到；自注意力層可以使模型動態(tài)捕獲序列中不同位置的關(guān)系，計算公式如下：

21、

22、其中，dk表示k、v矩陣的列數(shù)即向量維度，作為比例因子，以防止過大的輸入維度影響注意力權(quán)重的計算。在自注意力計算結(jié)束后，通過殘差連接將自注意力層的輸入輸出加和并進(jìn)行l(wèi)ayernorm操作后，得到自注意力模塊的最終輸出。

23、在完成注意力計算后，將自注意力模塊的計算結(jié)果輸入到前饋網(wǎng)絡(luò)進(jìn)行進(jìn)一步特征學(xué)習(xí)，前饋網(wǎng)絡(luò)均由兩層全連接層組成，采用relu作為激活函數(shù)同時進(jìn)行l(wèi)ayernorm操作，并引入殘差連接，計算公式如下：

24、f1＝layernorm(f+max(0,fw1+b1)w2+b2)

25、其中，為前饋網(wǎng)絡(luò)的輸入，為網(wǎng)絡(luò)的輸出，w1和w2分別為第一層全連接層的權(quán)重和第二層全連接層的權(quán)重，b1與b2則分別對應(yīng)兩個全連接層的偏置。

26、在編碼器前饋網(wǎng)絡(luò)計算結(jié)束后，對輸出特征進(jìn)行1d?cnn運(yùn)算，在增強(qiáng)模型局部特征學(xué)習(xí)能力的同時，將輸入序列長度減半。該卷積層卷積核大小為3，卷積步幅為2。采用relu作為激活函數(shù)，并進(jìn)行最大池化操作，最終的輸出可以表示為：

27、f2＝maxpool(relu(conv1d(f1)))

28、在模型構(gòu)建中，通常通過堆疊多個編碼器以增加模型深度及表達(dá)能力。編碼器每次計算中，輸出序列長度較輸入序列長度減半。疊加ne數(shù)量個編碼器，與原transformer模型相比，計算復(fù)雜度從降低至其中η值與原transformer編碼器相比較小。因此，qcformer中1d?cnn模塊在提高模型對序列特征局部信息學(xué)習(xí)能力的同時，降低了模型的計算復(fù)雜度。

29、解碼器用于生成目標(biāo)序列，解碼器則由掩碼注意力模塊、位置編碼、事件編碼、交叉注意力模塊以及前饋網(wǎng)絡(luò)共五個部分構(gòu)成。解碼器第一層接收于編碼器類似的輸入，其中包含序列特征、位置編碼與事件編碼三部分，序列特征包括全標(biāo)記序列和占位符序列表示為：

30、

31、表示目標(biāo)序列yj前長度為htoken的位置作為開始標(biāo)記。不同于編碼器采用1dcnn計算，解碼器通過全連接層將特征從k維映射到dm維，位置編碼和時間編碼則與編碼器實現(xiàn)方式相同，通過嵌入層拓展到dm維后，直接輸入編碼器。

32、組合序列特征、位置編碼和事件編碼后輸入掩碼多頭注意力模塊，該模塊用于隱藏與后續(xù)序列有關(guān)的信息，從而避免未來信息泄露。掩碼多頭注意力模塊中，掩碼是通過掩碼張量實現(xiàn)的，這個張量中值為1的位置表示可以訪問的信息，而值為“-inf”的位置表示不能訪問的信息。在掩碼自注意力機(jī)制計算過程中，掩碼張量與查詢(query)、鍵(key)和值(value)進(jìn)行逐元素乘法操作，從而實現(xiàn)對信息的屏蔽，其公式如下：

33、q*＝q⊙m

34、其中m是掩碼張量，q為計算查詢，⊙為元素級乘法使得在計算注意力分?jǐn)?shù)時，未來的位置的信息被忽略。

35、交叉注意力模塊中查詢矩陣q為解碼器中掩碼多頭自注意力模塊的輸出，鍵矩陣k以及值矩陣v為編碼器的輸出。在交叉注意力模塊計算結(jié)束后，同樣通過前饋網(wǎng)絡(luò)進(jìn)行進(jìn)一步特征學(xué)習(xí)。解碼器前饋網(wǎng)絡(luò)結(jié)構(gòu)與編碼器完全相同。將解碼器進(jìn)行nd次堆疊后的計算結(jié)果輸入全連接層，得到最終預(yù)測結(jié)果：

36、

37、其中是對起始token序列的預(yù)測結(jié)果，是對目標(biāo)token序列的預(yù)測結(jié)果。

38、步驟4，采用pinball?loss作為損失函數(shù)實現(xiàn)對性能變化區(qū)間的預(yù)測。

39、步驟4的必要注釋：使用pinball?loss作為模型優(yōu)化目標(biāo)，其計算的是目標(biāo)變量的一般條件概率分布，函數(shù)定義如下：

40、

41、其中，yt為實際觀測值，為分位數(shù)水平q∈(0,1)處的預(yù)測值；當(dāng)預(yù)測的分位數(shù)超過實際值時，懲罰將通過(1-q)進(jìn)行調(diào)整，若低于實際值，懲罰將通過q進(jìn)行調(diào)整。

42、步驟5，將訓(xùn)練集數(shù)據(jù)輸入構(gòu)建的網(wǎng)絡(luò)中，通過adam算法進(jìn)行模型參數(shù)更新以最小化損失函數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直到收斂。

43、步驟5的必要注釋：訓(xùn)練過程中，adam算法計算模型每個參數(shù)wi和其對應(yīng)梯度gi，并更新一階矩估計mt和二階矩估計vt，分別進(jìn)行偏差矯正為和根據(jù)矯正后的一階和二階矩估計更新每個參數(shù)，函數(shù)定義如下：

44、

45、其中，η是學(xué)習(xí)率，∈是為了數(shù)值穩(wěn)定性添加的常數(shù)，取10-8。

46、有益效果：

47、qcformer通過改進(jìn)transformer模型增加事件編碼模塊且結(jié)合pinball?loss，構(gòu)建了針對渦槳發(fā)動機(jī)包含維修活動的預(yù)測模型，從而更好地實現(xiàn)航空發(fā)動機(jī)性能變化區(qū)間預(yù)測。同時，在編碼器中引入一維卷積層神經(jīng)網(wǎng)絡(luò)以增強(qiáng)模型對數(shù)據(jù)時序上的敏感性，并且有效降低了編碼器的訓(xùn)練復(fù)雜度。將qcformer模型用到航空發(fā)動機(jī)整機(jī)性能退化趨勢分析中，以完成航空發(fā)動機(jī)外場使用期間的性能預(yù)測。通過在某型渦槳發(fā)動機(jī)外場使用數(shù)據(jù)上的大量性能退化趨勢預(yù)測實驗表明，相比傳統(tǒng)的數(shù)據(jù)驅(qū)動方法以及諸多數(shù)值計算方法，qcformer模型在航空發(fā)動機(jī)整機(jī)性能預(yù)測領(lǐng)域是更為實際有效的方法，考慮到各種不確定性和維修因素的影響，能夠避免單一精確預(yù)測的不準(zhǔn)確性。