CN103970979B - 航空发动机基线计算方法、状态监控方法及监控系统 - Google Patents
航空发动机基线计算方法、状态监控方法及监控系统 Download PDFInfo
- Publication number
- CN103970979B CN103970979B CN201310048261.6A CN201310048261A CN103970979B CN 103970979 B CN103970979 B CN 103970979B CN 201310048261 A CN201310048261 A CN 201310048261A CN 103970979 B CN103970979 B CN 103970979B
- Authority
- CN
- China
- Prior art keywords
- deviation
- engine
- aero
- baseline
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种航空发动机基线的计算方法、航空发动机状态监控方法及系统。所述基线计算方法包括：解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；基于所述基线模型，计算所述航空发动机的基线值。所述监控方法包括：计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列；依次对所述偏差序列中的每个偏差进行平滑处理和告警。所述监控系统包括：用户终端、数据库服务器、应用服务器、计算引擎服务器。本发明能挖掘航空发动机的基线，实现对航空发动机的状态监控。
Description
技术领域
本发明涉及航空发动机领域，尤其涉及一种航空发动机基线的计算方法、一种基于航空发动机基线的航空发动机状态监控方法以及一种基于航空发动机基线的监控系统。
背景技术
目前，航空公司对航空发动机的维修采用视情维修方式，即对航空发动机的状态进行准确的趋势分析和故障诊断，在此基础上确定是否需要维修。视情维修可在保证飞行安全的前提下最大程度地提供航空公司的经济效益和社会效益。
可通过发动机各状态参数与良好状态下控制量的偏差值的变化情况及大小来反映航空发动机的状态，从而推断发动机的性能衰退情况。同一型号的机群中处于良好状态下的发动机状态参数与控制量之间的函数关系称为航空发动机的基线。偏差值的精确程度除了与测量值是否准确有关外，还取决于发动机基线方程的精度。因此，建立准确的基线方程是正确地进行发动机状态趋势分析和故障诊断的前提。
国内航空公司目前所使用的航空发动机状态监控系统主要还是由各个发动机厂商自己提供。航空发动机的基线都隐藏在发动机生产厂家的性能监控系统中，航空公司并不知晓。用户通过把相关的参数测量值输入到厂家系统中，由系统计算出性能参数的偏差值并返回给用户，作为发动机状态监控的依据。用户通过将偏差值与对应的发动机指引图做比对，确定是否需要维修发动机。
由于不能精确地掌握发动机的基线方程，航空公司在发动机的性能监控过程中时时依赖于发动机生产厂家，导致发动机性能监控费用受制于生产厂家。更为严重的是，一旦通信通道受阻，航空公司就不能进行正常的发动机性能状态监控，使航空公司缺乏必要的安全性，严重时将影响航空业务的正常运转。
为了改变上述被动局面，许多航空公司都试图挖掘现行发动机性能监控系统中隐藏的基线，以建立自主基线模型，进而实现对厂家性能监控系统的替代。目前中国有关发动机基线以及状态监控的技术研究主要集中在以下两个方面：1）利用国外系统的计算结果为依据，建模自己的基线计算方法；2）以维修试车台实验数据为基础，建立自身的基线模型。但是目前中国国内航空公司实际应用中，还没有真正使用国内自主研发的基线和监控方法。
申请公布号为CN102288412A的中国发明专利申请中，披露了更多相关内容。
发明内容
本发明所要解决的技术问题是如何挖掘航空发动机的基线，实现对航空发动机的状态监控。
为了解决上述问题，根据本发明的一个方面，提供了一种航空发动机基线的计算方法，包括：
解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；
基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；
基于所述基线模型，计算所述航空发动机的基线值。
在一个实施例中，所述飞行数据的最小样本量为所述航空发动机运行1年期间的飞行数据。
在一个实施例中，所述飞行数据包括：低压转子转速N1、计算空气速度CAS、海拔ALT；静态大气温度SAT、大气总温度TAT、飞行马赫数MACH；
所述基线值包括：发动机排气温度EGT、高压转子转速N2、发动机燃油流量FF。
在一个实施例中，在建立所述航空发动机的基线模型之前，还包括：对所述飞行数据进行预处理；
所述预处理包括：
保留处于稳定巡航状态的飞行数据；
剔除粗大误差的飞行数据。
在一个实施例中，所述稳定巡航状态包括：海拔ALT＞20000英尺，且0.6＜飞行马赫数MACH＜0.9。
在一个实施例中，所述剔除粗大误差的飞行数据包括：
基于海拔ALT、计算空气速度CAS、飞行马赫数MACH、大气总温度TAT、静态大气温度SAT的数据相关性，建立回归方程；
剔除所述回归方程中标准差大的飞行数据。
