CN110210634A - 基于大数据驱动的民航发动机故障诊断与健康管理系统 - Google Patents

Abstract

一种基于大数据驱动的民航发动机故障诊断与健康管理系统，包括协议解析、实时监控、数据分析、故障诊断及发动机风扇配平模块；利用数据挖掘和信息融合的手段提高发动机故障诊断的精确性和可信度，实现发动机的故障诊断与健康管理；本发明能够帮助航空公司地面航站基地对发动机的维修信息进行跟踪管理，简化并优化故障诊断工作，提高发动机故障诊断的精确性和可信度；提供更为积极的预防性维修措施，减少非定期的维修任务，从而提高维修可靠性，降低维修成本。

Description

基于大数据驱动的民航发动机故障诊断与健康管理系统

技术领域

本发明属于故障诊断与健康管理技术领域，涉及一种基于大数据驱动的民航发动机故障诊断与健康管理系统；特别是针对海量数据下的民用航空故障诊断与健康管理。

背景技术

民航发动机气路状态数据是典型的多维时间序列数据，对民航发动机气路进行故障诊断时，需要综合各个监控的气路性能参数的变化趋势，才能得到更为精确的故障诊断。

早期的健康管理系统一般是由相互独立的模拟系统组成，对于重要的系统和设备，为了能及时诊断出故障或获取潜在的故障迹象，及时的采取对应的系统和设备保全措施，检修人员需要实时了解其运行状态。这就需要系统或设备自身有一定的故障诊断与显示、报警等功能，由此形成了嵌入式BIT系统的概念。

在早期系统中的BIT只是检测几个主要的参数（例如电压、电流等），将检测值与门限值比对后判定系统是否出现故障。随着系统和设备的复杂程度增加，故障检测也更加困难，因而出现了能自动检测和隔离故障的机内测试设备（BITE）。然而，BITE在很多设备中不可靠、难以使用，不被设备操作人员所信任。

而复杂系统和设备的故障诊断，仅单独依靠外部测试或机内测试都不能达到满意效果，因此，外部测试与机内测试进行融合，形成综合的故障诊断方案成了自然选择。复杂系统和设备在使用中出现了诸多问题：系统测试性差、故障诊断时间长、BIT虚警率高等，这些问题的解决需要综合多种诊断要素，因此，提出了故障综合诊断的概念。故障综合诊断是实现装备的最大的故障检测和隔离能力、降低寿命周期费用的有效手段，但由于缺乏开放的系统方法，其应用存在较大局限性。

不同的故障征兆可由不同的故障部位或原因产生，故障征兆与故障原因或部位之间存在着某种线性或非线性的映射关系。因此，运用推理方法或适用的模型来描述这种映射关系后，再通过测试设备的状态参数、采集和分析故障征兆数据，就能在故障发生前，对可能发生故障的原因和部位进行预测，这种故障诊断与预测的思想就形成了故障预测与健康管理技术。

随着系统的复杂性、综合化和信息化的大幅度提高，装备维修保障工作重点已经由传统的以机械修复为主逐步转变为以信息的获取、处理及传输并做出维修决策为主，传统的事后维修和定期维修已经无法很好的满足现代装备对装备保障的要求。特别是自主式后勤(Autonomic Logistics，AL)系统的概念出现后，要求装备保障在整个生命周期中用最低的成本及最少的人员来达到最佳的保障效果，PHM成为支撑自主式后勤技术的基石。PHM具有故障诊断和故障隔离的能力，能对数据、信息和知识进行有效的融合，PHM系统结合了状态监测、状态评估、故障或失效诊断、失效过程分析、预测诊断、维护和运行决策支持等功能。

