CN109215165B - 一种民用飞机apu性能评估及故障预警方法 - Google Patents

Abstract

本发明公开一种民用飞机APU性能评估及故障预警方法，涉及设备状态监控技术领域。本发明在飞机QAR数据的基础上，利用机器学习技术挖掘出APU中重要参数的健康状态模型；接着由APU状态参数的实际测量值减去健康状态模型预测值，得到状态参数的偏差值；然后将几个关键参数的偏差值利用回归模型融合成一个健康指数，表征APU性能退化的严重程度，并根据设定的警戒值及时发出故障预警。本发明应用在民用飞机APU上，特别是对于因性能退化导致故障的APU，解决了飞机APU的性能评估手段不足问题，可以准确评估APU的性能状态并在APU故障早期就及时发出预警，减少非计划下发事件；同时，性能评估的数据来自现有民机QAR数据，具有较强的实用性和可操作性。

Description

一种民用飞机APU性能评估及故障预警方法

技术领域

本发明涉及设备状态监控技术领域，尤其涉及一种民用飞机APU性能评估及故障预警方法。

背景技术

提前对民用飞机APU(Auxiliary Power Units,辅助动力装置)的送修时机做出准确的预测对航空公司和包修企业都是十分有利的。准确的预测可以让航空公司和包修企业提前做好资金、人员和时间上的准备，从而确保航空公司的运行安全和运行效率。合理的送修时机不但对飞机大发非常重要，对于APU亦是如此。

APU是机载辅助动力装置的简称，位于飞机尾部，是一台小型涡轮发动机，其主要功能是提供电源和气源。在地面主要用于启动主发动机和客舱空调引气，在一定飞行高度下，它还可以当做备用电源使用。一方面，虽然根据MEL(Minimum Equipment List最低放行设备清单)APU属于可以保留的项目，但其功能决定了它的运行直接关系到整架飞机的服务质量。另一方面，APU整体部件价格较高，存储备件成本大；故障后送修周期为2～5月，维修费用也非常高，这给部件的周转带来压力。

目前大多数航空公司的APU属于包修业务，对APU都采用事后维修模式，即一直用到无法启动后才对其进行送修。当前航空公司面临着成本和同行竞争的双重压力，APU故障的事后维修模式已经不能满足企业降成本增效的需求。而航空公司单靠原始测量参数以及CT5ATP(最近20次启动发动机时APU EGT的平均值)进行监控，也很难对个体APU性能定量评估。如何更好地监控APU的运行状态，减少备件库存和送修周期，及时发现运行问题，减少飞机停场时间日益成为关注的问题。

在航空公司运营中，飞机上的各种传感器会对飞机各个系统的运行状态参数进行测量。现代民用飞机一般都配有快速存取记录器记录飞机和发动机的状态数据。对快速存取记录器设置一定逻辑，可以截取特定工况的数据，并通过报文的形式获得。

利用APU状态参数建立的健康状态模型是得到各参数基准的有效方法。健康状态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，健康状态模型求出的是在一定工况下各状态参数的估计值(即当前工况下APU性能无衰退的理想值)，判断APU异常状态的基本依据是实测状态参数是否偏离理想值。通过监控APU状态参数的测量值与相同条件下系统状态参数的理想值之间的残差即可实现对系统故障的在线监控，进一步的将关键参数偏差值通过回归模型融合可以得到APU的健康指数，从而对APU的性能进行定量评估。

在实际中对于不同的飞机APU，根据其物理工作原理来建立准确的健康状态模型十分困难，即使花费大量人力、物力建立起的“一般化”的模型，通常也只是反映一批产品或同一型号的产品的平均属性，而事实上由于加工制造误差、使用维修等因素的影响，个体APU之间总是存在差异，导致一般的模型并不能准确反映实际运行条件下个体系统的特性，由此得到的性能参数的偏差值也就存在误差或偏差，在实际应用中不能够取得令人满意的结果。

而借助APU运行期间收集的状态参数来获取APU的健康状态模型的方法，由于数据来自个体系统，得到的模型也可以是个性化的，相对于一般的物理模型更能够反映个体系统在实际运行条件下的特性。基于数据驱动的模型分为参数化和非参数化的模型：参数化的模型通常需要借助一定的先验知识，假设模型为某种函数形式，借助历史数据来训练模型得到模型参数值，如神经网络模型等；而非参数化模型不需要对模型做任何假设，系统的特性不需借助某个特定的函数来描述，通过一组特定的历史数据样本来表征系统的特性，如随机森林技术即为一种非参数化的建模方法。

