CN102519733A - 一种基于监测信息融合的航空发动机在翼可靠性评估方法 - Google Patents

Abstract

本发明涉及一种基于监测信息融合的航空发动机在翼可靠性评估方法，其步骤如下：分析航空发动机失效规律，建立基于性能衰退的航空发动机在翼可靠性评估流程；建立航空发动机性能衰退监测指标体系；采集航空发动机性能衰退数据及对应时间点的状态监测信息，经无量纲化处理，采用贝叶斯线性模型进行信息融合；应用Gamma过程描述航空发动机性能衰退的随机过程；提出基于性能衰退的航空发动机在翼可靠性模型；利用航空发动机不同时序点多源信息融合获得的性能衰退程度的均值和方差、不同时序点信息融合的性能衰退趋势分析，确定Gamma随机过程中的参数，计算出航空发动机在指定性能衰退阈值情况下的在翼可靠性水平。

Description

一种基于监测信息融合的航空发动机在翼可靠性评估方法

技术领域

本发明涉及航空发动机在翼可靠性评估，特别是充分利用多种状态监测信息，将性能可靠性监测与系统可靠性评估集成于一个体系内，对航空发动机进行在翼可靠性进行评估与跟踪，为维修决策提供辅助支持。 

背景技术

航空发动机是飞机的心脏，其健康状态对保证飞行安全、降低维修成本都具有重要意义。国外一些先进的理论与技术，如预测与健康管理(Prognostics and Health Management，PHM)、基于状态的维修(Condition Based Maintenance，CBM)、预知维修、自主保障(Autonomic Logistics，AL)等正逐步被采用，是减少维修保障费用的重要技术手段。在翼可靠性评估则是上述理论和技术的核心之一，相关结果将直接作为维修决策的依据。 

由于预防性维修在航空业的广泛应用，加之航空发动机发生故障会对飞行安全产生重大影响，在实际应用中只能收集到较少甚至没有故障数据，限制了传统可靠性评估方法的应用。现代航空发动机表现出来的失效大多为退化失效，广泛存在的状态监测信息为监测航空发动机的性能退化提供了可能。当前，监控航空发动机的性能退化主要是采用以下几种方法：一是依靠单参数进行性能衰退与评估，这种方法简单、易行、直观，但由于单参数监测本身的局限性，多反映的是某种形式的性能衰退，较为粗糙；二是以比例风险模型为代表的多参数航空发动机性能衰退评估，这种方法的缺点是忽略了监测本身的误差、混淆了性能衰退趋势和可靠性变化规律两者之间的关系；三是通过人工智能方法对航空发动机状态监测信息进行处理，推断航空发动机的性能衰退程度，但其往往是一种经验和推理的描述，受到监测信息容量和误差的影响。最为重要的是，以上基于监测信息推断航空发动机性能衰退水平，得到的结果实际上是航空发动机的性能衰退趋势，而不是与维修决策直接联系的风险。 

本发明提出的基于监测信息融合的航空发动机在翼可靠性评估方法，一是综合利用多种状态监测信息，提高信息利用效率；二是在方法中充分考虑了监测信息误差对可靠性水平的影响，降低了误差对评估准确度的影响；三是将性能衰退和系统可靠性评估融合到一个框架中，仅依靠状态监测信息就可以对在翼发动机可靠性水平进行评估，其输出结果可以直接为维修决策服务。本发明提出的方法数据采集难度小，具有较强的可操作性，便于推广和实施。 

发明内容

本发明的目的是提供一种基于监测信息融合的航空发动机在翼可靠性评估方法，该方法充分考虑到航空发动机状态的可监测性、故障的贫发性、性能衰退过程的随机性等特点，通过信息融合技术提高监测信息的利用效率，适用于航空发动机等由于性能衰退而导致失效的复杂系统可靠性评估，实现提高航空发动机在翼可靠性评估的准确度和有效控制风险的目标。 

为实现上述目的，本发明的基于监测信息融合的航空发动机在翼可靠性评估方法的步骤如下： 

1.针对航空发动机状态的可监测性、故障的贫发性和信息来源的广泛性等特点，分析航空发动机失效规律，建立基于性能衰退的航空发动机在翼可靠性评估流程，整个流程以航空发动机性能衰退评估为中心。 

2.为准确表征航空发动机性能衰退，综合利用多种来源的信息，分别从气路性能监测、滑油监测和振动监测中，建立航空发动机性能衰退指标体系，该指标体系应既能全面反映发动机性能衰退的状态，也不会增加信息处理的难度。 

