CN111144018B - 一种基于航后数据的航空发动机整机剩余性能提取方法 - Google Patents

一种基于航后数据的航空发动机整机剩余性能提取方法 Download PDF

Info

Publication number
CN111144018B
CN111144018B CN201911398282.4A CN201911398282A CN111144018B CN 111144018 B CN111144018 B CN 111144018B CN 201911398282 A CN201911398282 A CN 201911398282A CN 111144018 B CN111144018 B CN 111144018B
Authority
CN
China
Prior art keywords
egtm
data
engine
performance
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201911398282.4A
Other languages
English (en)
Other versions
CN111144018A (zh
Inventor
莫李平
卿新林
王奕首
刘凯伟
王奕惟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201911398282.4A priority Critical patent/CN111144018B/zh
Publication of CN111144018A publication Critical patent/CN111144018A/zh
Application granted granted Critical
Publication of CN111144018B publication Critical patent/CN111144018B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明涉及航空发动机整体性能检测技术领域，特别涉及一种基于航后数据的航空发动机整机剩余性能提取方法，包括以下步骤：S100、对起飞报提供的EGTM时间序列进行预处理，具体包括EGTM时间序列的异常值处理、缺失值处理和降噪处理；S200、基于预处理后的EGTM时间序列和水洗维修记录建立可恢复性能模型；S300、结合S200的可恢复性能模型，从预处理后的EGTM序列中提取剩余性能。本发明提供的基于航后数据的航空发动机整机剩余性能提取方法有助于研究航空发动机衰退规律，对于进一步掌握航空发动机性能衰退规律有重要意义，实现了航空发动机的状态监控和健康管理，从而提高飞行安全，降低了航空发动机的使用成本。

