CN110276125A - 基于数据的航空发动机整机性能衰退评估与预测方法 - Google Patents

Abstract

本公开提供一种基于数据的航空发动机整机性能衰退评估与预测方法，包括以下步骤：S1：选择与发动机整机性能衰退相关的测量参数作为评估参数，基于评估参数建立发动机整机性能衰退监控指标树，并将评估参数依据对发动机性能衰退的影响程度设定权重指标；S2：从同一架飞机一个水洗周期内的飞行数据中，选取不同飞行架次相同工况的评估参数构建评估样本；S3：以评估样本数据的第一个数据为基准，求其他数据与该基准的距离，并将该距离数据归一化来定义发动机整机性能衰退指标；S4：采用基于人工神经网络的算法，利用在步骤S2中构建的评估样本和在步骤S3中定义的衰退指标，构建发动机整机性能衰退预测模型进行发动机整机性能衰退预测。

Description

基于数据的航空发动机整机性能衰退评估与预测方法

技术领域

本公开涉及航空发动机健康管理技术领域，尤其涉及一种基于数据的航空发动机整机性能衰退评估与预测方法。

背景技术

航空发动机长时间工作在高温、高压、高转速、高负荷等恶劣条件下，其可靠性和安全性是保障飞行安全的重要指标。航空发动机的维修成本很高，为保障在役发动机的安全性与可靠性，发动机故障预测与健康管理(Prognostic and Health Management，PHM)是一个行之有效的解决方案。发动机性能衰退是在长时间运行过程中，由于磨损、蠕变、腐蚀、振动等原因造成的部件流通能力下降或效率降低，进而导致发动机整机的性能衰退。发动机性能衰退评估与预测是PHM的重要功能，其原理是通过分析监控数据，综合利用发动机模型信息评估性能衰退程度，同时利用性能衰退指标，对发动机剩余寿命进行预测。

整机性能衰退与评估包括基于模型和数据驱动两类方法。其中基于模型的方法是在已知发动机性能模型的条件下，通过测量参数详细估计发动机核心部件性能退化，在此基础上评估整机的性能衰退，该方法强烈依赖发动机模型。数据驱动的评估方法，可根据测量参数直接评估整机性能衰退。但是现有的数据驱动评估方法，仅是利用监控系统中排气温度裕度变化趋势评估整机性能，很难实现发动机性能的精细化监控。

发明内容

为了解决至少一个上述技术问题，本公开提供一种基于飞行记录仪数据的航空发动机整机性能衰退评估与预测方法，综合利用与发动机性能衰减相关的其他监控参数如环境参数、气路参数、运行参数等评估整机性能衰退状况，同时利用神经网络算法对整机性能进行预测，解决了传统方法中靠单一排气温度裕度指标评估的不精细问题，为发动机性能提供了更优化的监控方法，具有较强的工程应用价值。本公开通过以下技术方案实现：

根据本公开的一个方面，基于数据的航空发动机整机性能衰退评估与预测方法包括以下步骤：

S1：选择与发动机整机性能衰退相关的测量参数作为评估参数，基于评估参数建立发动机整机性能衰退监控指标树，并将评估参数依据对发动机性能衰退的影响程度设定权重指标；

S2：从同一架飞机一个水洗周期内的飞行数据中，选取不同飞行架次相同工况的评估参数构建评估样本；

S3：以评估样本数据的第一个数据为基准，求其他数据与该基准的距离，并将该距离数据归一化来定义发动机整机性能衰退指标；

S4：采用基于人工神经网络的算法，利用在步骤S2中构建的评估样本和在步骤S3中定义的衰退指标，构建发动机整机性能衰退预测模型进行发动机整机性能衰退预测。

根据本公开的至少一个实施方式，步骤S1包括如下步骤：

S11：依据发动机运行机理从与发动机整机性能衰退相关的测量参数中选择评估参数并构建监控指标树，与发动机整机性能衰退相关的测量参数包括：环境参数、气路参数、运行参数、飞行状态参数和其他性能参数；

S12：为监控指标树中的环境参数、气路参数、运行参数、飞行状态参数和其他性能参数选择权重系数。

根据本公开的至少一个实施方式，环境参数包括机场高度和温度；气路参数包括高压轴转速、低压轴转速和发动机排气温度；运行参数包括起飞前发动机排气温度、发动机运行循环数和发动机运行小时数；飞行状态参数包括样本点所对应的高度、马赫数、进口总温和进口总压；其他参数包括燃油流量。

