CN107168205A - 一种民机空调系统在线健康监测数据采集与分析方法 - Google Patents

Abstract

本发明公开一种民机空调系统在线健康监测数据采集与分析方法，应用于大型民机空调系统的实时监控以及故障早期监测与预警。本发明针对现代大型民机空调系统在线健康监测，首先利用无故障状况下的空调系统监测参数和基线模型挖掘技术建立空调系统的健康基线模型；再确定关键位置的监测参数的偏差值作为监控对象，由空调系统监测参数的实际观测值减去基线值，得到监测参数的偏差值序列；然后对偏差值序列进行监控，并根据异常偏差值序列发出空调系统故障预警。本发明解决了民机空调系统直接监测性能参数离散度大、故障早期特征不明显的问题，通过对偏差值序列的监控，可以在系统故障早期及时发出预警，能够满足大型民机空调系统实时监控的需求。

Description

一种民机空调系统在线健康监测数据采集与分析方法

技术领域

本发明涉及设备健康监测与故障诊断领域，尤其涉及一种民机空调系统在线健康监测数据采集与分析方法。

背景技术

现代民机状态监控系统记录了飞机系统运行期间的环境、载荷、状态和性能等数据，数据保存在快速存取记录器(Quick Access Recorder，QAR)中，记载了丰富的系统健康状态相关飞行数据信息，不仅可用于飞行品质监控和评价，还为系统故障监测与诊断提供了丰富的数据源。从数据挖掘的角度，应用QAR数据进行民机系统故障诊断和预测，辅助机务人员完成预防维修工作，对于切实保障飞机的运行安全性、使用性、经济性和准点率具有重要意义。建立基于QAR数据的民机系统模型是进行故障诊断和预测的一种有效方法。特定故障相关的某时段内的QAR参数还可以通过飞机通信寻址报告系统(Aircraftcommunication addressing and reporting system，ACARS)进行实时的空地数据的传输，这些报文既有厂家编制好的包含特定信息的固定报文，也有用户根据自己需求自定义的报文。目前世界上主要的飞机主制造商波音和空客都开始重视飞机各系统的飞行状态监控，获取监测数据用来飞行品质监控、飞行事件分析、故障监测与诊断，以及可以为维修计划健康管理等提供决策依据。但是由于设计和工艺的局限性，飞机上很多系统装配了许多监测设备，但是有些不能完全监测到飞机系统的具体状态，或者监测参数采集不完整，这样使得想通过完整可靠的监测数据实现系统的状态监测、故障诊断与维修管理，以及飞行品质监控、飞行事件分析等飞机健康管理活动变得困难。

飞机空调系统作为环境控制系统重要子系统之一，是保证飞机座舱和设备舱内具有乘员和设备正常工作所需的适当环境条件的整套装置，是现代民用飞机必不可少的一个组成部分。空调系统的基本任务是在各种不同的飞行状态和外界条件下，使飞机的驾驶舱、旅客舱、设备舱及货舱具有良好的环境参数，既要保证机组人员和乘客的生命安全和作息环境，又要保证设备正常工作和货物安全。作为飞机的重要系统直接影响着飞机客舱增压，其故障影响到飞机的派遣放行，导致飞机延误甚至取消，这给航空公司带来非常大的经济损失。并且，该系统故障具有多发性、重复性和复杂性特点，这使得一线维护工作人员排故每天都要花大量时间和精力，影响了飞机的使用率和准点性。空调系统组成主要包括：热交换器、流量控制与关断活门FCSOV、空气循环机ACM、回热器、冷凝器、水分离器及各类传感器等，对应的，该系统常见故障包括：活门开关卡滞、阀门管道漏气、热交换器叶片污染、涡轮结冰故障等。飞机空调系统属于非线性的多变量控制复杂系统，系统的故障定位、诊断和排除工作困难，一直是民航领域航线维修难题。