Description

一种基于航后数据的航空发动机整机剩余性能提取方法
技术领域
本发明涉及航空发动机整体性能检测技术领域，特别涉及一种基于航后数据的航空发动机整机剩余性能提取方法。
背景技术
航空发动机是飞机的心脏，作为飞机主要动力来源，其工作状态直接影响飞行安全。航空发动机的整体性能随着服役时间的增加逐渐衰退。研究其性能衰退规律对于航空发动机的状态监控和健康管理都有重要的意义。
航空发动机整机性能一般通过发动机的排气温度裕度(Exhaust gastemperature margin，EGTM)进行评估。当前的发动机健康管理系统通过监测发动机的EGTM对发动机的整机性能进行监测。研究发现，在发动机的服役阶段EGTM除了受到气路间隙变化、气路泄漏、叶片烧蚀等不可恢复衰退因素影响外，还受到发动机气路积灰、积垢等可恢复衰退因素的影响。因此使用EGTM对发动机整机性能进行评估时，并没有考虑可恢复衰退因素的影响。如图1所示，发动机实际的剩余性能是EGTM与可恢复衰退量的叠加。相比于EGTM，剩余性能的变化更能表征发动机内在的衰退规律。
因此，需要一种能够结合航空起飞报中的EGTM序列和维修记录中的水洗记录对航空发动机整机剩余性能的提取方法。
发明内容
为解决上述背景技术中所提到的对航空发动机整机剩余性能进行提取的问题，本发明提供一种基于航后数据的航空发动机整机剩余性能提取方法，包括以下步骤：
S100、对起飞报提供的EGTM时间序列进行预处理，具体包括EGTM时间序列的异常值处理、缺失值处理和降噪处理；
S200、基于预处理后的EGTM时间序列和水洗维修记录建立可恢复性能模型；
S300、结合S200的可恢复性能模型，从预处理后的EGTM序列中提取剩余性能。
在上述方案的技术上，优选地，步骤S100中，设Y＝EGTM，异常值处理的方法为：
S111、移动平均法计算平滑后的数据
Figure BDA0002346883620000021
S112、获取移动平均数据的平方值
Figure BDA0002346883620000022
S113、先对数据进行平方计算，然后再使用移动平均的方法计算得到
Figure BDA0002346883620000023
S114、计算
Figure BDA0002346883620000024
和的
Figure BDA0002346883620000025
的差值，并对该差值开根号得到Sk，
Figure BDA0002346883620000026
S115、K为常数，通过设定系数K，根据以下式子对数据进行检查，若满足下式，则判定Y(k+1)为正常值，否则判定Y(k+1)为异常值：
Figure BDA0002346883620000027
S116、根据S160的判断结果，保留正常值的数据，删除异常值的数据，即完成了异常值处理。
在上述方案的技术上，优选地，S111中用5项移动平均法计算平滑后的数据
Figure BDA0002346883620000031
Figure BDA0002346883620000032
S112中用5项获取移动平均数据的平方值
Figure BDA0002346883620000033
Figure BDA0002346883620000034
S113中先对数据进行平方计算，然后再使用5项移动平均的方法计算得到
Figure BDA0002346883620000035
Figure BDA0002346883620000036
在上述方案的技术上，优选地，步骤S100中，设Y＝EGTM，缺失值处理的方法为：
S121、选取5个与EGTM相关的变量组成自变量矩阵X，将EGTM设为因变量Y，所述5个与EGTM相关的变量包括发动机排气温度EGT，气压高度ALT，飞行马赫数M，发动机进口温度，发动机减推力量TD，设n组样本， X为5*n的矩阵，Y为1*n的向量：
Figure BDA0002346883620000037
S122、计算矩阵X中各个变量的最大值和最小值，并组成矩阵MIN和矩阵MAX：
Figure BDA0002346883620000038
Figure BDA0002346883620000041
S123、对矩阵X进行归一化得到Xstd：
Figure BDA0002346883620000042
S124、根据Y是否缺失，将Xstd分为当Y缺失情况下的
Figure BDA0002346883620000043
和Y没有缺失情况下的
Figure BDA0002346883620000044
两个部分：
Figure BDA0002346883620000045
Figure BDA0002346883620000046
S125、对
Figure BDA0002346883620000047
中的每一个样本，通过下式计算与
Figure BDA0002346883620000048
所有样本的欧式距离：
Figure BDA0002346883620000049
式中的dist(i,j)为第
Figure BDA00023468836200000411
中的第i个样本与
Figure BDA00023468836200000412
中第j个样本的欧式距离；
S126、对
Figure BDA00023468836200000413
中的每一个样本，根据S125中计算的距离，选取3个距离最近情况下的所对应的
Figure BDA00023468836200000414
作为
Figure BDA00023468836200000415
的3个最近邻；
S127、对
Figure BDA00023468836200000416
中的每一个样本，使用其3个最近邻的EGTM值得平均值对缺失数据进行填补：
Figure BDA00023468836200000410
式中
Figure BDA00023468836200000417