根据本公开的至少一个实施方式，步骤S2包括如下步骤：

S21：从历史飞行数据中，依据预定的选取规则批量选取不同飞行架次相同工况的数据点，构成评估样本；

S22：将评估样本数据换算到相同进口条件下，以使不同飞行架次的数据具有可对比性；

S23：将评估样本数据对齐到同一起飞状态，以使评估样本数据具有可对比性。

根据本公开的至少一个实施方式，在S21中，选择飞机起飞状态下的最后一个点的数据构成评估样本。

根据本公开的至少一个实施方式，步骤S3包括如下步骤：

S31：以评估样本数据的第一个数据为基准，求所有样本与基准的欧式距离，在求欧式距离时，结合评估参数的权重系数；

S32：将欧式距离归一化到[0,1]之间，定义发动机整机性能衰退指标。

根据本公开的至少一个实施方式，基于评估参数的权重系数计算欧式距离：

式中，D表示样本矩阵的欧式距离向量；表示参数m在第t飞行架次时的值与第1飞行架次的值的欧式距离；w表示评估参数的权重系数；表示第j个参数m在第t飞行架次时的值；j＝1,2,…,12；t＝1,2,…,N；N表示飞行架次。

根据本公开的至少一个实施方式，步骤S4包括如下步骤：

S41：定义神经网络结构及误差函数；

S42：依据实际应用场景划分训练样本与预测样本并训练神经网络模型；

S43：验证发动机的性能衰退预测模型精度。

根据本公开的至少一个实施方式，误差函数选择衰退指标的均方误差MSE：

式中，DI_predict表示预测衰退指标，DI_observe表示实测衰退指标，N表示飞行架次。

根据本公开的至少一个实施方式，将评估样本数据的前80％作为训练样本构建训练集，将评估样本数据的剩余20％作为预测样本构建预测集。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是根据本公开的至少一个实施方式的基于数据的航空发动机整机性能衰退评估与预测方法的实施流程图。

图2是根据本公开的至少一个实施方式的步骤S1的具体实施步骤流程图。

图3是根据本公开的至少一个实施方式的步骤S2的具体实施步骤流程图。

图4是根据本公开的至少一个实施方式的步骤S3的具体实施步骤流程图。

图5是根据本公开的至少一个实施方式的步骤S4的具体实施步骤流程图。

图6是根据本公开的至少一个实施方式的发动机性能衰退监控指标树示意图。

图7是根据本公开的至少一个实施方式的发动机性能衰退指标与飞行架次关系图。

图8是根据本公开的至少一个实施方式的神经网络结构示意图。

图9是根据本公开的至少一个实施方式的样本集划分示意图。

图10是根据本公开的至少一个实施方式的四台发动机真实衰退指标和预测衰退指标的对比图。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

在本公开的一个实施方式中，如图1所示，评估与预测航空发动机整机性能衰退程度通过以下方法步骤实现：

S1：发动机整机性能衰退评估参数选择。从发动机运行机理角度出发，选择与整机性能衰退相关的测量参数作为评估参数，并建立整机性能衰退监控参数指标树，将指标树中的参数依据对性能衰退的影响程度设定权重指标；

S2：依据步骤S1中选定的评估参数构建评估样本。从同一架飞机一个水洗周期内的飞行数据中，选取不同飞行架次相同工况的评估参数，构建可信的评估样本；

S3：发动机整机性能衰退指标(衰减指标)定义。采用基于测量参数距离的方法定量计算发动机性能衰减程度，该方法的核心是，将发动机初始运行第一次的数据视为完全健康，求其他样本数据与第一次运行数据的距离，并将该距离数据归一化，可得到同一台发动机的衰减序列指标DI。具体的，以评估样本数据的第一个数据为基准，求其他数据与该基准数据的欧式距离，并将该距离数据归一化来定义发动机整机性能衰退指标；

S4：发动机整机性能衰退预测。采用基于人工神经网络的算法，利用在步骤S2中构建的评估样本和在步骤S3中定义的衰退指标，构建发动机整机性能衰退预测模型，基于该预测模型进行发动机整机性能衰退预测。

在本公开的一个实施方式中，如图2所示，上述步骤S1包括以下具体步骤：

S11：依据发动机运行机理从测量参数中选择用于评估的相关参数，即评估参数，并基于该评估参数构建监控指标树。

优选的，与发动机整机性能衰退相关的测量参数可以选择环境参数、气路参数、运行参数、飞行状态参数和其他参数。其中，环境参数包括机场高度ALT0和温度TAT0；气路参数包括高压轴转速N2，低压轴转速N1和发动机排气温度EGT；运行参数包括起飞前发动机排气温度EGT0，发动机运行循环数ECYC和发动机运行小时数EHRS；飞行状态参数包括样本点所对应的高度ALT、马赫数Ma、进口总温TAT和进口总压PT；其他参数包括燃油流量FF；如图6所示，将与发动机整机性能衰退相关的上述测量参数整理为监控指标树。

S12：制定发动机性能监控指标树中不同子节点的权重系数。即为性能监控指标树中的评估参数制定权重系数，其中环境参数、气路参数、运行参数、飞行状态参数和其他参数的权重系数分别为w1、w2、w3、w4和w5，同时，权重系数之和满足：w1+w2+w3+w4+w5＝1。

在本公开的一个实施方式中，为保证评估样本数据的可对比性，预先设定了样本数据点的选取规则，并针对不同架次飞机减推力起飞的情形，依据发动机控制规律对样本数据进行修正，最终构建出可信的评估样本。具体的，如图3所示，上述步骤S2包括以下具体步骤：

S21：制定测量参数样本选取规则。从历史飞行数据中，依据预定规则批量选取不同飞行架次相同工况的数据点，构成评估样本。本实施方式选取起飞工况下最大功率状态的测量参数数据构建评估样本。

优选的，由于发动机在起飞阶段，起飞状态持续时间较短(1分钟之内)，此时发动机处于非稳态，过渡态温度的最高数值并不能代表发动机最大功率状态，因此，优选起飞状态结束且过渡到爬升状态之前的工况下的发动机状态点数据构建评估样本，即飞机起飞状态下的最后一个点的数据。

S22：样本相似性变换。将评估样本数据换算到相同进口条件下，以使不同飞行架次的数据具有可对比性。换算公式如下式1所示:

式中，N1cor表示低压换算转速，N2cor表示高压换算转速，EGTcor表示排气温度换算转速，FFcor表示燃油流量换算转速，δ_t表示压力换算系数，θ_t表示温度换算系数，EGT表示发动机排气温度，N1表示低压轴转速，N2表示高压轴转速，FF表示燃油流量，TAT表示进口总温，PT表示进口总压。

S23：样本参数起飞状态对齐。该步骤主要调整发动机气路参数和其他参数，以便将所有评估样本数据对齐到同一起飞状态，使其具有可对比性，该状态应是发动机起飞后达到稳定的最大状态，本实施方式认为飞机起飞状态下的最后一个点是稳定的最大状态。

由于同一台发动机在起飞状态不同载重条件下，发动机可依据实际载重进行减推力起飞，因此不同起飞状态下发动机的输出最大功率是不同的。发动机的不同起飞功率通过发动机油门杆控制低压换算转速实现(GE发动机)，在输出功率不同时，不同样本之间无可比性。由于同一台发动机的控制规律具有不变性，因此可依据样本拟合的基线模型，将评估样本中的测量参数修正到同一起飞功率下，实现各测量参数状态对齐，最终基于修正后的数据构建可信的评估样本。修正公式如下式2所示：

EGTcor_x＝(N1cor_x-N1cor)*a₁+EGTcor

N2cor_x＝(N1cor_x-N1cor)*a₂+N2cor

FFcor_x＝(N1cor_x-N1cor)*a₃+FFcor 式2

式中，EGTcor_x、N2cor_x、FFcor_x表示修正后的换算排气温度值、换算高压转算值、换算燃油流量值；N1cor_x表示海平面标准状态，最大载重量下起飞功率对应的低压换算转速值；a₁、a₂、a₃表示依据基线模型得出的修正系数。

在本公开的一个实施方式中，如图4所示，上述步骤S3包括以下具体步骤：

S31：以评估样本数据的第一个数据为基准，求所有的样本数据与该基准数据的欧式距离。将修正后的样本参数构成样本向量，由于在上述步骤S23中状态对齐的时候低压换算转速N1cor已变换到相同的数值下，因此，在样本向量中将低压换算转速Nlcor去除，最后将样本向量组合构成样本矩阵M：

M＝[ALT0，TAT0，ALT，Ma，TAT，PT，N2corx，EGTcorx，EGT0，ECYC，EHRS，FFcorx]_N*12

其中，ALT0表示机场高度，TAT0表示机场温度，Ma表示马赫数，TAT表示进口总温，ALT表示样本点所对应的机场高度，PT表示进口总压，EGTcor_x、N2cor_x、FFcor_x表示修正后的换算排气温度值、换算高压转算值、换算燃油流量值，EGT0表示起飞前发动机排气温度，ECYC表示发动机运行循环数，EHRS表示发动机运行小时数。

由于传感器测量参数的量级差异较大，因此，为了有效分析每个参数，需对每列评估参数归一化处理：

M_norm＝(m¹，m²，...m^j...，m¹²)

式中，M_norm表示归一化后的评估样本矩阵，m¹，m²，...m^j...，m¹²表示归一化后的评估样本矩阵中的列向量，M_i，j表示原始评估样本矩阵M中的第t行第j列的值，(M_j)_min表示M矩阵中第j列的最小值，(M_j)_max表示M矩阵中第j列的最大值。

以评估样本数据的第一个数据为基准，求所有样本数据与基准数据的欧式距离。求欧式距离时，将在步骤S12中设定的监控指标树中的参数权重融合到欧式距离中：

式中，D表示样本矩阵的欧式距离向量；表示参数m在第t飞行架次时的值与第1飞行架次的值的欧式距离；w表示评估参数的权重系数；表示第j个参数m在第t飞行架次时的值；j＝1，2，...，12；t＝1，2，...，N；N表示飞行架次。

S32：将距离向量D归一化得到D_norm向量，定义衰减指标，并获取衰减指标曲线，如图7所示。具体的，将步骤S31中求出的欧式距离归一化到[0，1]之间，定义发动机整机性能衰减指标序列DI，其中：

DI＝1-D_norm

D_norm＝[D_norm1，...，D_normt，...，D_normN]

式中，D_norm表示归一化的欧式距离向量，D_normt表示D_norm中的第t个值，D_t表示距离向量D的第t个值，(D)_min表示距离向量D的最小值，(D)_max表示距离向量D的最大值。

在本公开的一个实施方式中，如图5所示，上述步骤S4包括以下具体步骤：

S41：定义神经网络结构及误差函数。定义人工神经网络的结构，如图8所示，包含3个隐藏层，每个隐藏层分别包含6、4、1个单元，在图8中i＝12，j＝6，k＝4，l＝1。误差函数选择衰退指标的均方误差MSE：

式中，DI_predict表示预测衰退指标，DI_observe表示实测衰退指标，N表示飞行架次。

S42：依据实际应用场景划分训练样本与预测样本，并训练神经网络模型。

优选的，在构建预测模型过程中，将样本数据的前80％作为训练样本构建训练集；将评估样本数据的剩余20％作为预测样本构建预测集，如图9所示。然后利用三个隐藏层神经网络训练模型。该模型可直接利用测量参数预测出发动机的性能衰退程度。

S43：验证发动机的性能衰退预测模型精度。

本实施方式分析一架飞机的四台发动机的性能衰退预测模型精度。通过四台发动机分别构建的评估样本数据，依据步骤S42分别训练预测模型，得到四台发动机在一个水洗周期内的整机性能衰减预测模型。利用每个评估样本集中划分的20％的预测数据，分别验证预测模型的精度。四台发动机的训练集误差函数与预测集误差函数的比较结果如下表1所示，预测衰退指标与真实衰退指标的对比如图10所示，衰减指标的预测精度在95％以上。