综上,现有技术中缺乏一种非参数化建模方法来评估APU性能，无需系统的物理模型也不用借助系统的故障或失效数据即可对APU的性能进行实时定量评估，有效减少APU突发故障，防止APU出现超经济维修的状况。

发明内容

本发明提供一种民用飞机APU性能评估及故障预警方法，能够减少非计划化维修事件的出现，降低APU(Auxiliary Power Units,辅助动力装置)的维修成本，提高航空公司的运营效率和服务品质。

为达到上述目的，本发明采用如下技术方案：

一种民用飞机APU性能评估及故障预警方法，包括：

S1、利用机器学习方法建立飞机APU性能参数(包括尾气排放温度、启动时间以及滑油温度等)的健康状态模型，健康状态模型结合当前报文数据,得到APU性能参数的健康状态模型估计值。

S2、采集APU性能参数的实际测量值，用APU性能参数的实际测量值减去APU性能参数的健康状态模型估计值，得到状态参数的偏差值。

S3、基于回归模型将状态参数的偏差值融合成一个健康指数，依据健康指数监控APU性能退化的严重程度，并及时发出故障预警。

进一步的，健康状态模型的建立包括:

选择多台装机后的所述APU；

在所述APU工作状态下,利用传感器连续采集所述APU的各项状态参数，将状态参数通过报文或QAR(Quick Access Recorder快速存取记录器)的形式提取建模所需的数据作为训练样本；

采集多台装机后的所述APU的部分健康状态数据来提取训练样本，根据训练样本进行机器训练,机器从训练样本中学习性能参数中关键参数与其它状态参数的关系，然后对APU某一时刻的观测，根据学习到的关系得到此时APU该参数的估计值。APU状态的健康状态模型即隐含在学习到的关系中，训练得到的机器学习模型即为所述健康状态模型。

基于机器学习建模，通过传感器测量APU的性能良好时工作状态下的状态参数向量，这些观测向量构成训练集。实际中也通过平移变换将EGT(Exhaust Gas Temperature排气温度)和总温表示在同一图上，取EGT和环境温度较为贴合的一段作为训练集。选择好训练集后，分别把各个关键参数作为响应变量，机器学习技术就可以学习预测变量与响应变量之间的关系，建立的关系即所需的健康状态模型。当给定新的观测数据后，健康状态模型给出相应的估计值。

机器学习是通过大量历史样本数据学习各个参数之间的复杂非线性关系，机器学习模型的目标函数即残差平方和RSS的定义可以表示为：

式中

是第i次观测的估计值，y_i是训练集的响应变量,k为正整数。

进一步的，在所述S1中,所述健康状态模型估计值的估计方法为:

将所述当前报文数据预处理后输入所述健康状态模型,所述健康状态模型输出所述健康状态模型估计值。即当前工况下APU性能无衰退的理想值，实际参数值与估计值做差得到偏差值。

进一步的，S2中的健康状态模型为：

其中，参数PARAi_t为所述状态参数，PARAi_t为当前时刻参数i的实际值，PARAi_p为参数i健康状态模型的估计值，Dev_PARAi为当前时刻参数i的偏差值，i＝1,2,3…n。

进一步的，所述S3包括：

S31、用一个回归模型融合所有所述状态参数的偏差值，得到所述健康指数，回归模型为：

其中，X＝(Dev_PARA1,Dev_PARA2,…,Dev_PARAn)^T为性能参数偏差值向量，(b₀,A)＝(b,a₁,a₂,…,a_n)是回归模型系数，定义HI为所述健康指数；

S32、令新投入使用或送修后的APU的健康指数为0即HI＝0，令因性能退化送修的APU的健康指数为1即HI＝1，一般装机的APU，其健康指数位于[0,1]。采用不同飞行阶段的所述APU性能参数偏差值样本构造如下的训练样本集Ω：

