CN102246110B - 用于监测航空发动机的数据标准化方法和系统 - Google Patents

Abstract

本发明涉及用于监测航空发动机(1)的数据标准化的方法以及系统，其包括：用于随着时间的推移运转以从所述航空发动机(1)中收集时间序列测量结果的装置(5)；用于从所述时间序列测量结果计算得到指标集合Y＝(y₁，...，y_j，...y_m)的装置(5)，所述指标集合特别针对于所述发动机的多个元件；用于从该时间序列测量结果中确定外生数据集合X＝(x₁，...，x_n)的装置(5)，所述外生数据集合X代表作用于所述指标集合Y的外部环境；用于定义附带有条件的多维模型的装置(5)，该模型处理所述指标集合Y并同时考虑所述外生数据集合X，以形成估值集合该估值集合与所述指标集合Y＝(y₁，...，y_j，...y_m)相对应；以及用于对每一个估值标准化的装置(5)，所述标准化是根据对应于指标y_j的参考值以及每一个所述估值与相对应的指标y_j之间的差值得到的，从而形成标准化的数值集合。

Description

用于监测航空发动机的数据标准化方法和系统

技术领域

本发明涉及航空发动机监测领域。特别地，本发明涉及用于监测航空发动机的数据标准化领域。 

在众多的工业中，诸如航空工业，为了提高发动机设计以及维护的有效性，掌握发动机的性能是首要问题。而掌握发动机的性能则依赖于获得和处理由监测传感器所测得的数据的能力。 

在解释分析测量结果的过程中，发动机专家所遇到的其中一个问题是：事实上，给定的发动机绝不会在完全一样的条件下运转。对于操作飞行的航空发动机而言，获取测量结果的条件通常是不同的，这取决于地标领航、天气、飞行路线、发动机状态等等。 

无论如何，有效的异常侦测器必须具备在任何情况下中侦测到异常的能力。然而，保持连续不断的监测应用是非常昂贵的，加之要对飞行的每一个阶段和每一种外部条件都完成特定的计算也是非常困难的。 

这样，监测工具必须能够在任何外部条件和数据获取条件下进行相同地操作。由此，在开始任何监测之前，都有必要将数据还原到标准环境中。 

目前，使数据标准化的方法是一种传统的归一化方法，所述方法仅仅计算每一个监测指标的平均值，该监测指标用来显示从航空发动机中采集的测量结果；计算该平均值与所获得的测量结果之间的差值；最后用标准差除该差值。所述平均值以及所述标准差是为预先的数字化数据序列计算的先验(a priori)。 

所述方法的缺陷在于其无法处理外生数据间的相关性，也无法处理指标自身之间的依赖关系。 

目前还存在有另外一种方法，其在于在压缩算法(诸如主成分分析(PCA))的基础上建立多变量归一化。然而，这样的方法需要大量的计算时间，而且其还导致会产生对发动机专家来讲毫无意义的无量纲指标。 

发明内容

本发明专利提供了一种用于监测航空发动机的数据标准化方法，该方法包括如下步骤： 

·随着时间的推移(over time)采集关于航空发动机的时间序列测量结果； 

·由所述时间序列测量结果，计算指标集合Y＝(y₁，...，y_j，...y_m)，该指标集合针对于所述发动机的多个元件； 

·由该时间序列测量结果确定外生数据集合X＝(x₁，...，x_n)，该外生数据集合代表作用于该指标集合Y的外部环境； 

·定义附带有条件的多维模型，该模型处理所述指标集合Y的指标并同时考虑所述外生数据集合X，以形成估值集合 该估值集合与所述指标集合Y＝(y₁，...，y_j，...y_m)相对应；以及 

·根据相对应的指标y_j的参考值以及每一个所述估值 和所述相对应的指标y_j间的差值，使每一个估值 标准化，以形成标准化数值集合 

所述方法能够通过在处理各指标自身之间的随机的相互依赖关系的同时消除相对于外部环境的依赖性的关系使指标标准化。从而，对航空发动机的检测可以在同等情况下进行，无需考虑外部获取条件。对于每一次检测发动机的时刻或飞机的每一次飞行而言，所述标准化的数值可以被看作是在完全相同的条件下获得的观测值。 

