CN111308985B - 一种基于nsct和dm的飞机环控系统控制组件性能退化评估方法 - Google Patents

Abstract

一种基于NSCT和DM的飞机环控系统控制组件性能退化评估方法，该方法利用环控系统控制组件的系统输入和输出信号数据，实现环控系统控制组件的性能退化评估。首先，利用基于RBF的观测器，生成环控系统控制组件残差信号。第二，利用基于时序排列的图像变换方法，实现残差信号的等效变换。第三，针对等效变换图像，利用NSCT开展多尺度多方向分解，从而提取可以表征性能退化的稳定故障特征。第四，针对提取的高维特征，利用DM算法实现高维特征点向低维空间的流形降维。最后，计算当前状态与健康状态间的测地线距离，并归一化为CV值，实现环控系统控制组件的性能退化评估。

Description

一种基于NSCT和DM的飞机环控系统控制组件性能退化评估 方法

技术领域

本发明属于飞机环控技术领域，特别涉及一种基于NSCT和DM的飞机环控系统控制组件的性能退化评估方法。

背景技术

飞机环境控制系统是飞机的关键系统，其主要功能是调节飞机座舱和设备舱的压力和温度，从而为飞行员和机组其他人员提供舒适的环境，同时也为大部分机载设备提供正常的工作环境。一旦环控系统出现故障，会导致飞机温度和压力出现异常，严重状况下甚至会导致灾难性事故发生。然而，随着环控系统的组成结构愈发复杂，在其运行过程中，不可避免地会出现故障或者性能退化，因此需要对环控系统开展实时有效的健康评估，利用其性能退化评估结果开展视情维修，从而避免系统性能进一步退化，提升系统的可用性和安全性。

然而，目前针对飞机环控系统性能退化评估开展的研究较少，现有的大部分研究工作主要集中于飞机环控系统的故障检测和诊断上。其中，一部分有利用精确的物理模型实现环控系统的故障检测与诊断，另一部分将机器学习与信号处理的方法相结合，可以实现特定部件的故障模式识别。上述方法在实际应用中难以对环控系统的性能退化开展有效地评估。

为解决上述问题，本发明提出了一种基于非下采样轮廓波变换(nonsubsampledcontourlet transform，NSCT)和扩散映射(diffusion maps，以下简称DM)的环控系统控制组件性能退化评估方法，利用健康度表征环控系统控制组件的健康状态，从而为维修保障提供辅助决策支持。为了文字简练和方便表达的目的，部分技术特征使用了英文单词的字母缩写，本申请中英文字母缩写和相应技术特征的含义相同，现列表如下：

NSCT(nonsubsampled contourlet transform)：非下采样轮廓波变换；

DM(diffusion maps)：扩散映射；

RBF(radial basis function)：径向基函数；

CV(confidence value)：健康度。

发明内容

本发明的目的在于提供一种基于NSCT和DM的飞机环控系统控制组件的性能退化评估方法，该方法能够有效地应用于飞机环控系统控制组件性能退化评估。该方法步骤如下：

步骤一、针对该对象，利用正常状态下系统输入和输出信号训练径向基函数(radial basis function，以下简称RBF)观测器，并获取正常状态残差；然后，在飞机环控系统控制组件性能退化状态下，将系统退化状态下的输入和输出信号送入观测器，获取性能退化状态的残差；

步骤二、针对正常状态残差和退化状态残差，利用基于时序排列的残差信号等效图像变换方法，将残差信号转换为正常状态和退化状态下的等效图像；

步骤三、针对正常状态和退化状态下的等效图像，利用NSCT开展多尺度和多方向分解，进而针对等效图像提取特征，构建正常特征向量和退化特征向量；

步骤四、针对正常特征向量和退化特征向量，利用DM算法实现高维特征向量向低维特征向量的投影变换，从而实现高维特征点向低维空间的流形降维；

步骤五、针对性能退化本征流形，计算性能退化状态特征点与正常健康特征点之间的测地线距离，并将其归一化为健康度(confidence value，以下简称CV)，实现控制系统环控组件的性能退化评估。

进一步的，步骤二所述的基于时序排列的残差信号等效图像变换方法，包括：

(1)采用时间滑窗对正常和退化残差信号进行分段截取，从而获取若干段连续的残差数据。

(2)针对若干段连续的残差数据，对其进行统一归一化处理。

(3)针对每一段归一化后的残差数据，利用时序数据排列方法将向量转换为矩阵，将矩阵中归一化后的残差数值作为像素值，则可得残差数据等效图像。该方法可完全保留原始残差信号中的健康和性能退化信息。

