CN104713730B - 一种根据振动信号确定飞机发动机退化率的方法 - Google Patents

Abstract

本发明提出一种根据振动信号确定飞机发动机退化率的方法，首先采用支持向量回归的方法拟合出发动机的振动值分布曲线和退化率曲线；其次判断高误差率回归分布曲线中的统计异常点和高误差率退化率曲线中的阶跃改变点，消除统计异常点和阶跃改变点，根据阶跃对各观察值进行分段；最后对各分段采用低误差率的支持向量回归重新拟合发动机的退化率曲线。本方法精度高、可靠性好，可以有效的对飞机发动机在使用过程中退化情况进行评估，得到的退化率曲线可以作为发动机的维护和维修安排的参考，也可用于发动机使用的长期规划中。

Description

一种根据振动信号确定飞机发动机退化率的方法

技术领域

本发明涉及飞机发动机性能分析技术领域，具体为一种根据振动信号确定飞机发动机退化率的方法，用以评估发动机性能。

背景技术

分析评价飞机发动机的退化性在飞机发动机实际应用中占有很重要的地位，例如对一架执行商业航线的飞机，其发动机维护管理依赖于准确的预测大修时间，这就取决于发动机的退化性。详细了解了发动机的退化特征，就可以通过改变报警阈值来提高发动机故障诊断能力；而在设计过程中，关注发动机退化特征的诱因，也可以指导发动机的设计。所以分析研究发动机使用过程中的性能退化现象是飞机发动机的重要课题。

对飞机发动机性能退化现象的研究是一种延长发动机使用寿命的方式，在另一方面这种研究也可用于改进飞机发动机设计，例如专利CN 102789545 A就提出了一种基于退化模型匹配的涡轮发动机剩余寿命的预测方法，该专利设计了一种退化模型对涡轮发动机寿命进行预测，美国通用公司在2013年提出了一个“用于个性化的设备退化预测的基于模型的途径”的专利(CN 102889992 A)，该专利提出面向涡轮发动机的退化预测参数检测设备。

在实际应用中，飞机发动机振动值已经广泛应用于飞机发动机的状态评估，但是由于一些发动机原始数据存在瑕疵，这些瑕疵的存在导致采用飞机发动机振动值来分析评估发动机退化性就尤为复杂，而且得到的退化曲线精确度较低。例如传感器校准转变、清洗发动机的影响等一系列因素，这些瑕疵一般表现为性能参数变量中的以及大空隙中的统计异常点和阶跃变化点。

发明内容

为解决现有技术存在的问题，本发明在飞机原有设备的基础上提出了一种根据振动信号确定飞机发动机退化率的方法，以一定时间间隔采集飞机飞行过程中的各阶段的发动机振动数据，研究其退化率，来分析发动机退化特征。

本发明首先采用支持向量回归的方法拟合出发动机的振动值分布曲线和退化率曲线；其次判断高误差率回归分布曲线中的统计异常点和高误差率退化率曲线中的阶跃改变点，消除统计异常点和阶跃改变点，根据阶跃对各观察值进行分段；最后对各分段采用低误差率的支持向量回归重新拟合发动机的退化率曲线。

本方法精度高、可靠性好，可以有效的对飞机发动机在使用过程中退化情况进行评估，得到的退化率曲线可以作为发动机的维护和维修安排的参考，也可用于发动机使用的长期规划中。

本发明的技术方案为：

所述一种根据振动信号确定飞机发动机退化率的方法，其特征在于：包括以下步骤：

步骤1：根据飞机一次完整飞行中的发动机振动值数据，拟合发动机振动值分布，绘制初步的发动机振动值分布曲线和退化率曲线：

步骤1.1：局部拟合：使用支持向量回归的方法，对飞机一次完整飞行中的发动机振动值数据的散点进行局部拟合，其中根据设定的分段拟合范围，对每段数据做高误差率支持向量回归；所述发动机振动值数据带有时间信息；

步骤1.2：采用拉格朗日法计算步骤1.1中支持向量回归的优化问题，并结合拉格朗日乘数对每段数据生成回归曲线；

步骤1.3：在每段数据中选取中心点数据，根据中心点数据的时间信息计算回归曲线上对应时间点的数值点，并将其作为一个基准点；

步骤1.4：按照时间顺序依次连接所有基准点，得到初步的发动机振动值分布曲线，并计算初步的发动机振动值分布曲线上各点的导数，根据导数值得到初步的发动机振动值的退化率曲线；