本发明的另一方面，定义所述附带有条件的多维模型包括如下步骤： 

·对于所述指标集合Y的每一个指标y_j构建投影空间E^(j)＝σ(Y^(j)，X)，所述投影空间由指标的子集Y^(j)＝(y₁，...，...，y_j-1，y_j+1，...，y_m)的解析变换以及所述外生数据集X生成的，所述子集Y^(j)＝(y₁，...，...，y_j-1，y_j+1，...，y_m)包括除每一个所述指标y_j以外的所述指标集合Y中的所有指标；以及 

·对于所述指标集合Y的每一个指标y_j，通过使用回归技术将所述指标y_j投影到所述投影空间E^(j)＝σ(Y^(j)，X)上的方法，计算出一个相对应的估值 从而形成一个估值集合 

所述解析变换自然地包括恒等变换。因此，所述空间可以由所述指标的子集以 及外生数据集形成，并且通过对所述数据进行解析应用而形成。这使得能够提供正在被标准化的数据的物理信息，同时也可选择地输入知识(enter knowledge)，从而可改进模型的针对性。此外，标准化的数值具有相同的量纲，其并不是抽象的量值，而是原始指标的真正的标准化特徵，摆脱了对于获取环境的依赖关系。这不仅可以减少对标准环境下的发动机监测，而且有利于专家解释监测结果。 

有利地，所述时间序列测量结果是在所述航空发动机的正常运转的过程中采集来的。 

因此，通常情况下，由于发动机正常运转，所述时间序列测量结果非常容易获得。此外，鉴于这种测量结果具有更强的有效性，通过单独使用正常运转数据以进行校准，该多维模型从鲁棒性(robustness)方面来说很容易得到证实。 

通过将相对应的指标的平均值或参考值 与相对应的指标y_j和相对应的估值 之间的差值相加，使用如下公式： 可以计算出每一个标准化的值 

因此，所述标准化的数值很容易计算得出，并且对于专家而言具有显而易见的意义，而这与飞行条件无关。 

有益地，所述方法包括使用交叉评价技术分析每一个估值的鲁棒性，用来选择最合适的投影空间。 

由于正常运转数据的数量庞大，所述交叉评价技术实施起来非常简单。 

根据本发明的一个特征，所述投影空间是使用专家标准(expert criteria)在指标间的以及指标与外生数据间的关系的物理公式的帮助下构建的。 

因此，通过从关于测量结果的物理知识上确定数据间互相联系的方式，发动机专家随时能够解释该模型并与该模型互动。 

根据另一个特征，所述空间是通过使用神经网络自动构建的。 

因此，当专家不具有关于指标自身之间的关系和/或指标与外生数据之间的关系的先验知识时，所述模型可以通过分析正常运转数据自行搜索上述关系。 

特别地，所述神经网络可以是具有结点的模型。 

有益地，所述指标集合Y＝(y₁，...，y_j，...y_m)中的指标针对于所述发动机的多个物理 和/或逻辑元件。 

因此，所述指标可以表示发动机元件的整个集合中的一个特定的元件或一个特定的任务，从而使得发动机在某一阶段的表现更容易得以分析。 

所述指标集合Y＝(y₁，...，y_j，...y_m)的指标是通过建立一个FMECA(故障模式、影响与致命度分析)使用专家标准(expert criteria)计算得出的。 

为了收集在分析发动机时有用的指标，可能会使用发动机专家的知识。 

通过参考特定的点或特定的函数可确定所述指标，所述特定的点或特定的函数概括了代表所述时间序列测量结果的特定的曲线的细节或形状。 

有益地，作用于指标上的外生数据X＝(x₁，...，x_n)是通过依赖性分析使用专家标准(expert criteria)而确定的，所述依赖性分析能够使与指标相关联的环境数据被列出。 

根据本发明所述的一个特征，所述回归可以是线性回归。 

本发明还提供了一种用于航空发动机检测的使数据标准化的系统，所述系统包括：

·用于随着时间的推移运转以从所述航空发动机中收集时间序列测量结果的装置；

·用于从所述时间序列测量结果计算得到指标集合Y＝(y₁，...，y_j，...y_m)的装置，所述指标集合针对于所述发动机的多个元件； 

·用于从该时间序列测量结果中确定外生数据集合X＝(x₁，...，x_n)的装置，所述外生数据集合X代表作用于指标集合Y的外部环境； 

·用于定义附带有条件的多维模型的装置，该模型处理所述指标集合Y中的指标并同时考虑所述外生数据集合X，以形成估值集合 该估值集合与所述指标集合Y＝(y₁，...，y_j，...y_m)相对应；以及 

