CN111361759A - 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法 - Google Patents

Abstract

基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，它属于飞机辅助动力装置在翼剩余寿命预测领域。本发明解决了现有技术不能对辅助动力装置在翼剩余寿命进行预测的问题，本发明使用维纳过程模拟APU在翼退化过程获得全寿命周期数据，再将获得的数据融合原来的在翼监测数据形成数据集，采用数据集数据对长短时记忆网络LSTM和SVR模型进行训练，得到能够预测APU在翼RUL的模型，进而达到APU在翼RUL预测的目的。本发明可以应用于飞机辅助动力装置在翼剩余寿命的预测。

Description

基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法

技术领域

本发明属于飞机辅助动力装置在翼剩余寿命预测领域，具体涉及一种基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法。

背景技术

从辅助动力装置(Auxiliary Power Unit,APU)在20世纪60年代被引入飞机设计至今，APU广泛应用于军民用飞机上，例如军用直升机、战斗机，民用公务机、大型客机等，成为飞机上的重要设备。APU实际上是一种小型的燃气涡轮发动机，大部分是专门设计的，也有一部分由有涡桨发动机改装而成，一般装在机身最后段的尾椎之内和机翼一侧的下方。APU自身拥有体积小、重量轻、使用寿命较长、自动启动时间较短、可以提供轴功率和空气压缩，能够单独工作的特征。飞机在地面起飞前，APU向飞机独立地提供电力和压缩空气，保证客舱和驾驶舱内的照明和空调运行，并用来起动主发动机(大发)。起飞至爬升时，APU继续工作，发动机功率全部用于地面加速和爬升，改善了起飞性能。爬升到一定高度后，APU关闭。空中停车(应急情况)时，当主发动机出现空中停车时，APU为发动机重起提供动力。降落后，由APU供应电力照明和空调，使主发动机提早关闭，从而节省了燃油，降低噪声，是飞机上一个不可或缺的重要的系统。APU是飞机上除主发动机外，送修费用最高的部件。

故障预测与健康管理(Prognostics Health Management,PHM)可实现APU状态监控、健康评估、故障预测、维修计划、后勤保障等功能。剩余寿命(Remaining Useful Life,RUL)预测是PHM的关键技术，可以为维护、维修与大修提供有价值的信息。如果能够对APU的在翼RUL进行准确的预测，提前预知APU健康状态，为APU视情维修提供支撑，则能最小化APU的维修费用，大幅提高航空公司的经济效益。也能够提高飞机运行正常率，安全性。对于APU的状态监测，各航空公司已经有各种状态监测软件能够对辅助动力的性能参数进行监测并可视化，但是缺乏APU在翼RUL预测能力。

发明内容

本发明的目的是为解决现有技术不能对辅助动力装置在翼剩余寿命进行预测的问题，而提出了一种基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法。

本发明为解决上述技术问题采取的技术方案是：一种基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，所述方法具体包括以下步骤：

步骤一、通过飞机通信寻址与报告系统获取辅助动力装置在翼的全寿命周期内的排气温度数据；

步骤二、对步骤一获取的排气温度数据进行修正，得到修正后的排气温度数据EGT_cor；

步骤三、基于维纳过程建立辅助动力装置排气温度数据的预测模型，根据修正后的排气温度EGT_cor的初值，利用建立的预测模型对辅助动力装置全寿命周期内的排气温度进行预测，获得排气温度的预测数据；

步骤四、利用步骤二修正后的排气温度数据和步骤三预测出的排气温度数据作为训练集，利用训练集对神经网络模型进行训练，直至训练次数达到设置的最大迭代次数Q时停止训练，获得训练好的神经网络模型；

步骤五、将当前状态下飞机辅助动力装置的测量排气温度数据以及步骤三中预测出的排气温度数据输入步骤四训练好的神经网络模型，对飞机辅助动力装置进行在翼剩余寿命的预测。

本发明的有益效果是：本发明提出了一种基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，本发明使用维纳过程模拟APU在翼退化过程获得全寿命周期数据，再将获得的数据融合原来的在翼监测数据形成数据集，采用数据集数据对长短时记忆网络LSTM和SVR模型进行训练，得到能够预测APU在翼RUL的模型，进而达到APU在翼RUL预测的目的。

