CN111652461A - 基于sae-hmm的航空发动机连续健康状态评估方法 - Google Patents
基于sae-hmm的航空发动机连续健康状态评估方法 Download PDFInfo
- Publication number
- CN111652461A CN111652461A CN202010284029.2A CN202010284029A CN111652461A CN 111652461 A CN111652461 A CN 111652461A CN 202010284029 A CN202010284029 A CN 202010284029A CN 111652461 A CN111652461 A CN 111652461A
- Authority
- CN
- China
- Prior art keywords
- state
- health
- model
- engine
- parameters
- 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
- 230000036541 health Effects 0.000 title claims abstract description 155
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 230000007704 transition Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000003862 health status Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 12
- 238000006731 degradation reaction Methods 0.000 abstract description 12
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于SAE‑HMM的航空发动机连续健康状态评估方法,所述方法包括,收集航空发动机监测参数;参数预处理;SAE模型特征提取;健康状态划分;HMM模型描述参数与健康状态之间的概率对应关系以及概率转移关系;历史参数数据训练隐马尔可夫模型;实时监测参数数据通过建立好的SAE‑HMM模型进行健康状态评估;SAE‑HMM模型输出的各个状态概率值计算发动机当前的健康度,并进行发动机健康状态转移预警。本发明在保证原有信息量的同时,具有模型运算效率高,复杂度低,并支持不确定维度参数与特征的自适应能力,有效挖掘并表征了多维数据中蕴含的发动机连续退化规律,提高了发动机健康状态评估精度,实现了更加精确的状态转移预警。
Description
技术领域
本发明涉及航空发动机领域,特别涉及一种基于SAE-HMM的航空发动机连续健康状态评估方法。
背景技术
近年来,现代航空宇航技术不断进步,航空飞行器也广泛的进入越来越多的领域,其飞行能力也在不断增强。随着航空飞行器性能的提高,人们对其安全性以及可靠性的要求也越来越高。航空发动机作为飞机的主要动力源与最重要的部件,其发生故障造成的后果往往是机毁人亡,是毁灭性的。同时,由于其部件之间的集成度高、工作环境较为恶劣、组成结构十分复杂等诸多因素,发动机的稳定性往往是难以控制的。
目前,对航空发动机的健康状态评估主要有两种,一种是定期的巡检、检修,在规定架次飞行后,进行发动机的巡检与检修,虽然这也可以起到对健康状态的评估,但是缺乏实时性,并且会消耗大量的人力物力;第二种是故障后维修,但这是在发生故障或异常后的不就手段,很难起到预警作用。因此需要提出一种发动机的连续健康评估方法。
视情维修是起源于美国联合航空公司与联邦航空局在飞机上采用的维修方法,通过对发动机传感器信号的分析,当维修对象出现“潜在故障”时就进行调整,从而避免故障发生。这种方法大大提高了发动机的故障率,缩小了维修范围,减少了维修工作量。本专利基于视情维修的思路,建立基于SAE-HMM的航空发动机连续健康状态评估方法,对发动机的健康状态进行连续评估。
目前在视情维修方面也有了一定的专利成果,如《基于状态基线的航空发动机气路单元体健康状态评价方法》,《一种基于神经网络算法的航空发动机状态诊断方法》,本发明基于现有方法的优势在于:通过SAE模型进行特征提取与降维,在保证原有信息量的同时大大降低了模型的复杂度,提高运算效率,从而可以支持多不确定维度参数与特征的自适应能力;使用HMM模型对历史参数进行训练,实现健康状态的自动判别,无须建立不同参数的退化函数,降低复杂度。同时还提出了基于SAE-HMM模型的健康度计算方法,将离散状态量转化为连续健康度,可以起到状态转移预警的作用,提高了本方法的适用性。
发明内容
本发明的目的在于提供一种基于SAE-HMM的航空发动机连续健康状态评估方法,对航空发动机的健康状态实现连续评估。
本发明所采用的技术方案是,基于SAE-HMM的航空发动机连续健康状态评估方法,具体包括:
利用传感器收集到航空发动机各项运行监测参数;
整理后的各传感器参数数据进行归一化以及指数平均平滑处理;
