买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

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、MCBLSTM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。

主权项：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MCBLSTM模型的输入数据，提取MCBLSTM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；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；步骤4中提取MBCNN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＝softmaxDt＝[d11td12td13td14td15t]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 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；步骤4中提取MCBLSTM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h2t-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FC3与全连接层FC4均包括五个神经元，全连接层FC3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 式6中，箭头→和←分别表示正向和反向过程，为全局趋势在双向计算过程中对应的数据更新单元，为短期趋势在双向计算过程中对应的数据更新单元，为中期趋势在双向计算过程中对应的数据更新单元，为中长期趋势在双向计算过程中对应的数据更新单元，为中短期趋势在双向计算过程中对应的数据更新单元，σ为sigmod激活函数，均为MCBLSTM模型输入门的权重，均为MCBLSTM模型遗忘门的权重，均为MCBLSTM细胞存储单元的权重，为MCBLSTM模型输入门的偏重，为MCBLSTM模型遗忘门的偏重，为MCBLSTM细胞存储单元的权重，⊙为点积运算，s1、s2、s3、s4均为通过学习获得的混合比例系数；根据五个异化单元的更新结果以及趋势划分结果和对多细胞更新单元中各个子细胞单元的异化输出进行权重组合得到多细胞更新单元的输出和通过控制MCBLSTM模型的输出门和得到MCBLSTM模型t时刻的输出h2t： 式7中，均为MCBLSTM模型输出门的权重，σ与tanh均为激活函数。

全文数据：

权利要求：

百度查询： 重庆大学 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