飞机空调系统飞行采集数据包括各类温度、位置、压力传感器监测数据，各类阀门开度、过热保护等控制器监测信号数据，以及各类仪器仪表等数据。空调系统这些机载监测数据可以反映飞机飞行期间空调系统整体及各组件的工作状态，可以为空调系统故障分析、事件分析、维修管理等提供决策依据。空调系统内布局了大量的传感器，理论上可以获取大量的飞行数据，但实际上，传感器得到的大量飞行信息并没有采集到飞机状态监控系统(Aircraft Condition Monitoring System，ACMS)中，无法对大量在线参数进行数据挖掘。

为了给航空公司维修人员提供更多空调系统状态监测参数系统信息以帮助排故，国内部分航空公司根据厂家的建议，将空调系统的传感器系统进行了改装，增加一些关键传感器参数到飞机状态监控系统ACMS，数据保存在快速存取记录器(Quick AccessRecord,QAR)中，为飞机空调系统异常检测与维修决策提供了数据基础。

对于民机空调系统而言，目前已记录的相关参数有空调系统主管道压力、出口温度、环境载荷参数、航空发动机N1和N2转速、飞行高度、飞行速度、空调组件开/关状态、大气温度等，然而，利用这些参数对空调系统的健康状况描述并不准确，并且直接监测这些性能参数离散度大，导致故障早期特征不明显的问题。

发明内容

本发明提供一种民机空调系统在线健康监测数据采集与分析方法，能够利用民机空调系统的监测参数，建立空调系统的基线模型，实现民机空调系统健康状况的实时监控。

一种民机空调系统在线健康监测数据采集与分析方法包括：

S1、采集民机空调系统的状态参数，根据所述状态参数确定飞行阶段和对应的监控报文；其中，飞机空调系统能采集到的数据包括各类温度、位置、压力传感器监测数据；各类阀门开度、过热保护等控制器监测信号数据；以及各类仪器仪表等数据，然而，能够用于描述民机空调系统的性能参数主要有空调系统主管道压力、出口温度、航空发动机转子转速、飞行高度、飞行速度、空调组件开/关状态、大气温度等，空调系统这些性能参数可以反映飞机飞行期间空调系统整体及各组件的工作状态，可以为空调系统故障分析、事件分析、维修管理等提供决策依据；

S2、根据所述飞行阶段和对应的监控报文，选择当前时刻适用于描述所述民机空调系统的健康工作状态的关键性能参数，所述健康工作状态的关键性能参数通过基线模型挖掘方法建立系统健康基线模型；

S3、采集空调系统的关键性能参数，将所述关键性能参数相互做差，得到相关性能参数的差值作为区域特征参数，建立区域特征参数的基线模型；

S4、采集当前时刻的区域特征参数，将所述当前时刻的区域特征参数和当前时刻所述基线模型的对应估计值做差，得到区域特征参数偏差值序列，对区域特征参数偏差值序列中的偏差值设置故障报警阈值，当所述偏差值超过故障报警阈值时，发出故障报警,然后进入下一个监测周期,重复S3-S4。其中,如果某一个偏差值发生了较大波动，就说明民机空调系统对应的区域出现了异常工作状态,故障报警阈值的设置利用多元状态估计方法中常用的3σ原则，σ为参数偏差值的标准差。

进一步的，所述状态参数包括：冲压空气温度、空调组件温度、混合总管温度、引气温度、海拔高度(H)、马赫数(M)、总温(T1)、静温(T2)、发动机防冰活门状态(V1)、大翼防冰活门状态(V2)、发动机高压转子转速(N1)、发动机低压转子转速(N2)、客舱压力(P)。其中，冲压空气温度数据来源于冲压空气温度传感器，冲压空气温度传感器位于连接空气循环机的压气机到副热交换器的管道内，功能是给冲压空气控制器提供温度数据；空调组件温度数据来源于空调组件温度传感器，位于高压水分离组件的上方，功能是将空调组件的温度反馈给组件温度控制器；混合总管温度数据来源于混合总管温度传感器，位于混合总管上前壁位置，功能是测量混合总管温度，然后反馈给组件温度控制器；引气温度数据来源于引气温度传感器，位于发动机引气支管管道中，功能是将引气温度数据反馈给预冷控制阀。

进一步的，所述飞行阶段包括地面、起飞、巡航；其中，地面(GROUND)阶段的定义是：发动机高压转子转速比小于11％或者低压转子转速小于11％以及飞机的地面速度超过10kts的条件下，认为飞机处于地面阶段；起飞(TAKE OFF)阶段的定义是：海拔高度大于35m小于1500m、空速大于100kts以及海拔高度曲线处于上升的条件下，认为飞机处于上升阶段；巡航(CRUISE)阶段的定义是：海拔高度超过20000英尺、马赫数大于0.6小于0.9、发动机高压转子转速小于40％以及低压转子转速小于80％的条件下，认为飞机处于巡航阶段。在每个航班中均有三个工况下的空调系统状态监控报文，通过空地数据链(ACARS)下传到航空公司地面服务器作进一步的分析。

进一步的，所述基线模型挖掘方法包括：

SS1、采集并学习民机空调系统正常工作状态下的所述关键性能参数，通过所述关键性能参数构建与所述民机空调系统相似的物理模型；

SS2、根据所述物理模型估计某一时刻所述民机空调系统的所述关键性能参数的估计值。

进一步的，在SS1中，所述学习包括，通过历史时刻的关键性能参数构建历史观测向量，再根据所述历史观测向量构造训练矩阵D。

进一步的，在SS2中，将当前时刻观测向量与所述训练矩阵的每一个所述历史观测向量进行相似性比较，确定每个所述历史观测向量的权重，通过每个所述历史观测向量的加权计算出某一时刻所述民机空调系统的所述关键性能参数的估计值。

进一步的，在S3中，所述关键监测参数的差值即区域特征参数包括:引气温度与冲压空气温度差值a、引气温度与混合总管温度差值b、冲压空气温度与组件温度差值c、组件温度与混合总管温度差值d。其中，引气温度与冲压空气温度差值能反应热交换器以及ACM机压气机的工作效率；引气温度与混合总管温度差值能反应整个空调组件的工作状况；冲压空气温度与组件温度差值能反应次热交换器以及除水系统的工作效率；组件温度与混合总管温度差值能反应ACM机涡轮工作效率以及TCV的工作状态。

本发明的有益效果是：通过建立民机空调系统区域特征参数的基线模型，然后得到区域特征参数的偏差值序列，实现民机空调系统的分区域监控，克服由于个体监测参数不能准确反映实际运行条件下整个复杂系统的整体特性，导致故障早期特征不明显的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为基于飞行数据基线模型挖掘的民机空调系统故障早期预警的方法示意图；

图2为本发明提出的民机空调系统改装后部分状态监测参数所对应传感器位置图；

图3为本发明实施例中B-4飞机的空调组件原始监测参数序列；

图4为本发明实施例中B-4飞机的空调组件区域特征参数偏差值序列；

图5为本发明实施例在MATLAB上仿真的GUI截面图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

一种民机空调系统在线健康监测数据采集与分析方法，包括：

S1、采集民机空调系统的状态参数，根据所述状态参数确定飞行阶段和对应的监控报文；其中，所述状态参数包括：冲压空气温度、空调组件温度、混合总管温度、引气温度、海拔高度、马赫数、总温、静温、发动机防冰活门状态、大翼防冰活门状态、发动机高压转子转速、发动机低压转子转速、客舱压力，采样频率为每秒一次，最终通过QAR数据进行采集参数的译码，译码后数据信息以及该机的维修记录如表1所示。

表1、某航空公司空调系统QAR数据信息以及维修记录

其中，冲压空气温度、空调组件温度、混合总管温度、引气温度，与空调系统健康状况直接相关，能准确的表达民机空调系统不同划分监控区域的状态，尤其是民机空调系统中的关键位置。冲压空气温度、空调组件温度、混合总管温度、引气温度对应传感器的位置如图2所示。

S2、根据所述飞行阶段和对应的监控报文，选择当前时刻适用于描述所述民机空调系统的健康工作状态的关键性能参数，所述健康工作状态的关键性能参数通过基线模型挖掘方法建立系统健康基线模型；其中，飞行阶段包括地面、起飞、巡航；

S3、采集空调系统的关键监测参数，将所述关键监测参数相互做差，得到关键监测参数的差值作为区域特征参数a、b、c、d，建立区域特征参数的基线模型；

基线模型反映了正常状态下系统各状态参数之间一种内在的函数关系，判断系统异常状态的基本依据是实测状态参数是否偏离基线值。通过监控系统状态参数的测量值与相同条件下系统状态参数的基线值之间的残差即可实现对系统故障的在线监控。

S4、将所述区域特征参数的观测值与其对应基线模型得到的估计值做差，得到区域特征参数a，b，c，d的偏差值序列，分析所述区域特征参数偏差值序列，并对其中的偏差值设置故障报警阈值，当所述偏差值超过故障报警阈值时，发出故障报警,然后进入下一个监测周期,重复S3-S4。

图3所示为引气温度、冲压空气温度、组件温度、混合总管温度的原始监测序列，通过图3可以看出，由于空调系统工作环境的恶劣，传感器噪声、数据采集系统误差等，实际得到的监测参数离散度较大，而由故障引起的微小变化容易淹没在噪声中。简单的数据处理虽能够一定程度地消除趋势图离散度大的问题，但往往对一些突发性故障或轻微故障的反应不够灵敏且滞后，带来了安全隐患。而通过空调系统基线模型的挖掘，对特征参数的偏差值序列进行监控，能实现对异常状态的早期检测与预警。

进一步的，所述基线模型挖掘方法包括：

SS1、采集并学习民机空调系统正常工作状态下的所述关键性能参数，通过所述关键性能参数构建与所述民机空调系统相似的物理模型；

SS2、根据所述物理模型估计某一时刻所述民机空调系统的所述关键性能参数的估计值。

进一步的，在SS1中，所述学习包括，通过历史时刻的关键性能参数构建历史观测向量，再根据所述历史观测向量构造训练矩阵D。其中，编号为B-4飞机在2016/01/14-03/13期间共执行了275次飞行任务。通过查询排故记录发现在2016/02/26日，发生驾驶舱区域温度灯亮的故障。将飞行循环按照时间排序后，查询到故障发生在207～211循环之间。经工程人员排故后，最终结论为驾驶舱配平活门和左空调组件冲压进气作动器故障。接下来按照基线模型建模步骤，选取前100飞行循环飞机空调系统健康状况下的性能参数构造训练矩阵。性能参数首先进行标准化，经标准化后的观测样本构成如下训练矩阵：

进一步的，在SS2中，将当前时刻观测向量与所述训练矩阵的每一个所述历史观测向量进行相似性比较，确定每个所述历史观测向量的权重，通过每个所述历史观测向量的加权计算出某一时刻所述民机空调系统的所述关键性能参数的估计值。

进一步的，在S3中，所述区域特征参数包括:引气温度与冲压空气温度差值a、引气温度与混合总管温度差值b、冲压空气温度与组件温度差值c、组件温度与混合总管温度差值d。其中，这四个区域特征参数的基线模型实现了对空调系统的分区域监控，如果某一个偏差值发生了较大波动，就说明对应的空调系统某区域出现了异常工作状态，若超过故障报警阈值，则会及时发出故障预警。故障报警阈值的设置采用3σ原则，σ为参数偏差值的标准差。

针对编号为B-4的飞机，最终借助空调监测参数的基线模型来计算空调性能参数的偏差值序列，如图4所示，其中图中实线表示监测参数的偏差值序列，虚线表示故障报警阈值。

B-4飞机的检测参数的偏差值序列在第169飞行循环左右的时候偏差值均超过了故障报警阈值，检测出空调系统出现异常。提前30飞行循环检测出空调系统出现异常。其中a、c、d的偏差值波动较大，b的波动较小。结合排故记录可知，发生故障的部件为冲压空气作动器，以及驾驶舱配平活门。冲压空气作动器发生故障，影响到冲压空气门打开情况从而使得冲压空气流量发生变化，直接影响到热交换器工作效率。因此对a、c、d这3个区域特征参数的影响较大。而b特征参数代表的整个空调系统的工作状态，因此偏差值波动较a、c、d的要小。

本发明实施例可以在MATLAB上仿真实现,仿真代码如下:

在MATLAB中,本实施例的仿真GUI界面如图5所示。

综上,本发明的民机空调系统在线健康监测数据采集与分析方法，通过分析与民机空调系统相关的监测参数，并建立不同工况下的健康基线模型，最后对空调系统进行分区域监控，其优点与积极效果在于：

基于状态监测参数的空调系统基线模型挖掘，是一种数据驱动的方法，不需要对复杂的空调系统建立其物理模型，仅根据其历史监测数据即可建立基线模型，能够更加准确地反映个体系统在实际运行条件下的特性，为提高状态监控系统的灵敏度和可靠度奠定基础；

针对整个飞行循环空调系统状态监测数据波动性大、故障难以检测的问题，本发明中选择地面、起飞、巡航3个飞行阶段的数据用于空调系统在线健康监测，能够全面监控空调系统不同工作状态下的健康状态；

采集的监测参数最大程度涵盖所有与民机空调系统运行状况相关的参数集，通过分析空调系统各个监测参数之间的关系，确定性能参数主要有空调系统座舱压力、马赫数、大气温度、防冰活门等参数，另外通过对空调现有传感器系统改装，新增能反应空调性能的4个关键参数，包括冲压空气温度、空调组件温度、混合总管温度、引气温度，能更全面反映空调系统的健康状态；

结合空调系统航线常见故障模式以及传感器的位置功能分析，将空调系统分若干子区域，针对每个子区域定义了区域特征参数，分别对子区域的特征参数进行基线挖掘，提高空调系统故障早期预警的准确度，并能辅助进行空调系统故障隔离。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种民机空调系统在线健康监测数据采集与分析方法，其特征在于,包括：

S1、采集民机空调系统相关的状态参数，根据所述状态参数确定飞行阶段和对应的监控报文；

S2、根据所述飞行阶段和对应的监控报文，选择当前时刻适用于描述所述民机空调系统健康工作状态的关键性能参数；

S3、采集空调系统的所述关键性能参数，将所述相关性能参数相互做差，得到关键性能参数的差值作为区域特征参数，建立所述区域特征参数的基线模型；

S4、采集当前时刻的区域特征参数，将所述当前时刻的区域特征参数和当前时刻所述基线模型的对应估计值做差，得到区域特征参数偏差值序列，对所述区域特征参数偏差值序列中的偏差值设置故障报警阈值，当所述偏差值超过故障报警阈值时，发出故障报警,然后进入下一个监测周期,重复S3-S4。

2.根据权利要求1所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，所述状态参数包括：冲压空气温度、空调组件温度、混合总管温度、引气温度、海拔高度、马赫数、总温、静温、发动机防冰活门状态、大翼防冰活门状态、发动机高压转子转速、发动机低压转子转速、客舱压力。

3.根据权利要求1所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，所述飞行阶段包括地面、起飞、巡航。

4.根据权利要求1所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，所述基线模型建立方法包括：

SS1、采集并学习民机空调系统正常工作状态下的所述关键性能参数，通过所述关键性能参数构建与所述民机空调系统相似的物理模型；

SS2、根据所述物理模型估计某一时刻所述民机空调系统的所述关键性能参数的估计值。

5.根据权利要求4所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，在SS1中，所述学习包括，通过历史时刻的关键性能参数构建历史观测向量，再根据所述历史观测向量构造训练矩阵D。

6.根据权利要求4所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，在SS2中，将当前时刻观测向量与所述训练矩阵的每一个所述历史观测向量进行相似性比较，确定每个所述历史观测向量的权重，通过每个所述历史观测向量的加权计算出某一时刻所述民机空调系统的所述关键性能参数的估计值。

7.根据权利要求1所述的民机空调系统在线健康监测数据采集与分析方法，其特征在于，在S3中，所述相关性能参数的差值包括: 引气温度与冲压空气温度差值、引气温度与混合总管温度差值、冲压空气温度与组件温度差值、组件温度与混合总管温度差值。