CN112560347B - 一种航空发动机剩余使用寿命预测方法、系统及电子设备 - Google Patents
一种航空发动机剩余使用寿命预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112560347B CN112560347B CN202011495583.1A CN202011495583A CN112560347B CN 112560347 B CN112560347 B CN 112560347B CN 202011495583 A CN202011495583 A CN 202011495583A CN 112560347 B CN112560347 B CN 112560347B
- Authority
- CN
- China
- Prior art keywords
- service life
- predicted value
- predicted
- remaining
- residual service
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 25
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种航空发动机剩余使用寿命预测方法、系统及电子设备,将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
Description
技术领域
本发明设计航空发动机技术领域,尤其涉及一种航空发动机剩余使用寿命预测方法、系统及电子设备。
背景技术
航空发动机作为飞机运行时的关键性的部件,工作环境的复杂多变,航空发动机的故障通常不仅能够造成惨重的成本损失,更是导致人员伤亡的重大因素之一,据资料调查,在世界上,商业航空部门估计每年将会有500亿美元的支出用于航空发动机的维修活动,并且预计在2020年将会达到653亿美元。根据美国国防部(世界上最大的飞机和飞机发动机拥有者)发布发动机以及发动机部件的修理比任何其他非武器系统(如飞机或轮船)等商品需要的资金更多。
航空发动机的理论知识表明,对航空发动机的剩余使用寿命进行预测,并在预测结果的基础上提前地制定相应的维修及备件计划,能够在很大程度上减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,因此,如何对航空发动机的剩余使用寿命进行预测是业内亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种航空发动机剩余使用寿命预测方法、系统及电子设备。
本发明的一种航空发动机剩余使用寿命预测方法的技术方案如下:
将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命。
本发明的一种航空发动机剩余使用寿命预测方法的有益效果如下:
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
在上述方案的基础上,本发明的一种航空发动机剩余使用寿命预测方法还可以做如下改进。
进一步,所述计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,包括:
根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,(i,j=1,2,3),其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
进一步,还包括:根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型。
进一步,还包括:
根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;
根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;
根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型。
本发明的一种航空发动机剩余使用寿命预测系统的技术方案如下:
包括识别模块、计算模块和确认模块:
所述识别模块用于将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
所述计算模块用于获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
所述确认模块用于计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命。
本发明的一种航空发动机剩余使用寿命预测系统的有益效果如下:
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
在上述方案的基础上,本发明的一种航空发动机剩余使用寿命预测系统还可以做如下改进。
进一步,所述确认模块具体用于:
根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,(i,j=1,2,3),其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
进一步,还包括确定非线性模型模块,所述确定非线性模型模块用于根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型。
进一步,还包括第一模型训练模块,第二模型训练模块、第三模型训练模块;
所述第一模型训练模块用于根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;
所述第二模型训练模块用于根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;
所述第三模型训练模块用于根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型。
本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如上述任一项所述的一种航空发动机剩余使用寿命预测方法的步骤。
本发明的一种电子设备的有益效果如下:
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
附图说明
图1为本发明实施例的一种航空发动机剩余使用寿命预测方法的流程示意图;
图2为本发明实施例的一种航空发动机剩余使用寿命预测系统的结构示意图;
图3为本发明实施例的一种电子设备的结构示意图;
具体实施方式
如图1所示,本发明实施例的一种航空发动机剩余使用寿命预测方法,包括如下步骤:
S1、将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
S2、获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
S3、计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命。
