(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210936516.1 (22)申请日 2022.08.05 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 赵春晖　姚家琪　吴宇伦　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06F 30/15(2020.01) G06F 119/02(2020.01) G06F 119/04(2020.01) (54)发明名称 变工况下航空发动机自监督表征与寿命预 测迁移建模方法 (57)摘要 本发明公开一种变工况下航空发动机自监 督表征与寿命 预测迁移建模 方法， 首先构建了基 于自注意力机制的航空发动机退化特征提取器， 该特征提取器能够有效利用航空发动机中的时 序上下文长短期依赖进行全局建模， 提取退化特 征。 在此基础上利用对原始数据掩码并重构的方 式自监督预训练该特征提取器， 使特征提取器所 提取到的特征更强的泛化表征能力， 然后 在复杂 工况场景下为该特征提取器添加寿命预测网络 层并微调， 实现变工况下航空发动机迁移建模与 高效的寿命 预测。 该方法降低了基于端到端深度 学习的航空发动机寿命预测模型对训练数据量 以及数据分布的要求， 为运维决策人员提供了更 加可靠的参考， 能够在降低运维成本的同时提高 航空发动机的运行 可靠性。 权利要求书2页 说明书7页 附图4页 CN 115329666 A 2022.11.11 CN 115329666 A 1.一种变工况下航空发动机自监督表征与寿命预测迁移建模方法， 其特征在于， 包括 以下步骤： 收集单一常见工况下的航空发动机运行数据， 构建预训练数据集； 所述预训练数据集 的每个样本为多个运行周期的航空发动机运行数据， 其中， 部分运行周期的航空发动机运 行数据带有掩码， 每个运行周期的航空发动机运行数据由多个传感器数据及当前已运行时 间组成； 构建预训练模型， 所述预训练模型包括依次连接的输入模块、 基于自注意力机制的航 空发动机退化特征编 码器与解码 器； 其中， 输入模块包括 嵌入层和位置编 码器； 所述嵌入层 用于将输入的向量嵌入至高维空间， 获得高维嵌入向量； 位置编码器用于对输入的高维嵌 入向量进 行位置编 码获得嵌入与位置编 码后的向量； 所述基于自注意力机制的航空发动机 退化特征编 码器包括依次连接的多个多头自注意力特征提取模块， 每个多头自注意力特征 提取模块至少包括多个 自注意力头、 全连接层和归一化模块， 其中每个 自注意力头用于基 于输入的向量获得带有注意力的特征向量； 全连接层用于将各个自注意力头输出的带有注 意力的特 征向量进行拼接融合， 输出 带有多头自注意力的特 征向量； 归一化模块用于对带有 多头自注意力的特 征向量归一 化； 解码器用于依据基于自注意力机制的航空发动机退化特征编码器输出的特征向量进 行解码； 将预训练数据集中的每个样本作为预训练模型的输入， 其中未掩码数据对应的高维嵌 入向量经基于 自注意力机制的航空发动机退化特征编码器编码获得带有多头 自注意力的 输出向量， 带有多头自注意力的输出向量与带掩码数据对应的高维嵌入向量经解码器解 码， 并以最小化解码器输出与带掩码的原始航空发动机运行数据的损失为 目标进行训练， 训练完成后， 丢弃解码 器， 将训练好的输入模块、 基于自注 意力机制的航空发动机退化特征 编码器与一寿命预测 神经网络层构成变工况 下航空发动机高效寿命预测的神经网络模型； 收集复杂 工况下的航空发动机运行数据， 构建复杂工况下航空发动机剩余寿命预测数 据集； 其中， 所述复杂工况下航空发动机剩余寿命预测数据集的每个样本为多个运行周期 的航空发动机运行数据， 每个运行周期的航空发动机运行数据由多个传感器数据及当前已 运行时间组成； 每 个样本的标签为剩余寿命； 将复杂工况下航空发动机剩余寿命预测数据集中的每个样本作为变工况下航空发动 机高效寿命预测的神经网络模型的输入， 以最小化模型输出与标签的损失为目标进行训 练， 获得训练好的变工况 下航空发动机高效寿命预测的神经网络模型。 2.根据权利要求1所述的方法， 其特征在于， 所述单一常见工况下的航空发动机运行数 据、 复杂工况 下的航空发动机运行 数据为归一 化后的数据。 3.根据权利要求1所述的方法， 其特征在于， 所述预训练数据集的每个样本基于单一常 见工况下 的航空发动机运行数据， 采用滑 窗采样获得； 所述复杂工况下航空发动机剩余寿 命预测数据集的每 个样本基于复杂工况 下的航空发动机运行 数据， 采用滑窗采样获得。 4.根据权利要求1所述的方法， 其特征在于， 所述预训练数据集的每个样本中， 带有掩 码的航空发动机运行 数据比例为75％。 5.根据权利要求1所述的方法， 其特征在于， 所述归一化模块包括依次连接的第 一层归 一化层、 残差前馈神经网络层和第二层归一 化层。权　利　要　求　书 1/2 页 2 CN 115329666 A 26.根据权利要求5所述的方法， 其特征在于， 在全连接前馈神经网络层之后使用非线性 激活函数GELU 进行激活。 7.根据权利要求1所述的方法， 其特征在于， 所述基于自注意力 机制的航空发动机退化 特征编码器包括2层堆叠的多头自注意力特 征提取模块。权　利　要　求　书 2/2 页 3 CN 115329666 A 3