目前，国内对PHM研究尚处于概念分析和梳理、跟踪国外研究的阶段，实质性进展不多；一些诸如新型传感、故障建模、寿命建模、健康管理等技术尚缺乏深入研究。

发明内容

为克服上述现有技术中的不足，本发明目的在于提供一种基于大数据驱动的民航发动机故障诊断与健康管理系统。

为实现上述目的及其他相关目的，本发明提供一种基于大数据驱动的民航发动机故障诊断与健康管理系统，包括协议解析、实时监控、数据分析、故障诊断及发动机风扇配平模块；

所述协议解析包括报文信息解析、QAR数据解析、二进制bin文件的解析、燃机数据的解析；

所述实时监控是通过对录入的报文信息进行实时的分析，对正在飞行中发动机的运行状态进行实时监控，当发动机发生异常时可以及时报警；

所述数据分析通过对历史录入的数据进行分析，并将分析结果以图表加表格的形式展现在页面中；

所述故障诊断通过对录入QAR、报文、二进制文件数据的分析，生成诊断报告，达到预判故障的目的；

所述发动机风扇配平模块包括螺钉方案维护、振动信号采集、风扇不衡量计算及配平螺钉分布。

进一步地，所述故障诊断包括数据挖掘和信息融合；所述数据挖掘提取出数据作为信息融合的输入。

进一步地，所述协议解析中不同文件对应不同的解析规则。

进一步地，所述发动机风扇配平模块中，

所述螺钉方案维护，是指建立螺钉方案数据库，以本地数据库方式保存数据；

所述振动信号采集，是指连接EMU并从其中接收振动信号；

所述风扇不平衡量计算，是指将采集到的振动信号解析到风扇不平衡量和相位，再结合转速通过风扇配平算法综合得出不平衡量和相位；

所述风扇配平螺钉分布，是指加载配平螺钉分布算法结合螺钉配置库螺钉信息，计算出不同风扇叶片的配平螺钉分布信息。

由于上述技术方案运用，本发明与现有技术相比具有的有益效果如下：

1、本发明系统基于大数据技术将极大程度提升装备的故障诊断与健康预测能力，加快基于状态的维修模式的推广应用，降低维修保障费用，是科学技术转换为生产力的一次最佳实践。

2、本发明故障预测与健康管理是信息技术在故障诊断系统中综合利用的成果，是集系统测试、监控、诊断、预测及维修决策于一体的系统，其最初侧重应用于电子系统中，后来扩展到在电子、机械及动力等各种主要系统的应用。

3、本发明系统主要是利用数据挖掘和信息融合的手段提高发动机故障诊断的精确性和可信度，实现发动机的故障诊断与健康管理；研究将人工智能的数据挖掘方法运用于航空发动机的故障诊断中，识别并利用正常状态下的发动机飞行数据，建立航空发动机性能评价模型，能够综合各种评价指标对发动机的运行状态做出评估，通过充分抽取发动机飞行数据的变化趋势，评估发动机整机和主要部件故障与否及性能衰退情况。本发明系统能够帮助航空公司地面航站基地对发动机的维修信息进行跟踪管理，简化并优化故障诊断工作，提高发动机故障诊断的精确性和可信度；提供更为积极的预防性维修措施，减少非定期的维修任务，从而提高维修可靠性，降低维修成本。

4、本发明系统基于大数据驱动的民用航空发动机故障诊断与健康管理系统基于收集的海量实际发动机历史状态数据，包括但不限于气路传感器、滑油/燃油系统传感器、振动传感器数据等，运用数理统计方法对原始数据进行预处理工作，以消除隐藏在数据中的不利因素，例如人为误差、环境因素、传感器精度不足等影响对于数据的干扰。考虑到发动机数据的复杂性，对数据做分组选择和数据转换，达到简化数据的目的。研究将人工智能的数据挖掘方法运用于航空发动机的故障诊断中，识别并利用正常状态下的发动机飞行数据，建立航空发动机性能评价模型，能够综合各种评价指标对发动机的运行状态做出评估，通过充分抽取发动机飞行数据的变化趋势，评估发动机整机和主要部件故障与否及性能衰退情况。

说明书附图

图1为本发明系统架构示意图；

图2为本发明实施例文件解析流程示意图；

图3为本发明实施例数据分析流程示意图；

图4为本发明实施例故障诊断流程示意图；

图5为本发明实施例螺钉方案维护流程图；

图6为本发明实施例振动信号采集流程示意图图；

图7为本发明实施例风扇不衡量计算流程示意图；

图8为本发明实施例配平螺钉分布流程示意图。

具体实施方式

以下结合附图，由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

实施例：

本发明搭建大数据系统硬件基础环境，以满足数据量级日益攀升的长期需求，适应分布式存储与计算的发展趋势；同期搭建大数据支撑平台，实现底层数据相关操作的封装，以满足分布式计算与分析的要求；在此基础之上，再构建健康管理应用业务系统，进行实际业务需求的实现与对接，最终形成统一的健康管理大数据分析系统。

本发明基于海量的实际历史状态数据（远远超过传统关系型数据库处理能力），进行数据的采集、解析、预处理、分析、比对、转换、计算、存储，并实现高效的数据查询、算法处理、统计分析与展示；同时将人工智能的数据挖掘方法运用于航空系统的故障诊断中，识别并利用正常状态下的运行数据，建立性能评价模型。

如图1-图8所示，一种基于大数据驱动的民航发动机故障诊断与健康管理系统，包括协议解析、实时监控、数据分析、故障诊断及发动机风扇配平模块；如图1所示，按照MVC设计思想，分为三层架构，应用web服务层，提供页面与用户进行人机交互， javaee层提供后台逻辑，为前台页面提供数据支撑。数据层，数据层采用TDH大数据中间件，对结构化数据进行表存储，非结构化数据提供文件存储；

所述协议解析包括报文信息解析、QAR数据解析、二进制bin文件的解析、燃机数据的解析；不同文件对应不同的解析规则。所述实时监控是通过对录入的报文信息进行实时的分析，对正在飞行中发动机的运行状态进行实时监控，当发动机发生异常时可以及时报警。

如图2所示，所述文件解析模块数据接收接口为通过FTP协议，将报文信息，QAR信息，二进制bin文件，新数据格式文件上传到应用服务器。一旦飞机飞行时，会定期（间隔20分钟左右）将发动机相关参数的状态值合成固定格式的报文发给地面综合诊断系统。用特定的解析协议对报文解析后将发动机相关数据存入数据库，然后将该报文文件备份。对取得的每个参数值进行检验处理，当该参数值触发报警条件时，对关联人员发送邮件进行报警。DB偏差值的绝对值大于2，则进入报警处理。偏差值算法需要可以配置关键参数，实现算法的动态调整。

如图3所示，所述数据分析通过对历史录入的数据进行分析，并将分析结果以图表加表格的形式展现在页面中；所述数据分析模块利用highchart实现图表的渲染，设定好查询条件后，后台会将数据进行分析，转化为特定格式的json数据，返回数据到前台，前台页面对json进行解析，解析之后将不同模块的数据显示在页面的不同位置。

所述故障诊断通过对录入QAR、报文、二进制文件数据的分析，生成诊断报告，达到预判故障的目的；所述故障诊断包括数据挖掘和信息融合；所述数据挖掘提取出数据作为信息融合的输入。

如图4所示，所述故障诊断包括以下步骤：

1、故障诊断算法链定义：算法链在算法管理中进行定义，定义完成之后，在信息融合和数据挖掘中可以进行选择。页面中的算法链下拉会异步从数据库中提取定义好的算法链，算法链和算法存储在算法表中，通过算法类型字段进行区分。

2、算法链的参数绑定：选择算法链之后，页面会显示出算法定义的输入参数类型列表。在左侧可以选择数据源，从不同的数据源中提取数据。数据分分为：QAR文件，bin文件，QAR关键参数，bin关键参数，当选择qar文件时，会根据查询条件查询出字段进行参数绑定，绑定之后会将数据提取出来，传入到算法中。