·用于对每一个估值 标准化的装置，所述标准化是根据对应于指标y_j的参考值以及每一个所述估值 与所述相对应的指标y_j之间的差值得到的，从而形成标准化的数值集合 

本发明还提供了计算机程序，其包括用于实施标准化方法的指令，所述标准化方法在被处理器装置执行时使用上述步骤。 

附图说明

通过阅读下述说明性的描述，可以更加清楚地了解本发明所述的装置以及方法的其他特征以及优势。所述描述是参照说明书附图进行的、为非限制性的描述。 

图1示出了实施本发明所述系统或方法的硬件装置示意图，所述系统或方法是用来对用于监测航空发动机的数据进行标准化的； 

图2为对用于监测如图1所示的航空发动机的数据进行标准化的主要步骤的流程图； 

图3为如图1所示的航空发动机紧接起动后油温的示意图； 

图4为如图1所示的航空发动机的起动延滞示意图； 

图5A和5B为如图1所示的航空发动机每次发动后达到低压轴的最大加速度所需要的时间的示意图； 

图6A和6B为在如图1所示的航空发动机上测量到的排气温度梯度的示意图。 

具体实施方式

图1示出了用于监测航空发动机1的本发明所述的数据标准化系统或方法所实施的硬件装置。 

所述系统包括多个用于测量数据的传感器3a-3f，所述数据包括反应发动机1状态的数据以及可能影响发动机1运转的外部或内部环境数据。所述系统还包括数据处理器装置5，诸如计算器或计算机，所述数据处理器装置5可以执行设计用于执行本发明所述方法的计算机程序。所述数据处理器装置5包括通常在计算机中能够找到的硬件装置。更具体地，所述数据处理器装置5包括用于执行一系列的本发明所述方法的程序指令的中心单元7、用于存储运行中的数据和程序的中心存储器9、用于保存数据的数字数据存储装置或媒介11、输入外设(传感器3a-3f、键盘、鼠标等)以及用于观察标准化的结果的输出外设(屏幕13或打印机15)。 

依照本发明，图2示出了处理器装置5所执行的使用于监测航空发动机的数据标准化的方法的主要步骤。 

步骤E1涉及确定原始测量结果，从中可以先验地提取关于要检测的航空发动1的有用信息。所述处理器装置5被配置用来随着时间的推移采集时间序列测量结果并使其数字化，所述时间序列测量结果是在运转过程中通过航空发动机1的传感器3d-3f获得的，同时，外部测量结果则通过传感器3a-3c获得，以代表外部环境条件。 

在运转条件下，传感器3a-3f的数量并不是非常大，但是其以不同的频率完成对数据的采集，而且可被演绎的元件可能有很多种。例如，对于CFM发动机(国际商用风扇发动机公司发动机)而言，其安装有9到12个传感器用来测量32赫兹(Hz)的低频下的压力、流速以及温度，还安装有4个传感器用来测量在高频下的所述发动机1的轴的旋转速度，所述高频可能为20千赫兹(kHz)或更高。 

进一步地，鉴于这种测量结果具有更强的有效性，应当能够观察到在所述航空发动机1的正常运转中所述时间序列测量结果可能非常容易被采集。 

步骤E2涉及定义指标。因此，所述处理器装置5被配置用来从时间序列测量结果中计算指标集合Y＝(y₁，...，y_j，...y_m)，所述指标集合针对于所述发动机1的多个元件。 

应当注意到所述指标可能针对于物理元件，即表明所述发动机1的一个特定元件，或针对于逻辑元件，即表明所述发动机1的元件的完整集合的一个特定的任务。更具体地，一个物理元件是所述发动机1的一个真实的组成部分，例如，高压(HP)基础发动机，定子阀门等。而一个逻辑元件或系统则涉及发动机1的一组组成部分完成某一特定的任务，诸如起动系统、润滑系统、性能等。 