附图说明

图1是本发明方法的流程图；

图2是LSTM的记忆元的示意图；

图中，x_t是t时刻的输入，h_t是t时刻的输出，h_t-1是t-1时刻的输出，C_t和C_t-1为t时刻和t-1时刻的状态，σ代表sigmoid函数；

图3中的深色线条部分是LSTM的记忆元状态更新的示意图；

图4中的深色线条部分是LSTM的记忆元的遗忘门的示意图；

图5中的深色线条部分是LSTM的记忆元的输入门的示意图；

图6中的深色线条部分是LSTM的记忆元的输出门的示意图；

图7是采集到的原始EGT数据的示意图；

图8是修正后的EGT数据EGT_cor的示意图；

图9是去除异常值后的EGT_cor数据图；

图10是采用修正后的EGT数据训练SVR模型对APU在翼的RUL进行预测的结果图；

图11是采用修正后的EGT数据和基于WP生成的数据训练SVR模型对APU在翼的RUL进行预测的结果图；

图12是采用修正后的EGT数据训练LSTM模型对APU在翼的RUL进行预测的结果图；

图13是采用修正后的EGT数据和基于WP生成的数据训练LSTM模型对APU在翼的RUL进行预测的结果图；

图14为本发明的系统配置图；

图15是基于维纳过程生成的全寿命周期数据。

具体实施方式

具体实施方式一：结合图1说明本实施方式。本实施方式所述的一种基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，所述方法具体包括以下步骤：

步骤一、通过飞机通信寻址与报告系统(Aircraft Communications Addressingand Reporting System,ACARS)获取辅助动力装置在翼的全寿命周期内的排气温度(Exhaust Gas Temperature,EGT)数据；

步骤二、对步骤一获取的排气温度数据进行修正，得到修正后的排气温度数据EGT_cor；

步骤三、基于维纳过程(Wiener Process,WP)建立辅助动力装置排气温度数据的预测模型，根据修正后的排气温度EGT_cor的初值，利用建立的预测模型对辅助动力装置全寿命周期内的排气温度进行预测，获得排气温度的预测数据；

步骤四、利用步骤二修正后的排气温度数据和步骤三预测出的排气温度数据作为训练集，利用训练集对神经网络模型进行训练，直至训练次数达到设置的最大迭代次数Q时停止训练，获得训练好的神经网络模型；

步骤五、将当前状态下飞机辅助动力装置的测量排气温度数据以及步骤三中预测出的排气温度数据输入步骤四训练好的神经网络模型，对飞机辅助动力装置进行在翼剩余寿命的预测。

本发明采用某型号APU的ACARS中A13报文，选取报文中的排气温度数据。排气温度为APU在翼的关键性能参数，随着EGT的升高，APU的性能逐渐下降，在翼剩余寿命减少。为消除环境对EGT的影响，需要对EGT进行修正。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述对步骤一获取的排气温度数据进行修正，得到修正后的排气温度数据EGT_cor，其具体过程为：

其中，EGT_cor为修正后的排气温度数据，EGT为步骤一获取的辅助动力装置的在翼排气温度数据，a为指数修正因子，a∈(0,1)(a的取值可以从原始设备制造商或航空公司获得)，θ为温度修正因子；

其中，T为外界气温，T₀为海平面处标准状态下大气的绝对温度，T₀＝288.15K，即T₀＝15℃。

具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤三中，基于维纳过程建立辅助动力装置排气温度数据的预测模型，所述预测模型表示如下：

y_k＝a₀+μt_k+δW(t_k) (3)

其中，t_k代表时刻，y_k为t_k时刻的排气温度的预测值，a₀为修正后的排气温度EGT_cor的初值(即辅助动力装置在全寿命周期内初始时刻排气温度经过修正后的值)，μ为漂移参数，W(t_k)为代表退化过程随机动力学的标准布朗运动，δ为扩散参数。

具体实施方式四：本实施方式与具体实施方式三不同的是：所述漂移参数μ和扩散参数δ的计算过程为：

对公式(3)做差分处理：

其中，t_i和t_i-1代表时刻，i＝2,3,...,n，基于ΔW(t_i)～N 0,t_i，即ΔW(t_i)服从正态分布，得到Δy_i～N(μΔt_i,δ²Δt_i)；

最大似然函数L(μ,δ)为：

L(μ,δ)＝f(Δy₂,Δy₃,...,Δy_n)＝f(Δy₂)f(Δy₃)...f(Δy_n) (5)

其中，f(Δy₂,Δy₃,...,Δy_n)为增量集Δy₂,Δy₃,...,Δy_n的联合密度函数，f(Δy₂)为Δy₂的密度函数；

则关于μ的偏微分方程为：

由公式(5)和公式(6)得到μ的最大似然估计

为

关于δ的偏微分方程为：

由公式(5)和公式(8)得到δ的最大似然估计

为：

将得到的

和

作为预测模型中漂移参数μ和扩散参数δ的值。

通过对修正后的排气温度数据EGT_cor做差分，求得差分数据的均值和方差，将求得的均值作为漂移参数μ，将求得的方差作为扩散参数δ。这样基于WP生成的数据和实际监测数据就具有相同的参数μ和δ，因此，该维纳过程能较好地反映APU的退化过程。

具体实施方式五：本实施方式与具体实施方式一不同的是：所述步骤四中，神经网络模型为长短时记忆神经网络模型LSTM或SVR模型。

具体实施方式六：本实施方式与具体实施方式五不同的是：所述SVR模型为：

其中，ω为法向量，||·||为二范数，C为正则化常数，m为训练集中训练样本的个数，h_ε(·)表示ε不敏感损失函数，ε表示SVR模型输出与真实值之间的偏差，x_r表示第r个训练样本的特征，r＝1,2,…,m，q(x_r)表示输入x_r时SVR模型的输出，y_r表示第r个训练样本的标记；

令z＝q(x_r)-y_r，则h_ε(z)表示如下：

引入松弛变量ξ_r和

SVR模型改写为：

SVR模型需要解决公式(12)的优化问题。

具体实施方式七：本实施方式与具体实施方式一不同的是：所述设置的最大迭代次数Q的取值为100。

长短时记忆(Long Short-Term Memory,LSTM)神经网络通过引入记忆元，可以解决梯度消失的问题。

LSTM的网络结构与普通递归神经网络的结构类似，也由三层组成，这三层分别是输入层、隐含层和输出层。三个控制门通过连接乘法单元来影响LSTM的内部状态。分别是输入控制门i_t、输出控制门o_t和遗忘控制门f_t。LSTM记忆元如图2所示。

LSTM具有删除或向记忆元状态添加信息的能力，这种能力由称为门的结构来进行控制。LSTM有三个门来保护和控制记忆元状态，记忆元状态是LSTM的关键，LSTM的记忆元状态更新过程如图3中深色线条部分所示。

从图3可以看出，LSTM的记忆元状态更新主要由输入门和遗忘门决定。记忆元状态更新的表达式为

C_t＝f_t*C_t-1+i_t*C _t (13)

C_t和C_t-1分别表示LSTM记忆元在t时刻和t-1时刻的状态。f_t表示遗忘门的输出，i_t表示输入门的输出，C _t表示记忆元在t时刻的临时状态。记忆元的遗忘门如图4中的深色线条部分所示。

在图4中，遗忘门中的sigmoid层可以决定上一个记忆元状态中要遗忘的信息。遗忘门的输入由x_t和h_t-1组成。遗忘门的输出公式如下所示

f_t＝sigm(W_fx_t+W_fh_t-1+b_f) (14)

其中，sigm表示sigmoid函数，W_f表示遗忘门的权重，b_f表示遗忘门的偏置。遗忘门可以决定在记忆元状态中存储新信息。LSTM记忆元的输入门如图5中深色线条部分所示。

输入门的表达式为

i_t＝sigm(W_ix_t+W_ih_t-1+b_i) (15)

C _t＝tanh(W_gx_t+W_gh_t-1+b_g) (16)

其中，W_i是输入x_t到和上一时刻输出h_t-1到输入门的权重，W_g是输入x_t到和上一时刻输出h_t-1到记忆元临时状态C _t的权重，然后记忆元状态C_t通过tanh之后与遗忘门的输出相乘。这样，只输出所选的部分。图6中的深色线条部分给出了LSTM的输出门。

根据上述描述，输出门的表达式为

O_t＝sigm(W_Ox_t+W_Oh_t-1+b_O) (17)

h_t＝O_ttanh(C_t) (18)

其中，W_o是输出门的权重，h_t是t时刻记忆元的输出。LSTM记忆元的输出基于当前记忆元状态。但是，它是经过筛选的，而不是直接输出的。LSTM神经网络由许多记忆元组成。

为评价模型的性能，设y为实际APU在翼的RUL，p为预测的RUL，N为预测步数。所使用的度量标准如下所示。

(1)平均绝对误差(Mean Absolute Error,MAE)

MAE是统计量，可以用来衡量预测值与实际值之间的距离。MAE值越小，表明预测模型对APU在翼的RUL的精度越高。

均方根误差(Root Mean Square Error,RMSE))

RMSE表示平方误差的期望值。RMSE值越小，表明预测模型的稳定性越好。

针对APU在翼监测数据进行数据分析，采集到的原始EGT数据如图7所示。

排除外界温度对EGT的影响，将EGT修正到标准大气压下，修正后的EGT为EGT_cor，如图8所示；

由于EGT数据是从实际场景中获取的，因此不可避免地存在一些异常值。为了进一步的数据处理，需要将这些异常值删除，即将明显低于或高于左右两侧数据的数据点修正为左右数据的平均值，如图9所示。

共有864个采样数据点，对图7所示的数据进行归一化和差分处理，提取差分后的均值和标准差作为维纳过程的参数值，利用维纳过程生成APU全寿命周期数据。展示1个基于维纳过程生成的全寿命周期数据如图15所示。

实验设为两组，第一组采用修正后的EGT作为数据集，第二组采用修正后的EGT以及基于WP生成的数据作为数据集。采取前764个样本点作为训练集，后100个样本点作为测试集。采用训练集对LSTM网络模型和SVR模型进行训练。

(1)基于SVR的APU在翼RUL预测

为验证本发明所提的混合模型的有效性，采用对比实验。第1次仅用采用修正后的EGT数据训练SVR对APU在翼的RUL进行预测。第2次是将修正后的EGT数据与基于WP生成的数据一起训练SVR对APU在翼的RUL进行预测。第1次实验的RUL预测结果如图10所示。

图10中，圆线表示实际的RUL，星线表示预测的RUL。可以看出，预测RUL偏离实际RUL，说明基于SVR与EGT_cor的RUL预测性能较差。作为对比实验，利用修正后的EGT数据和基于WP生成的数据来训练SVR，实现APU的RUL预测。实验结果如图11所示。

图11的RUL预测结果明显好于图10。结果表明，基于WP所生成的数据有助于增强RUL预测结果，本发明所提的混合模型预测方法能够更好的预测APU在翼的RUL。

(2)基于LSTM的APU在翼RUL预测

基于LSTM的APU在翼RUL预测实验与SVR实现的实验类似，LSTM实现了两个实验。第1个是基于修正后的EGT数据。另一个是基于修正后的EGT数据和基于WP生成的数据。两个LSTM实验的RUL预测结果分别如图12和图13所示。

从图12和图13可以看出，将修正后的EGT数据与基于WP生成的数据相结合的实验结果明显更好。预测的RUL结果接近实际的RUL值。为了比较图10到图13的实验结果，计算评价指标(MAE和RMSE)，实验结果如表1所示。

表1

实验结果表明，仅使用EGT_cor作为训练数据，SVR可以获得性能指标MAE为104.1，RMSE为123.4。LSTM可以获得性能指标MAE为94.6，RMSE为111.0。使用基于WP和SVR可以获得性能指标MAE为10.7，RMSE为13.1。使用基于WP和LSTM可以获得性能指标MAE为6.4，RMSE为7.7。说明了本发明有着良好的APU在翼剩余寿命预测性能。