表1四台发动机训练集误差函数与预测集误差函数比较

综上所述，本公开的基于数据的航空发动机整机性能衰退评估与预测方法，在发动机整机性能衰退评估参数选择中考虑了除发动机排气温度以外的其他与性能相关的测量参数，并构建了监控指标树，可依据对发动机性能的影响程度设定参数权重；在构建评估样本的过程中，建立了选取不同飞行架次相同工况下的测量参数的选取规则，并针对减推力起飞情形修正样本数据；在整机性能衰退指标定义中，定义了基于测量参数距离的发动机性能定量衡量指标；最后建立了包含三层隐含层的整机性能衰退预测模型。本公开技术方案适用于民航飞机的发动机整机性能衰退评估与预测，在已知发动机历史测量数据的前提下，依据当前测量参数直接评估发动机的整机性能，并预测衰减程度，建立更加精细化的监控手段，为进一步维修提供依据。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (10)

1.一种基于数据的航空发动机整机性能衰退评估与预测方法，其特征在于，包括以下步骤：

S1：选择与发动机整机性能衰退相关的测量参数作为评估参数，基于所述评估参数建立发动机整机性能衰退监控指标树，并将所述评估参数依据对发动机性能衰退的影响程度设定权重指标；

S2：从同一架飞机一个水洗周期内的飞行数据中，选取不同飞行架次相同工况的所述评估参数构建评估样本；

S3：以所述评估样本数据的第一个数据为基准，求其他数据与该基准的距离，并将该距离数据归一化来定义发动机整机性能衰退指标；

S4：采用基于人工神经网络的算法，利用在步骤S2中构建的所述评估样本和在步骤S3中定义的所述衰退指标，构建发动机整机性能衰退预测模型进行发动机整机性能衰退预测。

2.根据权利要求1所述的方法，其特征在于，步骤S1包括如下步骤：

S11：依据发动机运行机理从与发动机整机性能衰退相关的测量参数中选择所述评估参数并构建所述监控指标树，与发动机整机性能衰退相关的测量参数包括：环境参数、气路参数、运行参数、飞行状态参数和其他性能参数；

S12：为所述监控指标树中的环境参数、气路参数、运行参数、飞行状态参数和其他性能参数选择权重系数。

3.根据权利要求2所述的方法，其特征在于，所述环境参数包括机场高度和温度；所述气路参数包括高压轴转速、低压轴转速和发动机排气温度；所述运行参数包括起飞前发动机排气温度、发动机运行循环数和发动机运行小时数；所述飞行状态参数包括样本点所对应的高度、马赫数、进口总温和进口总压；所述其他参数包括燃油流量。

4.根据权利要求1所述的方法，其特征在于，步骤S2包括如下步骤：

S21：从历史飞行数据中，依据预定规则批量选取不同飞行架次相同工况的数据点，构成所述评估样本；

S22：将所述评估样本数据换算到相同进口条件下，以使不同飞行架次的数据具有可对比性；

S23：将所述评估样本数据对齐到同一起飞状态，以使所述评估样本数据具有可对比性。

5.根据权利要求4所述的方法，其特征在于，

在S21中，选择飞机起飞状态下的最后一个点的数据构成所述评估样本。

6.根据权利要求1所述的方法，其特征在于，步骤S3包括如下步骤：

S31：以所述评估样本数据的第一个数据为基准，求所有样本与所述基准的欧式距离，在求欧式距离时，结合所述评估参数的权重系数；

S32：将所述欧式距离归一化到[0,1]之间，定义发动机整机性能衰退指标。

7.根据权利要求6所述的方法，其特征在于，

基于所述评估参数的权重系数计算所述欧式距离：

式中，D表示样本矩阵的欧式距离向量；表示参数m在第t飞行架次时的值与第1飞行架次的值的欧式距离；w表示评估参数的权重系数；表示第j个参数m在第t飞行架次时的值；j＝1,2,…,12；t＝1,2,…,N；N表示飞行架次。

8.根据权利要求1所述的方法，其特征在于，步骤S4包括如下步骤：

S41：定义神经网络结构及误差函数；

S42：依据实际应用场景划分训练样本与预测样本并训练神经网络模型；

S43：验证发动机的性能衰退预测模型精度。

9.根据权利要求8所述的方法，其特征在于，

所述误差函数选择所述衰退指标的均方误差MSE：

式中，DI_predict表示预测衰退指标，DI_observe表示实测衰退指标，N表示飞行架次。

10.根据权利要求8所述的方法，其特征在于，

将所述评估样本数据的前80％作为所述训练样本构建训练集，将所述评估样本数据的剩余20％作为预测样本构建预测集。