其中，

表示健康APU的性能参数偏差值样本，

表示性能退化严重而需要下发的APU性能参数偏差值样本；

进一步的，通过历史样本数据计算出回归模型的系数，进而利用回归模型来计算APU健康指数。

最后，分别设定健康指数的的预警值为0.8，风险值为1。

本发明的有益效果为：

本发明基于机器学习建立APU的健康状态模型，APU的健康状态模型是一种数据驱动的模型，不需要建立复杂的系统物理模型，仅根据其历史数据即可建立适应的健康状态模型，建模简单且不需要增加太多的额外成本，因此数据容易获取，且根据个体系统实测的数据建立起的“个性化”的健康状态模型能更准确的反映实际运行条件个体系统的特性；“个性化”的健康状态模型，能够更加准确地反映个体APU在实际运行条件下的特性，为提高性能评估的灵敏度和可靠度奠定基础；并且APU的健康状态模型融合了多个性能参数的偏差值，从而更加全面准确的评估APU的性能状态，针对多种故障模式均能很好进行预警；利用回归技术将得到的参数融合成一个健康指数，通过计算每台APU的健康指数，可以对APU的性能进行定量评估，提前对性能衰退达到警戒值得的APU进行提前送修，从而有效减少APU突发故障，防止APU出现超经济维修的状况，并可以极大减少飞机因为APU故障造成的非例行停场时间，可以有效地对APU的性能进行定量评估并对整个机队的APU进行性能排队，对优化整个机队的APU送修计划及备件管理具有重要意义。

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为本发明提出的一种民用飞机APU性能评估及故障预警方法的流程图；

图2为本发明中筛选性能良好数据的总温与排气温度平移变换示意图；

图3为本发明实施例中自定义的报文参数；

图4为本发明实施例中排气温度和滑油油箱温度实际测量值示意图；

图5为本发明实施例中关键性能参数的偏差值示意图；

图5(a)为历史排气温度的健康状态模型估计值与实际测量值的偏差值；

图5(b)为滑油油箱温度的健康状态模型估计值与实际测量值的偏差值；

图5(c)为启动时间的健康状态模型估计值与实际测量值的偏差值；

图6为本发明实施例中APU健康指数示意图。

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，下面结合具体实施方式对本发明作进一步详细描述。

本发明实施例提供一种民用飞机APU性能评估及故障预警方法，流程图如图1所示，包括：

步骤一、利用机器学习技术建立“个性化”的APU(Auxiliary Power Units,辅助动力装置)健康状态模型

1、假设APU工作状态由P个传感器的采集数据来表示,P为正整数，具体数据可用自定义报文或QAR数据，根据实际工程经验选择了APU启动大发时的状态数据，最大工作状态下的最能体现APU实际性能水平。通过相关性分析选择相关重要参数作为预测变量X(t)，选择表征APU性能的关键参数作为响应变量Y(t)，预测变量表示为：

X(t)＝[x₁(t),x₂(t),…,x_p(t)]

2、健康状态模型由APU正常运行期间采集的M个观测向量构成的矩阵来描述，这个矩阵称为训练集D：

其中,m是观测样本向量总数，P为预测变量的维数。

训练集D的每一行代表系统运行状态的一个观测量，可包括任意数目的观测向量，但应尽量涵盖系统所有正常运行状态或感兴趣的运行状态。若为提高模型的鲁棒性，通常可以加入性能良好时各种工况下的运行状态数据，本发明中采用压气机进口温度分别与排气温度、滑油油箱温度做平移变换筛选出性能良好的一段，如图2所示。

3、在创建了训练集后，机器学习技术根据新的观测向量来对APU的某一选定参数进行估计。设APU在某时刻的新观测向量为X_obs，健康状态模型将利用从历史健康数据中学习到的关系对每一观测向量给出估计值,估计值为：

X_est＝HM(X_obs) (1)

HM为健康状态模型，代表预测变量和响应变量之间的一种复杂非线性关系。

4、健康状态模型的建立可通过最小化残差平方和向量RSS来获得：

式中

是第i次观测的估计值，y_i是训练集的响应变量,k为正整数。

5、得到APU的健康状态模型为HM，由APU状态参数的实际测量值减去模型估计值，得到状态参数的偏差值Dev：

Dev＝X_obs-X_est (3)

建立状态参数偏差值模型如下：

式中，PARAi_t为当前时刻参数i的实际值，PARAi_p为参数i健康状态模型的估计值，Dev_PARAi为当前时刻参数i的偏差值，i＝1,2,3,…n。

步骤二、基于线性回归模型将求得的状态参数的偏差值融合成一个健康指数

在建立起APU的健康状态模型后，得到APU关键状态参数偏差值，利用线性回归模型将求得状态参数偏差值融合成一个参数。

为性能参数偏差值向量，用回归模型来融合所有性能参数偏差值得到一个健康指数：

其中，X＝(Dev_PARA1,Dev_PARA2,…,Dev_PARAn)^T为性能参数偏差值向量，(b,A)＝(b,a₁,a₂,…a_n)为回归模型系数，定义HI为APU的健康指数，来表征APU的健康状态。新投入使用的或送修后的APU其HI＝0，正常使用而因性能退化而送修的APU，其HI＝1。因此一般在役的APU，其健康指数位于[0,1]。分别选择一些一般APU的性能参数样本构造如下的训练样本集：