平滑处理后的多维航空发动机监测参数使用SAE模型进行特征提取与降维,目标维数由专家经验或工程实际而定;
对降维后参数进行健康状态的划分,具体的状态阈值可根据参数退化的百分比划定状态阈值;
航空发动机健康状态与发动机监测参数之间的关系用隐马尔可夫模型描述,用以描述连续监测参数与健康状态之间的概率对应关系以及健康状态的概率转移关系;
历史多维参数数据通过SAE模型进行特征提取后,根据提取出的特征参数确定隐马尔可夫模型中的参数;
实时监测参数数据通过指数平滑与SAE模型提取提特征后根据已确定参数的隐马尔可夫模型对航空发动机的健康状态进行评估;
通过SAE-HMM模型输出的预测各个状态的概率值计算发动机当前的健康度实现更为精确的健康状态评估;
优选的,所述归一化方法是数据预处理中经常使用的方法,由于传感器中获得的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。
优选的,所述指数平均平滑处理为加权移动平均的一种,加权移动平均相较于简单的移动平均法而言,在计算平均值时对数据赋予了权重,这种平均方法时考虑到了对于时序数据而言,越是相邻的数据其对预测值的影响越大的特点,所以为了解决简单的移动平均法没有融入时间相关性的缺点,该方法提出了权重的概念,在计算平均值时,赋予目标点邻近的数据较大的权值,而随着时间间隔的增加,权值也逐渐减少,这样对曲线趋势的变化的分析效果更好。显然,发动机的监测参数退化满足这一特点,其参数是随着时间而变化的,随着时间间隔的扩大,数据点与相邻数据点之间的相关性性也逐渐递减,这与加权移动平均的思想相吻合。
指数移动平均法主要是加权的权值不同,该方法将各数值的权重随时间做指数式的递减,这样可以使得与目标点越临近的数据的权重更大。设t时刻的原始数据值为Yt,t时刻的平滑结果为St;时间t-1的平滑值则为St-1,计算方法如下:
优选的,所述SAE(Stacked AutoEncoder)模型为一种无监督的特征学习网络,可充分利用未标签数据通过逐层的预训练得到各层网络初始化的权值,从而使网络能更有效地提取数据特征。SAE由三层网络组成,分别是输入层、隐含层和输出层。SAE要经过编码、解码阶段,编码阶段是从输入层到隐含层的压缩低维表达过程,解码阶段是从隐含层的压缩特征映射还原出输出层的近似原始数据的过程。通过设置输入层与输出层为原始数据并不断迭代使得损失函数最小,中间的隐藏层即为提取出的参数特征。
优选的,隐马尔可夫模型(Hidden Markov Model,HMM)作为在机器学习领域中应用较为广泛的模型,其本质也是一种统计模型,随着不断的发展,现在已经广泛的应用于语音识别,文字识别,故障诊断领域。HMM是从马尔可夫链中衍生出来的包含两重随机过程的模型,在传统的Markov模型中,模型中的每一个状态是确定的直接可见的观测值,因此对每一个状态而言,其转移概率是唯一可确定的。而对于HMM模型,状态是不可见的,可以用一个马尔可夫链来描述模型中各种状态之间的转移过程,而马尔可夫链中观测量与状态量之间可以通过随机过程描述二者对应关系。在HMM模型中,由于状态是隐藏的,状态之间的转移过程是无法观测出来的,模型目前的状态可以通过后一个随机过程中的观测量来进行判断,HMM模型的特性也在于此。由于航空发动机的健康状态无法直接通过监测参数观察得到,但是其隐含的健康状态又与观测参数有关,因此,隐马尔可夫模型可以用于发动机的健康状态评估,对发动机所处的健康状态进行识别。
优选的,所述隐马尔可夫模型,用λ={N,M,π,A,B}表示,模型的五个元素的数学表示如下:N为Markov链中状态的数量,qi∈{θ1,θ2,…,θN},M为每个状态对应的观测值数量,oi∈{v1,v2,…,vM},π=(π1,π2,…,πN)为初始状态的概率分布,πi=P(q1=θi),1≤i≤N,
A=(aij)N×N为状态之间的转移概率矩阵,aij=P(qi+1=θi|qi=θi),
B=(bjk)N×M观测值的概率矩阵,bjk=P(oi=vk|qi=θj),
优选的,求解HMM模型的参数使用Baum-Walch方法,首先对数据进行初始化。
本实验中所使用的数据是全寿命周期数据,包含有发动机从健康到故障的监测参数,因此,要对发动机整个寿命周期进行健康状态评估,发动机都是由健康状态向故障状态转移,所以默认发动机的初始状态即为发动机的健康状态,即将隐马尔可夫模型中的初始状态矩阵设置为π={1,0,0,0}。
为了实现隐马尔可夫模型中状态转移路径的规定,即选择合适的隐马尔可夫模型类型(左右型隐马尔可夫模型),需要设置模型中的状态转移矩阵A。对于状态转移矩阵中的元素aij而言,其表达的含义为,i状态到j状态的转移概率,所以当aij=0时,其意义在于表示从i状态到j状态是无法转移的。利用这一原则,可以是实现对隐马尔可夫模型中状态间转移路径以及方向的控制。若要实现状态只能从前向后转移,可以将状态转移矩阵的下三角区域设置为0,表示由后面的状态向前面的状态的转移概率为0。若要实现状态的逐级转移则需要将对角线以及靠近对角线的斜边设置为0。所以为了实现这一路径,本文需要的隐马尔可夫模型的状态转移矩阵形式为:
设置初始值:
参数模型迭代过程如下:
πi=γ1(i)
若πi,aij,bj(k)的值已经收敛,则得到最后结果,否则继续迭代。