在一个实施例中，所述回归方程为：
ALT=f（CAS，MACH）
CAS=f（ALT，MACH）
MACH=f（CAS，ALT）
TAT=f（SAT，MACH）
SAT=f（TAT，MACH）。
在一个实施例中，所述标准差大的飞行数据包括：大于3倍标准差的飞行数据。
在一个实施例中，所述基线模型为：
EGT=α1N1+α2N12+α3TAT+α4ALT+α5MACH
N2=β1N1+β2N12+β3TAT+β4TAT2+β5ALT+β6ALT2+β7MACH+β8MACH2+β9CAS
FF=γ1N1+γ2N12+γ3TAT+γ4TAT2+γ5ALT+γ6ALT2+γ7MACH+γ8MACH2+γ9CAS，其中，α1~α5、β1~β9、γ1~γ9为各变量对应的回归系数。
在一个实施例中，在以下数值范围内调整各回归系数；
-29.473＜α1＜4.135，0.05677＜α2＜0.22995，0.8002＜α3＜2.0278，-16.726＜α4＜17.773，-226.78＜α5＜-28.35；
-0.32371＜β1＜1.62476，-0.00575＜β2＜0.00457，0.05048＜β3＜0.11512，-2.59E-04＜β4＜2.73E-04，-9.132＜β5＜7.934，-0.9832＜β6＜0.7286，-48.6206＜β7＜22.4672，-21.9691＜β8＜25.50777，0.0125＜β9＜0.05221；
4.114＜γ1＜244.998，-0.76993＜γ2＜0.51952，-10.245＜γ3＜-3.517，0.02437＜γ4＜0.10047，160.9＜γ5＜2394.1，-245.48＜γ6＜-90.08，-11106＜γ7＜-6279，3977＜γ8＜6326，-1.616＜γ9＜6.852。
根据本发明的另一个方面，还提供了一种基于航空发动机基线的航空发动机状态监控方法，包括：
计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列，其中，所述基线值使用上述航空发动机基线的计算方法确定；
依次对所述偏差序列中的每个偏差进行平滑处理和告警。
在一个实施例中，基于以下公式计算所述偏差：
ΔEGT=EGT测-EGT基，其中，ΔEGT为发动机排气温度的偏差，EGT测为发动机排气温度的测量值，EGT基为发动机排气温度的基线值；
ΔN2=（N2测-N2基）/N2基×100，其中，ΔN2为高压转子转速的偏差，N2测为高压转子转速的测量值，N2基为高压转子转速的基线值；
ΔFF=（FF测-FF基）/FF基×100，其中，ΔFF为发动机燃油流量的偏差，FF测为发动机燃油流量的测量值，FF基为发动机燃油流量的基线值。
在一个实施例中，所述依次对所述偏差序列中的每个偏差进行平滑处理和告警包括：
设定平滑长度n；
对所述偏差序列的前n个偏差进行平滑处理；
从第（n+1）个偏差开始，若连续两个偏差超限，则记录超限点和超限值；若仅一个偏差超限或者偏差未超限，则对该偏差进行平滑处理；
输出超限点及超限值。
在一个实施例中，平滑长度n为10。
在一个实施例中，对前n个偏差，采用以下平滑公式进行平滑处理：Smoothednew=rawnew；
对前n个偏差之后的偏差，采用以下平滑公式进行平滑处理：Smoothednew=Smoothedold+α×（rawnew-Smoothedold）；
其中，Smoothedold为前一偏差的平滑值，rawnew为当前偏差的原始值，α为平滑系数，Smoothednew为当前偏差的平滑值。
在一个实施例中，所述平滑系数α为0.2。
在一个实施例中，所述超限为：该偏差与该偏差之前的n个偏差的均值之差大于该偏差之前的n个偏差的标准差的3倍。
在一个实施例中，所述超限点为连续两个超限偏差中的前一偏差；所述超限值为连续两个超限偏差之差。
在一个实施例中，在所述记录超限点和超限值之后，还包括：设置连续两个超限偏差的平滑值，所述平滑值为该偏差之前的n个偏差的均值。
在一个实施例中，若仅一个偏差超限，则在对该偏差进行平滑处理之前，还包括：重置该偏差的原始值，所述原始值为该偏差之前的n个偏差的均值。
根据本发明的另一个方面，还提供了一种基于航空发动机基线的监控系统，包括：
用户终端，用于给出所述航空发动机状态监控指令、显示相应监控结果并基于所述监控结果发布维修指令；
数据库服务器，用于保存所述航空发动机的巡航报文及基线；
应用服务器，用于向所述用户终端提供终端应用程序；
计算引擎服务器，用于计算所述航空发动机基线，执行所述用户终端的监控指令，产生监控结果；
所述计算引擎服务器包括：基线计算单元和监控告警单元；所述基线计算单元用于计算所述航空发动机的基线值；所述监控告警单元用于对所述航空发动机状态参数的测量值与所述基线值的偏差进行平滑处理和告警。
在一个实施例中，所述用户终端依次通过交换机、核心交换机与所述应用服务器、所述计算引擎服务器、所述数据库服务器相连。
在一个实施例中，所述计算引擎服务器通过核心交换机与所述应用服务器、所述数据库服务器相连。
在一个实施例中，还包括磁盘阵列，所述磁盘阵列通过SAN交换机与所述数据库服务器相连。
在一个实施例中，所述基线计算单元包括：
解析单元，用于解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；
