CN107044349B - 一种发动机的故障预测方法 - Google Patents
一种发动机的故障预测方法 Download PDFInfo
- Publication number
- CN107044349B CN107044349B CN201710249558.7A CN201710249558A CN107044349B CN 107044349 B CN107044349 B CN 107044349B CN 201710249558 A CN201710249558 A CN 201710249558A CN 107044349 B CN107044349 B CN 107044349B
- Authority
- CN
- China
- Prior art keywords
- engine
- measurement data
- failure prediction
- prediction method
- short
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2220/00—Application
- F05D2220/30—Application in turbines
- F05D2220/32—Application in turbines in gas turbines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/82—Forecasts
- F05D2260/821—Parameter estimation or prediction
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种发动机的故障预测方法,包括以下步骤:获取所述发动机的多个传感器的有效测量数据;对所述有效测量数据进行归一化处理;将归一化处理后的所述有效测量数据进行切片处理,形成多个切片样本;将多个所述切片样本分别送入深度神经网络进行特征提取,特征提取后连接到全连接网络;根据所述全连接网络的输出,通过softmax分类器进行分类,确定所述发动机的剩余使用寿命。本发明提出的发动机的故障预测方法,流程简单,易于操作,能够广泛应用于飞行器的各类发动机中。
Description
技术领域
本发明涉及航空航天器领域,尤其涉及一种发动机的故障预测方法。
背景技术
发动机是飞行器中的核心部件,同时又是最容易发生故障的部件之一。飞行器一旦发生故障,会对整个机械设备造成不利的影响。因此,挖掘准确、高效的发动机故障预测方法对于保证飞行器的正常运行是十分必要的。
目前发动机故障预测的方法有很多,主要可以分为基于模型的方法、基于数据的方法等等,这些方法的效果很大程度上取决于对采集的真实数据的预处理能力和特征提取的能力。由于不同的发动机,不同的操作条件,所产生的信号特征不一样,很难找到一种通用的发动机故障预测方法,目前提出的一些故障预测方法都有一定的局限应用范围。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
为解决上述技术问题,本发明提出一种发动机的故障预测方法,流程简单,易于操作,能够广泛应用于飞行器的各类发动机中。
为了达到上述目的,本发明采用以下技术方案:
本发明公开了一种发动机的故障预测方法,包括以下步骤:
S1:获取所述发动机的多个传感器的有效测量数据;
S2:对所述有效测量数据进行归一化处理;
S3:将归一化处理后的所述有效测量数据进行切片处理,形成多个切片样本;
S4:将多个所述切片样本分别送入深度神经网络进行特征提取,特征提取后连接到全连接网络;
S5:根据所述全连接网络的输出,通过softmax分类器进行分类,确定所述发动机的剩余使用寿命。
优选地,所述发动机为燃气涡轮发动机。
优选地,步骤S1中具体包括:获取所述发动机的多个传感器的直接测量数据,根据所述直接测量数据求得各个传感器在所述发动机上的波动方差,并将所述直接测量数据中波动方差小于10-10的数据进行剔除,剔除后剩余的直接测量数据形成所述有效测量数据。
优选地,步骤S1中的多个传感器的数量为21个,其中21个传感器分别测量的物理量为:风扇进气口总温度、低压压缩机出气口总温度、高压压缩机出气口总温度、低压涡轮出气口总温度、风扇进气口压强、旁路导管总温度、高压压缩机出气口总压强、物理风扇转速、物理核心速度、引擎压强比、高压压缩机出气口统计压强、高压压缩机燃料流量、风扇修正转速、核心修正转度、主旁路比、燃烧室燃气比、热力泄漏量、风扇转速要求、风扇转速修正要求、高压涡轮冷却剂泄漏量、低压涡轮冷却剂泄漏量。
优选地,步骤S3中所述切片处理中切片的时间长度为20~30个时间单元。
优选地,步骤S3中所述切片样本的输入为切片处理后的切片,输出为对应的剩余使用寿命。
优选地,步骤S4中的所述深度神经网络采用长短时记忆网络。
优选地,所述长短时记忆网络包括两层长短时记忆单元。
优选地,第一层所述长短时记忆单元的个数为128个,第二层所述长短时记忆单元的个数为64个。
与现有技术相比,本发明的有益效果在于:本发明通过采用深度神经网络进行特征提取,对噪声具有较强的抑制作用,保证了数据的可靠性,再结合softmax分类器进行分类,实现了发动机剩余使用寿命的端到端的学习,能够及时地预测出飞行器失效发生的时间,流程简单,易于操作,能够广泛应用于飞行器的各类发动机中。
在进一步的技术方案中,本发明通过对数据进行有效地预处理,克服了飞行器发动机测量信号的非线性、非平稳性、随机性、噪声干扰等因素,提高采集到的加速度信号的可靠性,更好地提取样本特征信息,实现对滚动轴承准确、高效、端到端的故障预测。
在更进一步的方案中,具体采用长短时记忆网络结合softmax分类器,更进一步提高了对噪声的抑制作用,更有效地提取样本特征信息,保证数据的可靠性,从而进一步提高发动机的故障预测的可靠性。
附图说明
图1是本发明优选实施例的发动机的故障预测方法的流程示意图;