本实施例使用Viterbi算法求解给定观测序列条件下,最可能出现的对应的隐藏状态序列,首先,初始化局部状态:
δ1(i)=πibi(o1),i=1,2,...,N
本实施例进行动态规划地推时刻t=2,3,…,T的局部状态,公式如下所示:
δt(i)=max1≤j≤N[δt-1(j)an]bi(oz),t=1,2,...,N
P*=max1≤j≤NδT(i)
通过该Viterbi算法可以推测发动机健康状态的转移路径,判断发动机当前健康状态。
假设健康度的取值范围为[0,1],其中1表示发动机处于完全健康状态,0表示发动机处在故障状态。由于隐马尔可夫模型输出的概率值相加之和为1,且表示了该观测序列与健康状态之间的相似程度,所以可以将概率值视为不同健康状态的权重值w。由于各状态的概率值之和为1,为了考虑不同的健康状态的持续时间的不同,并且为了满足健康度的取值范围为[0,1],将不同的健康状态值进行设置,通过输入观测值序列的状态转移概率以及不同状态的状态值,可以计算基于监测参数的航空发动机的健康度,健康度h可以表示为:
wi=pi
式中pi表示观测值序列对不同状态的转移概率值,si代表第i个状态的状态值,wi代表第i个状态的权重值。
通过基于SAE-HMM航空发动机的健康度的计算方法,可以将隐马尔可夫模型中输出的转移概率与状态进行合理的结合,从而解决单纯的隐马尔可夫模型无法判断发动机健康状态的某一具体阶段的问题,可以通过健康度的变化对状态转变的临界点进行判断,从而对维修决策以及换发决策提供支持。
本发明的有益效果在于:
本发明采用SAE-HMM模型构建航空发动机的健康状态评估模型,一方面对发动机众多参数进行特征提取与降维,降低了模型的复杂度,提高模型运算效率。同时使得模型能够支持不确定维度的参数与特征的自适应能力。建立起可以反映发动机状态转移概率的隐马尔可夫模型,有效挖掘并表征了多维数据中蕴含的发动机连续退化规律,提出了一种有效的发动机健康状态评估方法,提高了评估模型的精度,并且利用多历史多维数据进行模型的训练,克服传统的单变量评估受到历史随机性影响的不足,能够最大程度的挖掘现有信息特征,提高模型的精度。
本发明利用SAE-HMM模型生成的预测不同状态的概率值,提出了一种基于SAE-HMM模型航空发动机健康度计算方法,将发动机健康状态表征的离散量转化为连续量,能够更准确的表征发动机目前所处的退化状态,对发动机状态转移中的临界点附近的状态进行更加准确的判断,起到预警的作用可以对维修,换发方案的制订以及人力、物力的安排提供一定的支持作用,从而节约维修费用,提高维修效率,提高飞机利用率。
本发明中的健康状态数目,特征维数都可根据专家经验与工程实际进行相应调整,具有一定的工程适用性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明实施例中基于SAE-HMM的航空发动机连续健康状态评估方法的流程图;
图2是本发明实施例中1#发动机各参数原始数据;
图3是本发明实施例中对1#发动机各参数进行数据预处理之后的结果;
图4是本发明实施例中对1#发动机各参数使用SAE模型进行参数降维后的结果;
图5是本发明实施例中利用SAE-HMM模型对81#发动机进行连续健康状态评估的结果;
图6是本发明实施例中利用提出的基于SAE-HMM的健康度算法对81#发动机进行健康度计算结果的可视化展示。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不限定于本发明
图1为本发明实施例中一种基于SAE-HMM的航空发动机连续健康状态评估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101:利用传感器收集到航空发动机各项运行监测参数;
步骤S102:各传感器参数数据进行归一化以及指数平均平滑处理;
归一化方法是数据预处理中经常使用的方法,由于传感器中获得的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。
指数移动平均法主要是加权的权值不同,该方法将各数值的权重随时间做指数式的递减,这样可以使得与目标点越临近的数据的权重更大。设t时刻的原始数据值为Yt,t时刻的平滑结果为St;时间t-1的平滑值则为St-1,计算方法如下:
步骤S103:平滑处理后的多维航空发动机监测参数使用SAE模型进行特征提取与降维,目标维数由专家经验或工程实际而定。
SAE模型为一种无监督的特征学习网络,可充分利用未标签数据通过逐层的预训练得到各层网络初始化的权值,从而使网络能更有效地提取数据特征。SAE由三层网络组成,分别是输入层、隐含层和输出层。SAE要经过编码、解码阶段,编码阶段是从输入层到隐含层的压缩低维表达过程,解码阶段是从隐含层的压缩特征映射还原出输出层的近似原始数据的过程。通过设置输入层与输出层为原始数据并不断迭代使得损失函数最小,中间的隐藏层即为提取出的参数特征,目标维数是的确定往往会根据特征中原始数据的信息量以及计算的复杂度来权衡确定。
步骤S104:对降维后参数进行健康状态的划分,具体的状态阈值可以通过工程实际和专家经验确定,一般通过性能参数下降百分比来进行阈值的设定。