步骤2：确定统计异常点：

步骤2.1：利用步骤1所得的初步的发动机振动值分布曲线，计算该分布曲线中每个数据点的残差R_resid，R_resid＝D_data-D_fit，其中D_data为实际的发动机振动数据，D_fit为步骤1得到的对应拟合数据；并得到分布曲线中各个数据点残差的最大值max(R_resid)；

步骤2.2：根据以下公式

计算残差数据的修正标准差R_SD，其中R_resid ⁱ为符合计算条件的残差数据集中的第i个数据，符合计算条件的残差数据集中共n个数据，为符合计算条件的残差数据集中所有残差数据的平均值；所述符合计算条件的残差数据集指残差数值小于max(R_resid)*0.9的残差数据组成的集合；

步骤2.3：计算初步的发动机振动值分布曲线中每个数据点的标准残差值Z_resid＝R_resid/R_SD；

步骤2.4：得到发动机振动统计异常点为标准残差值大于3的数据点；根据这些发动机振动统计异常点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将发动机振动统计异常点的振动值替换为0；

步骤3：确定阶跃改变点：

步骤3.1：计算初步的发动机振动值的退化率曲线中每个数据点d_j的标准误差e_se ^j：

其中N为初步的发动机振动值的退化率曲线中的数据点个数；

步骤3.2：计算初步的发动机振动值的退化率曲线的平均斜率e_avg和平均误差e_err：

e_avg＝E(d_j)

e_err＝E(e_se ^j)

步骤3.3：计算无控制作用区的可信区间的上限L_u和下限L_d：

L_u＝2×e_avg+3×e_err

L_d＝0.5×e_avg-3×e_err

步骤3.4：对于步骤1的飞机一次完整飞行中的发动机振动值数据中的各个数据点，若某一数据点的振动值与导数值的乘积不在可信区间[L_d,L_u]内，则确定该数据点为阶跃改变点；根据这些阶跃改变点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将阶跃改变点的振动值替换为0；

步骤4：对于经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据，采用以下步骤得到准确的飞机发动机退化率曲线：

步骤4.1：以步骤3确定的阶跃改变点作为端点对经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据进行分段，对分段数据做低误差率支持向量回归；

步骤4.2：采用拉格朗日法计算步骤4.1中支持向量回归的优化问题，并结合拉格朗日乘数对步骤4.1中的每段数据生成回归曲线；

步骤4.3：在步骤4.1中的每段数据中选取中心点数据，根据中心点数据的时间信息计算步骤4.2得到的回归曲线上对应时间点的数值点，并将其作为一个基准点；

步骤4.4：按照时间顺序依次连接步骤4.3得到的所有基准点，得到发动机振动值分布曲线，并计算发动机振动值分布曲线上各点的导数，根据导数值得到准确的飞机发动机退化率曲线。

有益效果

本发明的有益效果是：本发明在初次拟合和二次拟合过程中分别使用了高误差率和低误差率两种支持向量回归方法，方法使用比较适合实际应用，另外本发明在支持向量回归的基础上进行了两个测试，一个是确定采集的振动值数据中的统计异常值；另一个是确定发动机振动值数据中的阶跃改变，对消除了统计异常值和阶跃改变的数据重新进行拟合。相比与传统方法，本发明得到的飞机发动机退化率曲线精度高，可靠性强，可以应用于规划飞机发动机维修和使用。

附图说明

图1为确定发动机退化率的方法流程图；

图2为飞机一次起飞过程的发动机退化率曲线图。

具体实施方式

下面结合具体实施例描述本发明：

本发明适合于确定各种型号飞机发动机退化性能，所需系统包含数个感知发动机振动值的传感器，也可以直接采用各发动机自身监控系统提供的历史数据，本方法的关键在于确认和消除发动机振动值数据中的统计异常点和阶跃改变点，以获取准确的发动机振动值的变化率。本方法包含两个测试过程，一个是确定并消除采集的振动值数据中的统计异常点；另一个是确定并消除发动机振动值数据退化率曲线中的阶跃改变点。通过这两种测试消除以上两种噪声的数据，然后采用低误差率支持向量回归的方法重新分段拟合，最终得到发动机退化率曲线，表征发动机各个时间阶段的振动特征，对发动机使用现状进行评估。

本发明实施例的具体步骤如下：

步骤1：根据飞机一次完整飞行中的发动机振动值数据，拟合发动机振动值分布，绘制初步的发动机振动值分布曲线和退化率曲线：

步骤1.1：局部拟合：使用支持向量回归(SVR)的方法，对飞机一次完整飞行中的发动机振动值数据的散点进行局部拟合。发动机振动值数据是带有时间信息的一维数据，设置分段拟合的范围为1％(拟合的范围精度可以根据需要调整)，将数据范围分为100段，对每段数据做高误差率支持向量回归，支持向量回归的误差率为0.1，(具体的SVR拟合过程参考李诚梁的论文《A novel method based on least squares support vectorregression combing with strong tracking particle filter for machinerycondition prognosis》中关于SVR的理论相关描述)，支持向量回归的目标是是计算如下优化问题：

