一种基于CEEMDAN-Informer的航空发动机数字孪生参数预测方法

一种基于ceemdan-informer的航空发动机数字孪生参数预测方法
技术领域
1.本发明属于数字孪生技术和航空发动机参数预测领域，具体为一种基于ceemdan-informer的航空发动机数字孪生参数预测方法。


背景技术：

2.航空发动机数字孪生是一种通过物理建模、传感器通信、数据映射、动态仿真等方式实现的在计算机中反映真实航空发动机工作状态的技术。通过观察发动机数字孪生体的参数变化，可以对航空发动机的工作状态和性能变化情况进行监测及评估。为了实现发动机异常状况的提前预警，需要对航空发动机数字孪生体中的参数进行预测，对航空发动机参数预测模型的预测准确率提出了较高要求。
3.作为一个非常复杂的机械热力系统，航空发动机中的绝大多数参数都具有非线性强、规律性差的特点，难以直接发现其中的变化趋势。现有的主流参数预测模型大都直接对原始参数数据进行预测，未能充分利用参数序列中包含的不同时间尺度上的规律信息，因此在预测时间较长或参数发生变化时无法保证预测准确率，详见杨海民等人的时间序列预测方法综述。如何从非线性参数序列中发现趋势性，提高参数预测的准确率是个问题。


技术实现要素：

4.针对现有技术中的不足，本发明的目的在于提供一种基于ceemdan-informer的航空发动机数字孪生参数预测方法。其中完全自适应噪声集合经验模态分解(ceemdan)可将发动机参数分解为多个具有不同时间尺度特征的分量，这些分量间的趋势性与周期性通常都有较大区别，而informer中的多头注意力机制可用来分析上述分量的变化规律，实现参数趋势的准确跟踪。所提出的ceemdan-informer预测模型能够最大程度的提取航空发动机数字孪生体参数中的多种不同时间尺度特征，从而实现更高的参数预测准确度。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于ceemdan-informer的航空发动机数字孪生参数预测方法，步骤如下：
7.s1：建立航空发动机部件级数字孪生模型，包括进气道、涡轮、压气机、燃烧室、尾喷管五个部件；
8.s2：采集当前真实发动机所处的环境工况参数，作为发动机数字孪生模型的预设条件，使用发动机数字孪生模型对发动机运行过程进行仿真，得到航空发动机飞行参数的仿真数据；
9.s3：在真实发动机运行过程中实时采集传感器数据，得到发动机飞行参数的测量值，使用飞行参数的测量值对仿真数据进行误差修正，得到发动机飞行参数修正数据；
10.s4：对s3中所述的发动机飞行参数修正数据进行标准化处理，以减少数据之间的分布差异，增强数据的时间平稳性，使模型的输入分布更加稳定；
11.s5：使用ceemdan算法对标准化后的发动机飞行参数修正数据进行分解，得到多个
具有不同时间尺度特征的本征分量和一个残差分量，这些分量间的趋势性与周期性通常都有较大区别，可用来全面分析序列的变化规律；
12.s6：使用模糊熵对s5中所述的若干分量进行复杂度评估，根据分量的模糊熵大小及峰值数量级大小对各分量进行分组，每组中的分量都具有相近的模糊熵和相同的数量级，对各组中的分量进行融合，得到若干个融合分量，可保证融合分量个数不大于原始分量个数；
13.s7：基于informer模型的原理建立序列预测模型，各融合分量作为输入数据。航空发动机数据本质上是一个时间序列，取发动机飞行参数修正数据的前60％作为训练集，中间20％作为验证集，后20％作为测试集；
14.s8：训练集数据经过输入嵌入和位置编码后进入编码器，在编码器中进行特征提取和注意力计算，通过全连接前向网络和残差归一化进入解码器部分，带时间偏移量的输入数据经过输入嵌入后也进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出；
15.s8：计算预测值与实际值的误差，计算损失函数loss值，重复s8中的模型训练过程，直到达到训练终止条件；
16.s9：使用s8中训练完成的模型对s6中的融合分量进行预测，得到融合分量的预测结果，将融合分量的预测结果进行求和即可得到原始飞行参数的预测结果；
17.s10：将各飞行参数的预测结果输入航空发动机数字孪生体并进行仿真，即可得到能够反映发动机预测工作状态的数字孪生体，并可根据数字孪生体得到其他参数的预测值，从而实现航空发动机的参数预测。