建模单元，用于基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；
计算单元，用于基于所述基线模型，计算所述航空发动机的基线值。
在一个实施例中，所述监控告警单元包括：
偏差计算单元，用于计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列；
平滑告警单元，用于依次对所述偏差序列中的每个偏差进行平滑处理和告警。
与现有技术相比，本发明的技术方案具有以下优点：
本发明通过解析飞机飞行过程中的发动机巡航报文，挖掘飞行数据中各控制量之间的相关性，利用偏最小二乘模型建立发动机基线模型，从而获得航空发动机基线值，并进一步分析状态参数与基线值的偏差趋势情况，建立发动机的趋势告警，减少了对外在监控系统的依赖性，提高了发动机状态监控的保证率。
附图说明
图1为本发明的航空发动机基线的计算方法一实施例的流程示意图；
图2为本发明的航空发动机状态监控方法一实施例的流程示意图；
图3为图2所示实施例中步骤S22的流程示意图；
图4为本发明的基于航空发动机基线的监控系统一实施例的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实例，其在此不应限制本发明保护的范围。
发明人研究了大量的参数测量值和经厂家系统计算出的偏差值，基于两者的相关性对基线方程的挖掘进行了大量的尝试。在此基础上，本发明提供了一种航空发动机基线的计算方法。图1为本发明的航空发动机基线计算方法一实施例的流程示意图。如图1所示，本实施例包括以下步骤：
执行步骤S11，解析航空发动机的巡航报文，以获取飞行数据。
由于原始数据量越大，基于原始数据量建立的模型的拟合精度越高，因此，本实施例中采用的飞行数据的最小样本量为所述航空发动机运行1年内所获得的飞行数据。具体地，所述飞行数据至少包括：低压转子转速N1、计算空气速度CAS、海拔ALT；静态大气温度SAT、大气总温度TAT、飞行马赫数MACH。
继续参考图1，为避免粗大误差，提高数据质量，可选择性地执行步骤S12，对所述飞行数据进行预处理。
本实施例中，所述预处理包括2个步骤：首先，保留处于稳定巡航状态的飞行数据。在此基础上，剔除粗大误差的飞行数据。
具体地，由于飞机在起飞、平飞及降落过程中均会产生巡航报文，但处于非稳定巡航状态的飞行数据表征发动机运行状态的特异性不强，因此，优选地仅保留处于稳定巡航状态的飞行数据。本实施例中保留海拔ALT＞20000英尺且0.6＜飞行马赫数MACH＜0.9的飞行数据。本领域技术人员可以理解，不同的发动机所对应的稳定巡航状态不同，因此，本发明对此不做具体限定。
在稳定巡航状态的飞行数据中，进一步剔除因数据传输等原因造成的异常飞行数据。
具体地，由于飞行数据中各控制量之间具有关联性，因此基于海拔ALT、计算空气速度CAS、飞行马赫数MACH、大气总温度TAT、静态大气温度SAT的数据相关性，建立回归方程，通过计算各回归方程的标准差，易于发现误差粗大的飞行数据，进而剔除之。本实施例中，回归方程为：
ALT=f（CAS，MACH）
CAS=f（ALT，MACH）
MACH=f（CAS，ALT）
TAT=f（SAT，MACH）
SAT=f（TAT，MACH）。
本领域技术人员可以理解，上述回归方程的目的在于利用各控制量之间的关联性，从而发现异常数据，因此对回归方程的实际拟合精度并无要求，所以并不需要具体调整各回归方程的回归系数。
本实施例中，将上述回归方程中大于3倍标准差的飞行数据视为粗大误差的数据以剔除。但本领域技术人员可以理解，上述标准可根据实际的数据传输保证率予以调整。
继续参考图1，执行步骤S13，基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型。
偏最小二乘回归法（Partial Least Squares Regression，PLSR)是一种新型的多元统计数据分析方法，主要应用于多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。偏最小二乘法集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身。它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。结合本发明要解决的技术问题，考虑到航空基线与发动机控制量之间复杂的数据相关性以及缺乏基线的实测数据供验证校核，利用偏最小二乘回归法可最大限度地满足建模条件。
本领域技术人员可以理解，建立拟合精度高的航空发动机的基线模型至少包括2部分工作，即：确定基线方程，以及调整所述基线方程中各变量的回归系数。
对一种型号的发动机而言，其每个状态参数都对应一条基线，所有基线的总和就构成了该型号发动机的基线库。本实施例中选择了3个状态参数，分别建立了所述状态参数与5个控制量之间的基线方程。所述状态参数为：发动机排气温度EGT、高压转子转速N2、发动机燃油流量FF。所述控制量为：低压转子转速N1、计算空气速度CAS、海拔ALT；静态大气温度SAT、大气总温度TAT、飞行马赫数MACH。具体地，本实施例中的基线方程为：
EGT=α1N1+α2N12+α3TAT+α4ALT+α5MACH
N2=β1N1+β2N12+β3TAT+β4TAT2+β5ALT+β6ALT2+β7MACH+β8MACH2+β9CAS
FF=γ1N1+γ2N12+γ3TAT+γ4TAT2+γ5ALT+γ6ALT2+γ7MACH+γ8MACH2+γ9CAS，其中，α1~α5、β1~β9、γ1～γ9为各变量对应的回归系数。本领域技术人员可以理解，不同厂家不同型号的发动机的基线方程各有不同，本实施例的基线方程是基于本实施例中发动机的飞行数据而建立的优选基线方程，本发明对基线方程不作具体限定。本实施例中进一步给出了各回归系数的优选调整范围（如表一所示）。
表一
继续参考图1，执行步骤S14，基于所述基线模型，计算所述航空发动机的基线值。具体地，将各控制量的当前值代入基线方程，计算获得各状态参数对应的理想取值（即：基线值）。
本发明还提供了一种基于航空发动机基线的航空发动机状态监控方法。图2为本发明的航空发动机状态监控方法一实施例的流程示意图。如图2所示，本实施例包括以下步骤：
执行步骤S21，计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列。
本实施例中，所述航空发动机状态参数包括：发动机排气温度EGT、高压转子转速N2、发动机燃油流量FF。对发动机排气温度EGT、高压转子转速N2、发动机燃油流量FF的实际测量值和基线值求偏差。所述测量值可经解析所述航空发动机的巡航报文获得。所述基线值可使用上述航空发动机基线的计算方法确定。
具体地，可基于以下公式计算上述状态参数的偏差：
ΔEGT=EGT测-EGT基，其中，ΔEGT为发动机排气温度的偏差，EGT测为发动机排气温度的测量值，EGT基为发动机排气温度的基线值；
ΔN2=（N2测-N2基）/N2基×100，其中，ΔN2为高压转子转速的偏差，N2测为高压转子转速的测量值，N2基为高压转子转速的基线值；
ΔFF=（FF测-FF基）/FF基×100，其中，ΔFF为发动机燃油流量的偏差，FF测为发动机燃油流量的测量值，FF基为发动机燃油流量的基线值。
本领域技术人员可以理解，航空发动机会根据飞行公里数或者飞行时间定期发送巡航报文，经解析一系列的巡航报文可获得状态参数的连续测量值，进而经计算偏差获得状态参数测量值的偏差序列。本实施例中，经求偏差可获得发动机排气温度EGT、高压转子转速N2和发动机燃油流量FF的3个偏差序列。
继续参考图2，执行步骤S22，依次对所述偏差序列中的每个偏差进行平滑处理和告警。具体地，以相同的处理方法分别对3个偏差序列进行平滑处理和告警。下面以发动机排气温度EGT的偏差序列为例进行说明。
具体地，对发动机排气温度EGT的偏差序列进行平滑处理和告警包括：设定平滑长度n；对所述偏差序列的前n个偏差进行平滑处理；从第（n+1）个偏差开始，若连续两个偏差超限，则记录超限点和超限值，若仅一个偏差超限或者偏差未超限，则对该偏差进行平滑处理；最后输出超限点及超限值。
所述平滑长度n决定了当某个偏差超限之后，用该偏差之前多长一段数据的均值替代该超限值，以平滑该超限值，减小该超限值对后续偏差超限判断的影响，降低误报率。因此，本领域技术人员可以理解，平滑长度若设置得过长，则超限值将更趋于均值，利用该超限值提示后续超限点的概率会降低，可能出现漏报。平滑长度若设置得过短，则可能经平滑后的超限点仍然过于尖锐，产生误报。因此，所述平滑长度n的取值须结合具体型号的发动机及大量原始数据反复调试后确定，本发明对此不作具体限定。本领域技术人员还可以理解，所述平滑长度n的取值同时决定了偏差序列中告警的起始点，即：第（n+1）个偏差。在本实施例中，取平滑长度n为10。
图3为图2所示实施例中步骤S22的流程示意图。下面结合图2、图3进行说明。
本实施例中，对发动机排气温度EGT偏差序列value的前10个偏差直接采用平滑公式：Smoothednew=rawnew，进行平滑处理，其中，rawnew为当前偏差的原始值，Smoothednew为当前偏差的平滑值。
在平滑处理之后，还可计算前10个偏差的均值m和标准差s，以方便后续超限判断。并可进一步剔除前10个偏差中误差较大的偏差，以避免对后续偏差超限判断的影响。
从第11个偏差开始，依次判断每个偏差是否超限。超限标准可由操作人员根据实际报警精度的要求自行设定。本领域技术人员可以理解：若超限标准设置得过高，则误报率提高；若超限标准设置得过低，则漏报率提高。但本发明对此不作具体限定。在本实施例中，若该偏差与该偏差之前10个偏差的均值m之差大于该偏差之前10个偏差的标准差s的3倍，则该偏差超限。
若该偏差未超限，则对该偏差进行平滑处理之后，继续判断后续偏差。
若该偏差超限，则需要继续判断下一偏差是否也超限。
若下一偏差也超限，则设置两个超限偏差的平滑值，并记录超限点和超限值。具体地，前一超限偏差的平滑值为该偏差之前10个偏差的均值，后一超限偏差的平滑值为后一偏差之前10个偏差的均值，超限点为前一超限偏差，超限值为两个超限偏差之差。
若下一偏差未超限，则重置该超限偏差的原始值，并对该超限偏差进行平滑处理。具体地，所述原始值被重置为该超限偏差之前10个偏差的均值。
对偏差序列value中前10个偏差之后的偏差进行平滑处理，需考虑前后偏差的相关性，因此采用的平滑公式与之前的10个偏差不同。具体地，可采用以下平滑公式进行平滑处理：
Smoothednew=Smoothedold+α×（rawnew-Smoothedold）；
其中，Smoothedold为前一偏差的平滑值，rawnew为当前偏差的原始值，α为平滑系数，Smoothednew为当前偏差的平滑值。
本领域技术人员可以理解，现有技术中已有多种平滑公式，比如：五点二次平滑公式、七点三次平滑公式等，皆可应用于本发明中。本实施例中的平滑公式不应视为对本发明的限定。
本领域技术人员还可以理解：所述平滑系数α可在0~1的范围内调整。若平滑系数α设置过大，则后一偏差对前一偏差的影响较大，平滑程度较低，整个偏差序列的曲线趋于曲折。若平滑系数α设置过小，则后一偏差对前一偏差的影响较小，平滑程度较高，整个偏差序列的曲线区域趋于平缓。但本发明对此不作具体限定。在本实施例中，平滑系数α取0.2。
在对发动机排气温度EGT的偏差序列中的每个偏差依次处理完毕后，采用同样的方法依次处理高压转子转速N2的偏差序列和发动机燃油流量FF的偏差序列。在3个偏差序列均处理完毕之后，输出报警列表。所述报警列表中至少包括：各超限点以及各超限值。
需要说明的是，上述报警列表仅仅是给予操作人员的一项参考指标，以方便操作人员查看发动机状态结果。在具体生产过程中，操作人员还会进一步结合发动机指引图和个人经验，进行人工干预，最终确定是否需要维修发动机。
本发明通过解析飞机飞行过程中的发动机巡航报文，挖掘飞行数据中各控制量之间的相关性，利用偏最小二乘模型建立发动机基线模型，从而获得航空发动机基线值，并进一步分析状态参数与基线值的偏差趋势情况，建立发动机的趋势告警，减少了对外在监控系统的依赖性，提高了发动机状态监控的保证率。
需要说明的是，通过以上实施方式的描述，本领域的技术人员可以清楚地了解到本发明的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本发明的实施例来执行操作。机器可读介质可包括，但不限于，软盘、光盘、CD-ROM（紧致盘-只读存储器）、磁光盘、ROM（只读存储器）、RAM（随机存取存储器）、EPROM（可擦除可编程只读存储器）、EEPROM（电可擦除可编程只读存储器）、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明还提供了一种基于航空发动机基线的监控系统。图4为本发明的监控系统一实施例的结构示意图。如图4所示，本实施例包括：
多台用户终端U1，用于给出所述航空发动机状态监控指令、显示相应监控结果并基于所述监控结果发布维修指令；
数据库服务器U2，用于保存所述航空发动机的巡航报文及基线；
应用服务器U4，用于向所述用户终端提供终端应用程序；
计算引擎服务器U3，用于计算所述航空发动机基线，执行所述用户终端的监控指令，产生监控结果；
所述计算引擎服务器U3包括：基线计算单元（图未示）和监控告警单元（图未示）。
所述基线计算单元用于计算所述航空发动机的基线值，具体包括：解析单元，用于解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；建模单元，用于基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；计算单元，用于基于所述基线模型，计算所述航空发动机的基线值。
所述监控告警单元用于对所述航空发动机状态参数的测量值与所述基线值的偏差进行平滑处理和告警，具体包括：偏差计算单元，用于计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列；平滑告警单元，用于依次对所述偏差序列中的每个偏差进行平滑处理和告警。
所述用户终端U1依次通过交换机U5、核心交换机U6与所述应用服务器U4、所述计算引擎服务器U3、所述数据库服务器U2相连。
所述计算引擎服务器U3通过核心交换机U6与所述应用服务器U4、所述数据库服务器U2相连。
磁盘阵列U7通过SAN交换机U8与所述数据库服务器U2相连。
需要说明的是，本领域技术人员可以理解，上述部分组件可以是可编程逻辑器件，包括：可编程阵列逻辑（Programmable Array Logic，PAL）、通用阵列逻辑（Generic ArrayLogic，GAL）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)中的一种或多种，本发明对此不做具体限制。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (21)
1.一种航空发动机基线的计算方法，其特征在于，包括：
解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；
基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；
基于所述基线模型，计算所述航空发动机的基线值；
所述飞行数据包括：低压转子转速N1、计算空气速度CAS、海拔ALT；静态大气温度SAT、大气总温度TAT、飞行马赫数MACH；
所述基线值包括：发动机排气温度EGT、高压转子转速N2、发动机燃油流量FF；
在建立所述航空发动机的基线模型之前，还包括：对所述飞行数据进行预处理；
所述预处理包括：
保留处于稳定巡航状态的飞行数据；
剔除粗大误差的飞行数据；
所述剔除粗大误差的飞行数据包括：
基于海拔ALT、计算空气速度CAS、飞行马赫数MACH、大气总温度TAT、静态大气温度SAT的数据相关性，建立回归方程；
剔除所述回归方程中标准差大的飞行数据；
所述基线模型为：
EGT＝α1N1+α2N12+α3TAT+α4ALT+α5MACH
N2＝β1N1+β2N12+β3TAT+β4TAT2+β5ALT+β6ALT2+β7MACH+β8MACH2
+β9CAS
FF＝γ1N1+γ2N12+γ3TAT+γ4TAT2+γ5ALT+γ6ALT2+γ7MACH+γ8MACH2
+γ9CAS，其中，α1～α5、β1～β9、γ1～γ9为各变量对应的回归系数。
2.根据权利要求1所述的航空发动机基线的计算方法，其特征在于，所述飞行数据的最小样本量为所述航空发动机运行1年期间的飞行数据。
3.根据权利要求1所述的航空发动机基线的计算方法，其特征在于，所述稳定巡航状态包括：海拔ALT＞20000英尺，且0.6＜飞行马赫数MACH＜0.9。
4.根据权利要求1所述的航空发动机基线的计算方法，其特征在于，所述标准差大的飞行数据包括：大于3倍标准差的飞行数据。
5.根据权利要求1所述的航空发动机基线的计算方法，其特征在于，在以下数值范围内调整各回归系数；
-29.473＜α1＜4.135，0.05677＜α2＜0.22995，0.8002＜α3＜2.0278，-16.726＜α4＜17.773，-226.78＜α5＜-28.35；
-0.32371＜β1＜1.62476，-0.00575＜β2＜0.00457，0.05048＜β3＜0.11512，-2.59E-04＜β4＜2.73E-04，-9.132＜β5＜7.934，-0.9832＜β6＜0.7286，-48.6206＜β7＜22.4672，-21.9691＜β8＜25.50777，0.0125＜β9＜0.05221；
4.114＜γ1＜244.998，-0.76993＜γ2＜0.51952，-10.245＜γ3＜-3.517，0.02437＜γ4＜0.10047，160.9＜γ5＜2394.1，-245.48＜γ6＜-90.08，-11106＜γ7＜-6279，3977＜γ8＜6326，-1.616＜γ9＜6.852。
6.一种基于航空发动机基线的航空发动机状态监控方法，其特征在于，包括：
计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列，其中，所述基线值使用如权利要求1～5所述的任一航空发动机基线的计算方法确定；
依次对所述偏差序列中的每个偏差进行平滑处理和告警。
7.根据权利要求6所述的航空发动机状态监控方法，其特征在于，基于以下公式计算所述偏差：
ΔEGT＝EGT测-EGT基，其中，ΔEGT为发动机排气温度的偏差，EGT测为发动机排气温度的测量值，EGT基为发动机排气温度的基线值；
ΔN2＝(N2测-N2基)/N2基×100，其中，ΔN2为高压转子转速的偏差，N2测为高压转子转速的测量值，N2基为高压转子转速的基线值；
ΔFF＝(FF测-FF基)/FF基×100，其中，ΔFF为发动机燃油流量的偏差，FF测为发动机燃油流量的测量值，FF基为发动机燃油流量的基线值。
8.根据权利要求6所述的航空发动机状态监控方法，其特征在于，所述依次对所述偏差序列中的每个偏差进行平滑处理和告警包括：
设定平滑长度n；
对所述偏差序列的前n个偏差进行平滑处理；
从第(n+1)个偏差开始，若连续两个偏差超限，则记录超限点和超限值；若仅一个偏差超限或者偏差未超限，则对该偏差进行平滑处理；
输出超限点及超限值。
9.根据权利要求8所述的航空发动机状态监控方法，其特征在于，平滑长度n为10。
10.根据权利要求8所述的航空发动机状态监控方法，其特征在于，
对前n个偏差，采用以下平滑公式进行平滑处理：Smoothednew＝rawnew；
对前n个偏差之后的偏差，采用以下平滑公式进行平滑处理：Smoothednew＝Smoothedold+α×(rawnew-Smoothedold)；
其中，Smoothedold为前一偏差的平滑值，rawnew为当前偏差的原始值，α为平滑系数，Smoothednew为当前偏差的平滑值。
11.根据权利要求10所述的航空发动机状态监控方法，其特征在于，所述平滑系数α为0.2。
12.根据权利要求8所述的航空发动机状态监控方法，其特征在于，所述超限为：该偏差与该偏差之前n个偏差的均值之差大于该偏差之前n个偏差的标准差的3倍。
13.根据权利要求8所述的航空发动机状态监控方法，其特征在于，所述超限点为连续两个超限偏差中的前一偏差；所述超限值为连续两个超限偏差之差。
14.根据权利要求8所述的航空发动机状态监控方法，其特征在于，在所述记录超限点和超限值之后，还包括：设置连续两个超限偏差的平滑值，所述平滑值为该偏差之前n个偏差的均值。
15.根据权利要求8所述的航空发动机状态监控方法，其特征在于，若仅一个偏差超限，则在对该偏差进行平滑处理之前，还包括：重置该偏差的原始值，所述原始值为该偏差之前n个偏差的均值。
16.一种基于航空发动机基线的监控系统，其特征在于，包括：
用户终端，用于给出所述航空发动机状态监控指令、显示相应监控结果并基于所述监控结果发布维修指令；
数据库服务器，用于保存所述航空发动机的巡航报文及基线；
应用服务器，用于向所述用户终端提供终端应用程序；
计算引擎服务器，用于计算所述航空发动机基线，执行所述用户终端的监控指令，产生监控结果；
所述计算引擎服务器包括：基线计算单元和监控告警单元；所述基线计算单元用于计算所述航空发动机的基线值；所述监控告警单元用于对所述航空发动机状态参数的测量值与所述基线值的偏差进行平滑处理和告警；其中，所述基线值使用如权利要求1～5所述的任一航空发动机基线的计算方法确定。
17.根据权利要求16所述的监控系统，其特征在于，
所述用户终端依次通过交换机、核心交换机与所述应用服务器、所述计算引擎服务器、所述数据库服务器相连。
18.根据权利要求16所述的监控系统，其特征在于，
所述计算引擎服务器通过核心交换机与所述应用服务器、所述数据库服务器相连。
19.根据权利要求16所述的监控系统，其特征在于，
还包括磁盘阵列，所述磁盘阵列通过SAN交换机与所述数据库服务器相连。
20.根据权利要求16所述的监控系统，其特征在于，所述基线计算单元包括：
解析单元，用于解析所述航空发动机的巡航报文，以获取所述航空发动机的飞行数据；
建模单元，用于基于所述飞行数据，利用偏最小二乘回归法建立所述航空发动机的基线模型；
计算单元，用于基于所述基线模型，计算所述航空发动机的基线值。
21.根据权利要求16所述的监控系统，其特征在于，所述监控告警单元包括：
偏差计算单元，用于计算所述航空发动机状态参数的连续测量值与基线值的偏差，形成测量值的偏差序列；
平滑告警单元，用于依次对所述偏差序列中的每个偏差进行平滑处理和告警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310048261.6A CN103970979B (zh) | 2013-02-06 | 2013-02-06 | 航空发动机基线计算方法、状态监控方法及监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310048261.6A CN103970979B (zh) | 2013-02-06 | 2013-02-06 | 航空发动机基线计算方法、状态监控方法及监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103970979A CN103970979A (zh) | 2014-08-06 |
| CN103970979B true CN103970979B (zh) | 2017-06-16 |
Family
ID=51240469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310048261.6A Active CN103970979B (zh) | 2013-02-06 | 2013-02-06 | 航空发动机基线计算方法、状态监控方法及监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103970979B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105806624B (zh) * | 2016-02-25 | 2021-03-30 | 哈尔滨工业大学（威海） | 基于气路参数衰退基线的航空发动机水洗后节油量算法 |
| CN106777554B (zh) * | 2016-11-29 | 2021-03-23 | 哈尔滨工业大学（威海） | 基于状态基线的航空发动机气路单元体健康状态评价方法 |
| CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
| CN114048642B (zh) * | 2022-01-17 | 2022-05-10 | 成都飞机工业（集团）有限责任公司 | 一种航空发动机性能趋势分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288412A (zh) * | 2011-05-04 | 2011-12-21 | 哈尔滨工业大学 | 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法 |
| CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
-
2013
- 2013-02-06 CN CN201310048261.6A patent/CN103970979B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288412A (zh) * | 2011-05-04 | 2011-12-21 | 哈尔滨工业大学 | 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法 |
| CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
Non-Patent Citations (4)
| Title |
|---|
| Rolls_Royce发动机基线挖掘方法;钟诗胜等;《计算机集成制造系统》;20101031;第16卷(第10期);2265-2270 * |
| 发动机基线方程的建立和应用;林兆福等;《中国民航学院学报》;19921231;第10卷(第4期);20-32 * |
| 基于三次回归分析的试车台基线库的建立;钟诗胜等;《计算机集成制造系统》;20050228;第11卷(第2期);270-274 * |
| 航空发动机振动趋势预测的过程神经网络法;金向阳等;《振动、测试与诊断》;20110630;第31卷(第3期);331-334 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103970979A (zh) | 2014-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10354196B2 (en) | Machine fault modelling | |
| US11120033B2 (en) | Computer log retrieval based on multivariate log time series | |
| US20190392098A1 (en) | Learning Expected Operational Behavior Of Machines From Generic Definitions And Past Behavior | |
| CN106777554B (zh) | 基于状态基线的航空发动机气路单元体健康状态评价方法 | |
| CN110276125A (zh) | 基于数据的航空发动机整机性能衰退评估与预测方法 | |
| CN111639467B (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
| EP3336636B1 (en) | Machine fault modelling | |
| CN103970979B (zh) | 航空发动机基线计算方法、状态监控方法及监控系统 | |
| CN106021062B (zh) | 关联故障的预测方法和系统 | |
| CN104343490B (zh) | 一种发动机滑油监控系统及方法 | |
| CN107358347A (zh) | 基于工业大数据的装备集群健康状态评估方法 | |
| CN110567722A (zh) | 一种基于性能参数的民机发动机起动系统健康监测方法 | |
| WO2017162434A1 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
| US20190130294A1 (en) | System fault isolation and ambiguity resolution | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN109472293A (zh) | 一种基于机器学习的电网设备档案数据纠错方法 | |
| JP2018095232A (ja) | 飛行機の故障処理システム及び方法並びにコンピュータ装置 | |
| CN109916634A (zh) | 一种航空涡扇发动机剩余使用寿命预测方法及系统 | |
| CN104343491B (zh) | 一种发动机滑油添加探测系统及方法 | |
| Wang et al. | Aircraft auxiliary power unit performance assessment and remaining useful life evaluation for predictive maintenance | |
| Chen et al. | Detection of influential features of hard landing based on QAR data | |
| US20160063384A1 (en) | System for building and deploying inference model | |
| Pu et al. | Adaptive gas path diagnostics using strong tracking filter | |
| CN109308484A (zh) | 航空发动机多类故障最小风险诊断方法及装置 | |
| Kilic et al. | Digital twin for Electronic Centralized Aircraft Monitoring by machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160125 Address after: 200070 Shanghai City, Zhabei District Hanzhoung Road No. 158 East Building Room 416-2 Applicant after: Shanghai Jie Jie Software Technology Co., Ltd. Address before: Zhabei District Shanghai 200072 Lane 777 West Guangzhong Road No. 55 building 11 floor enlightenment Applicant before: Shanghai Gener Information Technology Co., Ltd. |
|
| GR01 | Patent grant |