为第i个
Figure BDA00023468836200000418
在
Figure BDA00023468836200000419
上的最近邻所对应的EGTM，Ymiss(i)为第i个
Figure BDA00023468836200000420
的缺失填补值，即完成缺失值处理。
在上述方案的技术上，优选地，S100中，降噪处理的方法为：
S131、确定参与加权移动平均的长度M；
S132、确定移动平均权值[w1,w2,…wm]；
S133、根据以下式子进行加权移动平均，
Figure BDA0002346883620000051
式中的
Figure BDA0002346883620000055
为加权移动平均后的EGTM值。
在上述方案的技术上，优选地，S200中，可恢复性能建模的方法为：
S210、设水洗维修记录中有Q+1条维修记录，从维修记录中搜索发动机水洗记录，并记录水洗时间Twash(1)…Twash(Q+1)；
S220、根据水洗时间对预处理后的EGTM时间序列进行分段处理，具体划分方法如下：T(q)＝[Twash(q),Twash(q+1)],q≤Q；
式中T(q)为第q段数据的时间区间；
S230、在每一个数据段T(q)中，计算EGTM最大值出现的时间Tmax(q)到下一次水洗的时间Twash(q+1)内EGTM平均变化量k(q)。
Figure BDA0002346883620000052
Figure BDA0002346883620000053
Figure BDA0002346883620000054
式中Ymax(q)为数据段T(q)中EGTM的最大值；Tmax(q)为数据段T(q)中 EGTM最大值所对应的时间；k(q)为数据段T(q)的EGTM平均变化量；
S240、计算所有的数据段EGTM平均变化量k(q)的平均值
Figure BDA0002346883620000061
式中K为所有数据段EGTM平均变化量的平均值；
S250、假设在一次水洗间隔没有发生不可恢复衰退，则每一个数据段 T(q)内的可恢复性能模型为：
Figure BDA0002346883620000062
在上述方案的技术上，优选地，提取剩余性能的步骤为：
S310、获取每一个数据段T(q)内的EGTM最大值，以及最大值所对应的时间：
Figure BDA0002346883620000063
Figure BDA0002346883620000064
S320、使用
Figure BDA0002346883620000067
计算从上一次水洗Twash(q)到Tmax(q)的可恢复性能衰退量：
Figure BDA0002346883620000065
式中的
Figure BDA0002346883620000068
为数据段T(q)的可恢复衰退量；
S330、通过下式子计算在数据段T(q)的整机剩余性能：
Figure BDA0002346883620000066
式中的
Figure BDA0002346883620000069
为数据段T(q)中的整机剩余性能。
需要说明的是，本发明技术方案中提供的优选技术方案中，如异常值处理、缺失值处理、降噪处理、可恢复性能模型构建等，也可根据需要和实际情况采用其它的方案替代，本发明所提供的优选方案或其结合与现有技术相比能够更好且更精确地解决本发明所要解决的技术问题。
本发明提供的基于航后数据的航空发动机整机剩余性能提取方法有助于研究航空发动机衰退规律，对于进一步掌握航空发动机性能衰退规律有重要意义，实现了航空发动机的状态监控和健康管理，从而提高飞行安全，降低了航空发动机的使用成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为EGTM分解为可恢复性能和不可恢复衰退性能示意图；
图2为本发明提供的于航后数据的航空发动机整机剩余性能提取方法方案示意图；
图3为统计判别法异常值剔除方案示意图；
图4为k近邻缺失值填补流程图；
图5为预处理前后EGTM序列的对比图；
图6为根据水洗时间进行的数据段划分；
图7为预处理后EGTM序列的Ymax(q)值；
图8为剩余性能折线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供以下实施例：
在本实施方式中，引入某航空公司从2016年1月到2019年1月的发动机的起飞报数据和维修记录。起飞报中包含起飞时间、发动机排气温度 (Exhaust gas temperature，EGT)、气压高度(Altitude，ALT)、飞行马赫数 (Mach，M)、发动机进口温度(Total airtemperature，TAT)、发动机减推力量(Thrust derate，TD)和排气温度裕度(Exhaust gastemperature margin， EGTM)，维修记录包含了发动机进行水洗的时间。
如图1所示，本实施例的具体实现步骤如下：
步骤S100：由于受到外界众多因素的影响，起飞报中手机的EGTM时间序列往往包含异常值、缺失值和噪声，因此首先需要对起飞报中EGTM序列进行数据预处理。具体步骤如下：
使用统计判别法对EGTM序列中的异常值进行处理，统计判别法的流程如图3所示，具体为：
S111、用5项移动平均法计算平滑后的数据
Figure BDA0002346883620000081
Figure BDA0002346883620000082
S112、获取移动平均数据的平方值
Figure BDA0002346883620000083
Figure BDA0002346883620000084
S112、先对数据进行平方计算，然后再使用5项移动平均的方法计算得到
Figure BDA0002346883620000091
Figure BDA0002346883620000092
S114、计算
Figure BDA0002346883620000093
和的
Figure BDA0002346883620000094
的差值，并对该差值开根号得到Sk，
Figure BDA0002346883620000095
S115、K为常数，通过设定系数K，根据以下式子对数据进行检查，若满足下式，则判定Y(k+1)为正常值，否则判定Y(k+1)为异常值：
Figure BDA0002346883620000096
S116、根据S160的判断结果，保留正常值的数据，删除异常值的数据，即完成了异常值处理。
步骤S120，使用k最近邻的算法对缺失值进行填补，填补的流程图如图4所示，具体为：
S121、选取5个与EGTM相关的变量组成自变量矩阵X，将EGTM 设为因变量Y，所述5个与EGTM相关的变量包括发动机排气温度EGT，气压高度ALT，飞行马赫数M，发动机进口温度，发动机减推力量TD，设n组样本，X为5*n的矩阵，Y为1*n的向量：
Figure BDA0002346883620000097
S122、计算矩阵X中各个变量的最大值和最小值，并组成矩阵MIN 和矩阵MAX：
Figure BDA0002346883620000101
Figure BDA0002346883620000102
S123、对矩阵X进行归一化得到Xstd
Figure BDA0002346883620000103
S124、根据Y是否缺失，将Xstd分为当Y缺失情况下的
Figure BDA0002346883620000107
和Y没有缺失情况下的
Figure BDA0002346883620000108
两个部分：
Figure BDA0002346883620000104
Figure BDA0002346883620000105
S125、对
Figure BDA0002346883620000109
中的每一个样本，通过下式计算与
Figure BDA00023468836200001010
所有样本的欧式距离：
Figure BDA0002346883620000106
式中的dist(i,j)为第
Figure BDA00023468836200001011
中的第i个样本与
Figure BDA00023468836200001012
中第j个样本的欧式距离；
S126、对
Figure BDA00023468836200001013
中的每一个样本，根据步骤五计算的距离，选取3个距离最近情况下的所对应的
Figure BDA00023468836200001014
作为
Figure BDA00023468836200001015
的3个最近邻；
S127、对
Figure BDA00023468836200001016
中的每一个样本，使用其3个最近邻的EGTM值得平均值对缺失数据进行填补：
Figure BDA0002346883620000111
式中
Figure BDA0002346883620000113
为第i个
Figure BDA0002346883620000114
在
Figure BDA0002346883620000115
上的最近邻所对应的EGTM， Ymiss(i)为第i个
Figure BDA0002346883620000116
的缺失填补值，即完成缺失值处理。
步骤S130，使用加权移动平均技术进行EGTM序列的降噪处理，具体步骤如下：
S131、确定参与加权移动平均的长度M；
S132、确定移动平均权值[w1,w2,…wm]；
S133、根据以下式子进行加权移动平均，
Figure BDA0002346883620000112
式中的
Figure BDA0002346883620000117
为加权移动平均后的EGTM值。
图5为预处理前后EGTM序列的对比图，观察该图可知预处理去除了原始EGTM序列汇总异常值和缺失值，同时降低了数据的噪声。
步骤S200：发动机整机剩余性能是EGTM和可恢复性能衰退量的叠加，为提取剩余性能，首先要建立可恢复性能模型。具体步骤如下：
步骤S210：在2016年1月到2019年1月间，共有11条的水洗维修记录，11条维修记录的时间为Twash(1)…Twash(11)；
步骤S220：根据水洗时间对预处理后的EGTM时间序列进行分段处理，具体划分方法为：T(q)＝[Twash(q),Twash(q+1)],q≤11；
式中T(q)为第q段数据的时间区间。
根据水洗时间对EGTM时间序列进行分段的结果如图6所示。
步骤S230：在每一个数据段T(q)中，计算EGTM最大值出现的时
间Tmax(q)到下一次水洗的时间Twash(q+1)内EGTM平均变化量k(q)，图7
为每一个数据段出现EGTM最大值的示意图，其中：
Figure BDA0002346883620000121
Figure BDA0002346883620000122
Figure BDA0002346883620000123
式中Ymax(q)为数据段T(q)中EGTM的最大值；Tmax(q)为数据段T(q)中 EGTM最大值所对应的时间；k(q)为数据段T(q)的EGTM平均变化量。
步骤S240：计算所有的数据段EGTM平均变化量k(q)的平均值：
Figure BDA0002346883620000124
步骤S240：假设在一次水洗间隔没有发生不可恢复衰退，则每一个数据段T(q)内的可恢复性能模型为：
Figure BDA0002346883620000125
步骤S300：为获取剩余性能，需要排除可恢复性能衰退的影响，具体步骤如下：
步骤S310：获取每一个数据段T(q)内的EGTM最大值，以及最大
值所对应的时间：
Figure BDA0002346883620000126
Figure BDA0002346883620000127
步骤S320：使用可恢复性能模型：
Figure BDA0002346883620000128
计算从上一次水洗Twash(q)到Tmax(q)的可恢复性能衰退量：
Figure BDA0002346883620000131
式中的
Figure BDA0002346883620000133
为数据段T(q)的可恢复衰退量；
步骤S330：结合步骤一计算的Ymax(q)和步骤二计算的
Figure BDA0002346883620000134
通过下式子计算在数据段T(q)的剩余性能:
Figure BDA0002346883620000132
获取的
Figure BDA0002346883620000135
即为剩余性能序列，图8为提取剩余性能的折线图。观察图8可知，相比于EGTM提取的剩余性能减少了上下波动，呈现逐渐下降的趋势。
通过上述方案得到的序列即完成了对航空发动机整机剩余性能的提取。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于航后数据的航空发动机整机剩余性能提取方法，其特征在于：包括以下步骤：
S100、对起飞报提供的EGTM时间序列进行预处理，具体包括EGTM时间序列的异常值处理、缺失值处理和降噪处理；
S200、基于预处理后的EGTM时间序列和水洗维修记录建立可恢复性能模型；
S300、结合S200的可恢复性能模型，从预处理后的EGTM序列中提取剩余性能;
S100中，设Y = EGTM，缺失值处理的方法为：
S121、选取5个与EGTM相关的变量组成自变量矩阵X，将EGTM设为因变量Y，所述5个与EGTM相关的变量包括发动机排气温度EGT，气压高度ALT，飞行马赫数M，发动机进口温度TAT，发动机减推力量TD，设n组样本，X为5*n的矩阵，Y为1*n的向量：
Figure 223567DEST_PATH_IMAGE001
；
S122、计算矩阵X中各个变量的最大值和最小值，并组成矩阵MIN和矩阵MAX：
Figure 765407DEST_PATH_IMAGE002
；
Figure 467784DEST_PATH_IMAGE003
；
S123、对矩阵X进行归一化得到
Figure 95074DEST_PATH_IMAGE004
：
Figure 603416DEST_PATH_IMAGE005
；
S124、根据Y是否缺失，将
Figure 203024DEST_PATH_IMAGE004
分为当Y缺失情况下的
Figure 873040DEST_PATH_IMAGE006
和Y没有缺失情况下的
Figure 990556DEST_PATH_IMAGE007
两个部分：
Figure 37010DEST_PATH_IMAGE008
；
S125、对
Figure 756704DEST_PATH_IMAGE006
中的每一个样本，通过下式计算与
Figure 863200DEST_PATH_IMAGE009
所有样本的欧式距离：
Figure 465083DEST_PATH_IMAGE010
；
式中的
Figure 252910DEST_PATH_IMAGE011
为第
Figure 889428DEST_PATH_IMAGE006
中的第i个样本与
Figure 104509DEST_PATH_IMAGE009
中第j个样本的欧式距离；
S126、对
Figure 193687DEST_PATH_IMAGE006
中的每一个样本，根据S125中计算的距离，选取3个距离最近情况下的所对应的
Figure 581944DEST_PATH_IMAGE009
作为
Figure 10651DEST_PATH_IMAGE006
的3个最近邻；
S127、对
Figure 193370DEST_PATH_IMAGE012
中的每一个样本，使用其3个最近邻的EGTM值的平均值对缺失数据进行填补：
Figure 35425DEST_PATH_IMAGE013
；
式中
Figure 165055DEST_PATH_IMAGE014
为第i个
Figure 510585DEST_PATH_IMAGE012
在
Figure 129785DEST_PATH_IMAGE009
上的最近邻所对应的EGTM，
Figure 131239DEST_PATH_IMAGE015
为第i个
Figure 126877DEST_PATH_IMAGE012
的缺失填补值，即完成缺失值处理;
S200中，可恢复性能建模的方法为：
S210、设水洗维修记录中有
Figure 61335DEST_PATH_IMAGE016
条维修记录，从维修记录中搜索发动机水洗记录，并记录水洗时间
Figure 54699DEST_PATH_IMAGE017
；
S220、根据水洗时间对预处理后的EGTM时间序列进行分段处理，具体划分方法如下：
Figure 605766DEST_PATH_IMAGE018
；
式中
Figure 873936DEST_PATH_IMAGE019
为第q段数据的时间区间；
S230、在每一个数据段
Figure 131742DEST_PATH_IMAGE019
中，计算EGTM最大值出现的时间
Figure 358324DEST_PATH_IMAGE020
到下一次水洗的时间
Figure 868459DEST_PATH_IMAGE021
内EGTM平均变化量
Figure 143582DEST_PATH_IMAGE022
；
Figure 318212DEST_PATH_IMAGE023
；
Figure 450116DEST_PATH_IMAGE024
；
式中
Figure 710196DEST_PATH_IMAGE025
为数据段
Figure 523431DEST_PATH_IMAGE019
中EGTM的最大值；
Figure 552567DEST_PATH_IMAGE020
为数据段
Figure 589793DEST_PATH_IMAGE019
中EGTM最大值所对应的时间；
Figure 337169DEST_PATH_IMAGE022
为数据段
Figure 750833DEST_PATH_IMAGE019
的EGTM平均变化量；
S240、计算所有的数据段EGTM平均变化量
Figure 900055DEST_PATH_IMAGE022
的平均值：
Figure 373761DEST_PATH_IMAGE026
；
式中
Figure 342854DEST_PATH_IMAGE027
为所有数据段EGTM平均变化量的平均值；
S250、假设在一次水洗间隔没有发生不可恢复衰退，则每一个数据段
Figure 294630DEST_PATH_IMAGE019
内的可恢复性能模型为：
Figure 501620DEST_PATH_IMAGE028
;
提取剩余性能的步骤为：
S310、获取每一个数据段
Figure 880649DEST_PATH_IMAGE019
内的EGTM最大值，以及最大值所对应的时间：
Figure 602617DEST_PATH_IMAGE023
；
S320、使用
Figure 358084DEST_PATH_IMAGE028
计算从上一次水洗
Figure 216318DEST_PATH_IMAGE029
到
Figure 34757DEST_PATH_IMAGE020
的可恢复性能衰退量：
Figure 978442DEST_PATH_IMAGE030
；
式中的
Figure 475283DEST_PATH_IMAGE031
为数据段
Figure 188024DEST_PATH_IMAGE019
的可恢复衰退量；
S330、通过下式子计算在数据段
Figure 440014DEST_PATH_IMAGE019
的整机剩余性能：
Figure 870995DEST_PATH_IMAGE032
；
式中的
Figure 171526DEST_PATH_IMAGE033
为数据段
Figure 4353DEST_PATH_IMAGE019
中的整机剩余性能。
2.根据权利要求1所述的基于航后数据的航空发动机整机剩余性能提取方法，其特征在于，S100中，设Y = EGTM，异常值处理的方法为：
S111、移动平均法计算平滑后的数据
Figure 161665DEST_PATH_IMAGE034
；
S112、获取移动平均数据的平方值
Figure 283205DEST_PATH_IMAGE035
；
S113、先对数据进行平方计算，然后再使用移动平均的方法计算得到
Figure 918586DEST_PATH_IMAGE036
；
S114、计算
Figure 871498DEST_PATH_IMAGE036
和的
Figure 402974DEST_PATH_IMAGE035
的差值，并对该差值开根号得到
Figure 542968DEST_PATH_IMAGE037
，
Figure 513198DEST_PATH_IMAGE038
；
S115、K为常数，通过设定系数K，根据以下式子对数据进行检查，若满足下式，则判定
Figure 258300DEST_PATH_IMAGE039
为正常值，否则判定
Figure 757414DEST_PATH_IMAGE040
为异常值：
Figure 650284DEST_PATH_IMAGE041
；
S116、根据S160的判断结果，保留正常值的数据，删除异常值的数据，即完成了异常值处理。
3.根据权利要求2所述的基于航后数据的航空发动机整机剩余性能提取方法，其特征在于：
S111中用5项移动平均法计算平滑后的数据
Figure 830730DEST_PATH_IMAGE034
，
Figure 758234DEST_PATH_IMAGE042
；
S112中用5项获取移动平均数据的平方值
Figure 631513DEST_PATH_IMAGE035
，
Figure 746099DEST_PATH_IMAGE043
；
S113中先对数据进行平方计算，然后再使用5项移动平均的方法计算得到
Figure 792552DEST_PATH_IMAGE036
：
Figure 512247DEST_PATH_IMAGE044
。
4.根据权利要求1所述的基于航后数据的航空发动机整机剩余性能提取方法，其特征在于，S100中，降噪处理的方法为：
S131、确定参与加权移动平均的长度M；
S132、确定移动平均权值
Figure 344375DEST_PATH_IMAGE045
；
S133、根据以下式子进行加权移动平均：
Figure 211837DEST_PATH_IMAGE046
；
式中的
Figure 999664DEST_PATH_IMAGE047
为加权移动平均后的EGTM值。
CN201911398282.4A 2019-12-30 2019-12-30 一种基于航后数据的航空发动机整机剩余性能提取方法 Expired - Fee Related CN111144018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911398282.4A CN111144018B (zh) 2019-12-30 2019-12-30 一种基于航后数据的航空发动机整机剩余性能提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911398282.4A CN111144018B (zh) 2019-12-30 2019-12-30 一种基于航后数据的航空发动机整机剩余性能提取方法

Publications (2)

Publication Number Publication Date
CN111144018A CN111144018A (zh) 2020-05-12
CN111144018B true CN111144018B (zh) 2021-07-30

Family

ID=70521962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911398282.4A Expired - Fee Related CN111144018B (zh) 2019-12-30 2019-12-30 一种基于航后数据的航空发动机整机剩余性能提取方法

Country Status (1)

Country Link
CN (1) CN111144018B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862388B (zh) * 2020-07-17 2021-09-07 南京航空航天大学 一种基于数据的航空发动机排气温度裕度寿命计算方法
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1835130A2 (en) * 2006-03-15 2007-09-19 General Electric Company Continuous real time exhaust gas temperature margin control
CN110276125A (zh) * 2019-06-20 2019-09-24 中国航空发动机研究院 基于数据的航空发动机整机性能衰退评估与预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1835130A2 (en) * 2006-03-15 2007-09-19 General Electric Company Continuous real time exhaust gas temperature margin control
CN110276125A (zh) * 2019-06-20 2019-09-24 中国航空发动机研究院 基于数据的航空发动机整机性能衰退评估与预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Lǜ Yongle 等.Prediction of aero engines performance parameter combining RBFPN and FAR.《Journal of Beijing University of Aeronautics and Astronautics》.2010, *
一种改进的航空发动机剩余寿命预测方法;付旭云 等;《哈尔滨工业大学学报》;20130531;第45卷(第5期);全文 *
基于起飞排气温度裕度( EGTM)的航空发动机寿命预测研究;彭鸿博 等;《科学技术与工程》;20140630;第14卷(第16期);全文 *
民航发动机在翼寿命预测模型方法研究;赵玉婷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20120815;全文 *

Also Published As

Publication number Publication date
CN111144018A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN110018670B (zh) 一种基于动态关联规则挖掘的工业过程异常工况预测方法
US5105372A (en) Data processing system using a kalman filter
US7702447B2 (en) Method and system for identifying gas turbine engine faults
CN111144018B (zh) 一种基于航后数据的航空发动机整机剩余性能提取方法
CN108959778B (zh) 一种基于退化模式一致性的航空发动机剩余寿命预测方法
CN108363844B (zh) 一种航空发动机启动过程排气温度预测方法
CN110008253B (zh) 一种工业数据关联规则挖掘及异常工况预测方法
CN112613186B (zh) 一种基于统计分布特征的航空发动机气路故障融合诊断方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN115859791A (zh) 一种航空发动机剩余寿命预估方法和装置
CN112381965A (zh) 一种基于数据挖掘的航空发动机健康状态识别系统及方法
Dewallef et al. Combining classification techniques with Kalman filters for aircraft engine diagnostics
CN110363141B (zh) 用于诊断燃气调压器故障的方法
Huang et al. Gas path deterioration observation based on stochastic dynamics for reliability assessment of aeroengines
Chang Performance diagnosis for turbojet engines based on flight data
CN112733880B (zh) 一种航空发动机故障诊断方法、系统及电子设备
US20220350320A1 (en) Plant monitoring device, plant monitoring method, and program
Wang et al. Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN
CN110657031A (zh) 飞机发动机喘振识别方法
CN115114770B (zh) 一种基线自适应的辅助动力装置性能趋势分析方法
CN116150919B (zh) 一种基于故障假设的气路故障诊断方法
CN114136622B (zh) 一种基于dbn-dtl的航空发动机气路故障诊断方法
CN117932361B (zh) 基于监测数据的民机系统性能退化预测方法及系统
DePold et al. Validation of diagnostic data with statistical analysis and embedded knowledge
US11531848B2 (en) Data processing apparatus, data processing method and semiconductor manufacturing apparatus

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210730

Termination date: 20211230

CF01 Termination of patent right due to non-payment of annual fee