趙洪利 張奔 張青

摘 要：針對(duì)多工況的航空發(fā)動(dòng)機(jī)剩余使用壽命（RUL）預(yù)測(cè)精度較低的問題，本文提出了一種基于工況聚類分析和殘差自注意力的發(fā)動(dòng)機(jī)剩余使用壽命預(yù)測(cè)方法。首先，通過聚類將不同的工況進(jìn)行劃分，并構(gòu)建線性回歸分析模型篩選出符合發(fā)動(dòng)機(jī)性能變化的退化參數(shù)；其次，通過卷積神經(jīng)網(wǎng)絡(luò)，獲取數(shù)據(jù)中隱含的發(fā)動(dòng)機(jī)性能退化特征；再次，利用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)挖掘時(shí)序退化特性并對(duì)其進(jìn)行記憶；最后，結(jié)合殘差自注意力機(jī)制對(duì)退化特征分配不同的權(quán)重來實(shí)現(xiàn)發(fā)動(dòng)機(jī)剩余使用壽命預(yù)測(cè)。在美國國家航空航天局（NASA）的 C-MAPSS多工況數(shù)據(jù)集上進(jìn)行了消融試驗(yàn)，驗(yàn)證了該方法的有效性。結(jié)果表明，該方法評(píng)分和均方根誤差均最優(yōu)，可為發(fā)動(dòng)機(jī)剩余使用壽命預(yù)測(cè)提供一定的參考。

關(guān)鍵詞：多工況； 航空發(fā)動(dòng)機(jī)； 剩余壽命預(yù)測(cè)； 聚類分析； 殘差自注意力

中圖分類號(hào)：V239 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.19452/j.issn1007-5453.2023.04.004

基金項(xiàng)目： 中國民航大學(xué)試驗(yàn)技術(shù)創(chuàng)新基金項(xiàng)目（2021CXJJ90）；中央高?；究蒲袠I(yè)務(wù)費(fèi)中國民航大學(xué)專項(xiàng)（3122021049）

人工智能轉(zhuǎn)型時(shí)期的飛行安全作為國家空中運(yùn)輸安全的重要組成部分，事關(guān)空中安全保障，也是國家發(fā)展經(jīng)濟(jì)的前提。在飛行安全保障體系中，航空發(fā)動(dòng)機(jī)是保證航空運(yùn)輸安全的關(guān)鍵。剩余使用壽命（RUL）預(yù)測(cè)是發(fā)動(dòng)機(jī)預(yù)測(cè)與健康管理（PHM）的一項(xiàng)重要技術(shù)[1]，預(yù)測(cè)算法的目標(biāo)是在設(shè)備失效前獲得其剩余使用壽命，從而實(shí)現(xiàn)理想的維修策略。科學(xué)可靠的RUL預(yù)測(cè)結(jié)果，可以為決策者提供有價(jià)值的參照信息，以采取適當(dāng)?shù)木S護(hù)策略，避免發(fā)動(dòng)機(jī)意外停機(jī)從而帶來不可估量的嚴(yán)重后果。

RUL預(yù)測(cè)最常用的方法一般有兩類：基于模型的方法和基于數(shù)據(jù)信息驅(qū)動(dòng)的方法。建模的辦法就是結(jié)合機(jī)械設(shè)備故障之后的物理原理，運(yùn)用先驗(yàn)知識(shí)來建立正確的數(shù)學(xué)模型，并預(yù)估其剩余使用壽命[2-4]。由于不同設(shè)備具有完全不同的失效機(jī)理，并且很多情況下設(shè)備的失效原理難以準(zhǔn)確獲知，建立精確的模型十分困難，所以這種方法很難推廣。目前使用比較普遍的是基于數(shù)據(jù)驅(qū)動(dòng)的方法，其中，深度學(xué)習(xí)模型可以有效地處理復(fù)雜非線性系統(tǒng)問題，挖掘數(shù)據(jù)內(nèi)在的映射關(guān)系，近年來成為壽命預(yù)測(cè)領(lǐng)域的熱點(diǎn)。Li等[5]提出了一個(gè)由5層二維卷積層組成的深度卷積網(wǎng)絡(luò)（DCNN）來預(yù)測(cè)發(fā)動(dòng)機(jī)的RUL，通過深度的卷積框架實(shí)現(xiàn)多次非線性變換，以此來捕獲更為高級(jí)的抽象特征；Mo等[6]提出了一個(gè)以Transformer編碼器為主的預(yù)測(cè)模型，以捕獲發(fā)動(dòng)機(jī)時(shí)間序列中短期和長期的依賴關(guān)系，實(shí)現(xiàn)較為精準(zhǔn)的RUL預(yù)測(cè)；Zhang等[7]提出了一種多目標(biāo)深度置信網(wǎng)絡(luò)（DBN）來實(shí)現(xiàn)發(fā)動(dòng)機(jī)的RUL預(yù)測(cè)；李浩等[8]采用堆棧自編碼器（SAE）提取壓縮數(shù)據(jù)特征，雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（BLSTM）挖掘數(shù)據(jù)時(shí)序特性以實(shí)現(xiàn)RUL預(yù)測(cè)；Chen等[9]采用核主成分分析（KPCA）對(duì)數(shù)據(jù)進(jìn)行非線性特征提取，使用門控循環(huán)單元（GRU）優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)，解決梯度消失的問題，實(shí)現(xiàn)發(fā)動(dòng)機(jī)RUL預(yù)測(cè)。