约束条件为ω^TΨ(D)+b-f(D)+q_m＝0,m＝1,2,...,N，其中ω为支持向量回归的参数值，C为标准化参数，Ψ(D)是内核空间的非线性映射函数，θ是误差变量，b为偏项。

步骤1.2：采用拉格朗日法计算步骤1.1中支持向量回归的优化问题，可以计算得到各参数，并结合拉格朗日乘数对每段数据生成回归曲线。

步骤1.3：在每段数据中选取中心点数据，根据中心点数据的时间信息计算回归曲线上对应时间点的数值点，并将其作为一个基准点。

步骤1.4：按照时间顺序依次连接所有基准点，得到初步的发动机振动值分布曲线，并计算初步的发动机振动值分布曲线上各点的导数，根据导数值得到初步的发动机振动值的退化率曲线。

步骤2：确定统计异常点：

步骤2.1：利用步骤1所得的初步的发动机振动值分布曲线，计算该分布曲线中每个数据点的残差R_resid，R_resid＝D_data-D_fit，其中D_data为实际的发动机振动数据，D_fit为步骤1得到的对应拟合数据；并得到分布曲线中各个数据点残差的最大值max(R_resid)。

步骤2.2：根据以下公式

计算残差数据的修正标准差R_SD，其中R_resid ⁱ为符合计算条件的残差数据集中的第i个数据，符合计算条件的残差数据集中共n个数据，为符合计算条件的残差数据集中所有残差数据的平均值；所述符合计算条件的残差数据集指残差数值小于max(R_resid)*0.9的残差数据组成的集合。

步骤2.3：计算初步的发动机振动值分布曲线中每个数据点的标准残差值Z_resid＝R_resid/R_SD。

步骤2.4：得到发动机振动统计异常点为标准残差值大于3的数据点；根据这些发动机振动统计异常点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将发动机振动统计异常点的振动值替换为0。

步骤3：确定阶跃改变点：

步骤3.1：计算初步的发动机振动值的退化率曲线中每个数据点d_j的标准误差e_se ^j：

其中N为初步的发动机振动值的退化率曲线中的数据点个数。

步骤3.2：计算初步的发动机振动值的退化率曲线的平均斜率e_avg和平均误差e_err：

e_avg＝E(d_j)

e_err＝E(e_se ^j)

这里的E()表示数学期望。

步骤3.3：计算无控制作用区的可信区间的上限L_u和下限L_d：

L_u＝2×e_avg+3×e_err

L_d＝0.5×e_avg-3×e_err

得到可信区间[L_d,L_u]。

步骤3.4：对于步骤1的飞机一次完整飞行中的发动机振动值数据中的各个数据点，若某一数据点的振动值与导数值的乘积不在可信区间[L_d,L_u]内，则确定该数据点为阶跃改变点；根据这些阶跃改变点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将阶跃改变点的振动值替换为0。

步骤4：对于经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据，采用以下步骤得到准确的飞机发动机退化率曲线：

步骤4.1：以步骤3确定的阶跃改变点作为端点对经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据进行分段，对分段数据做低误差率支持向量回归，支持向量回归的误差率设为0.001。

步骤4.2：采用拉格朗日法计算步骤4.1中支持向量回归的优化问题，并结合拉格朗日乘数对步骤4.1中的每段数据生成回归曲线。

步骤4.3：在步骤4.1中的每段数据中选取中心点数据，根据中心点数据的时间信息计算步骤4.2得到的回归曲线上对应时间点的数值点，并将其作为一个基准点。

步骤4.4：按照时间顺序依次连接步骤4.3得到的所有基准点，得到发动机振动值分布曲线，并计算发动机振动值分布曲线上各点的导数，根据导数值得到准确的飞机发动机退化率曲线。

用以上方法得到曲线为本发明最终所要获取的发动机退化率曲线，可以用于发动机的各状态评估。本发明方案在初次拟合和二次拟合过程中分别使用了高误差率和低误差率两种支持向量回归方法，方法使用比较适合实际应用。振动值是衡量发动机运行稳定性的重要特征，本发明的可以实现的最终结果如图2所示，是一架飞机发动机从开始启动到稳定运行过程中振动的退化率图，使用本方法可以综合各型发动机的每次飞行发动机从开始到关闭的振动变化率，在各种历史数据的基础上，对于各型发动机，用过本发明可以得到一组发动机退化率的曲线簇，根据这个曲线簇可以对发动机运行的各阶段中发动机运行稳定性和其趋势进行指示，在超出或者发生振动异样的过程设置阈值，产生告警，为维修做出预测或提供指示。

Claims (1)

1.一种根据振动信号确定飞机发动机退化率的方法，其特征在于：包括以下步骤：

步骤1：根据飞机一次完整飞行中的发动机振动值数据，拟合发动机振动值分布，绘制初步的发动机振动值分布曲线和退化率曲线：

步骤1.1：局部拟合：使用支持向量回归的方法，对飞机一次完整飞行中的发动机振动值数据的散点进行局部拟合，其中根据设定的分段拟合范围，对每段数据做高误差率支持向量回归；所述发动机振动值数据带有时间信息；

步骤1.2：采用拉格朗日法计算步骤1.1中支持向量回归的优化问题，并结合拉格朗日乘数对每段数据生成回归曲线；

步骤1.3：在每段数据中选取中心点数据，根据中心点数据的时间信息计算回归曲线上对应时间点的数值点，并将其作为一个基准点；

步骤1.4：按照时间顺序依次连接所有基准点，得到初步的发动机振动值分布曲线，并计算初步的发动机振动值分布曲线上各点的导数，根据导数值得到初步的发动机振动值的退化率曲线；

步骤2：确定统计异常点：

步骤2.1：利用步骤1所得的初步的发动机振动值分布曲线，计算该分布曲线中每个数据点的残差R_resid，R_resid＝D_data-D_fit，其中D_data为实际的发动机振动数据，D_fit为步骤1得到的对应拟合数据；并得到分布曲线中各个数据点残差的最大值max(R_resid)；

步骤2.2：根据以下公式

$R_{SD}=\sqrt{{\Σ}_{i=1}^n{({R_{resid}}^i-\stackrel{\‾}{R_{resid}})}^2/n}$

计算残差数据的修正标准差R_SD，其中R_resid ⁱ为符合计算条件的残差数据集中的第i个数据，符合计算条件的残差数据集中共n个数据，为符合计算条件的残差数据集中所有残差数据的平均值；所述符合计算条件的残差数据集指残差数值小于max(R_resid)*0.9的残差数据组成的集合；

步骤2.3：计算初步的发动机振动值分布曲线中每个数据点的标准残差值Z_resid＝R_resid/R_SD；

步骤2.4：得到发动机振动统计异常点为标准残差值大于3的数据点；根据这些发动机振动统计异常点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将发动机振动统计异常点的振动值替换为0；

步骤3：确定阶跃改变点：

步骤3.1：计算初步的发动机振动值的退化率曲线中每个数据点d_j的标准误差e_se ^j：

${e_{se}}^j=\left|\sqrt{{\Σ}_{j=1}^N{d_j}^2/N}-d_j\right|$

其中N为初步的发动机振动值的退化率曲线中的数据点个数；

步骤3.2：计算初步的发动机振动值的退化率曲线的平均斜率e_avg和平均误差e_err：

e_avg＝E(d_j)

e_err＝E(e_se ^j)

E()表示数学期望；

步骤3.3：计算无控制作用区的可信区间的上限L_u和下限L_d：

L_u＝2×e_avg+3×e_err

L_d＝0.5×e_avg-3×e_err

步骤3.4：对于步骤1的飞机一次完整飞行中的发动机振动值数据中的各个数据点，若某一数据点的振动值与导数值的乘积不在可信区间[L_d,L_u]内，则确定该数据点为阶跃改变点；根据这些阶跃改变点的时间信息，在步骤1的飞机一次完整飞行中的发动机振动值数据中，将阶跃改变点的振动值替换为0；

步骤4：对于经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据，采用以下步骤得到准确的飞机发动机退化率曲线：

步骤4.1：以步骤3确定的阶跃改变点作为端点对经过步骤2和步骤3处理后的飞机一次完整飞行中的发动机振动值数据进行分段，对分段数据做低误差率支持向量回归；

步骤4.2：采用拉格朗日法计算步骤4.1中支持向量回归的优化问题，并结合拉格朗日乘数对步骤4.1中的每段数据生成回归曲线；

步骤4.3：在步骤4.1中的每段数据中选取中心点数据，根据中心点数据的时间信息计算步骤4.2得到的回归曲线上对应时间点的数值点，并将其作为一个基准点；

步骤4.4：按照时间顺序依次连接步骤4.3得到的所有基准点，得到发动机振动值分布曲线，并计算发动机振动值分布曲线上各点的导数，根据导数值得到准确的飞机发动机退化率曲线。