本發明涉及航空發動機健康管理，特別是指一種基于msformer和領域自適應的航空發動機rul預測方法及裝置。

背景技術：

1、航空發動機作為一種現代飛行器的主要動力裝置，健康狀態對飛行器有重要作用。一旦航空發動機在飛行器運行過程中產生故障，將難以保證飛行器的安全性，造成重大人力財力損失。剩余使用壽命(remaining?useful?life，rul)是指航空發動機在當前使用條件下正常工作直至產生故障所需的時間。如果在飛行器運行前能夠預測出航空發動機的rul，則可以在一定程度上預防航空發動機在運行過程中故障，避免發生重大事故，保證飛行器運行的可靠性。

2、近年來隨著深度學習的不斷發展，在航空發動機的rul預測領域涌現出一批使用深度學習實現對航空發動機的rul預測的方法。通過構建的多細胞長短時記憶網絡模型，根據輸入數據的重要性對其進行處理，與傳統的機器學習方法相比，具有更好的預測性能。借助多編碼器層的transformer網絡架構實現對不同時間長度的數據并行處理，增強了模型對短時間序列特征信息的處理能力，并保留了長期依賴關系。基于工況聚類和殘差自注意力的發動機rul預測方法，通過對航空發動機原始數據進行聚類、歸一化等數據預處理方法消除發動機復雜工況對數據分析的影響，并通過提出的模型實現對航空發動機rul的預測。

3、隨著計算機技術的不斷發展，深度學習技術，如卷積神經網絡(convolutionalneural?networks，cnn)，長短時記憶網絡(long?short-term?memory，lstm)，時間卷積網絡(temporal?convolutional?networks，tcn)，transformer等，被應用于航空發動機rul預測方面，并取得了一定的預測效果。但使用傳統深度學習方法實現航空發動機rul預測的算法需要大量的有標簽數據，然而實際中，航空發動機全生命周期的標簽數據難以獲取。針對標簽數據量較少的問題，領域自適應技術被應用在rul預測方面。現有的基于領域自適應的航空發動機rul預測方法中，在提取特征方面未綜合考慮該數據的局部細節和全局相關性，在領域對齊方面只在域間整體進行對齊，并未考慮到樣本間剩余壽命間的關系，同時對齊過程中也損失了較多的目標域特異信息，這些都導致模型的預測效果不理想。

4、在現有技術中，缺乏一種基于多尺度變換器和領域自適應的處理效率高且預測準確的航空發動機rul預測方法。

技術實現思路

1、為了解決現有技術存在的在提取特征方面未綜合考慮數據的局部細節和全局相關性；在領域對齊方面為考慮到樣本間剩余壽命間關系的技術問題，本發明實施例提供了一種基于msformer和領域自適應的航空發動機rul預測方法及裝置。所述技術方案如下：

2、一方面，提供了一種基于msformer和領域自適應的航空發動機rul預測方法，該方法由航空發動機rul預測設備實現，該方法包括：

3、獲取第一航空發動機數據；基于航空發動機的工況，對所述第一航空發動機數據進行預處理，獲得源域數據以及目標域數據；

4、基于領域自適應技術，根據msformer模型結構以及nce模型結構構建領域自適應模型；

5、使用所述源域數據以及目標域數據，對所述領域自適應模型進行訓練，獲得訓練后領域自適應模型；

6、獲取待預測航空發動機數據；將所述待預測航空發動機數據輸入所述訓練后領域自適應模型進行航空發動機rul預測，獲得航空發動機剩余使用壽命。

7、另一方面，提供了一種基于msformer和領域自適應的航空發動機rul預測裝置，該裝置應用于基于msformer和領域自適應的航空發動機rul預測方法，該裝置包括：

8、數據獲取模塊，用于獲取第一航空發動機數據；基于航空發動機的工況，對所述第一航空發動機數據進行預處理，獲得源域數據以及目標域數據；

9、模型構建模塊，用于基于領域自適應技術，根據msformer模型結構以及nce模型結構構建領域自適應模型；

10、模型訓練模塊，用于使用所述源域數據以及目標域數據，對所述領域自適應模型進行訓練，獲得訓練后領域自適應模型；

11、模型應用模塊，用于獲取待預測航空發動機數據；將所述待預測航空發動機數據輸入所述訓練后領域自適應模型進行航空發動機rul預測，獲得航空發動機剩余使用壽命。

12、另一方面，提供一種航空發動機rul預測設備，所述航空發動機rul預測設備包括：處理器；存儲器，所述存儲器上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執行時，實現如上述基于msformer和領域自適應的航空發動機rul預測方法中的任一項方法。

13、另一方面，提供了一種計算機可讀存儲介質，所述存儲介質中存儲有至少一條指令，所述至少一條指令由處理器加載并執行以實現上述基于msformer和領域自適應的航空發動機rul預測方法中的任一項方法。

14、本發明實施例提供的技術方案帶來的有益效果至少包括：

15、本發明提出一種基于msformer和領域自適應的航空發動機rul預測方法，

16、本發明針對上述現有研究技術中存在的不足，提出基于多尺度變換器和領域自適應的航空發動機rul預測方法。該方法設計提取了多個時間尺度下的數據特征并利用transformer綜合考慮信息，改進領域自適應的損失函數，在對齊源域和目標域特征分布的基礎上使得內部數據也盡可能在相近的標簽下對齊，并使用可挑選源域標簽的方式輔助修正對齊過程；本發明還通過將目標域特征還原到目標域數據的方法確保目標域特征盡可能保留域特異信息，提升模型預測rul的效果。本發明是一種基于多尺度變換器和領域自適應的處理效率高且預測準確的航空發動機rul預測方法。

技術特征：

1.一種基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述方法包括：

2.根據權利要求1所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述基于航空發動機的工況，對所述第一航空發動機數據進行預處理，獲得源域數據以及目標域數據，包括：

3.根據權利要求1所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述領域自適應模型包括提取器、預測器、判別器和重構器；

4.根據權利要求3所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述使用所述源域數據以及目標域數據，對所述領域自適應模型進行訓練，獲得訓練后領域自適應模型，包括：

5.根據權利要求4所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述基于所述提取器，根據所述源域數據，對所述預測器進行預訓練，獲得優化預測器，包括：

6.根據權利要求4所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述基于所述提取器以及所述優化預測器，根據所述源域數據以及目標域數據，對所述判別器進行遷移訓練，獲得優化判別器，包括：

7.根據權利要求4所述的基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述基于所述優化判別器以及所述重構器，根據所述目標域數據，對所述提取器進行遷移訓練，獲得優化提取器，包括：

8.一種基于msformer和領域自適應的航空發動機rul預測裝置，所述基于msformer和領域自適應的航空發動機rul預測裝置用于實現如權利要求1-7任一項所述基于msformer和領域自適應的航空發動機rul預測方法，其特征在于，所述裝置包括：

9.一種航空發動機rul預測設備，其特征在于，所述航空發動機rul預測設備包括：

10.一種計算機可讀取存儲介質，其特征在于，所述計算機可讀取存儲介質中存儲有程序代碼，所述程序代碼可被處理器調用執行如權利要求1至7任一項所述的方法。

技術總結
本發明提供一種基于MSFormer和領域自適應的航空發動機RUL預測方法及裝置，涉及航空發動機健康管理技術領域。該方法包括：基于航空發動機的工況，對第一航空發動機數據進行預處理，獲得源域數據以及目標域數據；基于領域自適應技術，根據MSFormer模型結構以及NCE模型結構構建領域自適應模型；使用源域數據以及目標域數據，對領域自適應模型進行訓練，獲得訓練后領域自適應模型；使用訓練后領域自適應模型預測剩余使用壽命。本發明是一種基于多尺度變換器和領域自適應的處理效率高且預測準確的航空發動機RUL預測方法。

技術研發人員：胡艷艷,楚玉鑫
受保護的技術使用者：北京科技大學
技術研發日：
技術公布日：2025/3/20