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,具体地:
例如,通过第一使用寿命预设模型计算出所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值为3000小时,通过第二使用寿命预设模型计算出所述待预测航空发动机在所述当前时刻对应的工况下的第二剩余使用寿命预测值为5000小时,通过第三使用寿命预设模型计算出所述待预测航空发动机在所述当前时刻对应的工况下的第三剩余使用寿命预测值为4900小时,假设只通过第一使用寿命预设模型计算出的第一剩余使用寿命预测值作为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命。明显是有问题的,本申请中通过对三种剩余使用寿命预设模型得到出所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、所述待预测航空发动机在所述当前时刻对应的工况下的第二剩余使用寿命预测值和所述待预测航空发动机在所述当前时刻对应的工况下的第三剩余使用寿命预测值进行置信度计算,并避免上述问题,从而挺高预测准确性。
在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
其中,根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型,一组状态参数包括飞行高度、飞行马赫数等,以,一组状态参数包括飞行高度、飞行马赫数为例进行说明,具体地:
收集与待预测航空发动机相同型号的航空发动机的多架次真实飞行时,所获取到监测数据,从监测数据中人工标记出不同时刻对应的不同组的状态参数,并标记出不同状态参数对应的工况,具体可根据不同的飞行高度范围和飞行马赫数范围确定出工况,例如,将飞行高度低于3000米且飞行马赫数低于1马赫,对应的工况为低空低速工况,将飞行高度高于3000米且低于6000米,飞行马赫数高于1马赫且低于3马赫,对应的工况为中空中速工况,将飞行高度低于3000米、飞行马赫数高于1马赫且低于3马赫,对应的工况为低空中速工况,等,然后进行数据拟合,得到非线性模型G=f(H,Ma),其中,G表示工况,H表示飞行高度,Ma表示飞行马赫数;那么:
将当前时刻所对应的一组状态参数输入非线性模型G=f(H,Ma)中,即刻识别出当前时刻对应的工况。
其中,可根据经验人为设置预设关键部件,例如将航空发动机中一些容易损坏的部件作为预设关键部件,将航空发动机中损坏后容易引起飞机坠毁的部件作为预设关键部件等,例如预设关键部件为航空发动机的涡轮、轴颈、鼓筒等;
以多个预设关键部件为航空发动机的涡轮、轴颈和鼓筒为例进行说明,具体地:
由于航空发动机设置的多个传感器来检测航空发动机的各部件的数据,故从检测数据中能直接查询获得涡轮、轴颈和鼓筒的参数,参数为温度、振动系数等,那么:
1)将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第一使用寿命预设模型得到第一剩余使用寿命预测值;
2)将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第二使用寿命预设模型得到第二剩余使用寿命预测值;
3)将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第三使用寿命预设模型得到第三剩余使用寿命预测值。
其中,可基于不同的模型如长短期记忆网络、门控循环神经网络、堆叠式降噪自动编码器、自动编码器等分别训练出第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型;例如:
1)根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;例如,所有预设关键部件的多组历史参数为多组涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数,那么,将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第一使用寿命预设模型得到第一剩余使用寿命预测值;
具体地:根据所有预设关键部件的多组历史参数和长短期记忆网络训练过程为:获取多组历史参数→对多组历史参数进行降噪→数据预处理→模型训练;该模型训练过程为本领域技术人员所悉知,在此不做赘述。
2)根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;例如,所有预设关键部件的多组历史参数为多组涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数,那么,将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第二使用寿命预设模型得到第二剩余使用寿命预测值;
其中,根据所有预设关键部件的多组历史参数和门控循环神经网络训练过程为本领域技术人员所悉知,在此不做赘述。
3)根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型,例如,所有预设关键部件的多组历史参数为多组涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数,那么,将涡轮的温度和振动系数、轴颈的温度和振动系数、鼓筒的温度和振动系数输入第三使用寿命预设模型得到第三剩余使用寿命预测值;
其中,根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练过程为本领域技术人员所悉知,在此不做赘述。
一般而言,历史参数的数量越多,训练出的第一使用寿命预设模型、第二使用寿命预设模型、第三使用寿命预设模型越准确,进而使预测结果的准确性越高。
较优地,在上述技术方案中,所述计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,包括:
S30、根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,(i,j=1,2,3),其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
Ji表示bi相对于剩余两个剩余使用寿命预测值的距离的平均距离,可理解为:
1)当bi为第一剩余使用寿命预测值b1时,剩余两个剩余使用寿命预测值为第二剩余使用寿命预测值b2和第三剩余使用寿命预测值b3;那么:J1=(d(b1,b2)+d(b1,b3))/2;
2)当bi为第二剩余使用寿命预测值b2时,剩余两个剩余使用寿命预测值为第一剩余使用寿命预测值b1和第三剩余使用寿命预测值b3;那么:J1=(d(b2,b1)+d(b2,b3))/2;
3)当bi为第三剩余使用寿命预测值b3时,剩余两个剩余使用寿命预测值为第一剩余使用寿命预测值b1和第二剩余使用寿命预测值b2;那么:J1=(d(b3,b1)+d(b3,b2))/2。
在上述各实施例中,虽然对步骤进行进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图2所示,本发明实施例的一种航空发动机剩余使用寿命预测系统200,