步骤S105:建立航空发动机健康状态隐马尔可夫模型。历史多维参数数据通过SAE模型进行特征提取后,通过提取后的特征参数确定隐马尔可夫模型中的参数。
航空发动机健康状态与发动机监测参数之间的关系用隐马尔可夫模型描述,用以描述连续监测参数与健康状态之间的概率对应关系以及健康状态的概率转移关系。
隐马尔可夫模型,用λ={N,M,π,A,B}表示,模型的五个元素的数学表示如下:N为Markov链中状态的数量,qi∈{θ1,θ2,…,θN},M为每个状态对应的观测值数量,oi∈{v1,v2,…,vM},π=(π1,π2,...,πN)为初始状态的概率分布,πi=P(q1=θi),1≤i≤N,
A=(aij)N×N为状态之间的转移概率矩阵,aij=P(qi+1=θi|qi=θi),
B=(bjk)N×M观测值的概率矩阵,bjk=P(oi=vk|qi=θj),
求解HMM模型的参数使用Baum-Walch方法,首先对数据进行初始化。
本实验中所使用的数据是全寿命周期数据,包含有发动机从健康到故障的监测参数,因此,要对发动机整个寿命周期进行健康状态评估,发动机都是由健康状态向故障状态转移,所以默认发动机的初始状态即为发动机的健康状态,即将隐马尔可夫模型中的初始状态矩阵设置为π={1,0,0,0}。
为了实现隐马尔可夫模型中状态转移路径的规定,即选择合适的隐马尔可夫模型类型(左右型隐马尔可夫模型)进行实验,需要设置模型中的状态转移矩阵A。对于状态转移矩阵中的元素aij而言,其表达的含义为,i状态到j状态的转移概率,所以当aij=0时,其意义在于表示从i状态到j状态是无法转移的。利用这一原则,可以是实现对隐马尔可夫模型中状态间转移路径以及方向的控制。若要实现状态只能从前向后转移,可以将状态转移矩阵的下三角区域设置为0,表示由后面的状态向前面的状态的转移概率为0。若要实现状态的逐级转移则需要将对角线以及靠近对角线的斜边设置为0。所以为了实现这一路径,本文需要的隐马尔可夫模型的状态转移矩阵形式为:
设置初始值:
参数模型迭代过程如下:
πi=γ1(i)
若πi,aij,bj(k)的值已经收敛,则得到最后结果,否则继续迭代:
步骤S106:实时监测参数数据通过指数平滑与SAE模型特征提取后根据已确定参数的隐马尔可夫模型对航空发动机的健康状态进行评估。
将监测参数通过S102的归一化以及指数移动平均平滑处理,输入S103建立好的SAE数据降维模型中,得到监测序列的特征参数序列,将其输入到上述S105建立好的HMM模型中,进行健康状态的连续评估。
本实施例使用Viterbi算法求解给定观测序列条件下,最可能出现的对应的隐藏状态序列,首先,初始化局部状态。
δ1(i)=πibi(o1),i=1,2,...,N
本实施例进行动态规划地推时刻t=2,3,…,T的局部状态,公式如下所示:
δt(i)=max1≤j≤N[δt-1(j)an]bi(oz),t=1,2,...,N
P*=max1≤j≤NδT(i)
通过该Viterbi算法可以推测发动机健康状态的转移路径,判断发动机当前健康状态。
步骤S107:通过SAE-HMM模型输出的预测个状态的概率值计算发动机当前的健康度实现更为精确的健康状态评估。
假设健康度的取值范围为[0,1],其中1表示发动机处于完全健康状态,0表示发动机处在故障状态。由于隐马尔可夫模型输出的概率值相加之和为1,且表示了该观测序列与健康状态之间的相似程度,所以可以将概率值视为不同健康状态的权重值w。由于各状态的概率值之和为1,为了考虑不同的健康状态的持续时间的不同,并且为了满足健康度的取值范围为[0,1],所以根据前文中改进的隐马尔可夫模型将不同的健康状态值设为1,0.8,0.6,0.4。
通过输入观测值序列的状态转移概率以及不同状态的状态值,可以计算航空发动机的健康度,健康度h可以表示为:
wi=pi
式中pi表示观测值序列对不同状态的转移概率值,si代表第i个状态的状态值,wi代表第i个状态的权重值。
通过基于SAE-HMM航空发动机的健康度的计算方法,可以将隐马尔可夫模型中输出的转移概率与状态进行合理的结合,从而解决单纯的隐马尔可夫模型无法判断发动机健康状态的某一具体阶段的问题,可以通过健康度的变化对状态转变的临界点进行判断,从而对维修决策以及换发决策提供支持。
下面利用具体的案例对本专利进行阐述:
本发明的另一个实施例为采用2008年PHM国际Data Challenge数据集进行模型的构建以及方法的验证。该数据由C-MAPSS(Commercial Modular Aero-Propulsion SystemSimulation)仿真获得。C-MAPSS的开发使用是基于MATLAB和Simulink软件的,用户可以通过操作界面输入发动机的工况,外部环境条件,故障状态等可控参数,以进行仿真实验。
本研究利用该数据集中相同工况下的发动机数据,并针对同一种故障模式。在该数据集中,有100个发动机的全寿命周期的24个性能参数的退化数据,将这100台发动机从前往后进行编号,第一台发动机编号为1#。本发明使用前70台发动机进行模型的训练,认为是历史监测数据,用后30台发动机进行模型的验证以及模型精度的评估,认为是监测数据。
步骤一:利用传感器收集到航空发动机各项运行监测参数。
该仿真数据可认为是发动机传感器收集到的各项运行监测参数,该数据集中,发动机的监测参数有24种。
图2所示是1#发动机各参数原始数据。
步骤二:对各传感器参数数据进行归一化与指数平均平滑处理。
归一化方法是数据预处理中经常使用的方法,由于传感器中获得的参数物理含义不同,数值范围也不尽相同,直接用于模型构建将会受到参数量纲的影响,因此要采用归一化方法去掉参数的量纲。归一化公式如下:
X代表参数值,Xmin、Xmax分别表示参数序列中的最小值和最大值,而Xnom代表归一化后的参数结果。
指数移动平均法主要是加权的权值不同,该方法将各数值的权重随时间做指数式的递减,这样可以使得与目标点越临近的数据的权重更大。设t时刻的原始数据值为Yt,t时刻的平滑结果为St;时间t-1的平滑值则为St-1,计算方法如下:
加权的程度通常用α表示,α数值介乎于0至1。通常情况下,α可以用变量N表示为N为预设的加权计算所包含的点的个数,称为窗口大小,窗口大小影响曲线的平滑程度。此处将窗口大小设置为10,α设为0.18平滑结果如图3所示。
步骤三:平滑处理后的多维航空发动机监测参数使用SAE模型进行特征降维。
设定输入的24维数据为SAE模型的输入层,并将24维数据设置为输出层,本案例中设置SAE模型隐藏层节点为4激活函数为Relu函数,采用所述历史运行数据来训练所述参数模型,且在训练过程中不断调整所述参数模型的隐藏层层数及各层神经元个数,直至得到的训练误差和训练时间均最小为止。
特征提取结果如图4所示,经SAE降维后,参数如图4所示,可以看出提取出的参数具有明显的趋势,能够代表原始参数中的信息,并且减少的数据维度,降低模型的复杂度。
步骤四:对降维后参数进行健康状态的划分,具体的状态阈值可以通过工程实际和专家经验确定,一般通过性能参数下降百分比确定。
一般地,在不考虑退化趋势与退化特征的前提下,将健康状态简单根据发动机的寿命,均分为四个阶段,四个阶段分别为:健康,亚健康,危险,故障。
本案例中,依据数据特点,按照航空发动机全寿命周期循环数的0~40%,40%~60%,60%~80%,80%~100%对应航空发动机的四个健康状态。
步骤五:建立航空发动机健康状态隐马尔可夫模型。历史多维参数数据通过SAE模型进行特征提取,根据提取的特征参数确定隐马尔可夫模型中的参数。
航空发动机健康状态与发动机监测参数之间的关系用隐马尔可夫模型描述,用以描述连续监测参数与健康状态之间的概率对应关系以及健康状态的概率转移关系。
求解HMM模型的参数使用Baum-Walch方法,首先对数据进行初始化。
本实验中所使用的数据是全寿命周期数据,包含有发动机从健康到故障的监测参数,因此,要对发动机整个寿命周期进行健康状态评估,发动机都是由健康状态向故障状态转移,所以默认发动机的初始状态即为发动机的健康状态,即将隐马尔可夫模型中的初始状态矩阵设置为π={1,0,0,0}。
为了实现隐马尔可夫模型中状态转移路径的规定,即选择合适的隐马尔可夫模型类型(左右型隐马尔可夫模型)进行实验,需要设置模型中的状态转移矩阵A。对于状态转移矩阵中的元素aij而言,其表达的含义为,i状态到j状态的转移概率,所以当aij=0时,其意义在于表示从i状态到j状态是无法转移的。利用这一原则,可以是实现对隐马尔可夫模型中状态间转移路径以及方向的控制。若要实现状态只能从前向后转移,可以将状态转移矩阵的下三角区域设置为0,表示由后面的状态向前面的状态的转移概率为0。若要实现状态的逐级转移则需要将对角线以及靠近对角线的斜边设置为0。所以为了实现这一路径,设置初始值:
将历史参数数据输入HMM模型中,利用Baum-Welch算法对模型进行训练,描述,用以描述连续监测参数与健康状态之间的概率对应关系以及健康状态的概率转移关系。
训练完成后的模型参数为:
π={1,0,0,0}
步骤六:实时监测参数数据通过指数平滑与SAE模型处理后根据已确定参数的隐马尔可夫模型对航空发动机的健康状态进行评估。
将监测参数数据经过步骤二的归一化以及平滑,输入建立好的SAE特征降维模型中,最后输入建立好的HMM评估模型中,通过Viterbi算法预测输入参数对应的发动机的健康状态,对#81发动机进行健康状态评估结果如图5所示。
步骤七:通过SAE-HMM模型输出的预测各状态的概率值计算发动机当前的健康度实现更为精确的健康状态评估。
假设健康度的取值范围为[0,1],其中1表示发动机处于完全健康状态,0表示发动机处在故障状态。由于隐马尔可夫模型输出的概率值相加之和为1,且表示了该观测序列与健康状态之间的相似程度,所以可以将概率值视为不同健康状态的权重值w。由于各状态的概率值之和为1,为了考虑不同的健康状态的持续时间的不同,并且为了满足健康度的取值范围为[0,1],所以根据隐马尔可夫模型中不同健康状态阈值将不同的健康状态值设为1,0.8,0.6,0.4。
通过输入观测值序列的状态转移概率以及不同状态的状态值,可以计航空发动机的健康度,健康度h可以表示为:
wi=pi
式中pi表示观测值序列对不同状态的转移概率值,si代表第i个状态的状态值,wi代表第i个状态的权重值。
健康度计算结果如图6所示。