进一步地，所述指标集合Y＝(y₁，...，y_j，...y_m)在专家标准(expert criteria)的基础上计算得出。例如，专家可以在一个文件中将所述指标用公式表示，所述文件被称为故障模式、影响与致命度分析(FMECA)。所述文件列出了故障、相关设备的多个方面(pieces)、原因、后果，以及从上述测量结果中计算得到的指标集合能够识别出一个现象，而每一个现象都与对所观察到的影响的描述联系在一起。进一步地，每一个故障都能够通过对特定的结果所观察到的影响来描述，所述特定的结果则是由时间序列测量结果计算得到的。 

所述指标通过“指示器”被确定，诸如，通过确定特定的点或确定特定的函数，所述函数概括了代表所述时间序列测量结果的确定的曲线的细节或形状。 

例如，为了分析发动机1的起动性能，专家提取了多个持续时间和特定的数值或进行计算，所述计算具有重要意义，这在启动方面是清楚的。在这些指标中，延迟指标可以定义为在燃油阀被打开后，通过发动机的高压轴达到给定速度所需要的时间。也可以考虑提供一个关于高压轴的最大加速度的指标以及许多其他类似的指标。 

为了分析性能，专家聚焦于诸如温度、压力以及燃油流等的测量结果。而后，他们能够构建损耗指标，举例来说，所述损耗指标依据从一次飞行到另一次飞行的燃油消耗被表示出来。 

为了分析所述发动机1的轴承，振动专家从特定的频率到旋转的隔离次数进行观察，这些取决于轴的多种组成部分的规格：环状半径、球的直径等。 

步骤E3涉及确定外部环境。更具体地，所述处理器装置5被配置用来从时间序列测量结果中确定外生数据集合X＝(x₁，...，x_n)，所述外生数据集合代表作用于指标集合Y的外部环境。 

在飞行过程中所采集的每一个测量结果都是在特定的外部或内部条件下得到的。这些有可能对指标如何被理解产生影响的条件是自行记录的。所述外部条件可能包括有外部温度和压力、飞行姿势、飞行器的相对速度以及飞行所发生的位置(在海洋、沙漠、陆地上等)、天气条件(雨、雪、结冰等)、湿度等等。内部条件可能涉及发动机的特定用途(轴速、废气温度、燃油类型等)。所有的这些测量结果都可以被认为是外生数据的构成。 

作为外生数据的一个例子，图3示出了航空发动机紧接起动后油温的示意图。从该图中立刻可以看出其中包含了冷启动和热启动两种启动方式。这通常适用于当内部测量结果(油温)被看作是环境数据时，该环境数据给出了两种不同的启动方式之间的显而易见的区别，这就需要在分析数据时将这一区别考虑进来。 

有益地，包含在指标集合中的外生数据X＝(x₁，...，x_n)可以在专家标准(expert criteria)的基础上被确定。进一步地，自动依赖性分析(通过研究相关性或交互信息) 也迅速地用来列出与指标有关联的环境数据。 

也可以看出来由于所述指标有可能依赖于环境，所述指标自身之间有可能存在有关系。所以不可以直接通过指标消除环境依赖性指标，因为这样的结果会破坏指标中所包含的所有信息。通常地，动发机专家会意识到在相互依赖的关系中的信息内容，而且他们也清楚构建相互独立的指标所带来的困难。 

作为具体实施例，图4为航空发动机1在使用辅助电源设备(APU)时的起动延滞的示意图，其为发动机1达到额定地面速度所需要的时间长度的函数。虚弧线C1标出了在均值附近分散的第一级，而实弧线C2则标出了在均值附近分散的第二级。 

因此，图4中点的分布清晰地示出了航空发动机1的起动延滞与发动机1达到额定地面速度所需要的时间之间存在关系。自然地，这两个指标之间的关系依赖于外生数据，诸如外界温度或辅助电源设备(APU)出口外的压力。 

步骤E4和E5涉及构建与步骤E2中所计算的指标相关联的估值。 

所述处理器装置5被配置用来定义附带条件的多维模型，该模型在处理所述指标集合Y的指标的同时考虑所述外生数据集合X，以形成估值集合 该估值集合与所述指标集合Y＝(y₁，...，y_j，...y_m)相对应。 