3.采集航空发动机性能衰退数据及对应时间的状态监测信息，为避免不同数据量纲对信息融合结果的影响，对所有数据进行无量纲化处理，采用贝叶斯线性模型对上述信息进行融合，获取航空发动机的性能衰退水平与监测信息之间的对应关系。随着监测数据的不断采集，信息融合的准确度将不断提高。 

4.针对到航空发动机性能衰退具有不可恢复性，累计退化量具有单调递增性，应用Gamma过程描述航空发动机性能衰退的随机过程，假设退化量w(t)服从Gamma分布Ga(μ(t)，λ)，则其密度函数为： $f_w(\mathrm{\ξ},\mathrm{\α}\left(t\right),\mathrm{\λ})=\frac{{\mathrm{\λ}}^{\mathrm{\α}\left(t\right)}}{\mathrm{\Γ}\left(\mathrm{\α}\left(t\right)\right)}{x}^{\mathrm{\μ}\left(t\right)-1}{e}^{-\mathrm{\λx}}{I}_{(0,\∞)}\left(x\right),$ 其中：α和λ分别为形状参数和尺度参数；x∈A，I_A(x)＝1， 

I_A(x)＝0； 

dt为Gamma函数。 

5.在传统可靠性模型的基础上，进一步提出基于性能衰退的航空发动机在翼可靠性模型，即将可靠性的表达式R(t)＝P{T＞t}改进成R(t)＝P{w(t)＜ε}，其中t表示某一时刻，R(t)表示某一时刻的可靠性，T表示航空发动机从完好状态直到进入失效状态所经历的时间，w(t)表示时刻t航空发动机的性能退化量，ε表示规定的航空发动机性能衰退的阈值，通过时间参数t建立起性能衰退程度与可靠性水平之间的联系，实现对航空发动机的随机可靠性评估。 

6.利用航空发动机不同时序点多源信息融合获得的性能衰退程度的均值和方差、不同时序点信息融合的性能衰退趋势分析，确定Gamma随机过程中的参数；采用基于性能衰退的可靠性评估模型表达式， $R\left(t\right)={\∫}_0^{\mathrm{\ϵ}}{f}_w\left(\mathrm{\ξ}\right)\mathrm{d\ξ}={\∫}_0^{\mathrm{\ϵ}}\frac{{\mathrm{\λ}}^{{\mathrm{kt}}^v}}{\mathrm{\Γ}\left({\mathrm{kt}}^v\right)}{x}^{{\mathrm{kt}}^v-1}{e}^{-\mathrm{\λx}},$ 计算航空发动机在指定性能衰退阈值情况下的在翼可靠性水平。 

与现有技术相比，本发明具有的优点和效果如下： 

(1)实现了性能可靠性与系统可靠性的有机结合。以航空发动机为代表的复杂可修系统可靠性评估中，一直是从两个角度出发评估可靠性，一是从系统可靠性角度出发，依靠的是故障数据；另外是从状态监测角度出发，进行性能评估与预测。两者都在某种程度上均表征了复杂系统的可靠性问题，但都还无法在系统运行阶段提供全面、客观的可靠性评估。由于航 空发动机的失效更多表现在退化失效，本发明以航空发动机性能衰退为中心，在此基础上评估航空发动机的在翼可靠性水平，符合航空发动机工程实际。 

(2)充分利用了多源状态监测信息和不同时序点的信息，采用信息融合方法，通过融合获得关于航空发动机性能衰退程度的一致性判断，提高了信息的利用效率，更加符合航空发动机性能衰退的实际；本方法简单易行、数据获取容易，便于在日常航空发动机可靠性管理中加以推广和实施。 

(3)由于充分利用航空发动机状态监测信息，本方法提出的航空发动机在翼可靠性评估方法准确度高于传统可靠性评估方法，可以直接为航空发动机维修决策提供依据，能够有效避免“过修”和“失修”问题，实现了既能有效控制可靠性和维修风险，又能有效降低维修成本的目标。 

附图说明

图1航空发动机随机可靠性评估流程图； 

图2状态监测信息融合路线图。 

具体实施方式

针对航空发动机状态的可监测性及故障的稀发性，其失效形式主要表现为退化失效，提出一种基于状态监测信息融合的航空发动机在翼可靠性评估方法，其实施过程可以分为以下6个步骤，如图1所示。 

1.分析航空发动机失效规律，将航空发动机现有的状态监测-性能衰退程度-可靠性评估集成于一个框架中，建立基于性能衰退的航空发动机在翼可靠性评估流程，明确状态监测信息采集的范围、数据处理的方式、各关键技术之间的传递和接口关系。 