图2是本发明优选实施例的发动机的故障预测方法的核心部分的图示。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。
如图1所示,本发明的优选实施例公开了一种发动机的故障预测方法,具体是对于燃气涡轮发动机的故障预测,包括以下步骤:
S101:利用21个传感器采集发动机原始数据;
在燃气涡轮发动机上布置21个传感器,所测量的物理量分别是:风扇进气口总温度、低压压缩机(LPC)出气口总温度、高压压缩机(HPC)出气口总温度、低压涡轮(LPT)出气口总温度、风扇进气口压强、旁路导管总温度、高压压缩机(HPC)出气口总压强、物理风扇转速、物理核心速度、引擎压强比、高压压缩机(HPC)出气口统计压强、高压压缩机(HPC)燃料流量、风扇修正转速、核心修正转度、主旁路比、燃烧室燃气比、热力泄漏量、风扇转速要求、风扇转速修正要求、高压涡轮(HPT)冷却剂泄漏量、低压涡轮(LPT)冷却剂泄漏量,通过21个传感器采集燃气涡轮发动机上的原始数据(也即直接测量数据)。
S102:对传感器数据进行剔除操作;
对21个传感器中的部分进行剔除,分别求出各个传感器在所有发动机单元上的波动方差,需要剔除的标准是该传感器在所有发动机单元中的波动方差均小于10-10。也即将原始数据(直接测量数据)中波动方差小于10-10的数据进行剔除,剔除后剩余的原始数据(直接测量数据)形成有效测量数据。
S103:对剔除后的传感器进行归一化处理;
对有效测量数据进行归一化处理,即将最大值设定为1,最小值设定为0,其余值在(0,1)之间。
S104:将多维传感器的数据进行切片处理;
将归一化处理后的有效测量数据进行切片处理,切片的时间长度为20~30个时间单元,在本实施例中,切片的时间长度为30个时间单元,形成多个切片样本,其中每一个切片分别作为一个切片样本的输入,对应的剩余使用寿命作为切片样本的输出。
S105:将多个切片样本分别送入深度神经网络(本实施例中采用长短时记忆网络)进行特征提取,特征提取后连接到全连接网络;
结合图2所示,长短时记忆网络采用两层长短时记忆单元(LSTM),其中第一层的个数为128,第二层的个数为64;通过长短时记忆网络,可以得到时序数据的特征表达形式,将该特征作为全连接网络的输入,本实施例中,全连接网络包括两层全连接层,全连接层的后一层的输出作为softmax分类器的输入。
S106:根据全连接网络的输出,通过softmax分类器进行分类,给出当前样本输出所属的类别的概率值,从而确定发动机的剩余使用寿命。
其中通过softmax分类器可以给出当前样本输出所属的类别的概率值,概率分布是离散形式,取最大概率对应的随机变量取值即为发动机的剩余使用寿命。
当把一个新的未知剩余使用寿命的单元传感器数据采集出来,即可按照步骤S102进行传感器的筛选,按照步骤S103对时序数据进行归一化处理,利用步骤S104对多维传感器数据进行切片处理,得到时间长度为30的序列,利用步骤S105中训练好的长短时记忆网络提取出的多维传感器数据的特征并送入全连接层,最后利用步骤S106中的softmax分类器,确定最终的剩余使用寿命。
本发明优选实施例的发动机的故障预测方法克服了真实发动机测量信号的非平稳性、非线性、随机性、含噪声等因素,提高采集到的加速度信号的可靠性,对采集到的原始测量信号具有较好的去噪能力;同时基于深度学习思想,采用长短时记忆深度神经网络结构,能够有效地提取样本特征信息,为后续完成softmax分类器,提高故障预测的可靠性打下基础;从而实现对滚动轴承准确、高效、端到端的故障预测。本发明的故障预测方法流程简单,易于操作,具有一定的工程使用价值,能够广泛应用于飞行器的各类发动机中。
通过本发明优选实施例的发动机的故障预测方法,可以及时地预测出飞行器失效发生的时间,并对预警的失效采取有效的处理方式,对保障飞行器正常安全运行具有重要意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (8)
1.一种发动机的故障预测方法,其特征在于,包括以下步骤:
S1:获取所述发动机的多个传感器的有效测量数据;
S2:对所述有效测量数据进行归一化处理;
S3:将归一化处理后的所述有效测量数据进行切片处理,形成多个切片样本;
S4:将多个所述切片样本分别送入深度神经网络进行特征提取,特征提取后连接到全连接网络;
S5:根据所述全连接网络的输出,通过softmax分类器进行分类,确定所述发动机的剩余使用寿命。
2.根据权利要求1所述的发动机的故障预测方法,其特征在于,所述发动机为燃气涡轮发动机。
3.根据权利要求1所述的发动机的故障预测方法,其特征在于,步骤S1中具体包括:获取所述发动机的多个传感器的直接测量数据,根据所述直接测量数据求得各个传感器在所述发动机上的波动方差,并将所述直接测量数据中波动方差小于10-10的数据进行剔除,剔除后剩余的直接测量数据形成所述有效测量数据。
4.根据权利要求1所述的发动机的故障预测方法,其特征在于,步骤S3中所述切片处理中切片的时间长度为20~30个时间单元。
5.根据权利要求1所述的发动机的故障预测方法,其特征在于,步骤S3中所述切片样本的输入为切片处理后的切片,输出为对应的剩余使用寿命。
6.根据权利要求1至5任一项所述的发动机的故障预测方法,其特征在于,步骤S4中的所述深度神经网络采用长短时记忆网络。
7.根据权利要求6所述的发动机的故障预测方法,其特征在于,所述长短时记忆网络包括两层长短时记忆单元。
