一、背景介绍
涡轮发动机的工作状态直接影响飞机的性能。由于飞机需要频繁地完成起飞、巡航、着陆等任务，在飞行过程中如果发动机发生故障，不管是对人身安全方面的危害，还是经济方面的损失，都是无法估量的。因此，涡轮发动机的剩余使用寿命( life,RUL)对于规避永久性损坏，降低运营和维护成本，提高运行安全具有重要意义。
RUL作为预测与健康管理( and ,PHM)技术的两大组成部分之一，通常用于描述当前时刻与失效时刻之间的时间间隔，可定义为
式中：T表示设备的失效时刻，t表示当前时刻。
RUL预测对维修决策和备件订购具有指导性价值，长期以来被当作PHM技术的基础和核心。主流的RUL方法主要分为三类：基于失效机理的分析方法、数据驱动的方法以及失效机理分析与数据驱动模型相融合的方法。基于失效机理的分析方法和两者相融合的方法都需要通过数学物理模型来描述设备的失效机理，建模过程较为复杂。数据驱动的方法则不太依赖设备的失效机理，且机器学习的出现加速了PHM这一领域的成熟。基于机器学习的剩余寿命预测得到越来越多的认可，相应地，在复杂工程中也得到越来越多的应用。
本文通过使用同元软控AI系列工具箱中的同元深度学习工具箱(. )，并基于深度学习中的卷积神经网络( ,CNN)和长短时记忆网络(Long Short Term ,LSTM)实现了对涡轮发动机RUL的预测，取得了较好的效果。
.是同元软控全新推出的新一代科学计算环境，基于高性能科学计算语言Julia提供交互式编程环境的完备功能。在实际工程中，通过算法构建实际设备的数据模型来描述系统或者部件的状态，能够大幅减少人力物力的投入，RUL预测便是.的应用场景之一。同元以华为昇思为框架底座，打造了同元软控AI系列工具箱，已于2023年1月8号正式对外发布。下面将应用同元软控AI系列-深度学习工具箱进行涡轮发动机剩余寿命预测的算法设计和实现。
二、数据集介绍
本文使用NASA涡轮风扇发动机退化仿真数据集。训练数据包含100台发动机的从完整运行至故障的仿真时间序列数据。测试数据包含100个不完整序列，每个序列的末尾为相应的剩余使用寿命值。旨在根据发动机中各种传感器的时间序列数据来预测发动机的剩余使用寿命（预测性维护，以周期为单位度量）。
从下载并解压缩涡轮风扇发动机退化仿真数据集。
涡轮风扇发动机退化仿真数据集的每个时间序列表示一个发动机。每台发动机启动时的初始磨损程度未知。发动机在每个时间序列开始时运转正常，在到达序列中的某一时刻时出现故障。在训练集中，故障的规模不断增大，直到出现系统故障。
数据包含26列以空格分隔的数值。每一行是在一个运转周期中截取的数据快照，每一列代表一个不同的变量。这些列分别对应于以下数据：
– 第1列 – 单元编号
– 第2列 – 周期时间
– 第3-5列 – 操作设置
– 第6-26列 – 传感器测量值1-21
将3-26列作为特征数据，绘制展示第一台发动机的特征数据。如下所示：
△ 全量特征曲线图
三、数据预处理
3.1 删除具有常量值的特征
所有时间步都保持不变的特征可能无法提取对训练结果有用的信息。找到最小值和最大值相同的数据行，然后删除这些行。
删除的特征包括：[“”, “, “”, “”, “”, “”, “”]，这与特征曲线图中所绘制的情形相同。序列中剩余的特征数为17个。
将第一台发动机剩余的特征绘制成特征曲线图，如下图所示：
△ 特征曲线图
3.2标准化训练预测变量
将训练预测变量进行标准化。用待标准化数据减去均值，再除以标准差。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
标准化方程为：
式中：
代表特征列的平均值，
代表特征列的标准差。
对第一台发动机的17维传感器参数进行标准化处理后，如下图所示：
△ 标准化后曲线
3.3剩余寿命估计目标函数
机械设备工作初期设备磨损较小，工作处于稳定状态。经过长时间的磨损，机械设备性能逐渐降低，当磨损达到临界值，设备的使用寿命将逐渐下降。因此，使用分段目标函数能够更加准确的预测剩余寿命的发展趋势。
在本案例中，对于一个完整运行寿命周期为200的实验，设其最初运行时为最大使用寿命150，运行一段时间后，电机寿命开始逐渐下降，呈线性衰减，实验结束，剩余使用寿命衰减为0。
下图显示了第一台发动机的剩余寿命趋势图：
△ 剩余寿命趋势图
四、模型训练
本文使用深度学习工具箱中的长短时记忆网络、卷积神经网络构建模型，进而比较各种模型的优劣。
4.1 基于LSTM的剩余寿命预测
LSTM是一种改进之后的循环神经网络，可以解决RNN无法处理的长距离依赖的问题。其结构图如下所示：
△ LSTM结构图
根据图示我们可以看到：LSTM主要有三个门组成，即遗忘门、输入门和输出门。
△ LSTM遗忘门
LSTM遗忘门会读取
和
，输出一个在0到1之间的数值，并传递给每个细胞状态
。1表示“完全保留”，0表示“完全舍弃”。
