本发明涉及航空，具体涉及一种发动机振动信号趋势预测方法和装置。
背景技术：
1、航空发动机是飞机的动力来源，随着航空发动机的发展，故障也如影随形。随着科技发展，现代设备结构日趋复杂，功能日渐多样，人们对设备正常、稳定、安全运行的要求也逐渐提升，为了节约航空发动机的维护成本，避免故障所导致的经济损失与环境污染，使航空发动机的使用更加高效和经济，对发动机故障检测的研究具有重要意义。
2、振动信号是发动机系统状态检测和诊断的基本信息来源，是发动机系统运行信息的载体，因此振动信号分析是发动机系统状态检测和故障诊断的重要环节。例如，轴承作为振动源，其振动可能由制造误差、自身结构和故障引起，所以通常基于振动信号进行轴承早期故障检测。在已有技术中，进行振动故障检测时，从振动信号中提取故障特征，进而识别故障状态，在故障已经发生后才能够检测出故障状态，存在滞后性，无法预测可能发生的振动故障。
3、因此，提供一种发动机振动信号趋势预测方法和装置，以期通过振动信号趋势的预测，为故障提前检出提供数据支持，解决故障预测存在滞后性的问题，就成为本领域技术人员亟待解决的问题。
技术实现思路
1、为此，本发明实施例提供一种发动机振动信号趋势预测方法和装置，用以通过振动信号趋势的预测，为故障提前检出提供数据支持，解决故障预测存在滞后性的问题。
2、为了实现上述目的，本发明实施例提供如下技术方案：
3、一种发动机振动信号趋势预测方法，所述方法包括：
4、获取预设长度的待预测振动信号和基准振动信号，分别提取所述待预测振动信号和基准振动信号的特征；
5、将提取的所述基准振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的基准预测误差；将提取的所述待预测振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的待预测误差；
6、根据所述基准预测误差计算所述预设长度内的基准阈值，根据所述待预测误差计算所述预设长度内的均值误差；
7、在所述均值误差大于所述计算基准阈值的情况下，判定所述待预测振动信号为故障信号。
8、在一些实施例中，判定所述待预测振动信号为故障信号之后，还包括：
9、生成所述基准预测误差、所述基准阈值和所述待预测误差的分布图。
10、在一些实施例中，根据所述基准预测误差计算所述预设长度内的基准阈值，具体包括：
11、在所述预设长度内，计算多个目标点的预测误差值；
12、计算各所述预测误差值的平均绝对误差；
13、根据所述平均绝对误差计算得到所述基准阈值。
14、在一些实施例中，基准阈值λ的表达式为：
15、λ＝xm+3.5mad/0.6745
16、其中，xm是平均绝对误差的中位数，mad是平均绝对误差与xm之绝对误差的中位数，也即median{|xi-xm|}。
17、在一些实施例中，所述预测模型的训练过程，具体包括：
18、获取振动信号样本，基于预先筛选出的目标特征，计算所述振动信号样本的特征时间序列；
19、在所述特征时间序列中，通过滑窗截取的方式截取样本，以得到样本集；
20、将所述样本集划分为训练集和测试集；
21、利用训练集对预先构建的lstm网络进行训练，以得到初始模型；
22、利用测试集对所述初始模型进行优化，以得到所述预测模型。
23、在一些实施例中，在训练过程中，预先筛选出目标特征，具体包括：
24、获取相同列数的正常信号和已知故障信号；
25、使用滑动窗口在正常信号和已知故障信号上以预设步长移动，以截取预设长度的信号段；
26、将正常信号和已知故障信号分别转化成特征矩阵；
27、采用动态时间规整算法，逐列计算两个特征矩阵的dtw得分；
28、将特征按分数由高到低排序，以得到特征选用序列，并以特征选用序列中的第一个特征作为所述目标特征。
29、在一些实施例中，在所述特征时间序列中，通过滑窗截取的方式截取样本，以得到样本集，具体包括：
30、基于序列中前m个特征向量预测接下来p个特征向量的值，滑动窗口长度为m+p，滑动步长为1。
31、本发明还提供一种发动机振动信号趋势预测装置，所述装置包括：
32、信号获取单元，用于获取预设长度的待预测振动信号和基准振动信号，分别提取所述待预测振动信号和基准振动信号的特征；
33、误差计算单元，用于将提取的所述基准振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的基准预测误差；将提取的所述待预测振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的待预测误差；
34、均差计算单元，用于根据所述基准预测误差计算所述预设长度内的基准阈值，根据所述待预测误差计算所述预设长度内的均值误差；
35、结果生成单元，用于在所述均值误差大于所述计算基准阈值的情况下，判定所述待预测振动信号为故障信号。
36、本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
37、本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
38、本发明所提供的发动机振动信号趋势预测方法和装置，通过获取预设长度的待预测振动信号和基准振动信号，分别提取所述待预测振动信号和基准振动信号的特征；将提取的所述基准振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的基准预测误差；将提取的所述待预测振动信号的特征输入预先训练的预测模型，以得到所述预测模型输出的所述预设长度内的待预测误差；根据所述基准预测误差计算所述预设长度内的基准阈值，根据所述待预测误差计算所述预设长度内的均值误差；在所述均值误差大于所述计算基准阈值的情况下，判定所述待预测振动信号为故障信号。这样，该方法和装置利用长短期记忆网络(lstm)精准分析发动机振动信号，具有高效的特征提取和动态故障诊断能力，显著提高了发动机故障检测的准确性和效率，对未来一段时间的振动信号进行预测，从而通过振动信号趋势的预测，为故障提前检出提供数据支持，解决了故障预测存在滞后性的问题。
1.一种发动机振动信号趋势预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的发动机振动信号趋势预测方法，其特征在于，判定所述待预测振动信号为故障信号之后，还包括：
3.根据权利要求2所述的发动机振动信号趋势预测方法，其特征在于，根据所述基准预测误差计算所述预设长度内的基准阈值，具体包括：
4.根据权利要求3所述的发动机振动信号趋势预测方法，其特征在于，基准阈值λ的表达式为：
5.根据权利要求1所述的发动机振动信号趋势预测方法，其特征在于，所述预测模型的训练过程，具体包括：
6.根据权利要求5所述的发动机振动信号趋势预测方法，其特征在于，在训练过程中，预先筛选出目标特征，具体包括：
7.根据权利要求1所述的发动机振动信号趋势预测方法，其特征在于，在所述特征时间序列中，通过滑窗截取的方式截取样本，以得到样本集，具体包括：
8.一种发动机振动信号趋势预测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
