(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110522956.8 (22)申请日 2021.05.13 (65)同一申请的已公布的文献号 申请公布号 CN 113204921 A (43)申请公布日 2021.08.0 3 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 张九思　蒋宇辰　罗浩　吴诗梦　 尹珅　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 代理人 岳昕 (51)Int.Cl. 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) (56)对比文件 CN 112580263 A,2021.0 3.30 CN 111274737 A,2020.0 6.12 审查员 赵鼎新 (54)发明名称 飞机涡扇发动机的剩余使用寿命预测方法 及系统 (57)摘要 飞机涡扇发动机的剩余使用寿命预测方法 及系统， 它属于故障预测与人工智能相结合的学 科交叉领域。 本发明解决了传统基于数据驱动的 剩余使用寿命预测方法的预测效果不佳以及参 数繁多、 难以直接处理将来时刻数据的问题。 本 发明通过传感器收集到的历史数据， 训练一种基 于对时间步长的自注意力机制双向门控循环单 元的深度神经网络， 构建传感器数据和剩余使用 寿命的映射 关系， 能够解决传统长短时记忆网络 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， 实现了系 统剩余使用寿命的实时预测。 本发 明可以应用于 剩余使用寿 命预测领域。 权利要求书2页 说明书7页 附图4页 CN 113204921 B 2022.04.08 CN 113204921 B 1.飞机涡扇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： 步骤一、 收集飞机涡扇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， 再对筛 选出的数据进行平 滑降噪， 获得降噪后的数据； 采用时间窗口的形式将降噪后的数据进行组合， 将组合后的数据与对应时刻下飞机涡 扇发动机的剩余使用寿命分别作为训练数据集的输入与输出； 步骤二、 搭建深度神经网络， 所述深度神经网络包括对时间步长的自注意力机制子网 络、 双向门控循环单 元子网络和全连接 子网络； 所述对时间步长的自注意力机制子网络包括第一交换层和第二交换层， 其中， 第一交 换层的输出再依次经过Sigmoi d激活函数和Softmax激活函数， Softmax激活函数的输出再 经过第二交换层； 输入数据经过第一交换层后， 第一交换层的输出再通过Sigmoid激活函数获得不同时 刻数据与重要性的映射关系： 其中， f为Sigmoid激活函数， Xi表示第i个时刻的输入样本xi经过第一交换层后的输出， zi表示第i个时刻的输入样本xi的重要性， Wi和bi分别为Xi的权重矩阵和 偏置向量， T为转置 操作， e为自然对数的底数； 再利用Softmax激活函数对各个时刻输入样本的重要性进行归一 化： 其中， αi为第i个时刻输入样本的归一 化的重要性， d为时间窗口 的长度； 将各个时刻的输入样本与归一 化后的重要性 程度进行对应相乘， 得到相乘结果： Y＝[y1,y2,...,yd]＝[α1X1, α2X2,..., αdXd]                   (3) 其中， Y为相乘结果； 相乘结果Y再经过第二交换层， 得到对时间步长的自注意力 机制子网络的输出， 即双向 门控循环单 元子网络的输入； 步骤三、 利用训练数据集的输入与输出对搭建的深度神经网络进行训练； 步骤四、 采集飞机涡扇发动机在实 际工作过程中的在线传感器数据， 在对采集的传感 器数据进行 特征筛选和平滑降噪后， 采用时间窗口组合的方式获得用于预测的数据； 步骤五、 将获得的用于预测的数据输入到训练好的深度神经网络， 通过训练好的深度 神经网络 输出对飞机涡扇发动机的剩余使用寿命的预测结果。 2.根据权利要求1所述的飞机涡扇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： 剔除飞机涡扇发动机在工作过程中数据为恒定值的传感器数据后， 将剩余的数据作为 筛选出的数据。 3.根据权利要求2所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述权　利　要　求　书 1/2 页 2 CN 113204921 B 2对筛选出的数据进行平 滑降噪采用的是滑动平均滤波算法。 4.根据权利要求3所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述 双向门控循环单元子网络由3层双向门控循环单元组成， 双向门控循环单元子网络用于对 输入数据中隐含的时间依赖性进行提取， 获得 特征信息。 5.根据权利要求4所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述 全连接子网络由2个全连接层组成， 全连接子网络用于实现由双向门控循环单元子网络提 取到的特 征信息向剩余使用寿命的映射。 6.根据权利要求5所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述 对搭建的深度神经网络进行训练时所采用的损失函数为均方误差损失函数。 7.根据权利要求6所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述 对搭建的深度神经网络进行训练时所采用的优化 算法为Adam优化 算法。 8.根据权利要求7所述的飞机涡扇发动机的剩余使用寿命预测方法， 其特征在于， 所述 对搭建的深度神经网络进行训练时， 学习速率设置为0.0 01。 9.飞机涡扇发动机的剩余使用寿命预测系统， 其特征在于， 所述系统用于执行权利要 求1至权利要求8之一所述的飞机涡扇发动机的剩余使用寿命预测方法。权　利　要　求　书 2/2 页 3 CN 113204921 B 3