8.根据权利要求7所述的发动机的故障预测方法,其特征在于,第一层所述长短时记忆单元的个数为128个,第二层所述长短时记忆单元的个数为64个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249558.7A CN107044349B (zh) | 2017-04-17 | 2017-04-17 | 一种发动机的故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249558.7A CN107044349B (zh) | 2017-04-17 | 2017-04-17 | 一种发动机的故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107044349A CN107044349A (zh) | 2017-08-15 |
CN107044349B true CN107044349B (zh) | 2018-12-14 |
Family
ID=59545176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710249558.7A Active CN107044349B (zh) | 2017-04-17 | 2017-04-17 | 一种发动机的故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107044349B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545112B (zh) * | 2017-09-07 | 2020-11-10 | 西安交通大学 | 多源无标签数据机器学习的复杂装备性能评估与预测方法 |
CN108303253B (zh) * | 2017-12-06 | 2019-10-18 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN107992971A (zh) * | 2017-12-06 | 2018-05-04 | 中建材智慧工业科技有限公司 | 一种水泥厂设备备件寿命的预测方法及系统 |
CN108197648B (zh) * | 2017-12-28 | 2020-06-05 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN108197647B (zh) * | 2017-12-28 | 2021-08-31 | 中南大学 | 一种汽车起动机耐久测试数据的快速聚类方法 |
CN108169639B (zh) * | 2017-12-29 | 2020-05-19 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN108334936B (zh) * | 2018-01-30 | 2019-12-24 | 华中科技大学 | 基于迁移卷积神经网络的故障预测方法 |
CN108536123B (zh) * | 2018-03-26 | 2019-08-30 | 北京交通大学 | 基于长短时记忆神经网络的列控车载设备故障诊断方法 |
CN108520320A (zh) * | 2018-03-30 | 2018-09-11 | 华中科技大学 | 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法 |
CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 |
CN109409567B (zh) * | 2018-09-17 | 2022-03-08 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
CN109299827A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 基于长短时记忆循环神经网络的城轨设备故障预测方法 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
CN110243405A (zh) * | 2019-06-25 | 2019-09-17 | 东北大学 | 一种基于深度学习的航空发动机传感器故障诊断方法 |
CN110441065B (zh) * | 2019-07-04 | 2022-02-08 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN112863133A (zh) * | 2019-11-12 | 2021-05-28 | 北京国电智深控制技术有限公司 | 一种报警系统和报警方法、计算机可读存储介质 |
CN111022313B (zh) * | 2019-12-30 | 2022-01-14 | 哈尔滨工程大学 | 一种基于lstm的海洋平台空气压缩机故障诊断方法 |
CN112131673B (zh) * | 2020-09-30 | 2021-09-28 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN114893301B (zh) * | 2022-04-14 | 2023-09-08 | 北京动力机械研究所 | 小型涡扇发动机参控温度参数判故方法及冗余控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
US8417432B2 (en) * | 2008-04-30 | 2013-04-09 | United Technologies Corporation | Method for calculating confidence on prediction in fault diagnosis systems |
US8620519B2 (en) * | 2005-04-18 | 2013-12-31 | Honeywell International Inc. | Kernel-based fault detection system and method |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