更具体地，步骤E4包括为所述指标集合Y的每一个给定的指标y_j构建投影空间E^(j)＝σ(Y^(j)，X)。所述投影空间由外生数据集X以及该指标的子集Y^(j)＝(y₁，...，...，y_j-1，y_j+1，...，y_m)的解析变换生成的，所述子集Y^(j)＝(y₁，...，...，y_j-1，y_j+1，...，y_m)包括除该特定指标y_j以外的所述指标集合Y中的所有指标。所述解析变换表达了指标之间的物理关系，并且是由专家定义的。所述解析变换可以进一步包括恒等变换、线性或非线性函数或提供不同指标之间的相关性信息的变换。 

对于所述指标集合Y的每一个给定的指标y_j，步骤E5包括通过使用回归技术将给定的指标y_j投影到所述投影空间E^(j)＝σ(Y^(j)，X)上的方法，计算出相对应的估值 从而形成估值集合 

换句话说，对于每一个指标y_j，让Y＝(y₁，...，y_j，...y_m)作为m指标的向量，让X作为外生数据向量，而让Y^(j)＝(y₁，...，...，y_j-1，y_j+1，...，y_m)为除了指标y_j以外的所有指标的向 量。使用回归法，所述指标y_j被投影到所述投影空间E^(j)＝σ(Y^(j)，X)以便确定估值 所述回归可为神经网络类型，例如使用带有结点以及最小二乘方极小化的模型。在一个变型中，所述回归也可以是直线型。 

因此，对于每一个指标，观察值的回归是构建于空间上的，所述空间是由其它指标、环境数据、来源于专家分析的表达式以及其它函数生成的，例如，以一个带有结点的模型的形式实施。所述观察值投影于其上的所构建的空间与指标的原始数量相比规模更大。 

有益地，所述投影空间是通过使用专家标准(expert criteria)，在对指标间的关系和指标和外生数据之间的关系的物理公式的帮助下构建的。专家的专业知识不仅可以用于确定变量，还可以用于定义投影空间。例如，存在有一个参数的测量结果，该指标的测量结果对数性地依赖于另外一个参数的测量结果。另外一个常规的例子涉及状态变量，诸如焓或能量。举例来说，如果能量相当于两个指标的乘积，那么对于恒定的能量而言，一个指标的倒数可用来预测另外一个指标。 

另外，当专家不具有关于变量之间关系的先验知识时，正常运转下的自动分析可以发现这样的关系。 

因此，所述投影空间也可以自动地通过使用神经网络来构建，例如包含有带有结点的模型的类型。在这样的情况下，所有的选项按默认值同时被使用。进一步地，可以考虑指标的非线性变换，这种非线性变换在某些情况下更容易被预测。这些变换可以从可能性(对数、倒数、因子函数等)的列表中选择出来。通过默认值，所有可接受的变换都经过检验，而且选择是基于鲁棒性准则进行的。 

每一个估值的鲁棒性可以使用交叉评价技术来进行分析，以选择最佳的投影空间。这一技术可以在专家分析后在每一个投影的估值的可逆函数上再次加以应用。举例来说，最佳的回归应该保留，该回归使得建立指标的对数模型比建立该指标值本身的模型更简单。 

在步骤E6中，所述处理器装置5被配置用来使每一个估值 标准化，根据相对应的指标y_j的参考值以及每一个给定的估值 与相对应的指标y_j之间的差值，形成标准化的数值集合 

特别地，该模型的剩余值(观察值减去估值)可以加上平均值或参考值，其可以被认为是该指标的标准值。 

换句话说，每一个标准化的值 可以通过使用如下公式 计算得出，即将相对应的指标的平均值或参考值 与相对应的指标y_j和相对应的估值 之间的差相加。 

这一计算提供了新的观察值，该观察值具有与原始指标相同的量纲；而且考虑到外生数据以及指标间的相互关系，该观察值也显示出了真实观察到的观察值与应该观察到的观察值之间的差异。 

标准化的指标将会以模型的预计误差为函数在指标各自的平均值周围波动。自然地，正常的观察值应该是所有的剩余值都很小的观察值(即小于估计的误差分布的标准偏差数σ的倍数，所述标准偏差数σ在任何情况下都是已知的)。相反地，对于一个异常的观察值，该信号将远离它们的平均值。 