进一步的，步骤三所述性能退化特征提取方法，首先利用NSCT开展多尺度多方向分解，提取正常和性能退化状态下的低频子带系数和高频子带系数。针对低频系数，提取均值和方差特征，针对高频系数，提取能量特征，进而构建正常和性能退化状态下的特征向量

从而实现多尺度多方向的稳定故障特征的自动提取。

进一步的，步骤四所述的退化特征流形降维方法，其输入为正常和故障状态下的高维特征向量，利用DM算法建立映射函数，输出为二维或三维特征向量，从而实现在低维空间中环控系统控制组件的性能退化规律挖掘，以及性能退化规律的可视化。

进一步的，步骤五所述的性能退化评估方法，首先计算性能退化特征点和健康状态特征点间的测地线距离，实现环控系统控制组件的性能退化程度的精确度量。进而利用归一化公式

将测地线距离进行归一化，对环控系统控制组件的性能退化状态进行有效表征。其中，c₀是尺度参数，保证环控系统控制组件越接近于正常状态时，其CV值越接近于1。定义

其中CV_health为系统健康时的CV值，常设定在0.90到0.99之间，具体数值取决于工程实际要求。geo_int为健康状态下的初始测地线距离，定义为第二个特征点与第一个特征点间的测地线距离。

本发明的优点与积极效果在于：

(1)针对飞机环控系统性能退化评估相关研究匮乏，难以在实际应用中开展健康评估的现状，本发明提出了一套完整的飞机环控系统控制组件性能退化评估方法；

(2)本发明提出的基于时序排列的图像变换方法，相比于传统的图像转换方法，可以完整的保留残差信号中的健康和性能退化信息，不会造成有效信息的损失；

(3)相比于传统的需要依赖人工经验对图像进行分析从而实现设备故障诊断与评估的方法，本发明所提出的环控系统性能评估方法利用NSCT、DM等技术可以实现对残差等效图像的自动化图像分解、特征提取、测地线距离计算以及CV值转换，无需人工参与，弥补了传统基于图像分析方法需要依赖大量专家知识的缺点，工程实用性较强；(4)传统的基于欧式距离的度量方法，只能反映数据的局部一致性，而无法从性能退化数据集中反映其全局退化规律。本发明利用DM算法，通过构建流形空间，有效地从全局挖掘环控系统控制组件的性能退化规律，对所提取的高维故障特征进行降维。同时，在所构建的流形空间内，通过计算测地线距离，实现环控系统控制组件性能退化状态的实时度量，突破了传统的“两点之间直线最短”的欧式空间限制，提升了性能退化评估的准确性。

附图说明

图1为本发明流程图；

图2为基于RBF观测器的残差生成原理图；

图3为基于时序排列的信号等效图像变换方法；

图4为测地线距离示意图；

图5为飞机环控系统结构示意图；

图6为飞机环控系统控制组件的原理图；

图7飞机环控系统控制组件数学模型；

图8为残差信号(阀门故障)；

图9为残差信号(传感器故障)；

图10为残差信号滑窗变换；

图11为阀门故障残差图像变换；

图12为传感器故障残差图像变换；

图13为基于NSCT的原始图像分解结果；

图14为阀门故障的特征提取结果；

图15为传感器故障的特征提取结果；

图16为阀门故障状态残差特征本征流形；

图17为传感器故障状态残差特征本征流形；

图18为阀门故障状态测地线距离；

图19为传感器故障状态测地线距离；

图20为阀门故障状态CV值；

图21为传感器故障状态CV值；

图22为阀门故障状态健康评估结果；

图23为传感器故障状态健康评估结果。

具体实施方式

图1本发明流程图，基于NSCT和DM的飞机环控系统控制组件性能退化评估方法如图1所示，具体流程可总结为以下五步。

第一步：基于RBF观测器的残差信号生成

考虑到环控系统控制组件是一个闭环反馈系统，利用RBF网络对系统进行观测，通过比较观测器输出与系统实际输出得到残差信号。图2基于RBF观测器的残差生成原理图展示了观测器的结构。。