Java实现对C的算法调用，用sun公司的开源类库，jna（java native access），jna是基于jdk中的jni接口开发，可以动态的将c的共享库加载到内存中，利用java的反射机制，实现对动态库中函数的调用，返回值会转化成java中的数据类型。

所述发动机风扇配平模块包括螺钉方案维护、振动信号采集、风扇不衡量计算及配平螺钉分布。

如图5所示，所述螺钉方案维护，是指建立螺钉方案数据库，以本地数据库方式保存数据；创建配平方案表来存放配平方案信息，创建螺钉信息表存放螺钉信息。通过UI实现对表中信息的维护。

如图6所示，所述振动信号采集，是指连接EMU并从其中接收振动信号；风扇配平模块功能集成在Pmat软件中，通过工具栏上的按钮作为入口。其所用到的来自EMU的数据都是通过Pmat接收的数据作为数据源，相应的通讯也是复用Pmat的通讯。风扇配平模块设置指定的Pmat接收的数据信号通道。在接收到振动信号值后，调用第三方接口方法计算风扇不平衡量和相位，并显示出来。

如图7所示，所述风扇不平衡量计算，从EMU获取不同转速数据和振动信号数据，是指将采集到的振动信号解析到风扇不平衡量和相位，再结合转速通过风扇配平算法综合得出不平衡量和相位。

如图8所示，所述风扇配平螺钉分布，是指加载配平螺钉分布算法结合螺钉配置库螺钉信息，计算出不同风扇叶片的配平螺钉分布信息；根据风扇配平算法和不同转速下和不平衡量、相位，计算得到风扇不平衡量的大小和相位。

本发明系统基于大数据技术将极大程度提升装备的故障诊断与健康预测能力，加快基于状态的维修模式的推广应用，降低维修保障费用，是科学技术转换为生产力的一次最佳实践。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (4)

1.一种基于大数据驱动的民航发动机故障诊断与健康管理系统，其特征在于：包括协议解析、实时监控、数据分析、故障诊断及发动机风扇配平模块；

所述协议解析包括报文信息解析、QAR数据解析、二进制bin文件的解析、燃机数据的解析；

所述实时监控是通过对录入的报文信息进行实时的分析，对正在飞行中发动机的运行状态进行实时监控，当发动机发生异常时可以及时报警；

所述数据分析通过对历史录入的数据进行分析，并将分析结果以图表加表格的形式展现在页面中；

所述故障诊断通过对录入QAR、报文、二进制文件数据的分析，生成诊断报告，达到预判故障的目的；

所述发动机风扇配平模块包括螺钉方案维护、振动信号采集、风扇不衡量计算及配平螺钉分布。

2.根据权利要求1所述的基于大数据驱动的民航发动机故障诊断与健康管理系统，其特征在于：所述故障诊断包括数据挖掘和信息融合；所述数据挖掘提取出数据作为信息融合的输入。

3.根据权利要求1所述的基于大数据驱动的民航发动机故障诊断与健康管理系统，其特征在于：所述协议解析中不同文件对应不同的解析规则。

4.根据权利要求1所述的基于大数据驱动的民航发动机故障诊断与健康管理系统，其特征在于：所述发动机风扇配平模块中，

所述螺钉方案维护，是指建立螺钉方案数据库，以本地数据库方式保存数据；

所述振动信号采集，是指连接EMU并从其中接收振动信号；

所述风扇不平衡量计算，是指将采集到的振动信号解析到风扇不平衡量和相位，再结合转速通过风扇配平算法综合得出不平衡量和相位；

所述风扇配平螺钉分布，是指加载配平螺钉分布算法结合螺钉配置库螺钉信息，计算出不同风扇叶片的配平螺钉分布信息。