基于性能衰退的航空发动机在翼可靠性评估流程设计，以航空发动机的性能衰退为中心，以关注航空发动机状态监测信息的广泛性、信息的不确定性和性能衰退过程的随机性为重点。对于航空发动机性能衰退评估，其前端联系到状态监测信息，为更好利用状态监测信息，提出信息融合方法，考虑到监测信息本身的不确定性，建立了含误差函数的贝叶斯线性模型融合航空发动机多种状态监测信息，通过上述技术路线，得到关于航空发动机性能衰退的评估值，包括期望值和方差；针对航空发动机的性能衰退过程特点，以Gamma过程描述其性能的随机衰退过程，将系统可靠性公式改进成基于性能衰退的可靠性评估公式，将性能衰退评估结果均值和方差代入基于性能衰退的可靠性评估公式，即可求得在给定性能衰退阈值下的航空发动机随机可靠性评估结果。利用状态监测信息融合表征航空发动机性能衰退的过程如图2所示。 

2.建立航空发动机性能衰退监测指标体系。指标体系设计的原则是能全面反映发动机的状态，且不至于增加进一步信息处理的难度。本发明的性能衰退监测指标从气路性能监测、 滑油监测和振动监测的指标中选取。 

民用航空发动机的核心部件是气路系统部件，包括压气机、燃烧室、涡轮等。气路部件的一些热力参数可反映发动机性能状态变化；滑油监测技术是润滑系统部件及其封严系统状况的一种监测手段，适用于机械磨损类故障监测与诊断，是发动机状态监测的辅助手段；振动监测。发动机的高、低压转子是由叶片、盘、轴、轴承等旋转零部件构成，旋转时及磨损或损伤会产生一定程度的振动信号。 

在融合信息的过程中，本发明对利用融合的数据是监测数据的偏差，而不是监测数据本身。其处理的基本原则是： 

监测数据偏差值＝实际监测值-该监测指标的标准值 

为此，本发明选择了以下6个监测指标，覆盖了气路性能监测、滑油监测和振动监测的内容。分别是：发动机排气温度偏差(DEGT)、燃油消耗量偏差(GWFM)、高压转子转速偏差(GPCN25)、滑油压力偏差(DPOIL)、低压转子振动值偏差(ZVB1F)和高压转子振动值偏差(ZVB2R)。 

3.为提高信息利用效率和性能衰退评估的准确度，采用信息融合方法，建立贝叶斯线性模型表征航空发动机的性能衰退。 

(1)监测指标的标准化处理 

为避免不同监测指标偏差值的差异对融合效果产生影响，对监测指标偏差值进行标准化处理，标准化处理的公式可以表示为： 

假设第i个监测指标偏差值以x_i表示，以j表示监测序列，x_ij表示第i个监测对象的第j次监测指标偏差值，x_i max表示第i个监测指标的最大偏差值，x_i min表示第i个监测指标的最小偏差值。则经标准化的监测偏差值为： 

$x_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}-x_{i\min }}{x_{i\max }-x_{i\min }}$

(2)性能衰退程标的标准化处理 

采集与状态监测偏差值相对应得性能衰退值(此类信息一般在发动机发生更换、维修和修理时可以采集到)，假设第j个时间序列采集到的性能衰退值为y_j(性能指标的负偏差值)表示，则其标准化方法表示为： 

$y_j^{\′}=\frac{y_i}{y_{\max }}$

(3)运用贝叶斯线性模型进行状态监测数据融合 

假设航空发动机的性能衰退程度可以通过以下性能监测参数来表征，其中性能监测参数以矩阵X＝[X₁，X₂，...，X_k]表示，其中k表示监测参数的个数，X_k是n行列向量，n表示观测的次数。考虑到根据监测参数确定航空发动机大多有一定的误差，其误差以e表示，性能衰 退与状态监测参数之间的关系，可以用如下随机方程表示： 

$\left\{\begin{array}{c}Y=\mathrm{X\θ}+e\\ e~N(0,{\mathrm{\σ}}^2)\end{array}\right.$

其中， $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_n\end{array}\right],$ $e=\left[\begin{array}{c}{e}_1\\ e_2\\ \·\\ \·\\ \·\\ e_n\end{array}\right],$ $e=\left[\begin{array}{c}{e}_1\\ e_2\\ \·\\ \·\\ \·\\ e_n\end{array}\right]$

e_i相互独立其服从正态分布N(0，σ²)，其中σ²已知。 

在给定观测集X后，θ的先验期望值就转化为后验期望，通过选择系数，使Bayes MSE(mean square error)矩阵 最小，表达式为： 

$M_{\widehat{\mathrm{\θ}}}=E\left[(\mathrm{\θ}-\widehat{\mathrm{\θ}}){(\mathrm{\θ}-\widehat{\mathrm{\θ}})}^T\right]$

