CN105808957A - 航空发动机剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种航空发动机剩余寿命预测方法，包括步骤：采集航空发动机的全寿命运行周期的传感器测量数据，从中选择构建失效传播模型的传感器参数；将选中的传感器参数融合成描述发动机的健康状况的第一健康指标；按照失效传播建模原理，将每组健康指标序列去拟合指数型失效传播模型，构建失效传播模型库；采集在役的航空发动机的历史运行的传感器测量数据，将传感器参数融合成第二健康指标；将每组健康指标序列与失效传播模型库中的模型进行相似性匹配；根据匹配结果预测在役的特定型号的航空发动机的剩余寿命。本发明具有如下优点：给航空发动机的预测和健康管理提供有效的技术支持，给发动机的后续维修决策提供有效的参考。

Description

航空发动机剩余寿命预测方法

技术领域

本发明涉及航空发动机预测与健康管理技术领域，特别涉及一种航空发动机剩余寿命预测方法。

背景技术

航空发动机是典型的复杂机械系统，由大量的热力旋转部件构成，长期处在高温、高压、高转速等恶劣的工作环境下，且经常面临未知的外部环境。

随着航空工业的迅猛发展，航空设备不断的更新换代，飞机的综合性、复杂性和智能化程度不断提高，对飞机的机动、安全、经济、环保等性能提出了更高的要求，这对发动机的要求变得日益苛刻。航空发动机在整个飞机系统中是个敏感、易损的故障多发部件。对航空发动机进行故障诊断、预测和健康管理(PHM)具有十分重大的意义。

航空发动机预测是指对部件、系统剩余可用的或安全的寿命的估计，即寿命预测，是发动机健康管理中技术含量最高、难度最大的综合性技术。有研究指出，大部分装备部件的故障率不服从浴盆曲线分布，由此提出了基于状态的维修，即以往对部件的监控是及时发现并判断出故障，不具备预测的能力。

发明内容

本发明旨在至少解决上述技术问题之一。

本申请的发明人通过大量创造性劳动发现，飞机发动机从某个初始退化点开始，流量和效率会发生指数变化，对其他参数产生影响，故障传播继续直到达到某个故障标准。失效传播建模跟踪和预测飞机发动机涡轮机械的损伤进程，失效传播建模在不同应用领域使用的模型包括阿伦尼斯模型，Coffin-Manson机械裂纹增长模型，和艾林模型(超过三种应力或当上面的模型不符合要求时)。分析退化模型相可知，故障失效演变都是指数行为。

为此，本发明的一个目的在于提出一种航空发动机剩余寿命预测方法。

为了实现上述目的，本发明的实施例公开了一种航空发动机剩余寿命预测方法，包括如下步骤：S1：采集特定型号的航空发动机的全寿命运行周期的传感器测量数据，从中选择构建失效传播模型的传感器参数；S2：将选中的传感器参数融合成描述发动机的健康状况的第一健康指标；S3：按照失效传播建模原理，将所述第一健康指标中的每组健康指标序列去拟合指数型失效传播模型，构建失效传播模型库；S4：采集在役的所述特定型号的航空发动机的历史运行的传感器测量数据，将所述传感器参数融合成第二健康指标；S5：将第二健康指标中的每组健康指标序列与所述失效传播模型库中的模型进行相似性匹配；S6：根据匹配结果预测所述在役的所述特定型号的航空发动机的剩余寿命。

根据本发明实施例的航空发动机剩余寿命预测方法，针对发动机从健康运行到失效的全寿命周期的数据，采用单调变化的原则对传感器数据进行了选取，将选中的传感器数据融合成发动机健康指标；根据失效传播建模的原理使用最小二乘法进行了发动机失效模型库的搭建；将在役发动机的历史数据与模型库进行相似性匹配，使用了标准化欧式距离进行相似度比较，求得每组测试数据在模型库下的剩余寿命库；最后采用了k近邻法对剩余寿命库进行了最终剩余寿命的求取。本发明能够给航空发动机的预测和健康管理提供有效的技术支持，给发动机的后续维修决策提供有效的参考。

另外，根据本发明上述实施例的航空发动机剩余寿命预测方法，还可以具有如下附加的技术特征：

进一步地，步骤S1中选择构建失效传播模型的传感器参数的方法中，选择单调变化且受噪声影响低于阈值的参数。

进一步地，在步骤S2中，使用线性回归模型将选中的传感器参数融合成描述发动机的健康状况的健康指标。

进一步地，在步骤S3中，将每组健康指标序列使用最小二乘法拟合指数型失效传播模型。

进一步地，在步骤S5中，所述健康指标序列与失效传播模型库中的模型进行相似性匹配进一步包括：对健康指标序列进行互动平均处理，获取健康指标序列在每个模型中的最佳起始匹配位置，匹配程度使用标准化欧氏距离进行区分。