由上文中提到的健康度算法,对健康评估模型进行进一步的优化,不仅可以通过监测参数的观测值对发动机目前所处的健康状态进行评估,与此同时,通过健康度的变化,可以判断发动机目前在处于该状态的哪一阶段,当发动机的健康度数值与其对应的健康状态的健康状态值十分接近甚至相同时,可以认为发动机处于该状态的中期阶段,当健康度数值明显低于对应的健康状态值时,可以认为该发动机目前处于对应健康状态的初始阶段;当健康度数值明显高于对应的健康状态时,可以认为该发动机目前处于健康状态的末期。通过本方法可以对发动机的健康状态进行更进一步的评估,通过对每一个健康状态的不同阶段的判断,可以对维修,换发方案的制订以及人力、物力的安排提供一定的支持作用,从而节约维修费用,提高维修效率,提高飞机利用率。
综上所述,本发明提出了一种基于SAE-HMM的航空发动机连续健康状态评估方法,本发明基于历史退化参数数据建立SAE-HMM,模型,通过特征提取,在保证原有信息量的同时,具有模型运算效率高,复杂度低,并支持不确定维度参数与特征的自适应能力,有效挖掘并表征了多维数据中蕴含的发动机连续退化规律。通过HMM模型建立起发动机不同健康状态与观测参数之间的概率关系以及健康状态演化规律。并且使用历史的多维参数数据进行模型训练,克服了传统的单变量评估收到历史随机性影响的不足,通过多历史,多维度的参数进行模型训练进一步提高模型的精度。而后又提出了一种基于SAE-HMM模型的航空发动机的健康度计算方法,将发动机健康状态表征的离散量转化为连续量,能够更准确的表征发动机目前所处的退化状态,对发动机状态转移中的临界点附近的状态进行更加精确的状态转移预警,可以对维修,换发方案的制订以及人力、物力的安排提供一定的支持作用,从而节约维修费用,提高维修效率,提高飞机利用率。本发明中的健康状态数目,特征维数都可根据专家经验与工程实际进行相应调整,具有一定的工程适用性。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (7)
1.基于SAE-HMM的航空发动机连续健康状态评估方法,其特征在于,所述方法包括:
步骤一:利用传感器收集到航空发动机各项运行监测参数;
步骤二:整理后的各传感器参数数据进行归一化以及指数平均平滑处理;
步骤三:平滑处理后的多维航空发动机监测参数使用SAE模型进行特征提取与降维,目标维数由专家经验或工程实际而定;
步骤四:对降维后参数进行健康状态的划分,具体的状态阈值可以通过工程实际和专家经验确定,一般按照性能下降百分比进行阈值的设定;
步骤五:航空发动机健康状态与发动机监测参数之间的关系用隐马尔可夫模型描述,用以描述连续监测参数与健康状态之间的概率对应关系以及健康状态的概率转移关系;历史多维参数数据输入SAE模型中进行特征提取,根据提取后的特征参数确定隐马尔可夫模型中的参数;
步骤六:实时监测参数数据通过指数平滑与SAE模型处理后根据已确定参数的隐马尔可夫模型对航空发动机的健康状态进行评估;
步骤七:通过SAE-HMM模型输出的预测各个状态的概率值计算发动机当前的健康度实现更为精确的健康状态评估。
3.根据权利要求1所述的方法,步骤三中建立SAE模型,其特征在于,
利用SAE模型(Stacked AutoEncoder)进行航空发动机监测参数降维,将处理后的参数数据作为模型的输入层和输出层,不断迭代使得损失函数最小,中间的隐藏层即为提取出的参数特征。参数特征维数可由专家经验与工程实际确定。保证原有信息量的同时,使得模型具有运算效率高,复杂度低,并支持不确定维度参数与特征的自适应能力。
4.根据权利要求1所述的方法,步骤六中建立HMM模型,其特征在于,
建立起航空发动机健康状态转移的隐马尔可夫模型,所述隐马尔可夫模型,用λ={N,M,π,A,B}表示,模型的五个元素的数学表示如下:N为Markov链中状态的数量,qi∈{θ1,θ2,…,θN},M为每个状态对应的观测值数量,oi∈{v1,v2,…,vM},π=(π1,π2,…,πN)为初始状态的概率分布,πi=P(q1=θi),1≤i≤N,
A=(aij)N×N为状态之间的转移概率矩阵,aij=P(qi+1=θi|qi=θi)
B=(bjk)N×M观测值的概率矩阵,bjk=P(oi=vk|qi=θj)
通过输入降维后的历史参数数据求HMM模型的参数,使用Baum-Walch方法进行模型训练优化。
5.根据权利要求4中的方法,其特征在于,在模型训练前,对参数进行初始设定,所使用的数据是全寿命周期数据,包含有发动机从健康到故障的参数,因此,要对发动机整个寿命周期进行健康状态评估,发动机都是由健康状态向故障状态转移,所以默认发动机的初始状态即为发动机的健康状态,即将隐马尔可夫模型中的初始状态矩阵设置为π={1,0,0,0}。
为了实现隐马尔可夫模型中状态转移路径的规定,即选择合适的隐马尔可夫模型类型(左右型隐马尔可夫模型),需要设置模型中的状态转移矩阵A。对于状态转移矩阵中的元素aij而言,其表达的含义为,i状态到j状态的转移概率,所以当aij=0时,其意义在于表示从i状态到j状态是无法转移的。利用这一原则,可以是实现对隐马尔可夫模型中状态间转移路径以及方向的控制。若要实现状态只能从前向后转移,可以将状态转移矩阵的下三角区域设置为0,表示由后面的状态向前面的状态的转移概率为0。若要实现状态的逐级转移则需要将对角线以及靠近对角线的斜边设置为0。所以为了实现这一路径,本文需要的隐马尔可夫模型的状态转移矩阵形式为:
6.根据权利要求1中的方法,步骤六对监测参数进行健康状态评估,其特征在于,将实时的监测参数进行归一化与平滑处理后,先输入构建好的SAE模型进行特征提取,并将结果输入HMM健康评估模型,使用Viterbi算法求解给定观测序列条件下,最可能出现的对应的隐藏状态序列,对其当前状态进行评估。
7.根据权利要求1中的方法,步骤七利用SAE-HMM模型计算发动机健康度,其特征在于,
通过SAE-HMM模型输出各隐藏状态可能出现的转移概率值,将概率值转化为权重值,对不同的健康状态进行加权平均,从而得到当前发动机的健康度数值。
通过输入观测值序列的状态转移概率以及不同状态的状态值,可以计算航空发动机的健康度,健康度h可以表示为:
wi=pi
式中pi表示观测值序列对不同状态的转移概率值,si代表第i个状态的状态值,wi代表第i个状态的权重值。
健康度算法,对健康评估模型进行进一步的优化,不仅可以通过监测参数的观测值对发动机目前所处的健康状态进行评估,与此同时,通过健康度的变化,可以判断发动机目前在处于该状态的哪一阶段,可以对状态转移的临界点进行更加精确的判断,可用来进行更准确的健康状态评估以及状态转移预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010284029.2A CN111652461A (zh) | 2020-04-13 | 2020-04-13 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010284029.2A CN111652461A (zh) | 2020-04-13 | 2020-04-13 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652461A true CN111652461A (zh) | 2020-09-11 |
Family
ID=72347890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010284029.2A Pending CN111652461A (zh) | 2020-04-13 | 2020-04-13 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652461A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051567A (zh) * | 2020-09-17 | 2020-12-08 | 中南大学 | 人体目标微多普勒频率估计方法 |
CN112287971A (zh) * | 2020-09-27 | 2021-01-29 | 北京航天自动控制研究所 | 一种测试数据自适应动态阈值确定方法 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112560223A (zh) * | 2020-11-18 | 2021-03-26 | 南京航空航天大学 | 一种航空发动机全寿命周期维修概率建模与成本预测方法 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113094912A (zh) * | 2021-04-17 | 2021-07-09 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
CN114019400A (zh) * | 2021-11-03 | 2022-02-08 | 广东产品质量监督检验研究院 | 锂电池生命周期监控管理方法、系统及存储介质 |
CN114688926A (zh) * | 2022-03-22 | 2022-07-01 | 中国运载火箭技术研究院 | 一种运载火箭健康检测验证评估系统和方法 |
CN115754010A (zh) * | 2022-11-10 | 2023-03-07 | 四川科力特硬质合金股份有限公司 | 机械密封环密封端面质量控制方法 |
CN116796425A (zh) * | 2023-01-17 | 2023-09-22 | 南京林业大学 | 一种基于sfa-gmm-bid的航空发动机动态健康监测方法 |
CN117473277A (zh) * | 2023-12-28 | 2024-01-30 | 苏州鱼跃医疗科技有限公司 | 除颤电极片组件、设备及除颤电极片损耗估算方法、介质 |
-
2020
- 2020-04-13 CN CN202010284029.2A patent/CN111652461A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051567A (zh) * | 2020-09-17 | 2020-12-08 | 中南大学 | 人体目标微多普勒频率估计方法 |
CN112287971A (zh) * | 2020-09-27 | 2021-01-29 | 北京航天自动控制研究所 | 一种测试数据自适应动态阈值确定方法 |
CN112560223A (zh) * | 2020-11-18 | 2021-03-26 | 南京航空航天大学 | 一种航空发动机全寿命周期维修概率建模与成本预测方法 |
CN112560223B (zh) * | 2020-11-18 | 2024-03-29 | 南京航空航天大学 | 一种航空发动机全寿命周期维修概率建模与成本预测方法 |
CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112465231B (zh) * | 2020-12-01 | 2023-02-03 | 深圳平安医疗健康科技服务有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
CN112668105B (zh) * | 2021-01-14 | 2022-05-03 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113094912A (zh) * | 2021-04-17 | 2021-07-09 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
CN113094912B (zh) * | 2021-04-17 | 2023-11-03 | 郑州航空工业管理学院 | 一种基于静电特征参数的发动机性能退化预警方法 |
CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
CN113743461B (zh) * | 2021-07-29 | 2024-04-09 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
CN114019400A (zh) * | 2021-11-03 | 2022-02-08 | 广东产品质量监督检验研究院 | 锂电池生命周期监控管理方法、系统及存储介质 |
CN114688926A (zh) * | 2022-03-22 | 2022-07-01 | 中国运载火箭技术研究院 | 一种运载火箭健康检测验证评估系统和方法 |
CN114688926B (zh) * | 2022-03-22 | 2024-06-04 | 中国运载火箭技术研究院 | 一种运载火箭健康检测验证评估系统和方法 |
CN115754010A (zh) * | 2022-11-10 | 2023-03-07 | 四川科力特硬质合金股份有限公司 | 机械密封环密封端面质量控制方法 |
CN115754010B (zh) * | 2022-11-10 | 2024-04-09 | 四川科力特硬质合金股份有限公司 | 机械密封环密封端面质量控制方法 |
CN116796425A (zh) * | 2023-01-17 | 2023-09-22 | 南京林业大学 | 一种基于sfa-gmm-bid的航空发动机动态健康监测方法 |
CN117473277A (zh) * | 2023-12-28 | 2024-01-30 | 苏州鱼跃医疗科技有限公司 | 除颤电极片组件、设备及除颤电极片损耗估算方法、介质 |
CN117473277B (zh) * | 2023-12-28 | 2024-03-29 | 普美康(江苏)医疗科技有限公司 | 除颤电极片组件、设备及除颤电极片损耗估算方法、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN108256173B (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112000015A (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 | |
CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN114266201B (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
CN113884807A (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
Yun et al. | Research on gas pressure regulator fault diagnosis based on deep confidence network (DBN) theory | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
CN115375038A (zh) | 一种飞机发动机失效模式识别和寿命预测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |
|
WD01 | Invention patent application deemed withdrawn after publication |