18.进一步的，s4中所述的标准化处理方式如下：
[0019][0020][0021][0022]
其中，x＝[x1,x2,...,x
l
]
t
为原始发动机飞行参数修正数据，x
′
＝[x1′
,x2′
,...,x
′
l
]
t
为经过标准化处理后的发动机飞行参数修正数据，l为发动机飞行参数修正数据长度，μ
x
为原始发动机飞行参数修正数据x的均值，为原始发动机飞行参数修正数据x的方差。
[0023]
进一步的，s5中的ceemdan分解步骤如下：
[0024]
s5-1：向发动机飞行参数修正数据s(t)中加入高斯白噪声ωi(t)，得到新的信号序列：
[0025][0026]
其中，γ0为高斯白噪声的标准差，n为添加白噪声的次数。
[0027]
s5-2：对上述得到的新的信号序列进行emd分解，得到如下分解形式：
[0028]
[0029]
其中，m为emd分量的个数，imf
1j
(t)为第j个emd分量，res1(t)为残差。根据emd分量求得1阶ceemdan分量
[0030][0031]
1阶模态信号余量为：
[0032][0033]
s5-3：向1阶模态信号余量r1(t)中加入高斯白噪声ωi(t)，得到新的信号序列
[0034][0035]
与s5-2中的步骤类似，对信号序列序列进行emd分解，得到如下分解形式：
[0036][0037]
根据emd分量求得2阶ceemdan分量
[0038][0039]
2阶模态信号余量为：
[0040][0041]
s5-4：重复步骤s5-3，直至模态信号余量无法继续分解。此时发动机飞行参数修正数据s(t)的最终分解结果为：
[0042][0043]
进一步的，s8中的预测值输出步骤如下：
[0044]
s8-1：对模型输入序列进行数据嵌入和位置编码，数据嵌入使用卷积和全连接网络将数据映射为512维的特征向量，位置编码可将序列的时间信息嵌入特征向量，防止注意力计算导致的时间信息丢失。位置编码使用transformer中的编码方式计算：
[0045][0046][0047]
其中，u代表输入向量中的维度下标，d
model
表示输入序列的维度总数，pos表示所计算的输入向量在全部输入序列中的位置。
[0048]
s8-2：经过转换后的特征向量进入编码器并进行注意力计算，注意力的计算方式如下：
[0049][0050]
其中，q,k,v∈r
n*d
分别是查询矩阵、键矩阵和值矩阵，n是输入的发动机飞行参数修正数据长度，d是注意力头中的隐藏维度，softmax为归一化指数函数。
[0051]
s8-3：注意力的计算结果中会存在一定冗余，使用池化对其进行降维，使其中的重要部分具有更高权重。每个编码模块中包含一个注意力计算、一次池化和一次残差及归一化，编码器中可堆叠多层编码模块。经过3层编码模块后，得到编码器的输出向量。
[0052]
s8-4：构建带时间偏移量的序列：
[0053]
x
feeddecoder
＝concat(x
token
,x
placeholder
)
[0054]
其中，x
token
是待预测时间点前的一段已知序列，x
placeholder
是用0填充的待预测的序列，又称占位序列。带时间偏移量的序列经过输入嵌入后进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出。
[0055]
与现有技术相比，本发明至少具有以下有益效果：
[0056]
本发明提出了一种基于ceemdan-informer的航空发动机数字孪生参数预测方法，使用ceemdan算法将航空发动机孪生模型中的气路参数数据分解成多个具有不同时间尺度特征的分量，有效解决了现有模型对非线性数据趋势跟踪能力差的问题。同时使用模糊熵对各分量进行分组融合，降低了编码器的输入维度，有效提高了模型训练速度和预测效率。与现有方法相比，本发明提出的基于ceemdan-informer和数字孪生技术的航空发动机参数预测方法能够有效提高参数预测准确率，降低预测误差。
[0057]
本发明的附加方面和优点将在下面的具体实施方式中给出，部分将从下面的描述中变得明显，或通过本发明的具体实施例了解到。
附图说明
[0058]
图1是本发明的流程示意图。
[0059]
图2是本发明具体实施例的仿真实验结果图。
具体实施方式
[0060]