RBF观测器采用系统正常状态下的输入输出数据进行训练，从而确定RBF网络的结构参数，训练完成的观测器可以表征正常状态下的系统特性。

实际运行时，将系统实时采集的输入和输出信号送入观测器，对比系统的实际输出和观测器的估计输出，生成残差信号。如果残差接近于0，则说明系统处于健康状态，没有发生性能退化。若残差出现偏移并大幅增加，则说明系统性能发生退化。生成的残差信号是后续开展性能退化评估的基础。

第二步：基于时序排列的残差信号等效图像变换

将上述获得的残差数据利用时序排列方法开展等效图像变化。具体步骤如下：

(1)采用时间窗对获得的残差信号进行分段截取，设定窗口大小与滑移步长，从而获取m段连续的残差数据。

(2)对于获取的m段数据，将每一段的残差统一进行归一化。归一化通过式(1)进行计算:

y＝(x-MaxValue)/(MaxValue-MinValue) (1)

x表示原始残差数据，y表示归一化后的残差数据，MaxValue和MinValue代表所有残差数据中的最大值和最小值。

(3)针对每一段归一化后的残差数据，依照图3基于时序排列的信号等效图像变换方法，将残差数据转换为一个M×N的矩阵。将矩阵中归一化后的残差数值作为像素值，则可得到大小为M×N的图像。

第三步：基于NSCT的等效图像特征提取

针对上述由残差信号转化的等效图像，利用NSCT对原始图像进行多尺度多方向分解，进而提取可以表征环控系统控制组件性能退化的特征向量。

NSCT由非下采样金字塔滤波器组和非下采样方向滤波器组组成，是一种可以有效实现原始图像多尺度多方向分解的方法。NCST首先通过非下采样金字塔滤波器组将图像分解为低频和高频子带，然后采用非下采样方向滤波器组对高频子带进行方向划分，低频子带图像继续作为输入送入非下采样金字塔滤波器组进行尺度分解，分解后得到的高频分量用非下采样方向滤波器组进行方向分解，如此循环，便实现了图像的多尺度多方向分解。

针对残差信号基于时序排列转化的等效图像，使用NSCT将其分解为多个不同方向的空间频率通道。子带系数定义如下：

C₀代表低频子带系数，

代表第i个分解尺度的第k_i个方向的高频子带系数。

其中，低频系数反映的是图像的轮廓信息，其均值和方差分别反映了图像的灰度分散程度及纹理深浅程度。高频系数反映图像的边缘和细纹理信息，高频系数的能量分布有良好的区分性。因此，从分解后的子带系数中提取三种特征，低频子带提取均值与方差特征，高频子带提取能量特征，从而构建残差图像的特征向量，三种特征的计算公式如下：

平均值：

方差：

能量值：

M×N代表子带系数矩阵的大小，P(x,y)代表系数矩阵中每一个元素的值。因此，每幅残差图像经过特征提取可以构建一个特征向量，该特征向量可以表征环控系统控制组件的性能退化，特征向量表示为：

其中i代表分解尺度参数，k_i代表第i个分解尺度的定向分解级数。

第四步：基于Diffusion Map的特征流形降维

针对上述提取的高维性能退化特征向量，利用DM算法实现基于流形学习的非线性降维，从而表征环控系统控制组件的性能退化趋势。DM算法是一种全局保持流形学习算法，DM算法可以建立一个高维空间到低维空间的映射函数，从而在低维空间中建立新的特征向量，完成特征降维。

基于NSCT提取的特征矩阵可构建一个高维空间

DM算法可将高维空间的特征矩阵映射到低维空间的一个流形M上，从而实现高维特征点的流形降维。利用DM算法建立映射函数，其输入为正常和故障状态下的高维特征向量，输出为二维或三维特征向量，从而实现在低维空间中环控系统控制组件的性能退化规律挖掘，以及性能退化规律的可视化。

第五步：基于测地线距离的性能退化评估

针对降维后的故障特征本征流形M，使用测地线作为距离度量，计算性能退化特征点与健康状态特征点的测地线距离，从而实现性能退化状态的度量。测地线距离为两点沿本征流形方向的最短距离，与欧式距离的区别如图4所示。

然后，将计算的测地线距离归一化为健康度CV值，利用CV值表征环控系统控制组件的健康状态，其中1表示完全健康，0表示发生严重故障。本发明中CV值的计算如下式

其中geo代表测地线距离，c₀代表尺度参数，该参数保证当控制组件处于健康状态时CV值接近于1。

CV_health为系统健康时的CV值，常设定在0.90到0.99之间，具体数值取决于工程实际要求。其计算公式如下：

其中geo_int为健康状态下的初始测地线距离。定义初始测地线距离为第二个特征点与第一个特征点间的测地线距离。因此c₀可由下式得出：

将计算出的c₀带入式(7)中，结合性能退化特征点与健康特征点间的测地线距离，便可以计算得到CV值，以表征环控系统控制组件的健康状态。

进而，针对CV值设置系统“告警”和“故障”阈值，控制系统环控组件的健康状态可被划分为“健康”、“告警”和“故障”三种状态，从而为维修保障提供辅助决策支持。

实施例

实际应用案例如下：

1环控系统控制组件仿真与故障注入

图5飞机环控系统结构示意图，为飞机环控系统的典型结构图。从飞机发动机的空气压缩机中产生的高温高压气体，首先进入热交换器，利用冲压空气降温后，气体被分为两部分，分别通过热路导管和冷却导管。在冷却导管中，气体再次经过热交换器，由冲压空气进行冷却，之后气体进入涡轮机内膨胀再次冷却。同时，涡轮中的空气通过连接轴带到风扇转动，将热交换器中的冲压空气加速排出。降温后的低温空气从涡轮的排气口排出。在热路导管中，可通过控制阀调整热空气流量。最终，冷热空气混合后送入设备舱，通过控制阀门调整来自冷却导管和热路导管的空气比率可以将设备舱内温度调节到合适的范围。

环控系统控制组件在温度调节过程中起着十分重要的作用。图6所示为飞机环控系统控制组件的原理图。在控制回路中，首先给定一个初始温度，放大器将把温度信号转换为相应的电压信号，作为执行机构的输入。然后，执行机构把电压信号转换为相应的活门转角以控制冷热气体的比例，从而控制设备舱温度。同时，温度传感器采集设备舱内的温度信号作为控制反馈，以确保温度迅速准确地达到预

根据环控系统控制组件基本原理和组成，可建立环控系统控制组件的数学模型，如图7所示。

其中：

K——放大器增益系数，表示温度信号与执行机构输入电压的函数关系；

——执行机构输入电压与阀门角度的函数关系；

f——阀门角度与气体流量间的函数关系；

——设备舱简化数学模型；

——温度传感器传递函数；

本发明使用Matlab和Simulink的仿真环境建立数学模型。所使用的仿真参数见表1。

表1环控系统仿真模型参数

针对建立的仿真模型，设定系统输入为input＝5sin[(π/50)t]+5。系统仿真时间为1000秒，采样率100Hz。

根据历史数据和故障记录，环控系统控制组件的典型故障模式包括阀门故障和传感器故障。因此，对建立的环控系统控制组件仿真模型注入阀门故障和传感器故障，来验证本发明中提出的基于视觉认知的环控系统控制组件健康评估算法。表2为注入的典型故障模式及其故障现象。

表2典型故障模式的故障信息

序号	故障模式	故障现象
			1	阀门故障	阀门卡滞，无法调节
2	传感器故障	传感器参数漂移

·阀门故障：

阀门发生卡滞时，阀门无法起到调节作用，导致系统输出存在误差，且长时间内不能消除。定义系统的正常输出为y_normal，实际输出为y_fault，则阀门卡滞故障可描述为y_fault＝α，其中α是一个常数。

本案例中，阀门故障在第500秒被注入到系统中。其中α的值为：

其中t代表仿真模型运行时间。

·传感器故障：

温度传感器的参数发生漂移，导致系统反馈信号存在误差。假设传感器的正常输出为y_normal，实际输出为y_fault，则传感器故障表示为y_fault＝k·y_normal，其中k是增益系数。

本案例中，传感器故障在第500秒被注入到系统中。其中k的值为：

其中t代表仿真模型运行时间。

本案例采集正常状态和两种故障状态的仿真数据，共三个数据集。每个数据集包含10⁵个系统输入采样和10⁵个系统输出采样。

2残差信号生成与等效图像变换

首先利用系统正常数据(包括系统输入和系统输出)对RBF观测器进行训练，训练完成的RBF观测器可以表征环控系统控制组件的性能。然后，将两种不同故障条件下采集的系统数据送入训练完成观测器，获取两种故障状态下的系统残差，残差信号包含了环控系统控制组件的性能退化信息。