进一步地，在步骤S6中，根据匹配结果预测所述在役的所述特定型号的航空发动机的剩余寿命进一步包括：对剩余寿命库采用k近邻法进行融合预测所述在役的所述特定型号的航空发动机的剩余寿命。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的航空发动机剩余寿命预测方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述根据本发明实施例的航空发动机剩余寿命预测方法。

图1是本发明一个实施例的航空发动机剩余寿命预测方法的流程图。请参考图1，一种航空发动机剩余寿命预测方法，包括如下步骤：

S1：采集特定型号的航空发动机的全寿命运行周期的传感器测量数据，从中选择构建失效传播模型的传感器参数。

具体地，利用美国国家航空航天局(NASA)卓越预测中心的涡扇发动机退化仿真数据集作为分析的数据对象，该数据集来自NASA的民用模块化航空推进系统仿真软件(CMAPSS)的仿真结果，CMAPSS通过改变模块的流量和效率(以指数率变化的形式)来仿真退化的故障的函数，当损伤传播达到某个故障标准时认为模型失效，模型输出是从发动机模型中的传感测量值的时间序列；本实施例选用CMAPSS数据集中的FD002数据；该数据集包括训练数据，测试数据和测试数据的剩余寿命(RUL)。

根据某些应用领域已有成熟的损伤传播模型的特点，即故障演变是一个指数变化的过程；假设磨损的传播遵循w＝Ae^B(t)，磨损发展到某个阈值th_w时，系统将失效；为了描述发动机的健康状况，引入健康参数h的概念，在发动机初始运行时，该参数值为1，在发动机的磨损到达阈值时，该参数值退化为0；健康参数是随着时间变化的，引入以时间为变量的健康方程：

h(t)＝1-Ae^B(t)/th_w

对FD002训练数据的运行状态进行划分，一共包含6种运行状态；健康方程中只含单变量，因此将21个传感器测量值转化为健康参数；损伤模型中的健康参数是指数型单调变化的，融合参数时只选择单调变化且受噪声影响较小(参数变化量对参数本身而言较大)的参数，选择在6种不同的运行状态下都符合该要求的传感器参数，最终选择了21个传感器测量值中的5个参数作为构建损伤模型的参数，这5个传感器参数对应的发动机变量分别为：LPC出口总温，HPC出口总温，LPT出口总温，HPC出口静压，旁通比。

S2：将选中的传感器参数融合成描述发动机的健康状况的第一健康指标。

具体地，选中的5个传感器参数，需要转换成健康指标h；参数融合中，使用线性回归模型：

$h=\mathrm{\α}+{\mathrm{\β}}^T\·x+\mathrm{\ϵ}=\mathrm{\α}+{\Σ}_{i=1}^N{\mathrm{\β}}_i\·x_i+\mathrm{\ϵ}$

其中，x＝(x₁,x₂,…,x_N)是N(N＝5)维特征向量，h为第一健康指标；(α,β)＝(α,β₁,β₂,…,β_N)是N+1维模型参数，ε是噪声项；在求取线性回归模型时，要从训练数据集中选取样本集Ω＝{(x,h)}：

$\mathrm{\&Omega;}=\left\{(x_i,0)\right|C_i^r>C_i-C_{h0}\}\&cup;\{(x_i,1)|C_i^r<C_{h1}\&cap;C_i>C_h\}$

式中，下标i代表第i组数据序列，代表第i组数据的第r次运行；C_h0代表健康指标取0的次数；C_h1代表健康指标取1的次数

S3：按照失效传播建模原理，将所述第一健康指标中的每组健康指标序列去拟合指数型失效传播模型，构建失效传播模型库。

具体地，每组数据序列能得到一组健康指标序列，将该组健康指标序列h去拟合损伤传播模型：

$M_i:f_i\left(C_i^r\right)=1-a\left(1\right)-a\left(2\right)e^{a\left(3\right)\&times;C_i^r+a\left(4\right)}+\mathrm{\&epsiv;}---\left(4\right)$

其中，a(1)、a(2)、a(3)、a(4)为模型参数，为第i个模型的第r次运行，ε为系统噪声。

使用最小二乘法去拟合健康指标序列h和模型M_i：

$min\underset{j=1}{\overset{C_i}{\&Sigma;}}{\left(f\right(C_i^j)-h_j)}^2$

其中，C_i为第i组数据总运行次数，为第i组数据的第j次运行数据，h_j为对应的健康指标。

S4：采集在役的所述特定型号的航空发动机的历史运行的传感器测量数据，将所述传感器参数融合成第二健康指标。

具体地，使用CMAPSS中FD002的测试数据，该数据是全寿命周期运行的部分数据，通过这部分数据来预测剩余寿命；对测试数据中的每组数据中相应的传感器参数x按照其所处的运行状态进行融合，形成该组数据的健康指标序列。