上述基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的研究中，缺乏對(duì)多工況數(shù)據(jù)集的探討。工況是指飛機(jī)運(yùn)行過程（起飛、巡航和降落等）中所處的環(huán)境狀況或者運(yùn)行條件。飛機(jī)每天飛行都會(huì)經(jīng)歷不同的工況，這些變化的工況不僅使發(fā)動(dòng)機(jī)系統(tǒng)的退化過程復(fù)雜化，而且降低了神經(jīng)網(wǎng)絡(luò)模型捕獲退化特征的能力。另外，航空發(fā)動(dòng)機(jī)的運(yùn)行數(shù)據(jù)呈多元時(shí)間序列，而且具有時(shí)間相關(guān)性，其中不同的時(shí)序特征在同一時(shí)間維度上存在不同的退化程度，某個(gè)子序列的退化程度高于其余子序列，以往的基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)研究中沒有考慮發(fā)動(dòng)機(jī)不同數(shù)據(jù)的特征差異和退化程度。為此，本文建立了基于工況聚類分析和殘差自注意力機(jī)制的發(fā)動(dòng)機(jī)RUL預(yù)測(cè)模型（CNN-BLSTM-Att）。通過對(duì)多工況數(shù)據(jù)集的聚類分析，消除復(fù)雜工況的變化對(duì)數(shù)據(jù)分析的影響；在CNN-BLSTM的模型中引入殘差自注意力機(jī)制，對(duì)重要的退化信息給予足夠的關(guān)注，從而降低其他無關(guān)部分的影響，輸出關(guān)鍵信息，達(dá)到更準(zhǔn)確地預(yù)測(cè)航空發(fā)動(dòng)機(jī)RUL的目的。

1 CNN-BLSTM-Att航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)模型

1.1 CNN原理

卷積神經(jīng)網(wǎng)絡(luò)（CNN）用來獲取序列信號(hào)的重要局部特性[10]。CNN的內(nèi)核主要由兩個(gè)部分構(gòu)成，即卷積層和池化層。卷積層利用滑動(dòng)的濾波器窗口對(duì)輸入?yún)?shù)進(jìn)行機(jī)器學(xué)習(xí)，然后利用共享的權(quán)值完成參數(shù)的更新，得到輸入數(shù)據(jù)的特征映射。池化層一個(gè)最重要的目的是對(duì)卷積運(yùn)算后得到的特征映射進(jìn)行降維，從而減緩內(nèi)存的計(jì)算壓力。基本的CNN結(jié)構(gòu)如圖1所示。

1.2 BLSTM原理

長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的一個(gè)優(yōu)化結(jié)果。通過使用不同的門控機(jī)制來控制數(shù)據(jù)的傳遞，可有效克服發(fā)動(dòng)機(jī)退化數(shù)據(jù)訓(xùn)練過程中的梯度爆炸。雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（BLSTM）由兩個(gè)輸入相同但信息傳輸方向相反的LSTM組成[11]，分別為前向LSTM和后向LSTM。BLSTM結(jié)構(gòu)圖如圖2所示。