按照上述方式得到估计量为线性最小均方差(linear minimum mean square error，LMMSE)估计量(Bayes-Gauss-Markov定量。 

E(θ)＝(X^TX)^-1X^TY，协方差矩阵为((X^TX)^-1)σ²

对于监测参数，一般假设其符合逆高斯分布，通过不断监测，其均值和方差也在不断更新。这样就可以性能衰退监测信息的更新，不断提高信息精度和准确度。在采集到观测数据后，后验分布满足高斯分布的情况下，均值和协方差可以表示为： 

E(θ|x，y)＝μ_θ+C(θ)X^T(XC(θ)X^T+C_e)^-1(y-Xμ_θ) 

C(θ|x，y)＝C(θ)-C(θ)X^T(XC(θ)X^T+C_e)^-1XC(θ) 

随着观测信息的不断增加，可以反复应用上述两个公式，更新监测信息针对性能衰退的融合结果。 

4.针对航空发动机性能衰退具有不可恢复性，累计退化量具有单调递增性，采用Gamma过程描述航空发动机性能衰退的随机过程； 

假设航空发动机t时刻的性能衰退程度为y(t)，它随使用时间增加而单调下降，产品初始性能参数值记为y₀，记w(t)＝y(t)-y(t₀)，表示到t时刻航空发动机累积退化量的大小。由于退化量单调上升，对于任意的t_i、t_j，如果t_j＞t_i，必有w(t_j)-w(t_i)＞0。选择Gamma过程描述上述性能衰退过程。具有以下特点： 

①w(0)＝0； 

②对于任意的τ＞t，w(τ)-w(t)服从Gamma分布，Ga(α(τ)-α(t)，λ(t))； 

③w(t)具有独立增量，即对于任意的t₁＜t₂＜…＜t_n(n≥2)有，各增量w(t₂)-w(t₁)，…， w(t_n)-w(t_n-1)相互独立。 

假设退化量w(t)服从Gamma分布Ga(μ(t)，λ)，其密度函数为： 

$f_w(\mathrm{\ξ},\mathrm{\α}\left(t\right),\mathrm{\λ})=\frac{{\mathrm{\λ}}^{\mathrm{\α}\left(t\right)}}{\mathrm{\Γ}\left(\mathrm{\α}\left(t\right)\right)}{x}^{\mathrm{\μ}\left(t\right)-1}{e}^{-\mathrm{\λx}}{I}_{(0,\∞)}\left(x\right)$

其中：α和λ分别为形状参数和尺度参数；x∈A，I_A(x)＝1， I_A(x)＝0；  $\mathrm{\Γ}\left(\mathrm{\α}\right)={\∫}_0^{\∞}{t}^{\mathrm{\α}-1}{e}^{-t}\mathrm{dt}$ 为Gamma函数。 

5.建立航空发动机在翼可靠性评估模型 

在系统可靠性的概念基础上，提出基于性能衰退的可靠性，如下式所示： 

$R\left(t\right)=P\{T>t\}\&DoubleRightArrow;P\{w\left(t\right)<\mathrm{\&epsiv;}\}$

其中，t表示某一时刻，R(t)表示某一时刻的可靠性，T表示航空发动机从完好状态直到进入失效状态所经历的时间，w(t)表示时刻t航空发动机的性能衰退程度，ε表示规定的航空发动机性能衰退的阈值，ε为航空发动机的性能失效阈值。其中通过时间参数t建立起性能衰退程度与可靠性水平之间的联系，实现对航空发动机的在翼可靠性评估； 

对于航空发动机性能衰退的随机过程，一般假设尺度参数在一次性能监测过程中不随着性能衰退过程而改变，形状参数随着性能衰退过程的改变而改变。对于形状参数来讲，随着性能的逐渐衰退，其性能劣化的程度和速率都呈增加的趋势，假设退化量的期望值与时间的幂成正比，其表达式为：α(t)＝kt^v

则性能衰退的航空发动机可靠度计算可用如下公式表示： 

$R\left(t\right)={\&Integral;}_0^{\mathrm{\&epsiv;}}{f}_w\left(\mathrm{\&xi;}\right)\mathrm{d\&xi;}={\&Integral;}_0^{\mathrm{\&epsiv;}}\frac{{\mathrm{\&lambda;}}^{{\mathrm{kt}}^v}}{\mathrm{\&Gamma;}\left({\mathrm{kt}}^v\right)}{x}^{{\mathrm{kt}}^v-1}{e}^{-\mathrm{\&lambda;x}}$