△ LSTM输入门(一)
接下来，则由LSTM输入门确定什么样的新信息可以被存放在细胞状态中，这里包含两个部分：首先，层决定什么值将要被更新；然后，tanh层创建一个新的候选值向量
，并在之后将
加入至状态中。
△ LSTM输入门(二)
我们将旧状态与
相乘，丢弃掉确定需要丢弃的信息，并加上
，由此得到新的候选值。
△ LSTM输出门
LSTM输出门将基于细胞状态形成一个过滤后的版本。首先，运行层来确定细胞状态将要输出哪个部分；接着，通过tanh层处理细胞状态（得到一个在-1到1之间的值）并将它和门的输出相乘，最终，LSTM输出门仅会输出我们确定需要的部分。
4.1.1 定义网络架构
创建一个LSTM网络，该网络包含一个具有200个隐藏单元的LSTM层，然后是一个输出大小为50的全连接层和一个丢弃概率为0.5的丢弃层，最后连接一个输出大小为1的全连接层。
4.1.2训练网络
使用训练网络。
其中：为训练所需参数设置，损失函数为，优化器为Adam，评估指标为MSE，为1024，Epoch为50，学习率为0.01。
训练结果如下图所示：
△ LSTM Loss曲线图
4.2 基于CNN的剩余寿命预测
CNN属于前馈神经网络的一种，特点是每层的神经元节点只响应前一层局部区域范围内的神经元。一个深度卷积神经网络模型，一般由若干卷积层叠加若干全连接层组成，中间包含各种的卷积操作、池化操作。其结构图如下所示：
△ CNN结构图
可以看到，CNN主要有三个层组成，从左至右分别为：卷积层、池化层与全连接层。
△ CNN卷积层
卷积层中最重要的概念是卷积核(图左橙色部分)，卷积核可以理解为是一种特征，将输入和卷积核相乘得到的结果就是输入在这个特征上的投影，这个投影可以称之为特征图。
△ CNN池化层
常见的池化有最大值池化(如上图所示)和平均池化两种，顾名思义就是在池化窗口内计算最大值和平均值作为池化结果。池化层的作用主要体现在：特征不变性、特征降维和减少过拟合。
△ 全连接层
全连接层一般位于整个神经网络的最后，负责将卷积输出的二维特征图（矩阵）转换成一维向量。
对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代RNN，而且速度更快。
4.2.1 定义网络架构
创建一个CNN网络，该网络包含一个具有5个一维卷积层，然后是一个展平层，接着是一个输出大小为100的全连接层和一个丢弃概率为0.5的丢弃层，最后连接一个输出大小为1的全连接层。
4.2.2训练网络
使用训练网络。
其中：为训练所需参数设置，损失函数为，优化器为Adam，评估指标为MSE，为512，Epoch为100，学习率为0.001。
训练结果如下图所示：
△ CNN Loss曲线图
五、模型验证与评估
5.1 模型验证
本文使用此数据集自带的测试数据进行验证，该数据集同样进行上述数据预处理，使用对测试数据进行预测。
计算真实值与预测值的均方根误差：
式中：
代表预测值，
代表真实值。
在柱状图中可视化预测误差，如下图所示：
△ 不同算法RMSE对比图(左)和对比表(右)
5.2 结果评估
为了对训练效果进行评估，下图展示了第一台发动机在训练集中真实值与预测值的剩余寿命预测对比：
△ LSTM(上)与CNN(下)预测对比图
从图中可以看到，在训练集上，使用LSTM要比CNN拟合效果更好，更能贴近真实的剩余寿命值。
为了对测试集中的结果进行评估，下图展示了第一台发动机在测试集中真实值与预测值的剩余寿命预测对比：
△ LSTM(上)与CNN(下)预测对比图
综上，不论是LSTM还是CNN，其预测的结果与真实值之间符合偏差要求，并且趋势相同，可以较为真实的反应实际的场景。
六、模型保存与加载
深度学习工具箱提供了模型保存与加载的函数，可以将模型快速进行保存，支持函数重复调用，模型部署与推理，用户可便捷地将训练好的模型应用到实际场景中，真正实现涡轮发动机剩余寿命预警。
七、总结
本文主要基于同元深度学习工具箱( )设计了涡轮发动机剩余寿命预测算法，并采用卷积神经网络和循环神经网络训练模型，分析了两种情况下训练的模型对寿命预测的效果，筛选出了合适的模型，并能够支持实际的应用场景。
同元深度学习工具箱内含丰富的函数库、应用案例及完善的帮助文档。用户可基于深度学习工具箱，采用Julia语言构建多种神经网络，并进行训练计算。目前，深度学习工具箱在图像识别、语音识别和故障预测等领域已实现多项应用，取得较好的效果。
未来，我们将进一步扩充深度学习工具箱函数库、基于Julia语言实现多种深度学习底层框架自由选择、完善GPU运算功能及分布式并行计算能力、探索代码生成逻辑、在此基础上实现与.相结合的机理数据融合建模。最终，构建多硬件平台、多框架、快速运算、功能完备的新一代AI系列工具箱。
八、代码附录
九、参考文献
原文链接：
323AI导航网发布
相关文章
