基于CNN和LSTM的飞控系统剩余寿命预测方法

摘要

本发明属于机器学习、深度学习及航空领域，具体涉及一种基于CNN和LSTM的飞控系统剩余寿命预测方法，旨在解决飞控系统剩余寿命预测网络复杂、准确性低问题。本系统方法包括获取飞控系统数据集；利用故障临界点分析模型判断当前转的健康状态；基于操作模态数据，根据变化阈值，获取飞控系统数据集的操作模态；若为单模态，将飞控系统数据集作为第二数据集；否则对操作模态数据进行分类，获取当前转及之前各转对应模态的出现次数的统计结果，将模态分类、统计结果增入系统数据中，获取第二数据集；根据第二数据集和故障临界点，基于寿命预测模型获取各飞控系统的剩余寿命。本发明降低了预测网络的复杂度，提高了预测的准确性。

权利要求

1.一种基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，该预测方法包括：步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30；

步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

其中，

所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

2.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述故障临界点分析模型训练过程为：将发动机的总转数作为飞控系统的全寿命周期，找出各飞控系统由健康转向失效过程中故障最先出现的时间点，即第一个“1”出现的所对应的转数；其中，健康状态标记为0，失效状态标记为1。

3.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，步骤S30中“若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集”，其方法为：利用K-means方法将当前转各飞控系统对应的操作模态数据按照预设六个模态进行聚类，将各飞控系统的操作模态数据对应模态的one-hot独热编码增入第二数据集；

基于各飞控系统当前转及之前各转对应的模态的one-hot独热编码，进行每一个飞控系统各模态出现次数的统计，以数组方式表示，并将该数组增入第二数据集。

4.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述寿命预测模型在训练过程中，将一维全连接卷积神经网络CNN与LSTM并行提取故障特征，将提取的特征进行拼接；其中一维卷积神经网络CNN的卷积核的长度与LSTM中时间步的大小一致。

5.根据权利要求1所述的基于CNN和LSTM的飞控系统剩余寿命预测方法，其特征在于，所述的操作模态数据包括海拔、马赫数和海平面温度。

6.一种基于CNN和LSTM的飞控系统剩余寿命预测系统，其特征在于，该系统包括获取模块、故障标记模块、模态数据处理模块、预测模块；

所述的获取模块，配置为获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

所述的故障标记模块，配置为基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行获取模块，若健康状态为失效则执行模态数据处理模块；

所述的模态数据处理模块，配置为将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

所述的预测模块，配置为根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命其中，

所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

7.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-5任一项所述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

8.一种处理设置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-5任一项所述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

说明书

基于CNN和LSTM的飞控系统剩余寿命预测方法

技术领域

[0001] 本发明属于机器学习、深度学习及航空领域，具体涉及一种基于CNN和LSTM的飞控系统剩余寿命预测方法。

背景技术

[0002] 飞控系统是航空器的核心组成部分。由于对其复杂性、随机性、安全性、可靠性和经济性等因素的考虑，快速准确的预测飞控系统的剩余使用寿命成为航空领域研究的重点。

[0003] 传统的策略是通过定期的预防性维修，费时、低效、代价昂贵。随着互联网技术的不断发展，信息爆炸时代各种数据爆炸式增长，我们可以很容易的从航空器安装组件上的传感器获取大量的振动数据，这使得数据驱动方法应运而生。数据驱动根据实测数据寻找退化规律，通过统计学习算法，可以揭示采集到的传感器数据之间的潜在关联和因果关系，进而推断出相应的系统消息。例如，典型的ML算法中的支持向量回归、隐马尔科夫模型等，具备良好的预测性能。

[0004] 传统的ML算法能够很好的学习采集数据与目标输出之间的映射关系，但通常需要手动提取特征，在大规模的任务中非常复杂。深度学习(DL)是神经网络的衍生物，可以通过多层、大型的神经网络自动学习到数据中的层次特征，通常DL处理单一的数据对象，而剩余有效寿命预测这样的任务需要处理序列信息，即前一个输出与下一输入相关联，当时间序列较长时，参数会呈指数增长，使得模型比较复杂。RNN是专门处理序列数据的网络，但是在输入的所有信息不加过滤地沿时间进行传递的过程中，随着时间的增长会出现梯度爆炸或消失的现象，即长期依赖问题。而LSTM在RNN的结构基础上，增加了4个门，使得信息在被筛选处理之后才流向下一个时刻，有效的解决了这一问题。一维CNN作为一种深度学习方法，具有权值共享、卷积操作等特性，能够挖掘大量数据中的深层特征，也适用于处理序列化的数据。

[0005] 因此，本发明提出了一种并行结合一维CNN和LSTM的模型来预测飞控系统的剩余有效寿命，通过不断监测飞控系统的运行状态，及时采取相关的应对措施，比如维修、换发等，降低事故的发生率等，恢复飞控系统正常的运行功能，缩短了预测时间，提高预测的鲁棒性。

发明内容

[0006] 为了解决现有技术中的上述问题，即为了解决航空飞控系统剩余寿命预测网络复杂、准确性低的问题，本发明第一方面，提出了一种基于CNN和LSTM的飞控系统剩余寿命预测方法，该方法包括：

[0007] 步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

[0008] 步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30；

[0009] 步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

[0010] 步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

[0011] 其中，

[0012] 所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

[0013] 所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

[0014] 在一些优选的实施方式中，所述故障临界点分析模型训练过程为：

[0015] 将发动机的总转数作为飞控系统的全寿命周期，找出各飞控系统由健康转向失效过程中故障最先出现的时间点，即第一个“1”出现的所对应的转数；其中，健康状态标记为0，失效状态标记为1。

[0016] 在一些优选的实施方式中，步骤S30中“若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集”，其方法为：

[0017] 利用K-means方法将当前转各飞控系统对应的操作模态数据按照预设六个模态进行聚类，将各飞控系统的操作模态数据对应模态的one-hot独热编码增入第二数据集；

[0018] 基于各飞控系统当前转及之前各转对应的模态的one-hot独热编码，进行每一个飞控系统各模态出现次数的统计，以数组方式表示，并将该数组增入第二数据集。

[0019] 在一些优选的实施方式中，所述寿命预测模型在训练过程中，将一维全连接卷积神经网络CNN与LSTM并行提取故障特征，将提取的特征进行拼接；其中一维卷积神经网络CNN的卷积核的长度与LSTM中时间步的大小一致。

[0020] 在一些优选的实施方式中，所述的操作模态数据包括海拔、马赫数和海平面温度。

[0021] 本发明的第二方面，提出了一种基于CNN和LSTM的飞控系统剩余寿命预测系统，该系统包括获取模块、故障标记模块、模态数据处理模块、预测模块；

[0022] 所述的获取模块，配置为获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

[0023] 所述的故障标记模块，配置为基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行获取模块，若健康状态为失效则执行模态数据处理模块；

[0024] 所述的模态数据处理模块，配置为将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

[0025] 所述的预测模块，配置为根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

[0026] 其中，

[0027] 所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

[0028] 所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

[0029] 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序应用由处理器加载并执行上述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

[0030] 本发明的第四方面，提出了一种处理设置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行上述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

[0031] 本发明的有益效果：

[0032] 本发明大大降低了预测网络的复杂度，提高了预测的准确性。本发明从数据驱动的角度出发，利用支持向量机来动态寻找每个飞控系统出现故障的时间点，依据所找出的故障时间来进行剩余寿命的标记，而不是为所有的飞控系统规定统一的固定故障时间点，提高了标记的准确性；针对多操作模态的操作数据，利用聚类的方法为操作数据分类，并累加，构造新的特征，进行数据增强，有效避免了过拟合；以并行结构组合全连接的一维浅层卷积神经网络CNN与单层LSTM网络，将二者提取的数据特征拼接后进行预测，在提高预测准确率的同时，降低了网络复杂度。

附图说明

[0033] 通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。

[0034] 图1是本发明一种实施例的基于CNN和LSTM的飞控系统剩余寿命预测方法的流程示意图；

[0035] 图2是本发明一种实施例的基于CNN和LSTM的飞控系统剩余寿命预测方法的训练过程示意图；

[0036] 图3本发明一种实施例的基于CNN和LSTM的飞控系统剩余寿命预测系统的框架示意图。

具体实施方式

[0037] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0038] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0039] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

[0040] 本发明的基于CNN和LSTM的飞控系统剩余寿命预测方法，如图1所示，包括以下步骤：

[0041] 步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

[0042] 步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30；

[0043] 步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

[0044] 步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

[0045] 其中，

[0046] 所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

[0047] 所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

[0048] 为了更清晰地对本发明基于CNN和LSTM的飞控系统剩余寿命预测方法进行说明，下面结合附图1和2对本发明方法一种实施例中各步骤进行展开详述。

[0049] 下文优选实施例中，先对基于CNN和LSTM的飞控系统剩余寿命预测方法中的故障临界点分析模型和寿命预测模型进行详述，然后再对基于故障临界点分析模型和寿命预测模型获取各飞控系统的剩余寿命的基于CNN和LSTM的飞控系统剩余寿命预测方法进行详述。

[0050] 1、故障临界点分析模型的训练

[0051] 步骤A10，获取飞控系统数据集，并进行标准化处理。

[0052] 利用飞控系统相关的振动、温度、压力等二十一个传感器，采集多个飞控系统全寿命周期内的传感器数据，由于飞行过程中发动机的操作模态不断变化，因此同一时刻的模态数据也作为原始数据的一部分被收集。将发动机的运行总转数看作飞控系统的全寿命周期，每一转即为一个运行时刻，一个采集时刻，每一个采集时刻同时收集当前时刻21个传感器的数据和3个操作模态数据，最终采集到的数据构成为传感器数据、操作模态数据、发动机转数、飞控系统序号。

[0053] 其中，传感器数据包括俯仰角、横滚角、航向、气压高度、发动机转速、发动机风扇入口压力、发动机风扇入口温度；操作模态数据包括海拔、马赫数和海平面温度。

[0054] 在实际应用中，会提供大量的原始传感器监测数据，操作数据，负载，故障发生时间等，这些数据的量纲是不同的，为了消除量纲对数据的影响，对数据进行标准化预处理便于数据的处理与对比。对采集到的21个传感器的数据在当前飞控系统的寿命周期内进行z-score标准化预处理，使得来自不同传感器的压力、温度、角度、速度等多种数据统一量纲，便于数据的处理与对比。

[0055] z-score标准化的如公式(1)所示：

[0056]

[0057] 其中，X为原始传感器数据，X′为标准化处理后的数据，μ和σ分别为传感器数据的均值和方差。

[0058] 步骤A11，用飞控系统数据集中的全寿命周期前后30转的数据训练支持向量机，在利用支持向量机对全寿命周期的所有数据进行预测得到飞控系统开始出现故障的时间转数，根据时间转数，对全寿命周期的飞控系统数据进行剩余有效寿命标记。

[0059] 将发动机的总转数看作飞控系统的全寿命周期，假设每个飞控系统全寿命周期的前30转为健康状态(标记为0)，后30转为失效状态(标记为1)。将每个飞控系统标记后的60转数据送入支持向量机训练，再将全寿命周期的数据送入支持向量机进行预测，找出由健康转向失效过程中故障最先出现的时间点，即第一个“1”所对应的转数，以此时间点为状态转折点，对飞控系统的剩余有效寿命继续标记。

[0060] 在实际应用过程中，发动机刚开始使用时，可以不用考虑衰退问题。只有在某一个时间点发生故障之后，发动机才会发生性能的退化，直到达到完全失效时寿命终止。因此将飞控系统剩余有效寿命模拟为折线型。将上述找到的时间转数为转折点(折线的拐点)，以此点处的剩余有效寿命(总转数-当前点的转数)标记之前的数据，此点之后的剩余有效寿命线性递减。

[0061] 2、寿命预测模型的训练

[0062] 步骤A20，根据故障临界点分析模型，获取标记的飞控系统训练数据集，通过对飞控系统的数据集的操作模态数据进行判断，获取当前数据集的模态，若为单模态进行寿命预测模型训练；否则利用K-means方法对操作模态数据按照预设六个模态进行聚类，将各飞控系统的操作模态数据对应模态的one-hot独热编码，加在原始数据集的后面；将每一个飞控系统各模态出现次数的统计，加在原始数据集的后面，然后进行寿命预测模型训练。

[0063] 在整个寿命周期操作模态数据对应的那三个参数如果不超过变化阈值，就是单操作模态，否则就是多操作模态。

[0064] 多操作模态下的数据，由于操作模态不停变动，毫无规律可言，目前解决多模态问题的常用方法就是将多模态划分为多个单模态，并对各个模态分别建模。

[0065] 因此利用K-means方法对操作模态数据按照预设六个模态进行聚类并用one-hot独热编码的形式表示。独热编码又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。例如为模态1，则表示为100000，模态2则表示为010000，以此类推。将聚类后的独热编码操作模态类别作为新的数据的一部分，加在原始数据集的后面，以增加特征数据的维度。

[0066] 根据模态，将聚类后的模态类别数据进行全寿命周期的累加，使得原本毫无规律可循的模态数据，有了固定的增长趋势，以此有利于模型学到有用的信息。将累加后的操作模态数据作为新的数据的一部分，加在原始数据集的后面，再次增加特征数据的维度，进行数据增强。如表1所示，以一个飞控系统为例，其发动机全寿命周期的转数为10000转，其对应各转对应的模态及模态累加结果如表中所示。

[0067] 表1  模态 模态累加
第1转 100000 1,0,0,0,0,0
第2转 100000 2,0,0,0,0,0
第3转 010000 2,1,0,0,0,0
第4转 010000 2,2,0,0,0,0
第5转 100000 3,2,0,0,0,0
… … …
第10000转 100000 1200,800,1900,1100,1500,3500

[0068] 将新的数据按照7：3的比例划分为训练集与测试集，训练集的数据送入一维全连接卷积CNN和LSTM网络中进行训练，再将测试集中的数据送入网络，输出即为每一个飞控系统每一个运行时刻的剩余有效寿命。

[0069] 步骤A40，基于步骤A30获得的数据集，基于一维CNN和LSTM进行剩余寿命预测，获取各飞控系统的剩余寿命。

[0070] 现代工业设备运行过程中，某一个故障可能对应若干个征兆，某一个征兆也可能对应多个故障，系统在运行过程中不可避免地出现多模态特性，使用LSTM深度学习方法进行多模态剩余寿命预测研究有着更深远的工程应用需求。

[0071] 寿命预测模型(由一维全连接卷积CNN和单层LSTM构建)的灵感源自集成学习。集成学习是利用多个弱学习器进行学习，再通过投票，多数表决决定类别，从而达到与强学习器一样的效果。LSMT和一维全连接卷积神经网络均适合处理时间序列数据，因此本模型将这二者以并列的结构组合，分别用这两个网络处理数据，提取特征，再将提取到的特征进行拼接，进行第三次的维度增加，数据增强，进一步的避免过拟合的发生。并列的结构大大降低了网络的复杂度，简化了模型的构成，使用浅层神经网络即可得到很好的预测效果。

[0072] 步骤A41，卷积神经网络CNN常用于处理二维图像，一维全连接卷积神经网络则只能处理一维的序列数据。本质上，一维卷积神经网络在处理序列数据时，等同于处理二维图像，只不过序列数据的第一个维度是时间，第二个维度是特征。图像数据的两个数据都是像素值。一维全连接卷积神经网络在滑动提取特征的过程中，其滑动窗等同于LSTM中时间步的概念，因此为了在特征拼接时，保证维度匹配，此时一维全连接卷积神经网络的卷积核的长度必须与LSTM中时间步的大小保持一致，此处是与普通卷积神经网络的不同之处。同时还需进行填充，以保证特征提取前后序列数据的长度不发生改变。

[0073] 步骤A42，LSTM的关键就是细胞状态，水平线在图上方贯穿运行，细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互，信息在上面流传保持不变会很容易。

[0074] 在我们LSTM中的第一步是决定我们会从细胞状态中丢弃什么信息，这个决定通过一个称为忘记门层完成。该门层会读取ht-1和xt，输出一个在0到1之间的数值给每个在细胞状态中的数字。如公式(2)所示：

[0075] ft＝σ(Wf·[ht-1,xt]+bf)  (2)

[0076] 其中，ft为t时刻的遗忘门的值，σ为sigmoid函数，Wf为遗忘门的权重值，xt为t时刻的输入，ht-1为t-1时刻的输出，bf为遗忘门的偏置值。

[0077] 下一步是确定什么样的新信息被存放在细胞状态中。如公式(3)(4)所示：

[0078] it＝σ(Wi·[ht-1,xt]+bi)  (3)

[0079] 其中，it为t时刻输入门的值，Wi为输入门的权重值，bi为输入门的偏置值。

[0080]

[0081] 其中， 为t时刻细胞C的更新值，为tanh函数，WC为细胞C的权重值，bC为细胞C的偏置值。

[0082] 确定更新的信息现在是更新旧细胞状态的时间，如公式(5)所示：

[0083]

[0084] 其中，Ct为t时刻细胞C的状态。

[0085] 更新细胞状态最终，我们需要确定输出什么值。这个输出将会基于我们的细胞状态，但是也是一个过滤后的版本。如公式(6)(7)所示：

[0086] ot＝σ(Wo·[ht-1,xt]+bo)  (6)