其中，

表示健康APU的性能参数偏差值向量，

表示性能退化严重而需要送修的APU性能参数偏差值向量，i为正整数。

本实施例以收集到的航空公司APU的实际运行数据为例建立APU性能参数的健康状态模型，从而进行故障预警测试。典型的APU故障包括突发性故障或缓慢性能退化情况下发生突发性故障，此外传感器故障(如EGT温度传感器故障)也是外场常见故障。本实施例收集了8台APU从大修好装机到故障后拆下的历史数据，本实施例中采用的是自定义的APU启动报文，APU启动报文的具体参数如图3所示。

根据实际工程经验，APU在启动大发时的功率最大，此阶段也最能体现其性能的好坏。为提高性能评估的准确性，选择了启动一台大发状态的参数作为建模的样本数据。具体选择了总温、IGV(Inlet Guide Vanes进口导向叶片)角度、载荷压气机进口温度、转速、引气流量、引气压力和发电机载荷作为预测变量；将排气温度和滑油油箱温度作为响应变量。

图4所示为实施例中排气温度和滑油油箱温度实际测量值图，从上到下依次为为APU从完好装上出现航线无法排除的故障后换下的历史排气温度(EGT)、滑油油箱温度(OTA)和启动时间(ST)大小变化。单依赖原始数据，很难直接量化退化量的大小，这主要是由于相对于外界大气条件变化以及测量噪声引起的气路性能参数的波动，气路性能退化所引起的性能参数的变化量缓慢的，以至于很难对APU的性能进行评估，因此也就无法直接从原始的测量数据里发现APU的退化过程。

利用随机森林技术建立“个性化”的APU健康状态模型。由已有的历史QAR(QuickAccess Recorder快速存取记录器)数据，通过自定义报文，选取健康APU启动第一台大发时的状态参数作为训练样本，包括总温(TAT)、转速(NA)、排气温度(EGT)、IGV角度(IGV)、载荷压气机进口温度(LCIT)、引气流量(WB)、引气压力(PT)、滑油油箱温度(OTA)以及发电机载荷(GLA)，共9个参数来建立APU性能的健康状态模型。其中排气温度(EGT)、滑油油箱温度(OTA)和启动时间(ST)为响应变量，其他参数作为预测变量。

最终的观测样本构成如下训练矩阵：

其中，TAT(ti)、NA(ti)、IGV(ti)、LCIT(ti)、WB(ti)、PT(ti)、GLA(ti)、EGT(ti)、OTA(ti)和ST(ti)分别表示ti时刻采集的总温、转速、IGV(Inlet Guide Vanes进口导向叶片)角度、载荷压气机进口温度、引气流量、引气压力、发电机载荷、排气温度、滑油油箱温度和启动时间。

观测样本随机森林建模，健康状态模型建立好之后可以把所有的历史数据按照训练矩阵中预测变量的格式输入模型中得到排气温度和滑油油箱温度的估计值。图5所示为健康APU的性能参数的健康状态模型估计值与实际测量值的偏差值，图5(a)为历史排气温度的健康状态模型估计值与实际测量值的偏差值、图5(b)为滑油油箱温度的健康状态模型估计值与实际测量值的偏差值、图5(c)为启动时间的健康状态模型估计值与实际测量值的偏差值。

在APU性能无退化的情况下，偏差值在0上下波动，因此，依据历史数据样本建立的性能参数基线模型能较准确地反映实际运行条件下个体APU的特性。

基于回归模型将求得的状态参数的偏差值融合成一个健康指数。借助随机森林来构建APU性能参数的健康状态模型，在此基础上得到各性能参数的偏差值，利用线性回归模型将偏差值融合成一个健康指数，实现对性能评估和故障预警。

其中，本实例中取了8台APU作为样本来训练得到回归模型系数，即选取8组

表示健康APU的性能参数偏差值向量，8组

表示性能退化严重而需要下发的APU性能参数偏差值向量。最终得到回归模型系数a₁＝0.008,a₂＝1.1987×10^-5,a₃＝0.0025,b₀＝0.0076。

