基于深度学习的航空发动机剩余使用寿命预测研究

温海茹

摘要：随着深度学习不断的发展，航空发动机成为近年来的研究热点，其寿命预测的研究也受到了研究学者的关注。本文主要介绍航空发动机的剩余使用寿命预测背景，数据获取过程及基于深度学习的剩余使用寿命的预测方法，以及深度学习在航空发动方面预测的难点和发展趋势。

关键词：航空发动机;深度学习;剩余使用寿命预测

0  引言

随着当代科学技术的发展，航空发动机等复杂系统设备的结构和自动化程度日益复杂，其故障预测精度的要求也越来越高。发动机作为飞机的核心，其可靠性与安全性越来越重要，其次，发动机的维修保障也成为当前研究的热点。预测与健康管理（Prognostics and health management，PHM）是剩余使用寿命预测的关键技术，在这几年中取得了良好的进展并得到了广泛的应用[1]。其中剩余使用寿命预测一直是PHM的研究热点和难点。寿命预测的实现依赖于寿命预测算法，基于物理模型预测的方法如卡尔曼滤波、粒子滤波方法的预测值会随着测量值的更新而不断变化，导致其长期预测效果不佳，不能很好的解决复杂设备的内部结构和失效机理。

目前深度学习在航空发动机方面的应用与研究越来越多。深度学习体系结构主要是对数据高层的抽象特征进行提取并建模，然后通过在模型结构中堆叠多层的神经网络模块来对提取到的数据进行分类或者回归预测。目前比较常见的深度学习体系结构有卷积神经网络（convolutional neural network，CNN），堆栈自编码器（stacked autoencoder，SAE）、深度信念网络（deep belief network，DBN）、深度玻尔兹曼机（deep boltzmann machine，DBM）和循环神经网络（recurrent neural network，RNN）等，除此之外，长短时记忆网络（Long short-term memory，LSTM）因其在时间序列方面能够提取数据之间的时间依赖性，在寿命预测领域应用比较广泛。以上所述的深度学习算法在航空发动机领域研究使用的比較多，深度学习已成为航空发动机健康管理的有效工具。本文将系统阐述深度学习在航空发动机的剩余使用寿命预测领域的研究过程与方法。

1  获取航空发动机退化数据

在使用深度学习模型进行航空发动机的寿命预测时，首先要监测航空发动机的使用数据，利用不同的传感器去监测设备的发展动态，得到一系列时间数据。时间数据主要是性能退化数据，其具有样本小，非线性强的特点。为了更好的提取航空发动机的退化参数，要对监测到的退化时间序列进行数据预处理，剔除无用的数据。为了降低噪声的干扰，对数据进行归一化和滤波处理。航空发动机的故障发生的数据较少，因此要利用多故障，发生故障频率较高的数据。

2  基于深度学习的剩余使用寿命预测方法

目前在航空发动机领域，根据深度学习的网络结构的不同，主要的深度学习算法有四种：DNN、DBN、CNN、RNN。

DNN的方法主要由多个AE以及降噪自动编码器（Denoising autoencoder，DAE）构成。AE主要包括两个部分：编码器和解码器，通过堆叠多层AE来实现数据的高层次特征提取，再利用前馈神经网络输出RUL的值，实现寿命预测。DBN的方法主要由多个限制玻尔兹曼机（Restricted Boltzman machine，RBM）构成，其中包括分类层和回归层。此方法能够完成对输入数据特征提取，网络结构参数通常由对比散度算法来确定，然后通过分类层或回归层将前面得到的数据特征映射到输出的标签上，有助于DBN网络参数的反向调整。此方法在发动机方面的寿命预测有巨大优势。ZHANG等[2]人对深度置信网络进行了改进，提出一种多目标深度置信网络的方法，每个网络模型的输出在整个网络集合中占有一定的权重，同时实验表明所提方法在预测NASA的航空发动机数据时表现出了强大的优越性。但是DBN在长期预测方面性能比较差，所以要对DBN进行融合改进，才能达到预期的寿命预测精度。CNN的方法是通过多个滤波器去提取航空发动机退化过程中的隐含信息，得到高层特征。随后通过池化找到最具有代表性的特征。CNN方法具有权重共享的特点，LI等人[3]提出一种深度卷积神经网络，利用时间窗的方法进行了样本制备，导致有部分信息忽略，所以此方法只用卷积，没有池化操作。它的特点是不需要人工提取特征，能够自动融合多传感器特征，适用于海量数据且优化参数过程比较方便。RNN的方法主要思想就是将航空发动机中的监测数据输入作为RNN网络的输入，采用反向传播（Back-propagation through time，BPTT）对模型参数进行训练，进而实现航空设备的剩余寿命预测。RNN的内部反馈连接刻揭示了航空发动机退化数据的前后依赖性。但是RNN在寿命预测过程中容易产生梯度消失和梯度爆炸。因此一些学者在此基础上进行了改进，提出了长短期记忆网络（Long short-term memory，LSTM）模型。LSTM设置的遗忘门，能够解决梯度消失问题。为了研究航空发动机运行环境扰动而引起的不确定问题，ZHANG等[4]人对LSTM 的结构进行了改进，研究了一种基于双向LSTM的剩余寿命预测方法，将前向路径与后向路径独立计算的结果进行串联再输出最终结果，此方法有效的平滑了航空发动机的退化轨迹，提高了剩余使用寿命预测精度。

这些基本的深度学习方法都能用在航空发动机等复杂系统设备的寿命预测研究上，而且不需要人工提取特征，具有非常强的特征提取能力和非线性函数表达能力。

基于深度学习的航空发动机寿命预测基本过程：

根据航空发动机退化数据非线性的特点，首先要对传感器监测到的数据进行数据筛选、数据预处理，降低噪声的干扰，使数据更加清晰。然后搭建深度学习神经网络框架提取数据特征，神经网络架构包括网络层数的选择，神经元数量的选择，学习率大小，权重参数的选择优化方法等。一般将数据分为训练集和测试集，训练集训练网络结构，得到最优模型。最后进行RUL预测，输入测试集，神经网络自动输出预测值，评价预测结果。深度学习基本预测航空发动机的流程示意图如图1所示。

3  未來研究难点及发展趋势

虽然有专家学者在这方面关注的比较多，但是剩余使用寿命预测还处于发展阶段，还需要经历漫长的发展和成熟的过程。监测信息处理和预测方法方面将来会受到较大的关注。

①航空发动机等复杂系统装备的数据大多数都是非线性的。非线性理论发展具有一定的局限性，对非线性系统缺乏一般性的建模方法，相关寿命预测的研究课题已经成为当前的研究热点和难点。

②对于建立深度学习的航空发动机模型，也需要考虑发动机的环境干扰、数据样本不全，模型参数时变的情况，这些因素会导致模型会有一定的误差和不确定性。航空发动机等复杂系统设备在运行过程中会受到各种不确定因素的干扰，而且预测算法的灵敏度和算法模型的鲁棒性往往是对立的两面，所以需要考虑算法模型的策略设计，在一定灵敏度的条件下到达鲁棒性最优，对增强算法模型的抗干扰能力具有重要的实际意义。

③在实际的航空发动机复杂系统领域的数据往往具有滞后、强耦合、参数时变等非线性的特性，其完全适应的数学模型不存在，不确定性和外界环境噪声统计不理想等因素导致其剩余使用寿命预测十分复杂。任何单一的深度学习模型都不能很好的完全解决这些问题，因此有必要考虑混合深度学习模型来预测，这将会成为未来新的研究热点。

④要实现对数据的实时监测、信息处理和预测，就必须要脱离传统方法所利用的平台来计算，去探寻在软硬件结合下的高校计算方法。

⑤深度学习方法能够提取出监测数据中所蕴含的有效信息，刻画出特征信息与剩余寿命之间的非线性关系，在剩余寿命预测领域具有一定的普适性，但无法得到剩余寿命的解析概率分布，难以应用于维修策略的安排和制定，因此，考虑多种深度学习算法融合是将来研究的方向。

4  结束语

本文结合航空发动机的剩余使用寿命预测方法的特点，以及航空发动机实际情况的数据复杂特点，重点概述了寿命预测的深度学习算法和深度学习在寿命预测领域的基本预测过程，以及航空发动机等复杂系统设备在未来寿命预测所遇到的挑战及研究方向。

参考文献：

[1]PECHT M ，JAAI R. A prognostics and health management roadmap for information and electronics-rich systems[J]. Microelectronics Reliability，2010 50（3）：317-323.

[2]ZHANG C，LIM P，QIN A K，et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics[J]. IEEE Transactions on Neural Networks & Learning Systems，2016，28（10） 2306-2318.

[3]LI X ， DING Q ， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks[J]. Reliability Engineering and System Safety，2018，172（C）：1-11.

[4]ZHANG Y Z，XIONG R，HE H W，et al. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries[J]. IEEE Transactions on Vehicular Technology，2018，67（7）：5695-5705.