6.计算航空发动机基于性能衰退的在翼可靠性 

算法步骤如下： 

(1)从监测信息融合过程中提取性能衰退程度的期望和方差计算结果； 

(2)利用均值和方差的计算结果计算尺度参数λ； 

$E\left(w\left(t\right)\right)={\&Integral;}_0^{\&infin;}\mathrm{\&xi;}{f}_w\left(\mathrm{\&xi;}\left(t\right)\right)=\frac{{\mathrm{kt}}^v}{\mathrm{\&lambda;}}$

$\mathrm{Var}\left(w\left(t\right)\right)=\frac{{\mathrm{kt}}^v}{{\mathrm{\&lambda;}}^2}$

假设第j次采集到的衰退程度的均值和方差分别为μ_j、σ_j，由公式两个公式，可以得到： 

${\widehat{\mathrm{\&lambda;}}}_j=\frac{{\widehat{\mathrm{\&mu;}}}_j}{{\widehat{\mathrm{\&sigma;}}}_j^2}$

对于不同监测阶段的参数λ可以不断变化，反复利用上述3个公式计算求得。 

(3)计算形状参数α(t)的参数k和v。 

α(t)是随时间变化的参数，根据若干次监测信息的均值和采集监测信息的时间，对公式α(t)＝kt^v求对数后，可利用不同时序点的状态监测信息进行回归计算得到。 

(4)将计算得到的参数 

和 

代入公式 $R\left(t\right)={\&Integral;}_0^{\mathrm{\&epsiv;}}{f}_w\left(\mathrm{\&xi;}\right)\mathrm{d\&xi;}={\&Integral;}_0^{\mathrm{\&epsiv;}}\frac{{\mathrm{\&lambda;}}^{{\mathrm{kt}}^v}}{\mathrm{\&Gamma;}\left({\mathrm{kt}}^v\right)}{x}^{{\mathrm{kt}}^v-1}{e}^{-\mathrm{\&lambda;x}},$ 即可计算出给定性能衰退阈值下的航空发动机在翼可靠度。 

Claims (7)

1.一种基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，其步骤如下：

步骤1：分析航空发动机失效规律，建立基于性能衰退的航空发动机在翼可靠性评估流程；

步骤2：建立反映航空发动机性能衰退水平的监测指标体系；

步骤3：应用信息融合方法，表征航空发动机的性能衰退程度；

步骤4：描述航空发动机性能衰退的随机过程；

步骤5：建立基于性能衰退的航空发动机在翼可靠性评估模型；

步骤6：估计航空发动机在翼可靠性评估模型中的参数值，计算航空发动机在翼可靠度。

2.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，在所述步骤1中，分析航空发动机的失效规律，确定其失效主要体现在性能退化失效，提出基于性能衰退的航空发动机在翼可靠性评估流程，涉及信息采集、处理、建立模型及参数估计等内容；

3.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，在所述步骤2中，从气路性能监测、滑油监测和振动监测中，选择航空发动机状态监测指标体系，包括：发动机排气温度偏差(DEGT)、燃油消耗量偏差(GWFM)、高压转子转速偏差(GPCN25)、滑油压力偏差(DPOIL)、低压转子振动值偏差(ZVB1F)和高压转子振动值偏差(ZVB2R)；

4.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，其所述步骤3中，设计含噪声数据的基于状态监测的航空发动机性能衰退评估模型，提出多种监测信息的融合方法及不同时序点的监测信息融合方法，输出结果是航空发动机性能衰退评估的期望值和方差；

5.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，在所述步骤4中，应用Gamma过程，描述航空发动机累积性能退化的随机过程；

6.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，在所述步骤5中，建立基于性能衰退的航空发动机可靠性评估模型R(t)＝P{w(t)＜ε}，其中t表示某一时刻，R(t)表示某一时刻的可靠性，w(t)表示时刻t航空发动机的性能累积退化量，ε表示规定的航空发动机性能衰退的阈值，通过时间参数t建立起性能衰退的随机过程与可靠性评估的联系；

7.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，在所述步骤6中，利用步骤4的输出结果，计算基于性能衰退的航空发动机在翼可靠性评估模型参数；将采集到航空发动机实时状态监测数据输入航空发动机性能衰退模型，确定航空发动机性能衰退阈值，计算航空发动机在翼可靠度。

Images