CN111209683A - 航空发动机工作状态识别模型构建方法、模型及识别方法 - Google Patents
航空发动机工作状态识别模型构建方法、模型及识别方法 Download PDFInfo
- Publication number
- CN111209683A CN111209683A CN202010041464.2A CN202010041464A CN111209683A CN 111209683 A CN111209683 A CN 111209683A CN 202010041464 A CN202010041464 A CN 202010041464A CN 111209683 A CN111209683 A CN 111209683A
- Authority
- CN
- China
- Prior art keywords
- engine
- working state
- data set
- recognition model
- constructing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 7
- 239000010687 lubricating oil Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000000314 lubricant Substances 0.000 claims 1
- 230000036541 health Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种航空发动机工作状态识别模型构建方法、模型及识别方法,属于工作状态识别领域,要解决的技术问题为如何为飞机发动机提供准确的工作状态识别。构建方法包括:获取飞机多个架次的N种发动机参数,并构建第一时序数据集;根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取,得到M种发动机参数,并基于所述M种发动机参数构建第二时序数据集;对于第二时序数据集进行人工标记,标记工作状态;根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型。模型为通过上述方法构建的模型。识别方法为通过上述方法构建的模型进行识别。
Description
技术领域
本发明涉及工作状态识别领域,具体地说是一种航空发动机工作状态识别模型构建方法、模型及识别方法。
背景技术
从上世纪90年代至今,航空装备技术飞速发展,尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下,飞机地面保障的要求越来越高,而保障航空发动机在其中是最为根本的因素。军事科技的飞速发展对航空发动机的保障以及故障预测提出了更高的要求。但是在长期的发展中,航空发动机的保障技术总是落后于其他航天装备的技术。原有的航空发动机保障体系在新装备条件下面临巨大的挑战,而对其保障的不到位,会大大降低军用飞机的战备完好率。
在航空发动机进行健康评估分析时,首先要做的就是准确地识别航空发动机的工作状态。不同的航空发动机工作状态,会产生不同的飞参数据,因此需要根据发动机的工作状态建立健康评估模型。而且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析,造成理论与实际的脱离。航空发动机的工作状态没有自动识别机制,机务外场设备维护人员在检测航空发动机工作状态时,难以做到心中有数,预见性不足,导致难以准确地对航空发动机进行健康评估。
航空发动机的工作状态识别是评判发动机健康状态的基础,它时刻影响着军用飞机的作战效率和维修保障效率,因此其在整个部队中的作用极为重要,所以,在大力发展航空装备的同时,如何为飞机发动机提供准确的工作状态识别也是地面保障领域中亟待解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供航空发动机工作状态识别模型构建方法、模型及识别方法,来解决如何为飞机发动机提供准确的工作状态识别的问题。
第一方面,本发明提供一种航空发动机工作状态识别模型构建方法,基于C4.5决策树构建识别模型,所述构建方法包括如下步骤:
获取飞机多个架次的N种发动机参数,并构建第一时序数据集;
根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取,得到M种发动机参数,所述M种发动机参数为对航空发动机工作状态敏感的发动机参数,并基于所述M种发动机参数构建第二时序数据集;
对于第二时序数据集进行人工标记,标记工作状态;
根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型。
作为优选,所述N种发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通;
所述M种发动机参数包括中发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm。
作为优选,根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取之前,对第一时序数据集进行数据预处理,数据预处理包括:异常值剔除、缺失数据填补、去噪滤波和归一化处理。
作为优选,通过中值滤波的方法进行数据去噪,采用插值方法进行缺失数据填补。
作为优选,采用皮尔逊系数ρX,Y对上述N种发动机参数进行相关性分析,公式为:
其中,其中,X表示发动机参数x构建的向量,Y表示发动机参数y构建的向量,σX表示X的标准差,σY表示Y的标准差,cov(X,Y)表示发动机参数x与发动机参数y的协方差。
作为优选,工作状态分为停车、慢车、巡航、最大状态、小加力状态、全加力状态,分别对应标记为0、1、2、3、4和5。
作为优选,根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型,包括如下步骤:
计算第二时序数据集X的信息熵:
其中,Xi表示第二时序数据集X中发动机工作状态标记为i的数据,P(Xi)表示Xi在X中所占的比例;
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益G(X,Cj):
其中,Values(Cj)表示参数Cj的值域,|Xv|表示第二时序数据集X中参数Cj值为v为元素数量;
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的分裂信息S(X,Cj):
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益率R(X,Cj):
选择具有信息增益率R(X,Cj)的参数Cj作为决策树的根节点,在第二时序数据集剩下的参数中选择信息增益率最高的作为分叉节点,递归形成基于C4.5决策树的工作状态识别模型。
第二方面,本发明提供一种航空发动机工作状态识别模型,为通过如第一方面任一项所述的航空发动机工作状态识别模型构建方法构建的工作状态识别模型。
第三方面,本发明提供一种航空发动机工作状态识别方法,包括如下步骤:
通过如第一方面任一项所述的航空发动机工作状态识别模型构建方法构建的工作状态识别模型;
获取真实航空发动机参数,通过上述工作状态识别模型对真实航空发动机参数进行工作状态分析。
本发明的一种航空发动机工作状态识别模型构建方法、模型及识别方法具有以下优点:基于C4.5决策树构建的模型可有效识别航空发动机的工作状态,从而支撑航空发动机在不同工作状态下的健康情况;在构建工作状态识别模型时,对获取的数据进行预处理,可有效地简化计算,节约计算资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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他的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1航空发动机工作状态识别模型构建方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例提供一种航空发动机工作状态识别模型构建方法、模型及识别方法,用于解决如何为飞机发动机提供准确的工作状态识别的技术问题。
实施例1:
本发明的一种航空发动机工作状态识别模型构建方法,基于C4.5决策树构建识别模型,该构建方法包括如下步骤:
S100、获取飞机多个架次的N种发动机参数,并构建第一时序数据集;
S200、根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取,得到M种发动机参数,所述M种发动机参数为对航空发动机工作状态敏感的发动机参数,并基于所述M种发动机参数构建第二时序数据集;
S300、对于第二时序数据集进行人工标记,标记工作状态;
S400、根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型。
步骤S100中,获取的N种发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
在获取上述的N种发动机参数后,进行数据预处理。包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。本实施例中,先对所采集的时序数据集进行去噪滤波和缺失数据填补后,再进行归一后处理。其中,可采用中值滤波的方法进行数据去噪,采用插值方法进行缺失数据填补。对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间,有效地简化计算,节约计算资源。
步骤S200中采用皮尔逊系数ρX,Y对上述N种发动机参数进行相关性分析,公式为:
其中,其中,X表示发动机参数x构建的向量,Y表示发动机参数y构建的向量,σX表示X的标准差,σY表示Y的标准差,cov(X,Y)表示发动机参数x与发动机参数y的协方差。
并且选择M种对航空发动机工作状态敏感的发动机参数,包括发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm。
步骤S300中由具有5年以上发动机工作状态判别经验的航空发动机专家进行手动标记。发动机的工作状态分为停车、慢车、巡航、最大状态、小加力状态、全加力状态,分别对应标记为0、1、2、3、4和5。
步骤S400中,根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型,包括如下步骤:
S410、计算第二时序数据集X的信息熵:
其中,Xi表示第二时序数据集X中发动机工作状态标记为i的数据,P(Xi)表示Xi在X中所占的比例;
S420、根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益G(X,Cj):
其中,Values(Cj)表示参数Cj的值域,|Xv|表示第二时序数据集X中参数Cj值为v为元素数量;
S430、根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的分裂信息S(X,Cj):
S440、根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益率R(X,Cj):
S450、选择具有信息增益率R(X,Cj)的参数Cj作为决策树的根节点,在第二时序数据集剩下的参数中选择信息增益率最高的作为分叉节点,递归形成基于C4.5决策树的工作状态识别模型。
本发明的航空发动机工作状态识别模型构建方法得到的工作状态识别模型,可对航空发动机参数进行分析得到航空发动机工作状态。
实施例2:
本发明的一种航空发动机工作状态识别模型为通过实施例1公开的一种航空发动机工作状态识别模型构建方法构建的工作状态识别模型,可对航空发动机参数进行分析得到航空发动机工作状态。
实施例3:
本发明的一种航空发动机工作状态识别方法,包括如下步骤:
(1)通过如实施例1公开的航空发动机工作状态识别模型构建方法构建的工作状态识别模型;
(2)获取真实航空发动机参数,通过上述工作状态识别模型对真实航空发动机参数进行工作状态分析。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.航空发动机工作状态识别模型构建方法,其特征在于基于C4.5决策树构建识别模型,所述构建方法包括如下步骤:
获取飞机多个架次的N种发动机参数,并构建第一时序数据集;
根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取,得到M种发动机参数,所述M种发动机参数为对航空发动机工作状态敏感的发动机参数,并基于所述M种发动机参数构建第二时序数据集;
对于第二时序数据集进行人工标记,标记工作状态;
根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型。
2.根据权利要求1所述的航空发动机工作状态识别模型构建方法,其特征在于所述N种发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通;
所述M种发动机参数包括中发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm。
3.根据权利要求1所述的航空发动机工作状态识别模型构建方法,其特征在于根据上述N种发动机参数之间的相关性,对上述时序数据集进行特征提取之前,对第一时序数据集进行数据预处理,数据预处理包括:异常值剔除、缺失数据填补、去噪滤波和归一化处理。
4.根据权利要求3所述的航空发动机工作状态识别模型构建方法,其特征在于通过中值滤波的方法进行数据去噪,采用插值方法进行缺失数据填补。
6.根据权利要求1所述的航空发动机工作状态识别模型构建方法,其特征在于工作状态分为停车、慢车、巡航、最大状态、小加力状态、全加力状态,分别对应标记为0、1、2、3、4和5。
7.根据权利要求1、2、3、4、5或6所述的航空发动机工作状态识别模型构建方法,其特征在于根据人工标记后的第二时序数据集、基于C4.5决策树构建工作状态识别模型,包括如下步骤:
计算第二时序数据集X的信息熵:
其中,Xi表示第二时序数据集X中发动机工作状态标记为i的数据,P(Xi)表示Xi在X中所占的比例;
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益G(X,Cj):
其中,Values(Cj)表示参数Cj的值域,|Xv|表示第二时序数据集X中参数Cj值为v为元素数量;
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的分裂信息S(X,Cj):
根据M种发动机参数计算每一种参数Cj(j=1,2,......,M)的信息增益率R(X,Cj):
选择具有信息增益率R(X,Cj)的参数Cj作为决策树的根节点,在第二时序数据集剩下的参数中选择信息增益率最高的作为分叉节点,递归形成基于C4.5决策树的工作状态识别模型。
8.航空发动机工作状态识别模型,其特征在于为通过如权利要求1-7任一项所述的航空发动机工作状态识别模型构建方法构建的工作状态识别模型。
9.航空发动机工作状态识别方法,其特征在于包括如下步骤:
通过如权利要求1-7任一项所述的航空发动机工作状态识别模型构建方法构建的工作状态识别模型;
获取真实航空发动机参数,通过上述工作状态识别模型对真实航空发动机参数进行工作状态分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041464.2A CN111209683A (zh) | 2020-01-15 | 2020-01-15 | 航空发动机工作状态识别模型构建方法、模型及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041464.2A CN111209683A (zh) | 2020-01-15 | 2020-01-15 | 航空发动机工作状态识别模型构建方法、模型及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111209683A true CN111209683A (zh) | 2020-05-29 |
Family
ID=70785392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041464.2A Pending CN111209683A (zh) | 2020-01-15 | 2020-01-15 | 航空发动机工作状态识别模型构建方法、模型及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060503A (zh) * | 2022-05-30 | 2022-09-16 | 西北工业大学 | 一种基于状态信息熵的航空发动机转子运行状态评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566389A (zh) * | 2017-09-19 | 2018-01-09 | 济南互信软件有限公司 | 一种基于c4.5决策树的模仿url链接钓鱼域名识别方法 |
-
2020
- 2020-01-15 CN CN202010041464.2A patent/CN111209683A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566389A (zh) * | 2017-09-19 | 2018-01-09 | 济南互信软件有限公司 | 一种基于c4.5决策树的模仿url链接钓鱼域名识别方法 |
Non-Patent Citations (2)
Title |
---|
周胜明;曲建岭;高峰;王小飞;: "基于HE-SVDD的航空发动机工作状态识别" * |
秦旭刚,秦京建,刘家瑞: "基于遗传算法优化SVM的风速识别" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060503A (zh) * | 2022-05-30 | 2022-09-16 | 西北工业大学 | 一种基于状态信息熵的航空发动机转子运行状态评估方法 |
CN115060503B (zh) * | 2022-05-30 | 2024-04-12 | 西北工业大学 | 一种基于状态信息熵的航空发动机转子运行状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110987439B (zh) | 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 | |
Barad et al. | Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine | |
US20230214691A1 (en) | Fatigue Crack Growth Prediction | |
WO2023123593A1 (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 | |
CN107103658B (zh) | 基于深度学习与高斯分布的航空发动机气路异常检测方法 | |
CN109992916A (zh) | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 | |
CN111125841A (zh) | 飞机发动机的健康评估方法、计算机设备和存储介质 | |
CN111241694A (zh) | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 | |
CN113221282B (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
CN115048874A (zh) | 一种基于机器学习的飞行器设计参数预估方法 | |
CN109655266A (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN111209683A (zh) | 航空发动机工作状态识别模型构建方法、模型及识别方法 | |
WO2018169722A1 (en) | Fatigue crack growth prediction | |
CN114881997A (zh) | 一种风电机组缺陷评估方法及相关设备 | |
Volponi | Data fusion for enhanced aircraft engine prognostics and health management | |
CN112749764B (zh) | 一种基于qar数据的航空发动机运行状态分类方法 | |
CN116227148B (zh) | 一种航空发动机机动过载谱构建方法 | |
CN110657031B (zh) | 飞机发动机喘振识别方法 | |
CN112287484A (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
Ren et al. | A clustering-based method for health conditions evaluation of aero-engines | |
Yang | Conditional generative adversarial networks (cgan) for abnormal vibration of aero engine analysis | |
CN111060323A (zh) | 一种基于rbf神经网络的航空发动机过振的自动识别方法 | |
CN113960989A (zh) | 一种基于卷积神经网络的四旋翼无人机智能故障诊断方法 | |
CN114667492A (zh) | 训练机器学习模型以进行数据驱动的决策 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200529 |