CN105806624B - 基于气路参数衰退基线的航空发动机水洗后节油量算法 - Google Patents
基于气路参数衰退基线的航空发动机水洗后节油量算法 Download PDFInfo
- Publication number
- CN105806624B CN105806624B CN201610104431.1A CN201610104431A CN105806624B CN 105806624 B CN105806624 B CN 105806624B CN 201610104431 A CN201610104431 A CN 201610104431A CN 105806624 B CN105806624 B CN 105806624B
- Authority
- CN
- China
- Prior art keywords
- washing
- engine
- fuel flow
- fuel
- deviation 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
Abstract
本发明涉及航空发动机性能监控技术领域,具体地说是一种基于气路参数衰退基线的航空发动机水洗后节油量算法,其特征在于,包括以下内容:对整个航段与巡航阶段燃油流量的映射关系进行处理;航空发动机燃油流量偏差值衰退基线概念的提出与该基线挖掘方法研究;对水洗节油效果持续循环计算方法研究;基于燃油流量偏差值衰退基线的节油量模型推导,本发明相对于现有技术,能够根据发动机水洗相关数据,来获得发动机燃油节省结果,从而为选择合理水洗基地提供主要参考指标,具有准确、可靠等显著的优点。
Description
技术领域:
本发明涉及航空发动机性能监控技术领域,具体地说是一种基于气路参数衰退基线的航空发动机水洗后节油量算法。
背景技术:
发动机在使用过程中叶片不可避免的会受到污染,这就会加速发动机气路性能的衰退,由于污染物的存在,也会造成关键部件涂层寿命的降低,增加发动机的燃油消耗,并增加发动机的排放污染,使发动机易发生喘振。此时除了按照排故手册进行工作外,对发动机进行水洗往往是发动机生产厂家特别推荐的方案之一。
发动机水洗的最主要效果就是节省燃油量既降低排放污染。但由于发动机状态的唯一性,当发动机水洗后,则其非水洗状态的一切数据都处于不可知状态,因此发动机水洗后究竟能够节省多少燃油只是一个感性的概念。对于航空公司来说往往需要准确的燃油节省量,从而能够为公司和国家提供准确的节能数据。因此,发动机水洗前后燃油节省量的准确计算是迫切需要的。
目前国内外存在许多的水洗基地,不同基地水洗设备及水洗方式都有一定的差别。因此得到的水洗效果各不相同,水洗后的燃油节省量有较大的差别。国内对于航空发动机水洗节油量的计算基本处于空白状态,而在国外主要是航空发动机生产厂家给出过近似的计算,从计算的过程来看,存在着一些不足之处。首先,水洗后的燃油节省量计算公式无理论推导介绍,其次,该计算公式进行了多次简化计算,导致计算误差的积累,使得计算精度不高。发动机水洗后的节油量作为选择合理水洗基地的主要参考指标,需要较为精确的计算结果。
发明内容
本发明针对现有技术中的缺点和不足,提出了一种基于性能衰退基线模型挖掘与时间序列数据预测技术相结合的航空发动机水洗节油量计算方法。
本发明可以通过以下措施达到:
一种基于气路参数衰退基线的航空发动机水洗后节油量算法,其特征在于,包括以下内容:对整个航段与巡航阶段燃油流量的映射关系进行处理;航空发动机燃油流量偏差值衰退基线概念的提出与该基线挖掘方法研究;对水洗节油效果持续循环计算方法研究;基于燃油流量偏差值衰退基线的节油量模型推导。
本发明具体包括以下内容:
步骤1:收集并整理整个航班的相关数据及发动机水洗数据,发动机水洗效果主要体现在气路参数在水洗前后的变化上,需要收集整理发动机再水洗前后的各种报文数据,以供燃油节省量计算时的使用,同时记录发动机水洗的日期以区分性能数据中的水洗点;
步骤2:获得水洗前后发动机巡航阶段的节油量算法,在巡航阶段,对于无量纲参数
根据第三相似定理有
式中FF——为实际飞行状态下的燃油流量值;
FFc——为标准化处理之后的燃油流量值;
步骤3:获得燃油流量偏差值的概念及模型,根据普惠发动机生产厂家对燃油流量偏差值的定义有:
式中ΔFF——燃油流量偏差值;FF*——为对应状态下基线上的值;
步骤4:基于QAR数据的巡航阶与其它阶段燃油流量的关系研究,QAR数据记录了整个航班的详细数据,对QAR数据中左右发动机的燃油流量数据进行研究,并根据函数逼近定理有
式中FFmL——为QAR数据中左侧发动机燃油流量测量值;
FFmR——为QAR数据中右侧发动机燃油流量测量值;
当两台发动机分别被视为一台为水洗状态,一台为未水洗状态时,上式依然成立,于是有
