双向LSTM神经网络的航空发动机故障预测

双向LSTM神经网络的航空发动机故障预测摘要：文中从双向LSTM神经网络着手展开分析工作，并就双向LSTM神经网络的航空发动机故障预测进行了深入性的探究，最终围绕故障预测进行了更为详实的仿真验证分析工作，旨在通过本文研究工作的展开，进一步为航空发动机故障预测工作开展质量提升起到促进作用。关键词：双向LSTM神经网络；航空发动机；故障预测前言：自航空发动机逐渐实现集成化以来，其在工作时的性能得到了极大程度的提升，为航空事业的发展起到了有效的促进作用。但是，随着航空发动机设备构造愈加复杂化的同时，其在故障发生率方面也出现了大幅度提升状况，此类故障的出现，不仅维修难度增加，同时在维修的成本支出方面也呈现增长态势。针对此种现状，唯一的解决办法就是针对航空发动机在运行之前进行故障预测，不仅能够提升故障维修效率，同时在使用安全以及成本节省方面也发挥了重要的促进效果。鉴于此，针对双向LSTM神经网络的航空发动机故障预测这一内容进行深入分析具有重要现实意义。一、双向LSTM神经网络分析以往的航空发动机故障预测主要以站在时间序列视角进行预测的方式为主，该种方法能够针对当前时间点下未来和过去的序列信息加以评估，得到发动机当前使用状况信息，此种方法应用后无需依赖预定义参数值。与其相比，双向LSTM神经网络应用后，能够针对整体时间序列进行输出结果的预测，预测工作开展期间，需进行隐藏层神经元分离，主要分为两部分，分别是正、负两个时间方向，然后将其前馈到相同的输出层之中，此时该输出层将会囊括未来和过去两种序列信息。具体的双向LSTM神经网络结构如图1所示，h代表当前隐藏状态下的输出数值，x代表当前LSTM的输入数值。图1双向LSTM神经网络结构图二、双向LSTM神经网络的航空发动机故障预测探究（一）双向LSTM神经网络的航空发动机故障预测流程图在进行双向LSTM神经网络的航空发动机故障预测时，可以参考图示2中内容展开：图2双向LSTM神经网络的航空发动机故障预测流程图（二）数据预处理探究在进行数据预处理时，首先需要开展样本标签设置工作，为了确保模型在运行期间能够完整反馈出真实数据值与预测数值之间的对比成效，需在数据之上添加相应的RUL标签。在此过程中，由于系统存在退化过程中，所以需将该过程中的标签剔出掉，此时可以使用如图3所示的分段线性退化模型针对航空发动机故障加以预测：图3分段线性退化模型模型运行完成一次循环过程，则代表航空发动机完成一次飞行任务，在实际的发动机故障预测变化中，RUL将会一直与循环数之间维持线性关联性。此时，设定发动机在早期时间段下的循环中带有一个常值，该常值在某一此运行循环之后出现线性退化问题，直至该常值退化至0为止。在多次应用模型训练后发现，唯有RUL数值设定参数为120时得出的预测效果最佳。故障预测模型探究在进行航空发动机的故障预测模型分析时，主要得出如图4所示的模型图：图4故障预测模型图在针对第I台航空发动机进行故障测试时，需要针对n条数据中所带有的m各传感器读书进行计算，期间将测试时间窗大小设定为s,可得出下列：其中，每一个时间窗都会对应一个真实的RUL数值，可以利用下列公式进行表示：在进行双向LSTM神经网络中，其所包含的两个方向会同时迭代，并将隐藏层进行加权计算，借此得出更为精准的航空发动机预测数值，可以通过下列公式计算得出：在进行故障测试期间，为了进一步避免出现过拟合问题，测试期间还同步进行了双向LSTM神经网络层与全测试连接层之间的Dropout层添加处理。随后，按照固定的概率将隐藏层所得出的输出值进行丢弃处理，借此确保LSTM神经元在故障的训练测试期间，不会对正向传播造成不良影响。此外，还需将每一个步长所采集到的时间序列特征全部传输到全连接层之内，期间需做好激活ReLU设置工作，确保最终所输出的故障预测结果pt的精准性，同时利用均方差进行模型损失函数计算。三、双向LSTM神经网络的航空发动机故障预测仿真验证分析本次仿真验证中，主要使用的数据集为C-MAPSS，其中包含了航空发动机从最初正常使用直至最终出现系统故障的全过程数据内容，其共划分为2个子集，具体子集内容见表1所示：表1C-MAPSS数据集信息一览表此外，当模型的复杂程度没有出现更改时，则退化过程中复杂数据集所测试的故障精准度超出70%，由此可见，LSTM神经网络模型的实用价值更高。结束语：通过对全文内容进行综合分析能够发现，文中提出了一种全新的LSTM航空发动机故障预测模型，并在传感器数据特征总结的基础上，针对故障出现的相关数据进行了整理和预处理，并借助数据集进行了故障预测模型应用效果进行了仿真验证，初步取得了较为理想的预测效果。此外，本次所分析的LSTM故障预测，在不同的评价指标下，均具备较高的预测精准度，在航空发动机的故障预测管理中值得推广使用。参考文献：曹渝昆，巢俊乙,王晓飞.基于LSTM神经网络的风机齿轮带断裂故障预测J].电气自动化,2019,041(004):92-95.王鑫，吴际，刘超，等.基于LSTM循环神经网络的故障时间序列预测J].北京航空航天大学学报,2018,44(004):772-784.⑶杨任农,岳龙飞，宋敏，等.基于Bi-LSTM的无人机轨迹预测模型及仿真J].航空工程进展,2020,011(001):77-84.⑷赖儒杰,范启富.基于指数平滑和XGBoost的航空发动机剩余寿命预测J].化工自动化及仪表,2020,047(003):243-247,250.⑸周奇才,王益飞，赵炯，等.基于LSTM循环神经网络的盾构机故障预测系统J].现代机械,2018,207(05):39-44.