S5：将第二健康指标中的每组健康指标序列与所述失效传播模型库中的模型进行相似性匹配。

具体地，用滑动平均算法对健康指标序列进行处理，降低噪声、初始退化等影响：

$\tilde{h}\left(n\right)=\frac{1}{L}\underset{k=0}{\overset{L-1}{\&Sigma;}}h(n-k)$

其中，L为滑动窗口大小。

针对指标序列和模型库{M_i}，首先需要找出序列在各个模型M_i中的最佳位置(从第τ次运行开始)，计算此时序列与模型M_i的匹配程度；匹配程度使用标准化欧式距离函数进行区分：

$d_i(\mathrm{\&tau;},\tilde{Y},M_i)={\&Sigma;}_{j=1}^r{(h_j-f_i(\mathrm{\&tau;}+j\left)\right)}^2/{\mathrm{\&sigma;}}_i^2$

其中，f_i()为模型M_i对应的指数函数，σ_i为求取模型M_i时指数模型与健康指标序列h之间的标准差；序列在各个模型M_i中的最佳位置为：

$\mathrm{\&tau;}={\mathrm{mind}}_i(\mathrm{\&tau;},\tilde{Y},M_i)$

S6：根据匹配结果预测所述在役的所述特定型号的航空发动机的剩余寿命。

具体地，根据求取的最佳位置τ，可以求得该组数据序列在模型M_i下的剩余寿命(RUL)：

rul_i＝C_i-τ-r

将该数据序列与模型库{M_i}进行逐一匹配，可以获得相应的剩余寿命{rul_i}和相应的欧式距离{d_i}；将这些剩余寿命采用k近邻法进行融合：

$RUL=\frac{1}{k}\underset{j=1}{\overset{k}{\&Sigma;}}\underset{{\mathrm{rul}}_j\&Element;\left\{{\mathrm{rul}}_i\right\}}{min}rank\left\{d_i\right\}+b$

其中，rul_j为中第j个最短距离所对应的rul值，b为剩余寿命弥补。根据计算得到的剩余寿命，即完成了航空发动机的剩余寿命预测的功能。

另外，本发明实施例的航空发动机剩余寿命预测方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (6)

1.一种航空发动机剩余寿命预测方法，其特征在于，包括如下步骤：

S1：采集特定型号的航空发动机的全寿命运行周期的传感器测量数据，从中选择构建失效传播模型的传感器参数；

S2：将选中的传感器参数融合成描述发动机的健康状况的第一健康指标；

S3：按照失效传播建模原理，将所述第一健康指标中的每组健康指标序列去拟合指数型失效传播模型，构建失效传播模型库；

S4：采集在役的所述特定型号的航空发动机的历史运行的传感器测量数据，将所述传感器参数融合成第二健康指标；

S5：将第二健康指标中的每组健康指标序列与所述失效传播模型库中的模型进行相似性匹配；

S6：根据匹配结果预测所述在役的所述特定型号的航空发动机的剩余寿命。

2.如权利要求1所述的航空发动机剩余寿命预测方法，其特征在于，步骤S1中选择构建失效传播模型的传感器参数的方法中，选择单调变化且受噪声影响低于阈值的参数。

3.如权利要求1所述的航空发动机剩余寿命预测方法，其特征在于，在步骤S2中，使用线性回归模型将选中的传感器参数融合成描述发动机的健康状况的健康指标。

4.如权利要求1所述的航空发动机剩余寿命预测方法，其特征在于，在步骤S3中，将每组健康指标序列使用最小二乘法拟合指数型失效传播模型。

5.如权利要求1所述的航空发动机剩余寿命预测方法，其特征在于，在步骤S5中，所述健康指标序列与失效传播模型库中的模型进行相似性匹配进一步包括：

对健康指标序列进行互动平均处理，获取健康指标序列在每个模型中的最佳起始匹配位置，匹配程度使用标准化欧氏距离进行区分。

6.如权利要求1所述的航空发动机剩余寿命预测方法，其特征在于，在步骤S6中，根据匹配结果预测所述在役的所述特定型号的航空发动机的剩余寿命进一步包括：

对剩余寿命库采用k近邻法进行融合预测所述在役的所述特定型号的航空发动机的剩余寿命。