下面将结合附图，详细描述本发明的具体实施例。所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0061]
如图1所示，本发明提出了一种方法，包括以下步骤：
[0062]
s1：建立航空发动机部件级数字孪生模型，包括进气道、涡轮、压气机、燃烧室、尾喷管五个部件；
[0063]
s2：采集当前真实发动机所处的环境工况参数，作为发动机数字孪生模型的预设条件，使用发动机数字孪生模型对发动机运行过程进行仿真，得到航空发动机飞行参数的仿真数据；
[0064]
s3：在真实发动机运行过程中实时采集传感器数据，得到发动机飞行参数的测量值，使用飞行参数的测量值对仿真数据进行误差修正，得到可反映发动机飞行状态的发动
机飞行参数修正数据；
[0065]
s4：对s3中所述的发动机飞行参数修正数据进行标准化处理，以减少数据之间的分布差异，增强数据的时间平稳性，使模型的输入分布更加稳定；
[0066]
s5：使用ceemdan算法对标准化后的发动机飞行参数修正数据进行分解，得到多个具有不同时间尺度特征的本征分量和一个残差分量，这些分量间的趋势性与周期性通常都有较大区别，可用来全面分析序列的变化规律；
[0067]
s6：使用模糊熵对s5中所述的若干分量进行复杂度评估，根据分量的模糊熵大小及峰值数量级大小对各分量进行分组，每组中的分量都具有相近的模糊熵和相同的数量级，对各组中的分量进行融合，得到若干个融合分量，可保证融合分量个数不大于原始分量个数；
[0068]
s7：基于informer模型的原理建立序列预测模型，各融合分量作为输入数据。航空发动机数据本质上是一个时间序列，取发动机飞行参数修正数据的前60％作为训练集，中间20％作为验证集，后20％作为测试集；
[0069]
s8：训练集数据经过输入嵌入和位置编码后进入编码器，在编码器中进行特征提取和注意力计算，通过全连接前向网络和残差归一化进入解码器部分，带时间偏移量的输入数据经过输入嵌入后也进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出；
[0070]
s9：计算预测值与实际值的误差，计算损失函数loss值，重复s8中的模型训练过程，直到达到训练终止条件；
[0071]
s9：使用s9中训练完成的模型对s6中的融合分量进行预测，得到融合分量的预测结果，将融合分量的预测结果进行求和即可得到原始飞行参数的预测结果；
[0072]
s10：将各飞行参数的预测结果输入航空发动机数字孪生体并进行仿真，即可得到能够反映发动机预测工作状态的数字孪生体，并可根据数字孪生体得到其他参数的预测值，从而实现航空发动机的参数预测。
[0073]
进一步的，s4中所述的标准化处理方式如下：
[0074][0075][0076][0077]
其中，x＝[x1,x2,...,x
l
]
t
为原始发动机飞行参数修正数据，x
′
＝[x1′
,x
′2,...,x
′
l
]
t
为经过标准化处理后的发动机飞行参数修正数据，l为发动机飞行参数修正数据长度，μ
x
为原始发动机飞行参数修正数据x的均值，为原始发动机飞行参数修正数据x的方差。
[0078]
进一步的，s5中的ceemdan分解步骤如下：
[0079]
s5-1：向发动机飞行参数修正数据s(t)中加入高斯白噪声ωi(t)，得到新的信号序列：
[0080]
[0081]
其中，γ0为高斯白噪声的标准差，n为添加白噪声的次数。
[0082]
s5-2：对上述得到的新的信号序列进行emd分解，得到如下分解形式：
[0083][0084]
其中，m为emd分量的个数，为第j个emd分量，res1(t)为残差。根据emd分量求得1阶ceemdan分量
[0085][0086]
1阶模态信号余量为：
[0087][0088]
s5-3：向1阶模态信号余量r1(t)中加入高斯白噪声ωi(t)，得到新的信号序列
[0089][0090]
与s5-2中的步骤类似，对信号序列序列进行emd分解，得到如下分解形式：
[0091][0092]
根据emd分量求得2阶ceemdan分量
[0093][0094]
2阶模态信号余量为：
[0095][0096]
s5-4：重复步骤s5-3，直至模态信号余量无法继续分解。此时发动机飞行参数修正数据s(t)的最终分解结果为：
[0097][0098]
进一步的，s8中的预测值输出步骤如下：
[0099]