图8显示阀门故障条件下的系统残差信号，图9显示传感器故障条件下的系统残差信号。两种故障条件下，故障注入点对应第50000个样本，故障注入后系统残差信号明显增加。

针对两组残差信号，利用时间滑窗进行分段截取，设定窗口大小为65536，滑动步长为1000。每种故障状态下，采用时间窗滑移方法每产生30组残差信号，每组残差信号代表了系统一定退化程度下的状态。经过归一化处理后，将归一化后的残差值作为像素点，每组残差信号按照等效图像变换方法可生成一幅大小是256×256的图像。图10展示了从残差信号到等效图像的变换过程。

最终，在每种故障模式下，可以得到30幅等效图像。图11展示了阀门故障条件下的残差信号图像转换结果，图12展示了传感器故障条件下的残差信号图像转换结果。从图中可以看出，随着环控系统控制组件性能发生退化，等效图像会发生明显的变化。

3基于NSCT与DM的性能退化特征提取

针对每张图像采用NSCT进行多尺度多方向分解，从而提取残差图像特征。在本案例中，分解尺度参数设定为2，分解方向参数设定为(2，4)。每个图像的分解系数为：

{C₀,C_1,1,C_1,2,C_2,1,C_2,2,C_2,3,C_2,4} (12)

其中C₀表示低频子带系数，其他变量表示不同方向和不同尺度的高频子带系数图13展示NSCT图像分解的示例。

(注：第一级和第二级子带图像的元素已放大100倍，便于可视化展示)

针对低频子带系数C₀中提取平均值和方差，针对高频子带系数中提取能量值。因此，从残差信号变换后的图像中可以提取8维特征向量，如下式：

f＝[μ,σ,E_1,1,E_1,2,E_2,1,E_2,2,E_2,3,E_2,4] (13)

从30幅图像中提取的特征组成30×8的矩阵，图14所示为阀门故障状态下相同子带各特征值对比直方图，图15所示为传感器故障状态下相同子带各特征值对比直方图。特征值的详细信息见表3。

表3提取特征的详细信息

序号	特征类型	子带	分解尺度	分解方向
					1	平均值	低频子带	\	\
2	方差	低频子带	\	\
					3	能量值	高频子带	第一级	方向1
4	能量值	高频子带	第一级	方向2
					5	能量值	高频子带	第二级	方向1
6	能量值	高频子带	第二级	方向2
					7	能量值	高频子带	第二级	方向3
8	能量值	高频子带	第二级	方向4

针对阀门故障，如图14所示，第1、第2、第3、第4和第7特征显著增加，而第5、第6和第8特征的变化不显著；针对传感器故障，如图15所示，所有特征均呈现出一定的增长趋势，只有第5和第6特征存在局部波动。

将上述提取的特征矩阵作为DM算法输入，从而挖掘在环控系统控制组件在低维空间中的性能退化规律。设置低维流形空间维度为2，将嵌在8维空间中的表征环控系统控制组件性能退化的高维特征映射到低维空间，从而获取2维空间中的环控系统控制组件的性能退化信息，即2维特征矩阵表达了最初8维特征空间所包含的健康与性能退化信息。

针对每种故障模式，可得到30个二维流形特征点。图16显示了阀门故障条件下环控系统控制组件的性能退化流形特征。图17显示了传感器故障条件下环控系统控制组件的性能退化流形特征。性能退化流形特征揭示了环控系统控制组件健康性能的退化过程。

4基于测地线距离的性能退化评估结果

针对构建的本征流形，计算测地线距离并开展环控系统控制组件的性能评估。

针对上述获得的环控系统控制组件2维流形特征，设定第一个特征点为健康状态点，可表征环控系统控制组件的健康状态。计算每个特征点与健康状态点的测地线距离。图18展示阀门故障状态下的测地线距离，图19展示了传感器故障状态下的测地线距离。从图中可看出，在两种故障状态下，测地线距离逐渐增加，表明环控系统控制组件的性能在发生退化。

计算初始测地线距离，即第二个特征点与第一个特征点间的测地线距离。考虑到第一个滑窗中已包含多个退化状态下的采样点，因此设定将CV_health定为0.95。通过式(9)计算出尺度参数c₀。

最后，利用计算出的尺度参数c₀和测地距离，由式(7)可计算出健康指标CV值的序列。图20和图21展示了不同故障状态下的系统CV值。CV值作为健康表征指标，当系统完全正常时，CV最初接近1。随着故障的不断演化发展，CV值逐渐降低。CV值曲线的下降趋势表征了环控系统控制组件在阀门和传感器故障状态下的性能下降趋势。

在本案例中，“告警”和“故障”阈值分别预设为0.6和0.8。如图22和图23所示，在两种故障模式下，环控系统控制组件都发生了性能退化。其初始状态均为“健康”，注入故障后，随着仿真时间的增加，其性能开始发生退化，并逐渐退化为“告警”状态，最终系统的状态为“故障”，表示系统中发生了严重故障。仿真结果表明，本发明提出基于视觉认知的性能退化评估方法，可以有效的对环控系统控制组件的性能退化开展评估度量，并对系统的健康状态进行直观划分，从而为后续的维修保障提供辅助决策支持。

需要注意的是，本申请公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (4)

1.一种基于非下采样轮廓波变换NSCT和扩散映射DM的飞机环控系统控制组件性能退化评估方法，其特征是：该方法所针对的对象是飞机环控系统控制组件，该方法的步骤如下：

步骤一、针对该对象，利用正常状态下系统输入和输出信号训练RBF观测器，并获取正常状态残差，然后，在飞机环控系统控制组件性能退化状态下，将系统退化状态下的系统输入和输出信号送入观测器，获取性能退化状态的残差；

步骤二、针对正常状态残差和退化状态残差，利用基于时序排列的残差信号等效图像变换方法，将残差信号转换为正常状态和退化状态下的等效图像；

步骤三、针对正常状态和退化状态下的等效图像，利用NSCT开展多尺度和多方向分解，从而针对等效图像提取特征，构建正常特征向量和退化特征向量；

步骤四、针对正常特征向量和退化特征向量，利用DM算法实现高维特征向量向低维特征向量的投影变换，从而实现高维特征点向低维空间的流形降维；

步骤五、针对性能退化本征流形，计算性能退化状态特征点与正常健康特征点之间的测地线距离，并将其归一化为健康度CV，实现控制系统环控组件的性能退化评估；

其中：步骤二所述的基于时序排列的残差信号等效图像变换方法，包括：

(1)采用时间滑窗对正常和退化残差信号进行分段截取，从而获取若干段连续的残差数据；

(2)针对若干段连续的残差数据，对其进行统一归一化处理；

(3)针对每一段归一化后的残差数据，利用时序数据排列方法将向量转换为矩阵，将矩阵中归一化后的残差数值作为像素值，以此获取残差数据等效图像；该方法可完全保留原始残差信号中的健康和性能退化信息。

2.根据权利要求1所述的一种基于非下采样轮廓波变换NSCT和扩散映射DM的飞机环控系统控制组件性能退化评估方法，其特征在于：

步骤三所述的性能退化特征提取方法，首先利用NSCT开展多尺度多方向分解，提取正常和性能退化状态下的低频子带系数和高频子带系数；针对低频系数，提取均值和方差特征，针对高频系数，提取能量特征，进而构建正常和性能退化状态下的特征向量

从而实现多尺度多方向的稳定故障特征的自动提取。

3.根据权利要求1所述的一种基于非下采样轮廓波变换NSCT和扩散映射DM的飞机环控系统控制组件性能退化评估方法，其特征在于：

步骤四所述的退化特征流形降维方法，利用DM算法建立映射函数，其输入为正常和故障状态下的高维特征向量，输出为二维或三维特征向量，从而实现在低维空间中环控系统控制组件的性能退化规律挖掘，以及性能退化规律的可视化。

4.根据权利要求1所述的一种基于非下采样轮廓波变换NSCT和扩散映射DM的飞机环控系统控制组件性能退化评估方法，其特征在于：

步骤五所述的性能退化评估方法，首先计算性能退化特征点和健康状态特征点间的测地线距离，实现环控系统控制组件的性能退化程度的精确度量；进而利用归一化公式

将测地线距离归一化为CV值，实现对环控系统控制组件性能退化状态的有效表征；其中，c₀是尺度参数，保证环控系统控制组件越接近于正常状态时，其CV值越接近于1；定义

其中CV_health为系统健康时的CV值，设定在0.90到0.99之间，具体数值取决于工程实际要求；geo_int为健康状态下的初始测地线距离，定义为第二个特征点与第一个特征点间的测地线距离；geo代表测地线距离。

Images