根据每次的记录数据得到此时APU的健康指数。APU健康指数如图6所示，个体APU性能状态直观的显示在图中。从图中可以看到APU的性能存在明显退化的趋势，尤其是记录到第850次以后衰退速度加剧，由图5关键性能参数偏差值可知气路衰退为主导因素。当记录到第937次时，健康指数超过预警值0.8，此时本方法建议APU进入监控使用，同时提前制定好送修计划。当记录到964次时，健康指数超过1，此时本方法建议APU进行送修。

由于实际该APU采用事后维修策略，一直用第976次记录时才进行送修。因此，利用本方法可以在APU故障早期进行预警，还可对整个机队的APU进行性能排队，进而优化送修计划及备件管理。

本发明的有益效果为：

本发明基于机器学习建立APU的健康状态模型，APU的健康状态模型是一种数据驱动的模型，不需要建立复杂的系统物理模型，仅根据其历史数据即可建立适应的健康状态模型，建模简单且不需要增加太多的额外成本，因此数据容易获取，且根据个体系统实测的数据建立起的“个性化”的健康状态模型能更准确的反映实际运行条件个体系统的特性；“个性化”的健康状态模型，能够更加准确地反映个体APU在实际运行条件下的特性，为提高性能评估的灵敏度和可靠度奠定基础；并且APU的健康状态模型融合了多个性能参数的偏差值，从而更加全面准确的评估APU的性能状态，针对多种故障模式均能很好进行预警；利用回归技术将得到的参数融合成一个健康指数，通过计算每台APU的健康指数，可以对APU的性能进行定量评估，提前对性能衰退达到警戒值得的APU进行提前送修，从而有效减少APU突发故障，防止APU出现超经济维修的状况，并可以极大减少飞机因为APU故障造成的非例行停场时间，可以有效地对APU的性能进行定量评估并对整个机队的APU进行性能排队，对优化整个机队的APU送修计划及备件管理具有重要意义。

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 (6)

1.一种民用飞机APU性能评估及故障预警方法，其特征在于，包括：

S1、利用机器学习方法建立飞机APU性能参数的健康状态模型，健康状态模型结合当前报文数据,得到APU性能参数的健康状态模型估计值；

S2、采集APU性能参数的实际测量值，用APU性能参数的实际测量值减去APU性能参数的健康状态模型估计值，得到状态参数的偏差值；

S3、基于回归模型将状态参数的偏差值融合成一个健康指数，依据健康指数监控APU性能退化的严重程度，并及时发出故障预警；

其中,所述健康状态模型的建立包括:

选择多台装机后的所述APU；

在所述APU工作状态下,利用传感器连续采集所述APU的各项状态参数，将状态参数通过报文或QAR(Quick Access Recorder快速存取记录器)的形式提取建模所需的数据作为训练样本；

采集多台装机后的所述APU的部分健康状态数据来提取训练样本，根据训练样本进行机器训练,训练得到的机器学习模型即为所述健康状态模型。

2.根据权利要求1所述的一种民用飞机APU性能评估及故障预警方法，其特征在于，在所述S1中,所述健康状态模型估计值的估计方法为:

将所述当前报文数据预处理后输入所述健康状态模型,所述健康状态模型输出所述健康状态模型估计值。

3.根据权利要求1所述的方法，其特征在于，所述S2中的所述健康状态模型为：

其中，参数PARAi_t为所述状态参数，PARAi_t为当前时刻参数i的实际值，PARAi_p为参数i健康状态模型的估计值，Dev_PARAi为当前时刻参数i的偏差值，i＝1,2,3…n。

4.根据权利要求3所述的一种民用飞机APU性能评估及故障预警方法，其特征在于，所述S3包括：

S31、用一个回归模型融合所有所述状态参数的偏差值，得到所述健康指数，回归模型为：

其中，X＝(Dev_PARA1,Dev_PARA2,…,Dev_PARAn)^T为性能参数偏差值向量，(b₀,A)＝(b,a₁,a₂,…,a_n)是回归模型系数，定义HI为所述健康指数；

S32、令新投入使用或送修后的APU的健康指数为0，令因性能退化送修的APU的健康指数为1，采用不同飞行阶段的所述APU性能参数偏差值样本构造如下的训练样本集Ω：

其中，

表示健康APU的性能参数偏差值样本，

表示性能退化严重而需要下发的APU性能参数偏差值样本。

5.根据权利要求4所述的一种民用飞机APU性能评估及故障预警方法，其特征在于，通过历史样本数据计算出回归模型的系数，进而利用回归模型来计算APU健康指数。

6.根据权利要求1所述的一种民用飞机APU性能评估及故障预警方法，其特征在于，所述健康指数的预警值为0.8，风险值为1。

Images