CN105808957A (zh) * | 2016-03-15 | 2016-07-27 | 清华大学 | 航空发动机剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655571B2 (en) * | 2011-06-23 | 2014-02-18 | United Technologies Corporation | MFCC and CELP to detect turbine engine faults |
-
2017
- 2017-04-17 CN CN201710249558.7A patent/CN107044349B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620519B2 (en) * | 2005-04-18 | 2013-12-31 | Honeywell International Inc. | Kernel-based fault detection system and method |
US8417432B2 (en) * | 2008-04-30 | 2013-04-09 | United Technologies Corporation | Method for calculating confidence on prediction in fault diagnosis systems |
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
CN105808957A (zh) * | 2016-03-15 | 2016-07-27 | 清华大学 | 航空发动机剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107044349A (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107044349B (zh) | 一种发动机的故障预测方法 | |
Ai et al. | Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance | |
CN109446187A (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
CN109026563A (zh) | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 | |
CN106934126B (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN112580267A (zh) | 基于多分支特征融合网络的航空发动机喘振预测方法 | |
CN113469230B (zh) | 一种转子系统深度迁移故障诊断方法、系统及介质 | |
CN104460654A (zh) | 一种基于量化特征关系的不完备故障诊断规则提取方法 | |
CN105094118A (zh) | 一种飞机发动机压气机失速故障检测方法 | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
CN110532681A (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
Turnbull et al. | Prediction of wind turbine generator failure using two‐stage cluster‐classification methodology | |
Lin et al. | Fault diagnosis of aero-engine bearing using a stacked auto-encoder network | |
CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
CN105224733B (zh) | 风电功率弃风数据特征识别的方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN108204342A (zh) | 风力发电机的叶片结冰识别方法和装置 | |
Ma et al. | An interpretability research of the Xgboost algorithm in remaining useful life prediction | |
CN104483965B (zh) | 液体火箭发动机地面试车稳态过程故障检测参数选择方法 | |
Cao et al. | Fault diagnosis of gas turbine based on complex networks theory | |
WO2020053536A1 (fr) | Procede de surveillance de l'etat de fonctionnement d'une vanne de supression | |
Yang et al. | Research on Fault Diagnosis Method of Diesel Engine Thermal Power Conversion Process | |
Yu et al. | EGT baseline model of aeroengine based on kernel principal component analysis and deep belief network | |
CN114033631B (zh) | 一种风电机组风能利用系数在线辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |