(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110543141.8 (22)申请日 2021.05.19 (65)同一申请的已公布的文献号 申请公布号 CN 113221282 A (43)申请公布日 2021.08.0 6 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 严如强　周峥　孙闯　杨波　 田绍华　李亚松　杨远贵　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 覃婧婵 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) G06F 119/08(2020.01)G06F 113/08(2020.01) G06F 119/14(2020.01) (56)对比文件 US 7577548 B1,20 09.08.18 US 8600917 B1,2013.12.0 3 CN 111611744 A,2020.09.01 CN 109885849 A,2019.0 6.14 赵申坤等.一种基 于数据驱动和贝叶斯理论 的机械系统剩余寿 命预测方法. 《机 械工程学 报》 .2018,(第12期), 任淑红等.基 于性能衰退的航空发动机剩余 寿命组合预测方法. 《机 械科学与技术》 .2011, (第01期), Yuanyuan Gao 等.A Neural Netw ork-Based Joint Progn ostic Model for Data Fusi on and Remai ning Useful L ife Predicti on. 《IEEE Transacti ons on Neural Netw orks and Learning System s》 .2021,第32卷(第1期), 审查员 陈硕 (54)发明名称 基于贝叶斯残差卷积网络的航空发动机寿 命预测方法 (57)摘要 公开了一种基于贝叶斯残差卷积网络的航 空发动机寿命预测方法， 方法中， 基于多路传感 器监测航空发动机状态得到多路的传感器数据 以构造输入矩阵； 通过数据分布 直方图选择传感 器数据， 并进行数据标准化预处理； 构建深度残 差卷积网络， 深度残差卷积网络包括卷积层、 重 复堆叠的残差模块和全 连接层， 基于变 分贝叶斯 推断将卷积层、 重复堆叠的残差模块和全连接层 中的参数分布化， 获得贝 叶斯深度网络； 通过重 参数方法， 对贝叶斯深度网络进行端到端优化， 实现模型的不确定性估计； 从贝叶斯网络参数的 分布中多次前向采样计算， 获得航空发动机寿命 预测区间。 权利要求书2页 说明书8页 附图3页 CN 113221282 B 2022.12.06 CN 113221282 B 1.一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法， 其特征在于， 其包括以 下步骤： S1： 基于多路传感器监测航空发动机状态得到多路的传感器数据以构造 输入矩阵； S2： 通过数据分布直方图选择传感器数据， 并进行 数据标准 化预处理； S3： 构建深度残差卷积网络， 深度残差卷积网络包括卷积层、 重复堆叠的残差模块和全 连接层， 基于变分贝叶斯推断将卷积层、 重复堆叠的残差模块和全连接层中的参数分布化， 获得贝叶斯深度网络； S4： 通过重参数 方法， 对贝叶斯深度网络进行端到端优化， 实现模型的不确定性估计； S5： 从贝叶斯网络参数的分布中多次前向采样计算， 获得航空发动机寿命预测区间； 其中， 通过数据分布直方图可视化分析多路的传感器数据， 进行传感器数据选择， 并分别计 算选择后的多路传感器数据 的均值 和标准差 ， 进行数据 预处理， 得到标准化后的输 入数据 ； 步骤S3中， 卷积层为浅层特征提取模块以从原始输入数据中提取低级特征表示； 残差 模块通过重复堆叠形成深度特征提取模块， 从低级特征表示中提取深度语义特征； 最后全 连接层构成特 征空间与状态空间的映射实现寿命预测， 公式表示如下： 其中， 为卷积层提取的低级特征表示， 表示卷积层的卷积核参数， 表示卷积， 表示批标准化， 表示ReLU激活函数； 为 第i‑1个残差模块提取的特征， 共有n ‑1 个残差模块， 表示第i‑1个残差连接的卷积参数；  表示预测的剩余寿命，  为全连 接层的参数， 为堆叠残差模块 提取的深度语义特 征； 步骤S3中， 全连接层中的参数 服从高斯分布 ， 其中 为分布的 均值， 为分布的方差； 通过变分推断对该分布进行变分后验估计， 即通过假设的变分后 验分布 逼近 的真实后验分布 ， 其中 是变分后验分 布 的参数， 对应真实的数据集， 通 过最小化KL散度来求解变分后验分布的参数 ， 公 式如下： ，权　利　要　求　书 1/2 页 2 CN 113221282 B 2其中， 为最小化KL散度求解得到的变分后验分布的参数， 为变分后验， 为真实后验， 为先验分布， 为似然； 步骤S4中， 通过重参数方法从标准高斯分布中随机采样出 ， 进行变换得到变分后验 分布的采样 ， 其中 为点乘， 将分布的优化转变为均值和方差的优化， 对 贝叶斯深度网络进行端到端优化， 实现模型的不确定性估计。 2.根据权利要求1所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法， 其特征在于， 传感器数据包括： 风扇端温度和压力、 高低压压气机温度和压力、 低压涡轮的 温度和压力、 风扇转速和冷却液排 放量。 3.根据权利要求1所述的一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法， 其特征在于， 步骤S 5中， 通过对贝叶斯网络中的分布进 行多次前向随机采样， 获得多个对应 的寿命预测点估计， 从而得到剩余寿命在给定 置信度下的预测上界和下界。权　利　要　求　书 2/2 页 3 CN 113221282 B 3