图5A和5B中给出了第一个实施例，所述图5A和5B为表示延迟的一个指标的示意图，所述延迟用于在发动机的每次起动(沿横轴)之后等待低压轴(LP)达到最大加速度(沿纵坐标轴向上)。虚线C11标出了平均值附近的±3σ的水平，而点划线C12则标出平均值附近的±6σ的水平。 

图5A示出了标准化以前的原始指标的信号；而图5B则示出了根据本发明所述方法标准化以后的指标的信号。 

如图5A所示，其中有6个远离平均值的信号S1-S6(在启动周期编号50到编号90之间)，而这6个信号S1-S6在起动过程中较缓慢。 

然而，如图5B所示，在消除了相对于外部环境的依赖性的标准化指标中，仅有起动周期67的信号S1远离平均值。其清楚地示出了所述信号S2-S6远离平均值仅仅是因为外部条件，而只有信号S1是固有的，并且与图5A中相对应的信号相比较，该信号更加远离平均值。所述信号S1为单元素集合或异常点，该信号与观察值的集合相去甚远，而这是由于构建正常观察数据的专家经常会忘记有些误差。不管怎样，这样的单元素集合在分析鲁棒性时是被忽略的，这样的分析可以通过使 用交叉评价技术或补偿可能性技术来完成的。这样的分析以随机方式选择测量结果的子集进行校准并测试相对于其它观察值的结果。 

另一个实施例在图6A和6B中给出，所述图6A示出了未进行标准化的原始指标的值，所述原始指标表示了在连续飞行的过程中航空发动机正常运转的情况下测量到的排气温度梯度。 

假定所述发动机正常动转，图6A中所观察到值与平均值之间的不一致本质上是由于获得条件的差异导致的。 

相反地，图6B示出了根据本发明所述方法对图6A中的指标进行标准化以后的指标。其示出了标准化的指标的值可以看作是在条件下获得的观察值，对于在飞机的每一次飞行中被监测的发动机的每一个场合而言，所述条件完全相同。根据本发明所述方法标准化的指标在消除针对外部环境的依赖性方面具有效果，并且考虑到了指标自身之间的随机互相依赖的关系。 

如图6B所示，在发动机正常运转过程中，观察到其值远离平均值大于3σ的信号的概率小于3×10^-3，而观察到其值远离平均值大于6σ的信号的概率小于2×10^-9。这清楚地表明了可以以完全相同的手段监测航空发动机元件，而无需考虑外部获得条件。因此，应用异常检测工具不仅变得更简单，对于专家而言也更容易加以解释。 

进一步地，在一个较佳实施方式中，本发明所述方法的各个步骤通过程序代码指令实施。 

因此，本发明也提供一套计算机程序，所述程序适于在处理器装置或计算机系统中运行，所述程序包括适于实施如上所述的本发明的标准化方法的代码指令。 

所述程序可以利用任何编程语言，它可以是源代码、目标代码或者介于源代码和目标代码之间的中间代码，诸如部份编译的形式或其它任何合乎需求的形式。 

可以使用计算机可读的数据记录载体，所述数据记录载体中包括如上文所述的计算机程序指令。 

所述数据记录载体可以是任何能够存储程序的实物或装置。例如，所述载体可以包括存储装置，诸如只读存储器(ROM)，如高密度磁盘(CD)ROM或微电子电路ROM，或其它记录装置。 

进一步地，所述信息媒介可以是能传送的媒介，诸如，可以通过电力电缆或光导电缆、无线电或其它装置传输的电学或光学信号。 

或者，所述信息媒介可以是集成电路，所述程序被存入其中，所述电路适合执行本发明所述的方法或被用于本发明所述方法的执行。 

Claims (12)

1.一种用于监测航空发动机(1)的数据标准化方法，其特征在于，所述方法包括如下步骤：

·随着时间的推移采集关于所述航空发动机(1)的时间序列测量结果；

·由所述时间序列测量结果计算指标集合Y＝(y_l，...，y_j，...y_m)，该指标集合针对于所述发动机的多个元件；

·由该时间序列测量结果确定外生数据集合X＝(x_l，...，x_n)，该外生数据集合代表作用于该指标集合Y的外部环境；

·对于所述指标集合Y的每一个指标y_j构建投影空间E^(j)＝σ(Y^(j)，X)，所述投影空间由指标的子集Y^(j)＝(y_l，...，...，y_j-1，y_j+1，...，y_m)的解析变换以及所述外生数据集X生成的，所述子集Y^(j)＝(y_l，...，...，y_j-1，y_j+1，...，y_m)包括除每个所述指标y_j以外的所述指标集合Y中的所有指标；