由于上式是一个与时间无关的常数,因此可以采用巡航阶段两台发动机的燃油流量关系来代替整个航班燃油流量之间的关系,于是有
上式可以表征出在整个航班中,水洗状态发动机与假设未水洗状态发动机的燃油流量关系;
步骤5:获得水洗前后航班燃油量消耗模型:在QAR数据中,每隔很短的时间记录一次燃油流量,因此可以计算出整个飞行过程中的燃油消耗近似值为
Q=ΣFF·Δt (7)
根据积分原理,可以推导出整个飞行过程燃油消耗的准确值为
T是一个飞行行程,发动机从启动到关机所用的时间,于是有水洗前整个航班的燃油消耗量为:
而水洗后整个航班的燃油消耗量为:
可见,飞机整个航班的燃油消耗量为燃油流量在整个航班上的积分;
步骤6:建立水洗前后单个航班燃油节省量模型,根据上面求得的水洗前后整个航班的燃油消耗量,既可以求得单个航班燃油节省量为水洗前发动机的燃油消耗量减去水洗后发动机的燃油消耗量,于是有单个航班燃油节省量模型为:
步骤7:对水洗前燃油量偏差值衰退基线挖掘及趋势提取,发动机从装机未经过任何水洗直到拆发过程中燃油流量偏差值随循环次数的变化曲线称之为燃油流量偏差值衰退基线,对于衰退基线,提取趋势后可根据函数逼近法对其进行多项式逼近,有:
根据其为连续平滑曲线,上式也可以采用二次多项式进行精确逼近,于是有
其中x为循环次数。
步骤8:对水洗后燃油量偏差值衰退趋势提取:对于水洗后燃油流量偏差值的衰退曲线,提取趋势后可根据函数逼近法对其进行多项式逼近,有
根据其为连续平滑曲线,上式也可以采用二次多项式进行精确逼近,于是有
其中x为循环次数;
步骤9:对水洗节油持续循环计算,发动机水洗后燃油流量偏差值应有一定程度的改善,随着继续使用逐渐衰退到原衰退基线,也即水洗后的燃油流量偏差值衰退曲线与衰退基线相交,此时认为水洗效果结束,根据上述水洗前后燃油流量偏差值衰退模型可以求得水洗效果持续循环数大约为:
步骤10:建立水洗前后总燃油节省量模型:水洗点后到水洗效果结束点发动机都处于节省燃油状态,在理论上将每个航班的节油量加起来即为单次水洗后发动机的节油总量,于是有水洗后节油总量为
本发明相对于现有技术,能够根据发动机水洗相关数据,来获得发动机燃油节省结果,从而为选择合理水洗基地提供主要参考指标,具有准确、可靠等显著的优点。
附图说明:
附图1是本发明中水洗前后燃油流量偏差值的衰退趋势图。
附图2是本发明中过程神经网络预测模型。
具体实施方式:
对于上述航空发动机水洗前后节油量的计算,主要是通过以下几个详细步骤来实现的:
第一步:收集并整理发动机水洗前后相关的性能数据,发动机在使用过程中气路参数众多,首先对众多的气路参数进行研究,找出与飞行过程燃油消耗相关的参数,经分析与专业知识辨别,找到飞行过程中与燃油消耗相关联的参数燃油流量及巡航阶段燃油流量的偏差值,同时需要对每台发动机水洗日期进行记录以明确性能数据中的水洗点;
第二步:获得水洗前后发动机巡航阶段的节油量算法,航空发动机从启动到熄火是一个非常复杂的过程,其中经历很多复杂阶段,求整个航班的燃油消耗量都比较困难,而要求解水洗前后燃油节省量更是难上加难,因此,本发明中采用分阶段的解决该问题。巡航阶段是一个规律性较强的平稳飞行阶段,首先对该阶段进行研究,之后从记录整个航班的QAR数据中提取其他阶段数据与巡航阶段数据的关联性,从而将计算过程从巡航阶段扩展到整个航班过程,根据式(1)的无量纲参数,式(2)的相似定理以及式(3)的燃油流量偏差值定义可以得到水洗前后相同飞行状态下(此时才具有可比性,并且具有相同的基线值)的燃油流量偏差值为
于是有
由于巡航状态是一个恒定稳定状态,因此可预测水洗前后每个航段中巡航阶段的燃油量为
因此每个航段中巡航阶段的燃油节省量为
上式中的不同航段的基线值FF*以及巡航时间难以确定,因此做如下的变换有
因此,水洗后巡航阶段的燃油节省量为
由上式可以看到,在巡航阶段水洗节油量跟三个参数值有关,分别为水洗前(即未水洗状态)燃油流量偏差值ΔFFno-washed,水洗后(即水洗状态)燃油流量偏差值ΔFFwashed和水洗后巡航阶段的燃油消耗值。发动机水洗后的ΔFFwashed由厂家报告直接给出,也可以由ACARS报文计算得出;巡航阶段的燃油消耗量QCRZ-washed可以由QAR数据积分得出;未水洗状态的ΔFFno-washed是一个未知量,后续给出研究方法;
巡航阶段在飞机飞行过程中只是一个部分,它是一个有规律的过程,因此如果飞机的其它飞行阶段与巡航阶段具有映射关系的话,即可容易的求出整个飞行过程的节油量。下面就对整个航段的燃油消耗规律进行研究;
第三步:进行整个航班与巡航阶段参数映射关系研究:
将发动机的左右发分别当作水洗前后的状态,于是根据式(4)有
可见,水洗前后燃油流量之间具有上式的关系,根据发动机燃油流量相对变化值近似为常数,可以推测上式应为一个与时间无关的常数,下面从统计学观点进行该观点研究证明,随机抽取若干架飞机,对其左右发的燃油流量经上式处理后,进最小二乘法拟合有
上式中KCRZ是一个与航班飞行时间无关的常量。可以表征出在整个航班中,水洗状态发动机与假设未水洗状态发动机的燃油流量关系。
第四步:对单个航班节油量模型研究:
根据(7)(8)(9)(10)式中水洗前后整个航班的燃油消耗量,既可以求得单个航班燃油节省量为水洗前发动机的燃油消耗量减去水洗后发动机的燃油消耗量,于是有单个航班燃油节省量与水洗前燃油量的比值为
于是单个航班燃油节省量模型为
第五步:对燃油流量偏差值衰退基线模型挖掘:
分析式(27),因为发动机经过水洗后就处于水洗后状态,于是在上式水洗前后节油量公式中ΔFFwashed可以由厂家报告中给出,也可以根据其定义有ACARS报文中的相关数据求出,而Qwashed则可以从QAR数据中进行求和近似求得或者进行积分求得其准确值,而唯一未知的数据就是发动机未水洗状态下的燃油流量偏差值ΔFFnowash,由于发动机状态的唯一性,只要发动机经过了水洗,那么其为水洗状态的参数都是未知的,因此需要根据水洗前燃油流量偏差值的趋势进行预测。此处提出燃油流量偏差值衰退基线概念,如图1所示。
从图1中可以看出,红色曲线可以称为发动机从未水洗情况下燃油流量偏差值的自然衰退曲线(称为衰退基线)。每个水洗前W之前的水具作为未水洗数据是已知的,水洗点W之后的红色曲线段3的数据是未知的,需要进行预测后进行趋势提取。由于燃油流量偏差值为一离散时间序列数据,因此采用如图2所示的过程神经网络模型进行未水洗的ΔFFnowash值预测。
对于预测后得到的数据进行最小二乘法的趋势提取,即可得到图1中红色线段3的模型为
根据线段3水洗点之后的形状,上式可以采用二次多项式进行精确逼近,于是有
同样的道理,采用最小二乘法对水洗后的线段2部分进行趋势提取,可以得到
其中x为循环次数。
第六步:基于衰退基线的水洗效果持续循环与水洗后总结油量计算。
从图1中可以看出,未水洗DEF趋势曲线为燃油流量偏差值的自然衰退曲线(称为衰退基线)。而水洗后燃油流量偏差值有一定程度的降低,随着发动机的使用,其衰退曲线与衰退基线相交,再次回到未水洗状态的衰退模式,此时也表明水洗后节油效果完全消失。因此,图1中两条水洗后DEF趋势曲线与未水洗DEF趋势曲线所包围的两块带有剖面线的部分即为发动机水洗前后产生节油效果的部分,下面对其进行求解。
因为曲线虽然是连续的,但是每个航班都是属于离散数据,因此采用求和方式计算的结果更为精确,于是水洗后节油总量可以计算为
式中Qwashed-i——为水洗后每个飞行航班的燃油消耗量;
ΔFFwashed-i——为水洗后每个巡航阶段的燃油流量偏差值;
ΔDFF——为每个循环水洗后燃油流量偏差值的改善值,见图1中线段3与线段2之间的差值。
上式中的N即为水洗效果持续时间,由图1中可以看出,该值应该是水洗点到两条曲线相交出的循环数,根据未水洗DEF趋势曲线和水洗后DEF趋势曲线可以求得
至此,可以求得水洗后发动机总的燃油节省量。
本发明相对于现有技术,能够根据发动机水洗相关数据,来获得发动机燃油节省结果,从而为选择合理水洗基地提供主要参考指标,具有准确、可靠等显著的优点。
Claims (3)
1.一种基于气路参数衰退基线的航空发动机水洗后节油量算法,其特征在于,包括以下内容:对整个航段与巡航阶段燃油流量的映射关系进行处理;航空发动机燃油流量偏差值衰退基线概念的提出与该基线挖掘方法研究;对水洗节油效果持续循环计算方法研究;基于燃油流量偏差值衰退基线的节油量模型推导;
所述对整个航段与巡航阶段燃油流量的映射关系进行处理主要包括以下内容:
QAR数据记录了整个航班的详细数据,对QAR数据中左右发动机的燃油流量数据进行研究,并根据函数逼近定理有
式中FFmL——为QAR数据中左侧发动机燃油流量测量值;
FFmR——为QAR数据中右侧发动机燃油流量测量值;
当两台发动机一台为水洗状态,令一台为未水洗状态时,上式依然成立,于是有
对(2)式进行分析可知,QAR中燃油流量是一个上下波动的离散数据,但两台发动机数据波动方向是一致的;发动机的性能参数衰退非常缓慢,在一个飞行循环中性能参数基本不会变化,因此(2)式在一个飞行循环中是一个与时间无关的常数,可以采用巡航阶段的燃油流量之间的关系来代表整个循环的关系,因此有
对每种型号发动机取样本若干进行验证,得到一样的实际结果,因此(3)式可以表征出在整个航班中,水洗状态发动机与未水洗状态发动机的燃油流量关系;
所述航空发动机燃油流量偏差值衰退基线概念的提出与该基线挖掘方法研究,包括以下内容:发动机从装机未经过任何水洗直到拆发过程中燃油流量偏差值随循环次数的变化曲线称之为燃油流量偏差值衰退基线,发动机状态是唯一性的,当发动机处于水洗状态,其水洗后的状态数据都是真实存在的,对燃油流量偏差值的衰退模式进行提取,首先对离散数据采用十点平均法进行平滑处理,然后采用最小二乘法进行趋势提取,剔除环境影响,燃油流量衰退曲线是一条无波动的连续光滑曲线,因此可用如下的二次函数无限的逼近
如果ΔFFm0为实际测得数据,则该二次函数因保证下面的误差最小
要使得该式最小,则该式对每个多项式系数求导数都等于零,于是有
而对于未水洗状态是完全未知的,需要采用水洗点之前的数据变化趋势进行预测,对于时间序列数据的预测,采用离散输入过程神经网络进行预测,之后同样采用十点平均法对预测数据进行平滑处理,之后采用同上的方法进行水洗前燃油流量偏差值衰退基线的模式提取,假设水洗前
由
于是可以得到任一水洗点后水洗前后的燃油流量偏差值衰退曲线为
3.根据权利要求2所述的一种基于气路参数衰退基线的航空发动机水洗后节油量算法,其特征在于所述基于燃油流量偏差值衰退基线的节油量模型推导主要包括以下内容:
在巡航阶段,对于无量纲参数
根据第三相似定理有
式中FF——为实际飞行状态下的燃油流量值;
FFc——为标准化处理之后的燃油流量值;
根据普惠发动机生产厂家对燃油流量偏差值的定义有
式中ΔFF——燃油流量偏差值;
FF*——为对应状态下基线上的值;
于是有
由于巡航状态是一个恒定稳定状态,因此可预测水洗前后每个航段中巡航阶段的燃油量为
因此每个航段中巡航阶段的燃油节省量为
上式中的不同航段的基线值FF*以及巡航时间难以确定,因此做如下的变换有
因此,水洗后巡航阶段的燃油节省量为
而对于整个航班的燃油量,根据积分定理有
T是一个飞行行程,发动机从启动到关机所用的时间;
于是有水洗前后整个航班的燃油消耗量分为
根据(3)式有单个航班燃油节省量与水洗前燃油量的比值为
于是单个航班燃油节省量模型为
根据权利要求2中的(11)式,可求得单台发动机水洗后节油总量可以计算为
式中Qwashed-i——为水洗后每个飞行航班的燃油消耗量;
ΔFFwashed-i——为水洗后每个巡航阶段的燃油流量偏差值;
ΔDFFi——为每个循环水洗后燃油流量偏差值的改善值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104431.1A CN105806624B (zh) | 2016-02-25 | 2016-02-25 | 基于气路参数衰退基线的航空发动机水洗后节油量算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104431.1A CN105806624B (zh) | 2016-02-25 | 2016-02-25 | 基于气路参数衰退基线的航空发动机水洗后节油量算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105806624A CN105806624A (zh) | 2016-07-27 |
CN105806624B true CN105806624B (zh) | 2021-03-30 |
Family
ID=56465849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610104431.1A Active CN105806624B (zh) | 2016-02-25 | 2016-02-25 | 基于气路参数衰退基线的航空发动机水洗后节油量算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105806624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514249A (zh) * | 2019-09-25 | 2019-11-29 | 东方航空技术有限公司 | 一种航空发动机水洗数据采集系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201532310U (zh) * | 2009-08-22 | 2010-07-21 | 襄樊达安汽车检测中心 | 汽车整车道路试验测试仪器 |
DE102010062226B4 (de) * | 2010-11-30 | 2018-10-25 | Continental Automotive Gmbh | Schätzen einer Leckage-Kraftstoffmenge eines Einspritzventils während einer Abstellzeit eines Kraftfahrzeugs |
CN103970979B (zh) * | 2013-02-06 | 2017-06-16 | 上海杰之能软件科技有限公司 | 航空发动机基线计算方法、状态监控方法及监控系统 |
US9797809B2 (en) * | 2013-11-19 | 2017-10-24 | Ford Global Technologies, Llc | System and methods for diagnosing premature refueling shutoff |
-
2016
- 2016-02-25 CN CN201610104431.1A patent/CN105806624B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105806624A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hanachi et al. | A physics-based modeling approach for performance monitoring in gas turbine engines | |
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 | |
CN111598438B (zh) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 | |
US20230214691A1 (en) | Fatigue Crack Growth Prediction | |
CN108804794B (zh) | 一种基于分区的涡轮盘疲劳寿命及失效风险评估方法 | |
Visser | Generic Analysis Methods for Gas Turbine Engine Performance: The development of the gas turbine simulation program GSP | |
CN102789545A (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN108804850B (zh) | 基于空间重构的航空发动机过渡态加速过程参数预测方法 | |
CN106948946A (zh) | 燃气涡轮水洗方法及系统 | |
CN106169001A (zh) | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 | |
CN105512483A (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
CN109446184B (zh) | 基于大数据分析平台的发电大数据预处理方法及系统 | |
CN115795744B (zh) | 航空涡扇发动机零组件级低循环疲劳寿命载荷谱编制方法 | |
CN105806624B (zh) | 基于气路参数衰退基线的航空发动机水洗后节油量算法 | |
EP3596439A1 (en) | Fatigue crack growth prediction | |
Lengyel et al. | Design of a counter rotating fan-an aircraft engine technology to reduce noise and CO2-emissions | |
CN111160772A (zh) | 一种大电网风险快速评估方法 | |
CN111046577A (zh) | 一种重型燃气轮机污染物排放预估模型设计方法 | |
CN110516288A (zh) | 一种与使用相关的航空发动机载荷谱混合分布模型建立方法 | |
CN105408828B (zh) | 对曲线上用于检测发动机异常的相关点进行估算的方法以及用于实施该方法的数据处理系统 | |
Lange et al. | Impact of manufacturing variability and non-axisymmetry on high-pressure compressor stage performance | |
CN114819417A (zh) | 基于费用间相关性的航空发动机大修费用预测方法及系统 | |
CN114781083A (zh) | 一种发动机稳态数据层次分析与稳态数据特征值提取方法 | |
Yang et al. | A Self-Tuning Model Framework Using K-Nearest Neighbors Algorithm | |
CN115345439B (zh) | 基于与操作相关任务段及其混频的航空发动机综合任务谱编制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |