CN108153982A - 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 - Google Patents

Abstract

基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，本发明涉及航空发动机修后性能预测方法。本发明为了解决现有技术进行航空发动机修后性能预测误差较大的缺点。本发明包括：一：得到送修前性能参数特征向量矩阵和单元体维修深度特征向量矩阵；二：将送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量；三：利用修后性能特征向量和每个维修案例对应的修后性能参数序列，采用BP神经网络建立航空发动机修后性能预测模型；四：将建立的航空发动机修后性能预测模型采用粒子群优化算法进行c、d、h的优化，得到最优航空发动机修后性能预测模型。本发明用于发动机的维修维护领域。

Description

基于堆叠自编码深度学习网络的航空发动机修后性能预测 方法

技术领域

本发明涉及航空发动机维修优化技术领域，具体涉及航空发动机修后性能预测方法。

背景技术

航空发动机是在民航飞机等飞行器的主要动力来源和引气装置，其工作环境复杂且可靠性要求较高。因此，航空发动机在全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列，其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中，目前尚缺乏能够同时处理这两类参数的方法和模型。

对于同一台航空发动机，其送修前后的性能状态可视为两个具有一定差异的相似非线性系统。两系统之间的差异主要是由维修工作造成的。在航空发动机的修后性能预测中，需要同时考虑两个非线性系统的“相似性”和“差异度”，其中发动机送修前性能参数可用来表征“相似性”，而“差异度”可用维修深度进行表征。但在实际运维中，修后性能与影响因素的映射关系尚不明确，需要对修后性能预测模型进行进一步研究。

预测模型总体上可分为：数据驱动模型、物理数学模型以及混合模型。但某些复杂装备由于缺少精确的物理数学模型，限制了物理模型及混合模型在预测问题上的应用。航空发动机在运行过程中积累了大量的运维数据，这些数据可为数据驱动模型的研究提供重要基础。因此，本发明以航空发动机实际运维数据为基础，建立其修后性能预测模型。

在航空发动机修后性能预测模型中，发动机的性能状态可用性能参数时间序列进行表征。发动机时序性能参数的预测方法已有一定研究基础。但在修后性能预测模型中还需考虑航空发动机的维修深度，而维修深度需用离散量进行表示。因此，传统的时序参数预测方法不能够完全适用于航空发动机的修后性能预测。

在航空发动机的实际运维中，某些发动机的维修深度可用单元体修理级别表示。如表所示为某台PW4000系列航空发动机某次维修过程中采用的单元体修理级别。由于各单元体的修理级别是符号量，若带入模型进行计算则需进行标量转换。即将“VC”等修理级别的符号表征转换为二进制或十进制等可带入模型进行计算的符号量。

表1单元体修理级别示例

某些航空发动机的维修深度则以各单元体的拆解程度表达，如表所示为某CFM56-5B系列航空发动机的单元体拆解记录示例。每个单元体的拆解情况分为：拆解、部分拆解和全部拆解三类操作。若在该单元体上进行了某拆解操作，则记录为“1”，否则记为“0”。因此，各单元体的拆解记录可按照类似于“010”的形式进行表征。若以该形式对发动机的维修深度进行表达，则每个单元体需要3位数字。直接利用此形式的维修深度信息进行修后性能进行预测，不仅会对神经网络等预测模型造成一定的冲击，同时其较高的维度也会增加模型的复杂度。同时，为使模型具有更好的预测稳定性，较高的参数维度势必会需要更多的训练样本。而航空发动机是典型的高可靠性装备，在有限的样本机队内难以收集到大量的训练样本。综合考虑维修深度数据的特点，有必要对航空发动机的维修深度数据进行进一步的处理。

表2单元体拆解记录示例

数据驱动模型中，数据特征提取是至关重要的步骤。鉴于航空发动机修后性能主要影响因素表征数据的特点，以及深度学习网络在特征提取方面的技术优势，本发明利用深度学习网络对航空发动机送修前性能参数及各单元体维修深度数据进行特征提取，综合利用两类参数的特征向量建立航空发动机修后性能预测模型。

深度学习的相关概念最早是由Hinton等于2006年提出的，经过十余年的研究和发展，深度学习在多方面取得了丰富的研究进展，并已经成为机器学习领域热点技术。深度学习的一个较大的特点是：能够通过深度网络结构对数据中的深层模式及隐含特性进行学习和提取，且能够保留原始高维数据中的大部分信息。因此，深度学习的相关方法被首先用于降维及特征提取，并取得了较好的应用效果。深度学习在特征提取方面的技术优势可为航空发动机故障诊断、性能预测等实际工程问题提供新的解决思路。

航空发动机是典型的高端制造复杂装备，其是民航飞机等飞行器的主要动力来源和引气装置。同时，航空发动机是工作在高温、高速环境中的复杂热力机械。为保证航空发动机的可靠性，在其全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列，其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中，目前尚缺乏能够同时处理这两类参数的方法和模型。

发明内容

本发明的目的是为了解决现有技术进行航空发动机修后性能预测误差较大的缺点，而提出基于堆叠自编码深度学习网络的航空发动机修后性能预测方法。

基于堆叠自编码深度学习网络的航空发动机修后性能预测方法包括以下步骤：

步骤一：采用堆叠自编码深度学习网络对航空发动机送修前性能参数序列和航空发动机单元体维修深度原始信息矩阵进行特征提取，得到s×c维的送修前性能参数特征向量矩阵P_s×c和s×d维的单元体维修深度特征向量矩阵R_s×d；所述x_s,m为第s个发动机维修案例送修前第m个飞行循环的排气温度裕度值，c为送修前性能参数特征向量矩阵P_s×c的列数；y_s,n为第s个发动机维修案例第n个单元体维修深度的表征量，d为单元体维修深度特征向量矩阵R_s×d的列数；

步骤二：将步骤一得到的送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量A_s×(c+d)；

步骤三：利用步骤二得到的修后性能特征向量A_s×(c+d)和每个维修案例对应的修后性能参数序列z_s,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值，采用BP神经网络建立航空发动机修后性能预测模型；所述BP神经网络的结构为单隐层，隐层节点数为h；

步骤四：将步骤三建立的航空发动机修后性能预测模型采用粒子群优化算法进行c、d、h的优化，得到最优航空发动机修后性能(排气温度裕度)预测模型。

本发明的有益效果为：

本发明基于堆叠自编码深度学习网络建立了航空发动机的修后性能预测模型。本发明首先运用堆叠自编码深度学习网络分别提取航空发动机送修前性能参数及维修深度的特征向量，并综合利用这两类参数的特征向量预测航空发动机的修后性能。所建立的修后性能预测模型用以估计某状态航空发动机在执行某深度维修后的性能状态，可为维修工作范围的优化提供基础支持。经航空发动机实际运维数据的对比验证，以某航空发动机修后30飞行循环的EGTM性能参数为例，本发明预测结果的循环相对误差分别低于传统神经网络预测模型和支持向量回归模型6.0％和2.4％。

附图说明

图1为送修前性能特征向量提取示意图；

图2为修后性能预测模型建模流程图；

图3为送修前性能参数特征提取网络节点结构图；

图4为维修深度特征提取网络节点结构图；

图5为修后性能参数预测示例图，图中EGTM为排气温度裕度。

具体实施方式

具体实施方式一：基于堆叠自编码深度学习网络的航空发动机修后性能预测方法包括以下步骤：

步骤一：采用堆叠自编码深度学习网络对航空发动机送修前性能参数序列和航空发动机单元体维修深度进行特征提取，得到s×c维的送修前性能参数特征向量矩阵P_s×c和s×d维的单元体维修深度特征向量矩阵R_s×d；s为发动机维修案例个数，c为送修前性能参数特征向量矩阵P_s×c的列数(s为行数)；d为单元体维修深度特征向量矩阵R_s×d的列数；

步骤二：将步骤一得到的送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量A_s×(c+d)；

步骤三：利用步骤二得到的修后性能特征向量A_s×(c+d)和每个维修案例对应的修后性能参数序列z_s,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值，采用BP神经网络建立航空发动机修后性能预测模型；所述BP神经网络的结构为单隐层，隐层节点数为h；

步骤四：将步骤三建立的航空发动机修后性能预测模型采用粒子群优化算法进行c、d、h的优化，得到最优航空发动机修后性能预测模型。

(1)航空发动机送修前性能参数特征提取

在航空发动机的运维中，多以ACARS及其解算参数表征发动机的性能状态。ACARS参数是以飞行循环为单位并按飞行时序进行记录的，其是典型的时间序列。实际建模过程中常利用线性拟合等方式对时间序列参数进行表达和处理，如多项式拟合、高斯拟合等，进而利用拟合系数代替原始时间序列进行建模。

相比于传统方法，深度学习能够在网络结构优化得当的情况下更好的处理时间序列问题。本发明尝试利用深度学习网络对航空发动机的送修前性能参数序列进行特征提取，将发动机性能参数时间序列转换为性能特征向量，利用送修前性能参数特征向量建立航空发动机修后性能预测模型。相比于传统的拟合等方法，深度学习的网络结构中包含多层非线性映射，其可对复杂模型进行高度逼近。同时，深度学习可以在一定程度上防止陷入局部最优，有效避免过拟合现象。航空发动机送修前性能特征向量的提取示意图如图1所示。

(2)航空发动机单元体维修深度特征提取

航空发动机的维修深度可由各单元体的修理级别或拆解程度表达。若每个单元体的维修深度由3位“0-1”变量表征，以拥有20个单元体及子单元体的CFM56-5B系列航空发动机为例，每台发动机需要60位“0-1”变量表达其维修深度信息。在此情况下，航空发动机的维修深度信息表达为高维离散变量。由于航空发动机各单元体之间存在着较强的关联关系，由60位“0-1”变量构成的整机维修深度信息之间势必会存在着一定程度的信息冗余。为了有效利用维修深度信息对航空发动机的修后性能进行预测，有必要对维修深度数据进行特征提取。

维修深度信息特征提取的目的是在尽量保留原始信息的前提下降低数据的维度，同时降低原始信息中的冗余。常见的特征提取方法有主成分分析法等，其是利用多元统计分析方法，把原始数据转换为几个包含综合特征信息的特征量，从而达到降低原始信息线性相关冗余的目的。但主成分分析等传统方法难以满足模型中的非线性需求，且难以从大规模数据中提取深层信息。而深度学习方法能够使用深层结构对原始数据进行特征抽象，深度学习的实现方法是建立一个多层的神经网络结构，将前一个网络的输出作为后一个网络的输入。通过这种形式的多层无监督结构，获得原始数据的深层抽象特征。因此，本发明利用深度学习网络对航空发动机维修深度数据进行特征提取，利用提取得到的维修深度特征向量建立修后性能预测模型。

(3)特征提取深度网络节点参数确定及修后性能参数预测

堆栈自编码网络的结构与较为常见的深度信任网络相似，都是由若干结构单元堆栈而成。不同之处是堆栈自编码网络中的结构单元体为自编码器(stacked auto-encoders,SAE)。每个自编码器均是一个两层的神经网络，分别是编码层和解码层。

自编码器中编码层的非线性映射函数可用式(1)表示。

h_i＝f(x_i)＝S_B(w₁x_i+b₁) (1)

其中w₁为权重系数，b₁为偏置向量。经过编码层的非线性映射，编码器的输入向量转化为中间层向量。中间层向量既是编码层的输出向量，又作为解码层的输入向量。通过解码层的非线性映射，中间层向量转换为同编码器输入向量维度相同的解码向量。自编码器解码层非线性映射函数可用式(2)表示。

其中w₂为权重系数，b₂为偏置向量。

在自编码深度网络中，解码层激活函数S_B和编码层激活函数S_J通常采用Sigmoid函数，则解码层和编码层的非线性映射函数表示为式(3)和(4)。

自编码器以获得最小重构误差为目标对网络进行训练，主要训练的参数是编码层权重系数及偏置和解码层的权重系数及偏置，{w₁,w₂,b₁,b₂}，训练的目标函数表示为式(5)。

在堆栈自编码深度网络中，多个自编码器按次序叠加，前一个编码器的输出作为后一个编码器的输入。一般情况下，将编码层的输出向量作为单个自编码器的输出。将自编码器用于特征提取时，一般通过设定编码层输出维度的方式达到数据降维和特征提取的目的。

本发明提出的航空发动机修后性能预测模型中，首先采用堆栈自编码深度网络分别对发动机的送修前性能参数和维修深度数据进行特征提取。获得送修前性能参数特征向量P_i×j及维修深度特征向量R_i×k后，将两个特征向量合并为修后性能预测模型的计算因子，如式(6)所示。

A_s×(p+r)＝[P_s×p,R_s×r] (6)

其中s表示样本总数，p表示单样本送修前性能特征向量维度，r表示单样本维修深度特征向量的维度。

获得预测模型的计算因子后，可利用神经网络、支持向量回归等预测方法对航空发动机的修后性能进行预测。在本发明提出的航空发动机修后性能预测模型试验中，采用BP(Back Propagation)神经网络对发动机的修后性能参数进行预测，预测模型建立流程如图2所示。

本发明运用深度学习网络分别提取送修前性能参数及维修深度的特征向量，并综合利用这两类参数的特征向量预测航空发动机的修后性能。所建立的修后性能预测模型用以估计某状态航空发动机在执行某深度维修后的性能状态，可为维修工作范围的优化提供基础支持。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中航空发动机送修前性能参数序列具体为

其中所述x_s,m为第s个发动机维修案例(发动机维修一次即为一个维修案例)送修前第m个飞行循环的排气温度裕度值。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤一中航空发动机单元体维修深度原始信息矩阵具体为其中所述y_s,n为第s个发动机维修案例第n个单元体维修深度信息表征量。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二中修后性能特征向量A_s×(c+d)通过下式得到：

A_s×(c+d)＝[P_s×c,R_s×d]。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤三中BP神经网络的输入层节点数为c+d，输出层节点数为k。

其它步骤及参数与具体实施方式一至四之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

为了对基于深度学习的航空发动机修后性能预测模型进行验证，本发明以某航空公司的CFM56-5B航空发动机机队为样本，收集得到94台次的发动机维修案例。整理得到各维修案例的单元体维修深度数据以及当次维修的送修前后性能参数。

航空发动机实际运维中常以排气温度裕度(Exhaust Gas Temperature Margin,EGTM)作为发动机性能的综合指征。因此，本发明实验中也采用EGTM表征航空发动机的性能状态。在航空发动机修后性能预测实验中，同时利用送修前EGTM序列及各单元体维修深度数据，对发动机的修后EGTM参数序列进行预测。

在94台次的维修案例中，随机挑选20台次维修案例作为测试样本，其余74台次维修案例作为修后性能预测模型的训练样本。针对每台次维修案例，从航空发动机厂家解算的ACARS性能参数中截取该台次维修案例送修前后各50飞行循环的EGTM参数序列，分别用于表征发动机送修前后的性能状态。依据各台次维修案例的修理报告，提取得到航空发动机风扇、核心机、低压压气机三大主单元体及各子单元体共计20个单元体的拆解深度数据。

采用堆栈自编码深度学习网络对送修前性能参数进行特征提取时，本发明利用粒子群优化算法对深度学习网络的节点结构进行了优化。在优化结果基础上，又进行了大量的对比实验，确定送修前性能参数特征提取的深度学习网络节点结构是：50-9-8-11，如图3所示。其中第一个编码器的编码层为50个节点，分别对应发动机送修前50飞行循环的性能参数。即：x₁代表拆发前50飞行循环参数中第一个飞行循环的EGTM参数值；x₅₀代表拆发点前一个飞行循环的EGTM参数值。其他三个自编码器的解码层输入节点数分别是9，8和11。在送修前性能参数特征提取中，利用深度学习网络将每个维修案例送修前50飞行循环的性能参数转化为11维特征向量。

对发动机维修深度数据进行特征提取时，同样结合粒子群优化算法及对比实验对堆栈自编码深度学习网络的节点结构进行优化。维修深度特征提取的深度学习网络节点结构是：60-23-10-8。其中第一个编码器的编码层输入节点数为60，分别对应按单元体序号排序的维修深度“0-1”数据。其他三个自编码器的解码层输入节点数分别是23，10和8，如图4所示。在维修深度特征值提取中，利用深度学习网络将每个维修案例的60位维修深度参数编码转化为8维特征向量。由于本发明对比实验考虑了发动机风扇、核心机和低压压气机3个主单元体及其子单元体的维修深度，且各单元体的维修深度均用0-1变量表征。因此，维修深度特征向量的维度大于主单元体数，具有一定的合理性。

获得训练样本送修前性能特征向量P_74×11以及维修深度特征向量R_74×8后，将两特征向量合并作为预测模型的输入计算因子A_74×19＝[P_74×11,R_74×8]，将各维修案例对应的修后50飞行循环的性能参数作为输出计算因子，使用BP神经网络建立发动机的修后性能预测模型。本发明实验中，经过优化得到的神经网络隐层节点数为12。

按照以上步骤建立发动机修后性能预测模型后，运用测试样本对预测模型进行验证。为弱化神经网络模型的预测波动，本发明实验采用多次建模并取平均值的方式计算最终预测结果。运用本发明提出的基于深度学习的航空发动机修后性能预测模型预测得到某3台测试样本的修后50飞行循环性能参数序列如图5所示。

为了验证本发明提出的航空发动机修后性能深度学习预测模型的有效性，本发明建立了2个对比实验模型：(1)传统BP神经网络对比实验模型；(2)支持向量回归对比实验模型；将这两个对比实验模型顺序编号为模型1、模型2。将本发明提出的深度学习预测模型编号为模型3。利用相同案例库送修前50飞行循环的EGTM性能参数序列及各发动机60位维修深度数据，基于各模型分别对测试样本修后50飞行循环的性能参数进行对比预测实验。为了弱化神经网络的预测波动，模型1和模型3均采用多次建模预测并取平均值的方式获得最终预测结果。对比实验结果中，将各模型预测得到的修后性能参数序列与测试样本的实际修后性能参数序列进行比对。采用预测参数序列与实际参数序列的平均循环绝对误差和平均循环相对误差对各模型的预测准确性进行描述，各模型的预测误差如表1所示。

表1修后性能预测实验误差对比

由各组对比实验的预测误差可看出，模型3的预测误差是最小的。其他三组对比实验的预测误差由大到小依次是：模型1和模型2。由于在模型1中未对原始数据进行特征提取，其预测准确度是3个预测模型中最低的。从实验过程来看，由于模型1的数据节点数过多，其运算时间也是最长的。由此可见，深度学习在航空发动机的送修前性能参数和维修深度数据特征提取方面具有较好的适用性。基于深度学习的航空发动机修后性能预测模型的预测准确性要明显好于传统的预测模型。本发明提出的基于深度学习的航空发动机修后性能预测模型在预测准确性均好于其两组对比实验模型。其循环相对误差分别低于三个对比模型6.0％，2.4％。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，其特征在于：所述航空发动机修后性能预测方法包括以下步骤：

步骤一：采用堆叠自编码深度学习网络对航空发动机送修前性能参数序列和航空发动机单元体维修深度进行特征提取，得到s×c维的送修前性能参数特征向量矩阵P_s×c和s×d维的单元体维修深度特征向量矩阵R_s×d；s为发动机维修案例个数，c为送修前性能参数特征向量矩阵P_s×c的列数；d为单元体维修深度特征向量矩阵R_s×d的列数；

步骤二：将步骤一得到的送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量A_s×(c+d)；

步骤三：利用步骤二得到的修后性能特征向量A_s×(c+d)和每个维修案例对应的修后性能参数序列z_s,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值，采用BP神经网络建立航空发动机修后性能预测模型；所述BP神经网络的结构为单隐层，隐层节点数为h；

步骤四：将步骤三建立的航空发动机修后性能预测模型采用粒子群优化算法进行c、d、h的优化，得到最优航空发动机修后性能预测模型。

2.根据权利要求1所述的基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，其特征在于：所述步骤一中航空发动机送修前性能参数序列具体为其中所述x_s,m为第s个发动机维修案例送修前第m个飞行循环的排气温度裕度值。

3.根据权利要求2所述的基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，其特征在于：所述步骤一中航空发动机单元体维修深度原始信息矩阵具体为其中所述y_s,n为第s个发动机维修案例第n个单元体维修深度信息表征量。

4.根据权利要求3所述的基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，其特征在于：所述步骤二中修后性能特征向量A_s×(c+d)通过下式得到：

A_s×(c+d)＝[P_s×c,R_s×d]。

5.根据权利要求4所述的基于堆叠自编码深度学习网络的航空发动机修后性能预测方法，其特征在于：所述步骤三中BP神经网络的输入层节点数为c+d，输出层节点数为k。