[0087] 其中，ot为t时刻输出门的值，Wo为输出门的权重值，bo为输出门的偏置值。

[0088] ht＝ot*tanh(Ct)  (7)

[0089] 其中，ht为t时刻的输出，tanh为tanh函数。

[0090] 寿命预测模型根据训练集中标记的飞控系统故障数据，基于一维全连接卷积神经网络CNN及LSTM提取故障特征，并进行特征拼接，构建飞控系统数据的退化趋势。通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

[0091] 3、基于CNN和LSTM的飞控系统剩余寿命预测的方法

[0092] 步骤S10，获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据。

[0093] 在本实施例中，基于飞控系统的传感器获取传感数据，利用z-score对传感器数据进行统一量纲，并获取同一时刻的模态数据和发动机转数，根据飞控系统的序号，获取当前飞控系统的数据集。

[0094] 步骤S20，基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行步骤S10，若健康状态为失效则执行步骤S30。

[0095] 在本实施例中，将发动机的总转数看作飞控系统的全寿命周期，利用故障临界点分析模型各飞控系统由健康转向失效过程中故障最先出现的时间点，判断发动机当前转数的健康状态。若健康则继续获取，否则剩余寿命预测。

[0096] 步骤S30，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集。

[0097] 在本实施例中，将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态，若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集。

[0098] 若所述第一数据集的操作模态为多模态，利用K-means方法将当前转各飞控系统对应的操作模态数据按照预设六个模态进行聚类，将各飞控系统的操作模态数据对应模态的one-hot独热编码增入第二数据集；基于各飞控系统当前转及之前各转对应的模态的one-hot独热编码，进行每一个飞控系统各模态出现次数的统计，以数组方式表示，并将该数组增入第二数据集。

[0099] 步骤S40，根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命。

[0100] 在本实施例中，根据故障临界点获取各飞控系统剩余寿命的开始预测点，基于所获取的第二数据集，输入到寿命预测模型中，基于LSTM网络和并行的一维CNN提取特征，根据故障特征与剩余寿命的对应关系，获取各飞控系统的剩余寿命。

[0101] 本发明第二实施例的一种基于CNN和LSTM的飞控系统剩余寿命预测系统，如图3所示，包括：获取模块100、故障标记模块200、模态数据处理模块300、预测模块400；

[0102] 获取模块100，配置为获取发动机当前转及之前转对应的飞控系统数据集，作为第一数据集；所述的飞控系统数据集包括飞控系统的序号、发动机转数、传感器数据、操作模态数据；

[0103] 故障标记模块200，配置为基于所述第一数据集，利用故障临界点分析模型判断当前转的健康状态，若健康状态为健康则执行获取模块100，若健康状态为失效则执行模态数据处理模块300；

[0104] 模态数据处理模块300，配置将当前转作为故障临界点，基于当前转及之前转对应的操作模态数据，根据操作模态数据的变化阈值，获取所述第一数据集的操作模态；若所述第一数据集的操作模态为单模态，则将第一数据集作为第二数据集；若所述第一数据集的操作模态为多模态，对所述的操作模态数据进行模态分类，获取各飞控系统当前转及之前各转对应模态的出现次数的统计结果，并将该模态分类、该统计结果增入对应飞控系统当前转系统数据中，获取第二数据集；

[0105] 预测模块400，配置为根据所述的第二数据集和所述故障临界点，基于寿命预测模型进行剩余寿命预测，获取各飞控系统的剩余寿命；

[0106] 其中，

[0107] 所述故障临界点分析模型基于支持向量机构建，通过训练用于判断发动机每一转的健康状态；

[0108] 所述寿命预测模型基于一维全连接卷积神经网络CNN及LSTM构建，通过训练用于根据故障临界点对应的飞控系统数据集获取对应飞控系统的剩余寿命。

[0109] 所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考签署方法实施例中的对应过程，在此不再赘述。

[0110] 需要说明的是，上述实施例提供的基于CNN和LSTM的飞控系统剩余寿命预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

[0111] 本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

[0112] 本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于CNN和LSTM的飞控系统剩余寿命预测方法。

[0113] 所述技术领域的技术人员可以清楚的了解到，未描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考签署方法实例中的对应过程，在此不再赘述。

[0114] 本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0115] 术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

[0116] 术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

[0117] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。