包括识别模块210、计算模块220和确认模块230:
所述识别模块210用于将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
所述计算模块220用于获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
所述确认模块230用于计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命。
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
较优地,在上述技术方案中,所述确认模块230具体用于:
根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,(i,j=1,2,3),其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
较优地,在上述技术方案中,还包括确定非线性模型模块,所述确定非线性模型模块用于根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型。
较优地,在上述技术方案中,还包括第一模型训练模块,第二模型训练模块、第三模型训练模块;
所述第一模型训练模块用于根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;
所述第二模型训练模块用于根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;
所述第三模型训练模块用于根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型。
上述关于本发明的一种航空发动机剩余使用寿命预测系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种航空发动机剩余使用寿命预测方法的实施例中的各参数和步骤,在此不做赘述。
如图3所示,本发明实施例的一种电子设备300,包括存储器310、处理器320及存储在所述存储器310上并在所述处理器320上运行的程序330,所述处理器320执行所述程序330时实现上述任一实施的一种航空发动机剩余使用寿命预测方法的步骤。
将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。
其中,电子设备300可以选用电脑、手机等,相对应地,其程序330为电脑软件或手机APP等,且上述关于本发明的一种电子设备300中的各参数和步骤,可参考上文中一种航空发动机剩余使用寿命预测方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。
因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种航空发动机剩余使用寿命预测方法,其特征在于,包括:
将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命;
所述计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,包括:
根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,i=1、2或3,j=1、2或3,其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
2.根据权利要求1所述的一种航空发动机剩余使用寿命预测方法,其特征在于,还包括:
根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型。
3.根据权利要求1所述的一种航空发动机剩余使用寿命预测方法,其特征在于,还包括:
根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;
根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;
根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型。
4.一种航空发动机剩余使用寿命预测系统,其特征在于,包括识别模块、计算模块和确认模块:
所述识别模块用于将待预测航空发动机的当前时刻所对应的一组状态参数输入非线性模型中,识别出当前时刻对应的工况;
所述计算模块用于获取并将所述待预测航空发动机的所有预设关键部件当前时刻的参数分别输入第一使用寿命预设模型、第二使用寿命预设模型和第三使用寿命预设模型,得到所述待预测航空发动机在所述当前时刻对应的工况下的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值;
所述确认模块用于计算所述第一剩余使用寿命预测值的置信度、所述第二剩余使用寿命预测值的置信度和所述第三剩余使用寿命预测值的置信度,将最大置信度对应的剩余使用寿命预测值确定为所述待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命;
所述确认模块具体用于:
根据第一公式计算出所述第一剩余使用寿命预测值、所述第二剩余使用寿命预测值和所述第三剩余使用寿命预测值中每两个剩余使用寿命预测值之间的距离,所述第一公式为:d(bi,bj)=|bi-bj|,i=1、2或3,j=1、2或3,其中,b1表示第一剩余使用寿命预测值;b2表示第二剩余使用寿命预测值,b3表示第三剩余使用寿命预测值,d(bi,bj)表示bi相对于bj之间的距离;
5.根据权利要求4所述的一种航空发动机剩余使用寿命预测系统,其特征在于,还包括确定非线性模型模块:
所述确定非线性模型模块用于根据多组历史状态参数和每组历史状态参数对应的工况,得到所述非线性模型。
6.根据权利要求4所述的一种航空发动机剩余使用寿命预测系统,其特征在于,还包括第一模型训练模块,第二模型训练模块、第三模型训练模块;
所述第一模型训练模块用于根据所有预设关键部件的多组历史参数和长短期记忆网络训练得到所述第一使用寿命预设模型;
所述第二模型训练模块用于根据所有预设关键部件的多组历史参数和门控循环神经网络训练得到所述第二使用寿命预设模型;
所述第三模型训练模块用于根据所有预设关键部件的多组历史参数和堆叠式降噪自动编码器训练得到所述第三使用寿命预设模型。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的一种航空发动机剩余使用寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495583.1A CN112560347B (zh) | 2020-12-17 | 2020-12-17 | 一种航空发动机剩余使用寿命预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495583.1A CN112560347B (zh) | 2020-12-17 | 2020-12-17 | 一种航空发动机剩余使用寿命预测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560347A CN112560347A (zh) | 2021-03-26 |
