(19)中华 人民共和国 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 202111411750.4 (22)申请日 2021.11.25 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 申请人 杭州昊清科技有限公司 (72)发明人 章东平　张超　于学成　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 赵芳 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 10/04(2012.01) (54)发明名称 一种飞机发动机关键部位维护时间预测方 法 (57)摘要 一种飞机发动机关键部位维护时间预测方 法， 其具体步骤包括： 获取 飞机发动机数据， 分为 静态属性数据、 动态时序数据、 历史时序数据和 图像数据； 将动态时序数据和历史 时序数据拼接 得到长时间序列数据x， 对x中每一时刻的数据相 加得到x′t； 图像数据经过处理得到相应向量pt， 将pt与x′t相加后得到编码器输入向量z0； 将z0送 入编码器中得到特征向量， 结合编码器中参数向 量输出预测特征向量pout； 静态属性数据通过处 理得到相应向量s ′， 将pout和s′相加输入到全连 接网络， 得到发动机关键部位预测状态， 把预测 到存在故障的时间与当前时间相减得到关键部 位的预测维护时间。 权利要求书3页 说明书7页 附图2页 CN 114332474 A 2022.04.12 CN 114332474 A 1.一种飞机发动机关键 部位维护时间预测方法， 其具体步骤 包括： 步骤(1)： 获取飞机发动机数据， 将飞机发动 机数据按照特征分为静态属性数据s、 动态 时序数据e、 历史时序数据hi， i∈[0， n ‑1]和图像数据p； 步骤(2)： 将动态时序数据e和历史时序数据[h1， h2， ...， hn]按照飞行场次顺序拼接得 到长时间序列数据x， 对x中每一时刻的数据分别做嵌入和位置编码后相加得到x ′t， t∈[0， n]； 发动机图像数据p经过下采样特征提取网络得到与x ′t长度相同的图像特征向量pt， t∈ [0， n]， 将pt与x′t对应时间段位置的向量相加后得到编码器输入向量z0； 步骤(3)： 将编码器输入向量z0送入多头稀疏自注意力编码 模块堆叠形成的编码器中得 到特征向量z ′， 结合编码器中的得到的参数向量输出预测特征向量pout； 静态属性数据s通 过前馈神经网络得到静态属性特征向量s ′， 将pout和s′按元素位置相加作为全连接网络的 输入， 最终得到未来每一时刻发动机关键部位预测状态， 把预测到存在故障的时间与当前 时间相减即可 得到关键 部位的预测维护时间。 2.根据权利要求1所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 还 包括步骤(4)： 如果预测维护时间小于警戒值d1， 就将预测信息传递给维修部， 并将预测的 数据筛选清洗后放入训练数据集用于更新模型。 3.根据权利要求1所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 步 骤(1)中飞机发动机数据获取是从数据库中调取飞机前几次飞行时发动机传感器产生的数 据、 对应飞机发动机的相关属 性参数， 并在飞机运行过程中实时采集发动机传感器产生的 数据， 飞机降落后拍摄飞机发动机 外部的图像。 4.根据权利要求2所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 步 骤(1)中静态属性数据s为飞机发动机的相关属性参数， 包括前一次维护日期、 发动机出厂 日期， 所述动态时序数据e包括此次飞行传感器记录的发动机振动数据、 整体驱动发电机数 据、 燃油流量等传感器数据， 所述历史时序数据hi， i∈[0， n ‑1]包括前n次飞行时发动机传 感器产生的时序数据， 所述图像数据p包括拍摄的飞机发动机 外部图像。 5.根据权利要求1所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 步 骤(3)中的编码器是如下进行实现的： 多头稀疏自注意力机制： 编码器输入向量z0中的每一 位都为一个数据向量， 即 与参数矩阵Wq、 Wk、 Wv分别相乘后得到查询向量q， 键向量k， 和值向量v， 随机采样U＝ LKlnLQ个3查询向量q来计算当中每 个q的稀疏度量 即 1其中参数矩阵Wq、 Wk、 Wv的行数等于 的长度， 列数分别等于查询向量q， 键向量k， 和值权　利　要　求　书 1/3 页 2 CN 114332474 A 2向量v的长度， 并在训练开始时 随机初始化矩阵内部参数； d为向量qi和kj的长度， LK为K矩阵 中kj向量的个数， 2LQ为Q矩阵中qi向量的个数； 选出u＝c·lnLQ个 值最高的q组成矩阵 矩阵的其余位置置为0， 则自注意力计算方 式为 将每个自注意力模块同时执行多次并让U每次都为随机采样， 形成多头稀疏自注意力 机制； 编码器输入向量z0在输入时经过多个一维卷积将输入降维原来的 将多个不同尺度 的数据同时输入 对应的网络分支中， 最后拼接每 个分支的输出 得到最终编码结果z ′。 6.根据权利要求5所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 所 述多头稀疏自注意力机制中的自注意力蒸馏： 在每个子注意力模块后分别连接一个一维卷 积和最大池化层将自注意力模块的输出尺寸缩小为原来的一半， 即 其中 表示第r个分支上第j个多头稀疏自注意力操作， Convld表示在时间维度上执 行一维卷积， MaxPo ol为最大池化层。 7.根据权利要求5所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： 步 骤(3)中的解码器是如下进行实现的： 编码器的输出z ′与Wv和Wk参数矩阵相乘得到解码器的第一组输入矩阵K和V， 从编码器 的输入z0中进行采样得到xtoken， 并在其之后拼接一个长序列x0形成解码器的第二组输入 [xtoken， x0]， 其中x0中每一位都初始化为0， 并且x0序列的长度与最终预测目标序列长度相 同； 将[xtoken， x0]输入多头稀疏 自注意力模块中计算出Q矩阵， 结合第一组输入矩阵K和V形 成后续多头自注意力模块的输入； 多头自注意力为 多头自注意力模块后接全连接层， 解码器最终输出 预测特征向量pout。 8.根据权利要求1所述的一种飞机发动机关键部位维护时间预测方法， 其特征在于： ， 步骤(2)和步骤(3)中的飞机发动机关键 部位维护时间预测网络是如下进行训练的： 步骤(3.1)数据准备： 训练数据让计算机进行标注， 标注信息为飞机发动 机关键部位的 状态， 即(c1， c2， c3， ...， cn)， 其中c1表示可变放气活门的预测状态， c1＝0表示可变放气活门 正常， c1＝1表示可变放气活门存在故障需要 更换， c2、 c3…相应表示发动机起动机预测状态 和燃油计量活门预测状态； 将标注数据样本按照8 ∶ 1∶ 1划分为训练集、 验证集、 测试集。 步骤(3.2)网络结构设计： 算法采用堆叠卷积层组成的下采样特征提取网络提取图像 特征并以向量形式表示， 利用嵌入和位置编码提升序列数据间的相关性， 位置编码表示 为：权　利　要　求　书 2/3 页 3 CN 114332474 A 3