1.3 殘差自注意力機(jī)制原理

殘差自注意力機(jī)制（Att）可為輸入信息的各個(gè)特征賦予不同的權(quán)重，為更相關(guān)的部分輸出更大的權(quán)重，從而減少其他不相關(guān)部分的影響 [12]。殘差自注意力機(jī)制同樣會(huì)將輸入的數(shù)據(jù)轉(zhuǎn)化為Q、K和V三個(gè)特征矩陣，分別代表信息、鍵和值，計(jì)算過程如圖3所示。

1.4 深度混合模型構(gòu)建

本文提出的CNN-BLSTM-Att模型如圖4所示，主要由輸入層、CNN層、BLSTM層、Att層和全連接層構(gòu)成。發(fā)動(dòng)機(jī)退化參數(shù)是模型的輸入，利用在卷積層上的權(quán)值實(shí)現(xiàn)參數(shù)調(diào)整，得到退化數(shù)據(jù)的特征映射，再經(jīng)過池化層進(jìn)行降維處理；BLSTM層學(xué)習(xí)數(shù)據(jù)的時(shí)序退化信息；Att層對(duì)不同的退化信息分配不同的權(quán)值來強(qiáng)調(diào)重要信息，經(jīng)全連接層輸出預(yù)測(cè)結(jié)果，完成壽命預(yù)測(cè)。

1.5 預(yù)測(cè)流程

基于工況聚類和深度混合模型的發(fā)動(dòng)機(jī)RUL預(yù)測(cè)流程如圖5所示，具體操作步驟如下：（1） 首先，對(duì)CMAPSS[13]數(shù)據(jù)集進(jìn)行預(yù)處理，包括發(fā)動(dòng)機(jī)多工況數(shù)據(jù)的工況聚類分析、退化參數(shù)的篩選、退化數(shù)據(jù)的濾波、平滑處理和歸一化處理。（2） 在進(jìn)行數(shù)據(jù)預(yù)處理之后，將滑動(dòng)時(shí)間窗處理的二維特征矩陣分組，分別構(gòu)成深度混合模型的訓(xùn)練和測(cè)試的三維數(shù)據(jù)集，然后建立合適的健康閾值（剪輯響應(yīng)）以及相應(yīng)的RUL標(biāo)簽。通過以上操作，基于深度混合模型的輸入與輸出數(shù)據(jù)構(gòu)建完成。（3） 建立基于工況聚類的CNN-BLSTM-Att深度混合模型。（4） 在訓(xùn)練階段，使用Adam算法基于訓(xùn)練數(shù)據(jù)集來訓(xùn)練深度混合模型；訓(xùn)練數(shù)據(jù)集被隨機(jī)分成幾個(gè)小批量，并采用L2LOOS來約束損失函數(shù)中的權(quán)值；并在模型的計(jì)算過程中進(jìn)行Dropout運(yùn)算，用于防止深度混合模型訓(xùn)練過程中的過度擬合。（5） 在最終的測(cè)試模型階段，使用訓(xùn)練好的深度混合模型，基于測(cè)試數(shù)據(jù)集來預(yù)測(cè)每臺(tái)航空發(fā)動(dòng)機(jī)的實(shí)時(shí)RUL，之后采用模型預(yù)測(cè)指標(biāo)對(duì)其進(jìn)行評(píng)估。

2 試驗(yàn)

2.1 數(shù)據(jù)集描述

本文使用的是美國國家航空航天局（NASA）公開的渦扇引擎退化監(jiān)測(cè)數(shù)據(jù)集（C-MPASS）[13]，見表1。有4個(gè)子數(shù)據(jù)集，每個(gè)子類都有不同數(shù)量的工況條件和故障狀態(tài)。

本試驗(yàn)選用多工況（6種工況條件）的FD002數(shù)據(jù)集，該數(shù)據(jù)集進(jìn)一步分為訓(xùn)練子集和測(cè)試子集。每臺(tái)發(fā)動(dòng)機(jī)包含三個(gè)工作狀況監(jiān)測(cè)參數(shù)（飛行高度、馬赫數(shù)與推力桿角度）和21個(gè)性能監(jiān)測(cè)參數(shù)，性能監(jiān)測(cè)參數(shù)見表2。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 航空發(fā)動(dòng)機(jī)多工況數(shù)據(jù)的聚類分析

在FD002數(shù)據(jù)集中存在6種工況，并且工況的變化發(fā)生在每臺(tái)發(fā)動(dòng)機(jī)運(yùn)行階段的任何時(shí)期，從而使得各個(gè)工況下的性能監(jiān)測(cè)參數(shù)混雜在一起，隨機(jī)選取10臺(tái)發(fā)動(dòng)機(jī)的全壽命周期內(nèi)原始性能監(jiān)測(cè)參數(shù)進(jìn)行可視化顯示，結(jié)果如圖6所示。

圖6選取了序號(hào)為2、3、4的傳感器參數(shù)，其中橫坐標(biāo)代表完整的運(yùn)行周期，縱坐標(biāo)代表傳感器參數(shù)的變化量，不同顏色代表不同發(fā)動(dòng)機(jī)的退化數(shù)據(jù)。由圖可見，在發(fā)動(dòng)機(jī)運(yùn)行周期內(nèi)，由于工況的不斷變化，數(shù)據(jù)集2中的傳感器信號(hào)盡管變化幅度不盡相同，但是各個(gè)信號(hào)看起來十分相似，這些參數(shù)不能有效地顯現(xiàn)出退化趨勢(shì)，從而進(jìn)一步增加了FD002數(shù)據(jù)集處理的復(fù)雜性。因此，為了能夠在連續(xù)的發(fā)動(dòng)機(jī)運(yùn)行周期內(nèi)有效顯現(xiàn)出各個(gè)傳感器參數(shù)的退化信息，本文通過K-means聚合方式，對(duì)FD002的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)開展了數(shù)據(jù)分析，并通過歐式距離法計(jì)算每一數(shù)據(jù)與聚心之間的相似程度，將數(shù)據(jù)集以6種工況進(jìn)行劃分。其劃分的6種工況直觀分布如圖7所示，6種工況的參數(shù)聚類劃分結(jié)果見表3。表3中，H為飛行高度，Ma為飛行馬赫數(shù)；TRA為推力桿角度。

隨機(jī)選取10臺(tái)發(fā)動(dòng)機(jī)數(shù)據(jù)處理效果，如圖8所示。由圖可見，標(biāo)準(zhǔn)化處理后的數(shù)據(jù)消除了由不同工況穿插所造成的差異性，在連續(xù)的運(yùn)行周期內(nèi)，所選的三個(gè)發(fā)動(dòng)機(jī)傳感器參數(shù)顯現(xiàn)出了比較明顯的退化趨勢(shì)。

2.2.2 退化參數(shù)篩選

21個(gè)性能監(jiān)測(cè)參數(shù)的斜率大小如圖9所示，其中傳感器1和18的監(jiān)測(cè)參數(shù)的模型斜率幾乎沒有變化，說明風(fēng)扇進(jìn)口溫度、風(fēng)扇轉(zhuǎn)速命令值與多工況下的發(fā)動(dòng)機(jī)退化過程最不相關(guān)，因此選取其余的19個(gè)性能監(jiān)測(cè)參數(shù)作為CNNBLSTM-Att模型的輸入項(xiàng)。

2.2.3 退化數(shù)據(jù)濾波、平滑和歸一化處理

使用一維數(shù)字濾波器、局部加權(quán)回歸對(duì)所選的參數(shù)進(jìn)行濾波與平滑處理，清除原始噪聲；歸一化采用Minmax縮放，將原始數(shù)據(jù)映射到[0，1]區(qū)間。隨機(jī)選取某臺(tái)發(fā)動(dòng)機(jī)的T24、T50、p30、T30和NC歸一化數(shù)據(jù)進(jìn)行可視化顯示，如圖10所示。

2.3 設(shè)置剪輯響應(yīng)

在傳統(tǒng)的RUL估計(jì)目標(biāo)值分配方法中，RUL隨時(shí)間線性減小。這個(gè)定義意味著系統(tǒng)的健康狀態(tài)隨時(shí)間線性下降。在實(shí)際應(yīng)用中，組件或者系統(tǒng)的退化在開始使用時(shí)可以忽略不計(jì)，當(dāng)組件或者系統(tǒng)接近RUL結(jié)束時(shí)，其衰退過程會(huì)加劇。為了更好地模擬發(fā)動(dòng)機(jī)RUL的時(shí)變特性，采用分段線性模型更加符合其實(shí)際的退化過程[14]，并設(shè)置剪輯響應(yīng)為125，如圖11所示。該模型將最大RUL值限制為恒定值，在運(yùn)行一定程度后開始線性退化。

2.4 模型性能評(píng)價(jià)標(biāo)準(zhǔn)

為了評(píng)價(jià)多工況深度混合模型預(yù)測(cè)RUL的性能和可靠度，評(píng)估標(biāo)準(zhǔn)采用均方根誤差（RMSE）和評(píng)分函數(shù)（Score）。二者的定義分別如式（8）和式（9）所示

式中，T表示真實(shí)的RUL；P表示預(yù)測(cè)的RUL；N表示發(fā)動(dòng)機(jī)數(shù)量。

2.5 模型訓(xùn)練

基于圖4中的CNN-BLSTM-Att模型結(jié)構(gòu)，對(duì)模型進(jìn)行訓(xùn)練，主要步驟有：（1）對(duì)FD002數(shù)據(jù)集的訓(xùn)練集和測(cè)試集進(jìn)行數(shù)據(jù)預(yù)處理，滑動(dòng)時(shí)間窗口的大小設(shè)定為50，選取航空發(fā)動(dòng)機(jī)的19個(gè)性能監(jiān)測(cè)參數(shù)和每臺(tái)發(fā)動(dòng)機(jī)的工作循環(huán)數(shù)作為時(shí)間窗的特征值，組成50×20的特征矩陣；（2）該特征矩陣在卷積層中做一維卷積運(yùn)算，卷積層設(shè)置100個(gè)卷積通道，卷積步長設(shè)置為1，卷積核的尺寸為48×20，進(jìn)行抽象特征提取，經(jīng)過最大池化層，對(duì)提取的發(fā)動(dòng)機(jī)性能退化抽象特征進(jìn)行降維處理；（3）通過BLSTM學(xué)習(xí)其時(shí)序特征，設(shè)置BLSTM的隱藏層層數(shù)為4層，單元數(shù)為99個(gè)；（4）使用殘差自注意力機(jī)制，對(duì)輸入的數(shù)據(jù)特征賦予不同的權(quán)重，通過全連接層進(jìn)一步輸出預(yù)測(cè)結(jié)果。其中，在最大池化層、雙向長短期記憶神經(jīng)網(wǎng)絡(luò)和第一個(gè)全連接層后引入Dropout技術(shù)，且大小為0.3，可有效防止模型的過擬合現(xiàn)象。

針對(duì)多工況的航空渦扇發(fā)動(dòng)機(jī)數(shù)據(jù)，本試驗(yàn)方法可以消除多工況所帶來的影響，有效提取各個(gè)發(fā)動(dòng)機(jī)傳感器參數(shù)中的退化特征；將殘差自注意力機(jī)制與深度學(xué)習(xí)相結(jié)合，捕捉航空發(fā)動(dòng)機(jī)中不同部件之間的關(guān)鍵退化特征，最終得到航空發(fā)動(dòng)機(jī)的RUL。每層的網(wǎng)絡(luò)輸出結(jié)果見表4。

2.6 試驗(yàn)結(jié)果分析

本文提出的模型（基于工況聚類分析的CNNBLSTM-Att）RMSE測(cè)試結(jié)果、模型訓(xùn)練損失（LOSS）與迭代次數(shù)的關(guān)系如圖12所示。不同的顏色代表不同的模型性能指數(shù)，深灰色代表測(cè)試RMSE，紅色代表訓(xùn)練LOSS；橫坐標(biāo)代表模型的優(yōu)化迭代循環(huán)次數(shù)，縱坐標(biāo)表示不同模型性能指數(shù)的變化量。由圖可見，測(cè)試RMSE與訓(xùn)練LOSS的變化趨勢(shì)基本一致，驗(yàn)證了本文模型在訓(xùn)練和測(cè)試過程中具有較好的魯棒性，實(shí)現(xiàn)了模型訓(xùn)練與測(cè)試的一致性。隨著迭代循環(huán)次數(shù)的增加，其測(cè)試RMSE和訓(xùn)練LOSS逐漸下降，當(dāng)?shù)h(huán)次數(shù)達(dá)到370次時(shí)，測(cè)試RMSE和訓(xùn)練LOSS趨于平緩，輸出了穩(wěn)定的預(yù)測(cè)結(jié)果。

本文采用消融試驗(yàn)，基于FD002與FD004多工況數(shù)據(jù)集驗(yàn)證了采用工況聚類分析和殘差自注意力機(jī)制方法的有效性。試驗(yàn)中主要對(duì)比了4種不同的模型：CNN-BLSTM網(wǎng)絡(luò)（模型1）、CNN-BLSTM-Att網(wǎng)絡(luò)（模型2）、基于工況聚類分析的CNN-BLSTM網(wǎng)絡(luò)（模型3）和本文提出的模型（模型4）。試驗(yàn)結(jié)果見表5。

從消融試驗(yàn)的結(jié)果來看，在FD002和FD004的兩組不同的數(shù)據(jù)集中，模型4的RMSE和Score值最低預(yù)測(cè)效果最好。為了更直觀地分析不同模型的預(yù)測(cè)效果，將FD002數(shù)據(jù)集中4種模型的實(shí)際值與預(yù)測(cè)值之差的誤差正態(tài)分布圖進(jìn)行可視化分析，如圖13所示。

橫坐標(biāo)代表4種不同的模型結(jié)構(gòu)，縱坐標(biāo)代表實(shí)際值與預(yù)測(cè)值的誤差區(qū)間，每個(gè)模型中的曲線表示誤差的正態(tài)分布情況。由圖可見，模型1的誤差分布相比于其他三個(gè)模型最為分散，誤差值主要聚集在（-40，40）的區(qū)間范圍內(nèi)，并且總體誤差范圍也最大，在（-70，110）的區(qū)間范圍內(nèi)，由此說明模型1的預(yù)測(cè)精度最低；模型4的誤差區(qū)間相比于其他三個(gè)模型聚集最為集中，誤差值主要聚集在（-10，10）的區(qū)間范圍內(nèi)，并且模型4的總體誤差范圍也相對(duì)較小，因此在4個(gè)不同的模型中其預(yù)測(cè)精度最高。

圖14展示了模型4和模型2，雙方均為同一模型結(jié)構(gòu)的前提下，在FD002的數(shù)據(jù)中發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的對(duì)比結(jié)果，以此來驗(yàn)證采用工況聚類分析的有效性。為了便于觀測(cè)和分析，將測(cè)試集中的發(fā)動(dòng)機(jī)按真實(shí)RUL標(biāo)簽從大到小進(jìn)行排序。橫坐標(biāo)代表FD002測(cè)試集中的259臺(tái)發(fā)動(dòng)機(jī)，縱坐標(biāo)代表各發(fā)動(dòng)機(jī)對(duì)應(yīng)的RUL。黑色的線代表發(fā)動(dòng)機(jī)真實(shí)的剩余使用壽命。由圖14可知，基于工況聚類分析的模型預(yù)測(cè)的發(fā)動(dòng)機(jī)RUL預(yù)測(cè)值與實(shí)際值更為接近，尤其是在RUL值較小的區(qū)域中，預(yù)測(cè)的準(zhǔn)確性更高。這是因?yàn)榭紤]了發(fā)動(dòng)機(jī)多工況下退化趨勢(shì)不明顯的問題，采用工況聚類分析減少了工況的變化對(duì)發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的影響；并且對(duì)于處理之后的數(shù)據(jù)，當(dāng)發(fā)動(dòng)機(jī)接近故障臨近狀態(tài)時(shí)，其故障特征會(huì)提高，因此更容易被網(wǎng)絡(luò)層所捕獲以便去學(xué)習(xí)發(fā)動(dòng)機(jī)的退化特性，實(shí)現(xiàn)更好的預(yù)測(cè)效果。

為了深入評(píng)估本文模型的穩(wěn)定性能，并驗(yàn)證采用殘差自注意力機(jī)制的有效性，對(duì)模型4和模型3均進(jìn)行工況聚類分析的前提下，在FD002測(cè)試集中對(duì)每臺(tái)發(fā)動(dòng)機(jī)RUL的實(shí)際值與預(yù)測(cè)值的誤差進(jìn)行可視化分析，如圖15所示。圖中橫坐標(biāo)表示測(cè)試集中的259臺(tái)發(fā)動(dòng)機(jī)，縱坐標(biāo)表示發(fā)動(dòng)機(jī)RUL真實(shí)值與模型預(yù)測(cè)值之差。當(dāng)縱坐標(biāo)大于0時(shí)，屬于提前預(yù)測(cè)，提前預(yù)測(cè)可能會(huì)導(dǎo)致額外的發(fā)動(dòng)機(jī)維護(hù)成本；當(dāng)縱坐標(biāo)小于0時(shí)，則屬于滯后預(yù)測(cè)，滯后預(yù)測(cè)對(duì)于發(fā)動(dòng)機(jī)運(yùn)行有著巨大的安全隱患。因此，就發(fā)動(dòng)機(jī)的退化狀況來說，提前預(yù)測(cè)要優(yōu)于滯后預(yù)測(cè)。CNN-BLSTM-Att模型相比于CNN-BLSTM模型有著相對(duì)較小的滯后預(yù)測(cè)和提前預(yù)測(cè)，這是因?yàn)樵贑NN-BLSTM模型中融入殘差自注意力機(jī)制，將輸入的數(shù)據(jù)分為Q，K，V三個(gè)特征矩陣，并在計(jì)算過程中引入殘差連接來優(yōu)化特征權(quán)重，通過縮放點(diǎn)積來計(jì)算各個(gè)內(nèi)在數(shù)據(jù)之間的相似相關(guān)性，對(duì)發(fā)動(dòng)機(jī)退化數(shù)據(jù)中的每個(gè)隱藏特征進(jìn)行了區(qū)分，進(jìn)一步輸出重要信息，有效提高了發(fā)動(dòng)機(jī)RUL的預(yù)測(cè)精度。因此，基于工況聚類分析的CNNBLSTM-Att模型的預(yù)測(cè)結(jié)果更加符合發(fā)動(dòng)機(jī)的綜合評(píng)估標(biāo)準(zhǔn)。

為了驗(yàn)證本文提出的方法在航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)領(lǐng)域的性能，與其他文獻(xiàn)在多工況數(shù)據(jù)上的預(yù)測(cè)結(jié)果進(jìn)行比較。對(duì)比結(jié)果見表6，本文提出的方法在RMSE和Score評(píng)價(jià)指標(biāo)上均優(yōu)于其他方法，可以更有效地預(yù)測(cè)航空發(fā)動(dòng)機(jī)RUL。

3 結(jié)束語

本文對(duì)多工況數(shù)據(jù)集的航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)方法進(jìn)行了深入研究，得到以下結(jié)論：

（1）對(duì)于多工況發(fā)動(dòng)機(jī)數(shù)據(jù)不能在運(yùn)行周期內(nèi)顯現(xiàn)出退化趨勢(shì)的問題，可對(duì)工況進(jìn)行聚類分析，依據(jù)聚類劃分的結(jié)果進(jìn)行Z-score標(biāo)準(zhǔn)化處理，消除由工況不斷變化所帶來的差異性。這樣處理較好地減少了工況的變化對(duì)退化趨勢(shì)分析的影響，實(shí)現(xiàn)了對(duì)退化特征的深度挖掘，可以更有效地提高深度學(xué)習(xí)模型在多種工況下預(yù)測(cè)RUL的穩(wěn)定性。

（2）針對(duì)傳統(tǒng)的深度學(xué)習(xí)模型，沒有考慮發(fā)動(dòng)機(jī)性能退化數(shù)據(jù)中各個(gè)特性具有不同重要程度的問題，可導(dǎo)入殘差自注意力機(jī)制，給更重要的退化信息分配更大的輸出權(quán)重，以學(xué)習(xí)關(guān)鍵的退化特性和時(shí)序特征，可有效提高發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的精度。

參考文獻(xiàn)

[1]Lee J， Wu F， Zhao W， et al. Prognostics and health manage‐ment design for rotary machinery systems：Reviews， methodolo‐ gy and applications[J]. Mechanical Systems and Signal Pro‐cessing，2014，42（1-2）：314-334.

[2]Lei Y， Li N， Gontarz S， et al. A model-based method for remaining useful life prediction of machinery[J]. IEEE Transactions on Reliability，2016， 65（3）：1314-1326.

[3]葛怡.航空發(fā)動(dòng)機(jī)幾種典型故障建模仿真與預(yù)測(cè)[D].西安：西安理工大學(xué)，2020. Ge Yi.Modeling simulation and prediction of several typical faults of aero-engine [D]. Xi’an： Xi’an University of Technology，2020.（in Chinese）

[4]趙琳，王藝鵬，郝勇.在軌飛輪故障診斷混合框架設(shè)計(jì)[J].光學(xué)精密工程，2018，26（7）：1728-1740. Zhao Lin， Wang Yipeng， Hao Yong. Design of hybrid frame for in-orbit flywheel fault diagnosis [J]. Optics and Precision Engineering， 2018， 26（7）：1728-1740. （in Chinese）

[5]Li X， Ding Q， Sun J Q. Remaining useful life estimation in prognostics using deep convolution neural networks[J]. Reliability Engineering & System Safety， 2018， 172：1-11.

[6]Mo Y， Wu Q， Li X， et al. Remaining useful life estimation via transformer encoder enhanced by a gated convolutional unit[J]. Journal of Intelligent Manufacturing， 2021， 32（7） ：1997-2006.

[7]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 and Learning Systems， 2017， 28（10）：2306-2318.

[8]李浩，王卓健，李哲，等.基于堆棧自編碼器和DeepAR的航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)[J].推進(jìn)技術(shù)， 2022，43（11）：72-80. Li Hao， Wang Zhuojian， Li Zhe， et al. Residual life prediction of aero-engine based on stack autoencoder and DeepAR[J]. Propulsion Technology， 2022，43（11）：72-80.（in Chinese）

[9]Chen J， Jing H， Chang Y， et al. Gated recurrent unit based re‐current neural network for remaining useful life prediction of nonlinear deterioration process[J].Reliability Engineering Sys‐tem Safety， 2019， 185：372-382.

[10]施立瑞，王帥帥，肖昊.面向航空目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)[J].航空科學(xué)技術(shù)，2022，33（5）：89-96. Shi Lirui， Wang Shuaishuai， Xiao Hao. Design of neural net‐work accelerator for aeronautical target detection [J]. Aeronau‐tical Science & Technology，2022，33（5）：89-96.（ in Chinese）

[11]Liu H， Liu Z Y， Jia W Q， et al. A novel deep learning-based encoder-decoder model for remaining useful life prediction [C]// Proceedings of the 2019 International Joint Conference on Neural Networks （IJCNN）， 2019： 1-8.

[12]郭毅博，李舜堯，陳艷華，等.基于時(shí)間序列的飛機(jī)燃油測(cè)量方法[J].航空科學(xué)技術(shù)，2022，33（5）：63-68. Guo Yibo， Li Shunyao， Chen Yanhua， et al. Aircraft fuel measurement method based on time series [J]. Aeronautical Science & Technology，2022，33（5）：63-68.（in Chinese）

[13]Saxena A， Kai G， Simon D， et al. Damage propagation modeling for aircraft engine run-to-failure simulation[C]// 2008 International Conference on Prognostics and Health Management. IEEE， 2008.

[14]Yu W， Kim I Y， Mechefske C. An improved similarity-based prognostic algorithm for RUL estimation using an RNN autoencoder scheme[J]. Reliability Engineering & System Safety， 2020， 199：106926.

[15]韓光潔，史國華，緱林峰，等.一種用于航空發(fā)動(dòng)機(jī)RUL預(yù)測(cè)的推理網(wǎng)絡(luò)模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2022，43（6）：1217-1220. Han Guangjie， Shi Guohua， Gou Linfeng， et al. An inference network model for aero-engine RUL prediction [J]. Minimicrocomputer Systems，2022， 43（6）：1217-1220. （in Chinese）

Engine Remaining Useful Life Prediction Based on Operating Condition Clustering and Residual Self-attention

Zhao Hongli， Zhang Ben， Zhang Qing

Civil Aviation University of China， Tianjin 300300， China

Abstract： Aiming at the problem that the prediction accuracy of the remaining useful life of the aero-engine with multi condition is low， an engine Remain Useful Life（RUL） prediction method based on operating conditions clustering analysis and residual self-attention is proposed. Firstly， different operating conditions are divided by clustering， and a linear regression model is constructed to screen out the degradation parameters that are in line with the engine performance changes. Secondly， the engine performance degradation characteristics hidden in the data are obtained by convolutional neural network. Thirdly， bidirectional long short-term memory neural network is used to mine the temporal degradation characteristics and memorize them. Finally， the residual self-attention mechanism is used to assign different weights to the degradation features to predict the remaining life of the engine. The ablation experiments on NASA C-MAPSS multi condition datasets demonstrate the effectiveness of the proposed method. The results show that the method has the best score and root mean square error， which can provide a certain reference for the prediction of the remaining life of the aero-engine.

Key Words： multi condition； aero-engine； remaining useful life prediction ； clustering analysis； residual self-attention