CN112560347B true CN112560347B (zh) | 2022-09-20 |
Family
ID=75062905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011495583.1A Active CN112560347B (zh) | 2020-12-17 | 2020-12-17 | 一种航空发动机剩余使用寿命预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560347B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145641A (zh) * | 2017-04-13 | 2017-09-08 | 南京航空航天大学 | 叶片振动疲劳概率寿命预测方法 |
CN107908864A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院空间应用工程与技术中心 | 一种基于特征融合的复杂设备剩余使用寿命预测方法 |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702485B2 (en) * | 2006-12-06 | 2010-04-20 | Oracle America, Inc. | Method and apparatus for predicting remaining useful life for a computer system |
CN109472110B (zh) * | 2018-11-29 | 2023-06-27 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
-
2020
- 2020-12-17 CN CN202011495583.1A patent/CN112560347B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145641A (zh) * | 2017-04-13 | 2017-09-08 | 南京航空航天大学 | 叶片振动疲劳概率寿命预测方法 |
CN107908864A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院空间应用工程与技术中心 | 一种基于特征融合的复杂设备剩余使用寿命预测方法 |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
Non-Patent Citations (4)
Title |
---|
Prediction of Remaining useful life of Mechanical Components–A Review;S. B. Kivade等;《•International Journal of Engineering Education 》;20141031;第2卷(第1期);1-5 * |
不完全数据可靠性评估和寿命预测方法;傅惠民等;《机电产品开发与创新》;20200928;第33卷(第05期);4-7 * |
多特征融合灰色模型的板级焊点寿命预测研究;景博等;《仪器仪表学报 》;20180205;第39卷(第8期);72-79 * |
王建敏等.高超声速飞行器RBF神经网络滑模变结构控制.《电机与控制学报 》.2016,第20卷(第5期),103-110. * |
Also Published As
Publication number | Publication date |
---|---|
CN112560347A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334062B2 (en) | Method of evaluating a part | |
CN112581430A (zh) | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 | |
CN105512483B (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
EP3460215B1 (en) | Method and apparatus for predicting turbine outlet temperature in gas turbine | |
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 | |
CN116316613A (zh) | 电力设备运行监测方法、系统、电子设备及存储介质 | |
EP3596439A1 (en) | Fatigue crack growth prediction | |
CN118150943B (zh) | 配电网接地故障定位方法、系统、电子设备及存储介质 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN106600446B (zh) | 基于动态优先级的生产现场事件实时处理系统及方法 | |
SikorA et al. | Monitoring and maintenance of a gantry based on a wireless system for measurement and analysis of the vibration level | |
CN112560347B (zh) | 一种航空发动机剩余使用寿命预测方法、系统及电子设备 | |
JP3213929U (ja) | 海上プラント予防保全システム | |
CN116702463A (zh) | 受热面管的剩余寿命预测方法、装置、设备和存储介质 | |
Lacaille et al. | Online abnormality diagnosis for real-time implementation on turbofan engines and test cells | |
CN116664103A (zh) | 一种基于数据分析的航空器运维管理系统 | |
CN116414608A (zh) | 异常检测方法、装置、设备及存储介质 | |
CN114638060B (zh) | 故障预测方法、系统、电子设备 | |
CN116384087A (zh) | 一种载人深潜作业人因可靠性分析方法、系统和设备 | |
CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
CN115271405A (zh) | 一种船舶监控与复查管理的方法及系统 | |
RU2749252C1 (ru) | Способ определения источников аномалии в кибер-физической системе |
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 |