s8-1：对模型输入序列进行数据嵌入和位置编码，数据嵌入使用卷积和全连接网络将数据映射为512维的特征向量，位置编码可将序列的时间信息嵌入特征向量，防止注意力计算导致的时间信息丢失。位置编码使用transformer中的编码方式计算：
[0100][0101]
其中，u代表输入向量中的维度下标，d
model
表示输入序列的维度总数，pos表示所计
算的输入向量在全部输入序列中的位置。
[0102]
s8-2：经过转换后的特征向量进入编码器并进行注意力计算，注意力的计算方式如下：
[0103][0104]
其中，q,k,v∈r
n*d
分别是查询矩阵、键矩阵和值矩阵，n是输入的发动机飞行参数修正数据长度，d是注意力头中的隐藏维度，softmax为归一化指数函数。
[0105]
s8-3：注意力的计算结果中会存在一定冗余，使用池化对其进行降维，使其中的重要部分具有更高权重。每个编码模块中包含一个注意力计算、一次池化和一次残差及归一化，编码器中可堆叠多层编码模块。经过3层编码模块后，得到编码器的输出向量。
[0106]
s8-4：构建带时间偏移量的序列：
[0107]
x
feeddecoder
＝concat(x
token
,x
placeholder
)
[0108]
其中，x
token
是待预测时间点前的一段已知序列，x
placeholder
是用0填充的待预测的序列，又称占位序列。带时间偏移量的序列经过输入嵌入后进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出。
[0109]
示例实验一：
[0110]
本示例实验数据来自某发动机研究所维护测试数据，数据集长度为2850秒，所选择的预测参数为n1r。数据集划分为60％测试集、20％验证集、20％测试集，误差评价指标使用mae、rmse和mape。在不同预测时间步长下分别使用改进前的informer模型和本发明中改进的ceemdan-informer模型对n1r进行预测，预测误差如表1所示。
[0111]
表1
[0112][0113]
从表1的误差对比中可以发现，在不同预测时间步长下，改进后的ceemdan-informer模型均具有比原始模型更小的预测误差，能够实现更准确的发动机参数预测。
[0114]
预测曲线如图2所示，根据图2同样可以得出ceemdan-informer模型与真实值之间的预测误差要小于原始模型的预测误差。
[0115]
以上结合附图对本发明的实施例进行了描述，但本发明并不局限于上述的具体实施例。上述实施例仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出多种形
式，这些均属于本发明保护之列。

技术特征：
1.一种基于ceemdan-informer的航空发动机数字孪生参数预测方法，其特征在于，步骤如下：s1：建立航空发动机部件级数字孪生模型，包括进气道、涡轮、压气机、燃烧室、尾喷管五个部件；s2：采集当前真实发动机所处的环境工况参数，作为航空发动机部件级数字孪生模型的预设条件，使用航空发动机部件级数字孪生模型对发动机运行过程进行仿真，得到航空发动机飞行参数的仿真数据；s3：在真实发动机运行过程中实时采集传感器数据，得到发动机飞行参数的测量值，使用飞行参数的测量值对仿真数据进行误差修正，得到发动机飞行参数修正数据；s4：对步骤s3中的发动机飞行参数修正数据进行标准化处理；标准化处理方式如下：标准化处理方式如下：标准化处理方式如下：其中，x＝[x1,x2,...,x
l
]
t
为原始发动机飞行参数修正数据，x
′
＝[x
′1,x
′2,...,x
′
l
]
t
为经过标准化处理后的发动机飞行参数修正数据，l为发动机飞行参数修正数据长度，μ
x
为发动机飞行参数修正数据x的均值，为发动机飞行参数修正数据x的方差；s5：使用ceemdan算法对标准化后的发动机飞行参数修正数据进行分解，得到多个具有不同时间尺度特征的本征分量和一个残差分量，这些分量间的趋势性与周期性用来全面分析飞行参数记录值序列的变化规律；ceemdan分解步骤如下：s5-1：向发动机飞行参数修正数据s(t)中加入高斯白噪声ω
i
(t)，得到新的信号序列：其中，γ0为高斯白噪声的标准差，n为添加白噪声的次数；s5-2：对上述得到的新的信号序列进行emd分解，得到如下分解形式：其中，m为emd分量的个数，imf
1j
(t)为第j个emd分量，res1(t)为残差；根据emd分量求得1阶ceemdan分量1阶ceemdan分量1阶模态信号余量为：
s5-3：向1阶模态信号余量r1(t)中加入高斯白噪声ω
i
(t)，得到新的信号序列(t)，得到新的信号序列与s5-2中的步骤类似，对信号序列序列进行emd分解，得到如下分解形式：根据emd分量求得2阶ceemdan分量根据emd分量求得2阶ceemdan分量2阶模态信号余量为：s5-4：重复步骤s5-3，直至模态信号余量无法继续分解；此时发动机飞行参数修正数据s(t)的最终分解结果为：s6：使用模糊熵对步骤s5中所述的若干分量进行复杂度评估，根据分量的模糊熵大小及峰值数量级大小对各分量进行分组，每组中的分量都具有相近的模糊熵和相同的数量级，对各组中的分量进行融合，得到若干个融合分量，可保证融合分量个数不大于原始分量个数；s7：基于informer模型的原理建立序列预测模型，各融合分量作为输入数据；取发动机飞行参数修正数据的前60％作为训练集，中间20％作为验证集，后20％作为测试集；s8：训练集数据经过输入嵌入和位置编码后进入编码器，在编码器中进行特征提取和注意力计算，通过全连接前向网络和残差归一化进入解码器部分，带时间偏移量的输入数据经过输入嵌入后也进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出；预测值输出步骤如下：s8-1：对序列预测模型输入序列进行数据嵌入和位置编码，数据嵌入使用卷积和全连接网络将数据映射为512维的特征向量，位置编码将序列的时间信息嵌入特征向量，防止注意力计算导致的时间信息丢失；位置编码使用transformer中的编码方式计算：意力计算导致的时间信息丢失；位置编码使用transformer中的编码方式计算：其中，u代表输入向量中的维度下标，d
model
表示输入序列的维度总数，pos表示所计算的输入序列在全部输入序列中的位置；s8-2：经过转换后的特征向量进入编码器并进行注意力计算，注意力的计算方式如下：
其中，q,k,v∈r
n*d
分别是查询矩阵、键矩阵和值矩阵，n是输入的发动机飞行参数修正数据长度，d是注意力头中的隐藏维度，softmax为归一化指数函数；s8-3：注意力的计算结果中会存在一定冗余，使用池化对其进行降维，使其中的重要部分具有更高权重；每个编码模块中包含一个注意力计算、一次池化和一次残差及归一化，编码器中堆叠多层编码模块；经过3层编码模块后，得到编码器的输出向量；s8-4：构建带时间偏移量的序列：x
feeddecoder
＝concat(x
token
,x
placeholder
)其中，x
token
是待预测时间点前的一段已知序列，x
placeholder
是用0填充的待预测的序列，又称占位序列；带时间偏移量的序列经过输入嵌入后进入解码器，在带掩码的多头注意力模块中完成注意力计算，通过解码完成输入输出间的关系映射，最后通过全连接层完成预测值的输出；s9：计算预测值与实际值的误差，计算损失函数loss值，重复步骤s8中的模型训练过程，直到达到训练终止条件；s10：使用步骤s9中训练完成的模型对s6中的融合分量进行预测，得到融合分量的预测结果，将融合分量的预测结果进行求和即可得到原始飞行参数的预测结果；s11：将各飞行参数的预测结果输入航空发动机数字孪生体并进行仿真，即可得到能够反映发动机预测工作状态的数字孪生体，并根据数字孪生体得到其他参数的预测值，从而实现航空发动机的参数预测。

技术总结
本发明属于数字孪生技术和航空发动机参数预测领域，公开了一种基于CEEMDAN-Informer的航空发动机数字孪生参数预测方法，使用CEEMDAN算法将航空发动机孪生模型中的气路参数数据分解成多个具有不同时间尺度特征的分量，有效解决了现有模型对非线性数据趋势跟踪能力差的问题。同时使用模糊熵对各分量进行分组融合，降低了编码器的输入维度，有效提高了模型训练速度和预测效率。与现有方法相比，本发明提出的基于CEEMDAN-Informer和数字孪生技术的航空发动机参数预测方法能够有效提高参数预测准确率，降低预测误差。降低预测误差。降低预测误差。


技术研发人员：王栋 徐昌一 孙希明
受保护的技术使用者：大连理工大学
技术研发日：2023.05.15
技术公布日：2023/8/14