本发明的系统配置图如图14所示，通过对APU在翼剩余寿命的预测，可以指导APU维修决策和备件管理。

利用民用航空公司APU监测数据对本发明方法框架进行验证，经过适当修改可以应用于其它系统，用来构建APU在翼RUL预测的能力。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述方法具体包括以下步骤：

步骤一、通过飞机通信寻址与报告系统获取辅助动力装置在翼的全寿命周期内的排气温度数据；

步骤二、对步骤一获取的排气温度数据进行修正，得到修正后的排气温度数据EGT_cor；

步骤三、基于维纳过程建立辅助动力装置排气温度数据的预测模型，根据修正后的排气温度EGT_cor的初值，利用建立的预测模型对辅助动力装置全寿命周期内的排气温度进行预测，获得排气温度的预测数据；

步骤四、利用步骤二修正后的排气温度数据和步骤三预测出的排气温度数据作为训练集，利用训练集对神经网络模型进行训练，直至训练次数达到设置的最大迭代次数Q时停止训练，获得训练好的神经网络模型；

步骤五、将当前状态下飞机辅助动力装置的测量排气温度数据以及步骤三中预测出的排气温度数据输入步骤四训练好的神经网络模型，对飞机辅助动力装置进行在翼剩余寿命的预测。

2.根据权利要求1所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述对步骤一获取的排气温度数据进行修正，得到修正后的排气温度数据EGT_cor，其具体过程为：

其中，EGT_cor为修正后的排气温度数据，EGT为步骤一获取的辅助动力装置的在翼排气温度数据，a为指数修正因子，a∈(0,1)，θ为温度修正因子；

其中，T为外界气温，T₀为海平面处标准状态下大气的绝对温度，T₀＝288.15K。

3.根据权利要求2所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述步骤三中，基于维纳过程建立辅助动力装置排气温度数据的预测模型，所述预测模型表示如下：

y_k＝a₀+μt_k+δW(t_k) (3)

其中，t_k代表时刻，y_k为t_k时刻的排气温度的预测值，a₀为修正后的排气温度EGT_cor的初值，μ为漂移参数，W(t_k)为代表退化过程随机动力学的标准布朗运动，δ为扩散参数。

4.根据权利要求3所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述漂移参数μ和扩散参数δ的计算过程为：

对公式(3)做差分处理：

其中，t_i和t_i-1代表时刻，i＝2,3,...,n，基于ΔW(t_i)～N 0,Δt_i，得到Δy_i～N(μΔt_i,δ²Δt_i)；

最大似然函数L(μ,δ)为：

L(μ,δ)＝f(Δy₂,Δy₃,...,Δy_n)＝f(Δy₂)f(Δy₃)...f(Δy_n) (5)

其中，f(Δy₂,Δy₃,...,Δy_n)为增量集Δy₂,Δy₃,...,Δy_n的联合密度函数，f(Δy₂)为Δy₂的密度函数；

则关于μ的偏微分方程为：

由公式(5)和公式(6)得到μ的最大似然估计

为

关于δ的偏微分方程为：

由公式(5)和公式(8)得到δ的最大似然估计

为：

将得到的

和

作为预测模型中漂移参数μ和扩散参数δ的值。

5.根据权利要求1所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述步骤四中，神经网络模型为长短时记忆神经网络模型LSTM或SVR模型。

6.根据权利要求5所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述SVR模型为：

其中，ω为法向量，||·||为二范数，C为正则化常数，m为训练集中训练样本的个数，h_ε(·)表示ε不敏感损失函数，ε表示SVR模型输出与真实值之间的偏差，x_r表示第r个训练样本的特征，r＝1,2,…,m，q(x_r)表示输入x_r时SVR模型的输出，y_r表示第r个训练样本的标记；

令z＝q(x_r)-y_r，则h_ε(z)表示如下：

引入松弛变量ξ_r和

SVR模型改写为：

7.根据权利要求1所述的基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法，其特征在于，所述设置的最大迭代次数Q的取值为100。

Images