·对于所述指标集合Y的每一个指标y_j，通过使用回归技术将所述指标y_j投影到所述投影空间E^(j)＝σ(Y^(j)，X)上的方法，计算出相对应的估值，从而形成对应于所述指标集合Y＝(y_l，...，y_j，...y_m)的估值集合以及

·根据相对应的指标y_j的参考值以及每一个所述估值和所述相对应的指标y_j间的差值，使每一个估值标准化，以形成标准化数值集合其中，每一个标准化的值通过使用如下公式计算得出，即将相对应的指标的平均值或参考值与相对应的指标y_j和对应的估值之间的差相加。

2.如权利要求1所述的方法，其特征在于，所述时间序列测量结果是在所述航空发动机正常运转的过程中采集的。

3.如权利要求1所述的方法，其特征在于，所述方法还包括使用交叉评价技术分析每一个估值的鲁棒性，以选择最合适的投影空间。

4.如权利要求1所述的方法，其特征在于，所述投影空间是使用专家标准在指标间的以及指标与外生数据间的关系的物理公式的帮助下构建的。

5.如权利要求1所述的方法，其特征在于，所述空间是通过使用神经网络自动构建的。

6.如权利要求5所述的方法，其特征在于，所述神经网络是具有结点的模型。

7.如权利要求1所述的方法，其特征在于，所述指标集合Y＝(y_l，...，y_j，...y_m)中的指标针对于所述发动机中的多个物理和/或逻辑元件。

8.如权利要求1所述的方法，其特征在于，所述指标集Y＝(y_l，...，y_j，...y_m)的指标是通过建立基于故障模式、影响与致命度分析使用专家标准计算得出的。

9.如权利要求1所述的方法，其特征在于，所述指标通过参考特定的点或特定的函数确定，所述特定的点或特定的函数概括了代表所述时间序列测量结果的特定的曲线的细节或形状。

10.如权利要求1所述的方法，其特征在于，作用于指标上的外生数据X＝(x_l，...，x_n)是通过依赖性分析使用专家标准而确定的，所述依赖性分析能够使与指标相关联的环境数据被列出。

11.如权利要求1所述的方法，其特征在于，所述回归是线性回归。

12.一种用于航空发动机(1)监测的使数据标准化的系统，其特征在于，所述系统包括：

·用于随着时间的推移运转以从所述航空发动机(1)中收集时间序列测量结果的装置(5)；

·用于从所述时间序列测量结果计算得到指标集合Y＝(y_l，...，y_j，...y_m)的装置(5)，所述指标集合针对于所述发动机的多个元件；

·用于从该时间序列测量结果中确定外生数据集合X＝(x_l，...，x_n)的装置(5)，所述外生数据集合X代表作用于所述指标集合Y的外部环境；

·用于对所述指标集合Y的每一个指标y_j构建投影空间E^(j)＝σ(Y^(j)，X)的装置(5)，所述投影空间由指标的子集Y^(j)＝(y_l，...，...，y_j-1，y_j+1，...，y_m)的解析变换以及所述外生数据集合X生成的，所述子集Y^(j)＝(y_l，...，...，y_j-1，y_j+1，...，y_m)包括除指标y_j以外的所述指标集合Y中的所有指标；

·用于对所述指标集合Y的每一个所述指标y_j，通过使用回归技术将所述每一个所述指标y_j投影到所述投影空间E^(j)＝σ(Y^(j)，X)上的方法，计算出相对应的估值的装置(5)，从而形成对应于所述指标集合Y＝(y_l，...，y_j，...y_m)的估值集合 $\hat{Y}=({\hat{y}}_1,...,{\hat{y}}_j,...,{\hat{y}}_m);$ 以及

·用于对每一个估值标准化的装置(5)，所述标准化是根据对应的指标y_j的参考值以及每一个所述估值与所述相对应的指标y_j之间的差值得到的，从而形成标准化的数值集合其中，每一个标准化的值通过使用如下公式计算得出，即将相对应的指标的平均值或参考值与相对应的指标y_j和对应的估值之间的差相加。