CN113053171B - 一种民机系统风险预警方法及系统 - Google Patents

一种民机系统风险预警方法及系统 Download PDF

Info

Publication number
CN113053171B
CN113053171B CN202110258736.9A CN202110258736A CN113053171B CN 113053171 B CN113053171 B CN 113053171B CN 202110258736 A CN202110258736 A CN 202110258736A CN 113053171 B CN113053171 B CN 113053171B
Authority
CN
China
Prior art keywords
monitoring
parameter
modeling
moment
state
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
Application number
CN202110258736.9A
Other languages
English (en)
Other versions
CN113053171A (zh
Inventor
孙有朝
苏思雨
李龙彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110258736.9A priority Critical patent/CN113053171B/zh
Publication of CN113053171A publication Critical patent/CN113053171A/zh
Application granted granted Critical
Publication of CN113053171B publication Critical patent/CN113053171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Alarm Devices (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种民机系统风险预警方法，根据获取的不同状态参数的状态参数监测序列，采用皮尔逊相关系数法获得多个建模参数监测序列，根据当前监测时刻的每种建模参数的监测值和多个建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值，从而确定当前监测时刻的待检测民机系统的风险综合指标，根据风险综合指标计算当前监测时刻的预警阈值，当前监测时刻的预警阈值为具有自适应性的动态阈值，克服了现有技术民机系统风险预警基于经验阈值而不够准确的问题，提高了民机系统风险预警的准确率；当相邻两个监测时刻的风险综合指标均小于各自监测时刻的预警阈值时，及时地发出风险预警。

Description

一种民机系统风险预警方法及系统
技术领域
本发明涉及民机系统的在线监控以及风险预警技术领域，特别是涉及一种民机系统风险预警方法及系统。
背景技术
随着信息技术的快速发展，航空公司和制造商都积累了大量运营数据。其中，民机状态监测数据，如FDR(Flight Data Recorder)数据、QAR(Quick Access Recorder)数据、ACARS(Aircraft Communications Addressing and Reporting System)数据等，为飞机的风险预警提供了丰富的数据源，可以基于先进的技术，对系统运行进行实时、全面的监控，推动传统的航空运营模式向新一代运营模式转变。
在基于数据的航空运营风险预警方面，目前航空公司对于民机系统风险预警主要是依据经验阈值，通过将系统特定参数与其设定的阈值进行比较，当低于某个值或者高于某个值时进行预警，这种经验阈值具有不确定性，而且没有针对性，对于不同的飞机也采用相同的阈值。因而，研发一种能够利用海量运营数据且科学预警的民机系统风险预警方法是目前亟待解决的技术问题。
发明内容
本发明的目的是提供一种民机系统风险预警方法及系统，以提高民机系统风险预警准确率，并及时地进行风险预警。
为实现上述目的，本发明提供了如下方案：
一种民机系统风险预警方法，所述方法包括：
获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列；
根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列；
获取当前监测时刻的每种建模参数的监测值；
根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值；
根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标；
根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值；
若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警。
可选的，所述获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列，之后还包括：
利用Linear插值法对所述状态参数监测序列进行插值平滑处理，获得插值后的状态参数监测序列；
采用中值滤波算法对所述插值后的状态参数监测序列进行滤波。
可选的，根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列，具体包括：
去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
根据多个所述数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure BDA0002969027570000021
计算任意两种数值型状态参数之间的皮尔逊相关系数；
根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure BDA0002969027570000032
和/>
Figure BDA0002969027570000033
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
可选的，根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值，具体包括：
对多个所述建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
计算当前监测时刻的所有建模参数的监测值构成的向量与所述建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；
将所述建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure BDA0002969027570000031
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
根据当前监测时刻的所有建模参数的监测值构成的向量和所述记忆矩阵，利用公式
Figure BDA0002969027570000041
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，/>
Figure BDA0002969027570000042
为非线性算子。
可选的，所述根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，具体包括：
根据当前监测时刻的每种建模参数的监测值和当前监测时刻的每种建模参数的估计值，基于加权相似度函数，利用公式
Figure BDA0002969027570000043
计算当前监测时刻的所有建模参数的监测值与估计值的相似度；
其中，Stj(Xobs,Xest)为当前监测时刻的所有建模参数的监测值构成的向量Xobs和待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量Xest在tj监测时刻的相似度，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，wi为第i种建模参数的权重系数，n为建模参数的数量。
可选的，根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值，具体包括：
利用公式
Figure BDA0002969027570000044
确定初始均值和初始标准差；其中，μ0为初始均值，σ0为初始标准差，Sg为多个建模参数监测序列的相似度序列中第g个相似度，N为多个建模参数监测序列的相似度序列中相似度的数量；
根据根据当前监测时刻的待检测民机系统的风险综合指标、当前监测时刻之前的待检测民机系统的多个风险综合指标、初始均值和初始标准差，利用公式
Figure BDA0002969027570000051
确定前N个监测时刻的相似度的均值和标准差；其中，μN为前N个监测时刻的相似度的均值，SN为第N个监测时刻的相似度，μN-1为前N-1个监测时刻的相似度的均值，σN为前N个监测时刻的相似度的标准差，σN-1为前N-1个监测时刻的相似度的标准差；
根据前N个监测时刻的相似度的均值和标准差，利用公式CN＝μN-TσN，确定第N个监测时刻的预警阈值；其中，CN为第N个监测时刻的预警阈值，T为带宽系数。
可选的，若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警，之后还包括：
根据发出风险预警的时间段内的每种建模参数的监测值和每种建模参数的估计值，利用公式
Figure BDA0002969027570000052
计算每种建模参数对系统异常状态的累计贡献率；其中，con(i)为第i种建模参数对系统异常状态的累计贡献率，con(i,j)表示第i种建模参数在第j个监测时刻对系统异常状态的贡献率，t为预警开始时刻，k为预警结束时间，wi为第i种建模参数的权重系数，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，n为建模参数的数量；
将累计贡献率大于贡献率阈值的建模参数确定为发生异常的建模参数；
根据所述发生异常的建模参数所归属的系统部位，确定故障部件。
一种民机系统风险预警系统，所述系统包括：
状态参数监测序列构成模块，用于获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列；
建模参数监测序列获得模块，用于根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列；
监测值获取模块，用于获取当前监测时刻的每种建模参数的监测值；
估计值获得模块，用于根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值；
风险综合指标获得模块，用于根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标；
预警阈值确定模块，用于根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值；
风险预警发出模块，用于若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警。
可选的，所述建模参数监测序列获得模块，具体包括：
数值型状态参数监测序列获得子模块，用于去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
皮尔逊相关系数计算子模块，用于根据多个所述数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure BDA0002969027570000061
计算任意两种数值型状态参数之间的皮尔逊相关系数；
建模参数获得子模块，用于根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
建模参数监测序列获得子模块，用于选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure BDA0002969027570000073
和/>
Figure BDA0002969027570000074
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
可选的，所述估计值获得模块，具体包括：
建模参数监测矩阵构成子模块，用于对多个所述建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
欧式距离计算子模块，用于计算当前监测时刻的所有建模参数的监测值构成的向量与所述建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；
记忆矩阵构成子模块，用于将所述建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure BDA0002969027570000071
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
估计值向量获得子模块，用于根据当前监测时刻的所有建模参数的监测值构成的向量和所述记忆矩阵，利用公式
Figure BDA0002969027570000072
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，/>
Figure BDA0002969027570000081
为非线性算子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种民机系统风险预警方法，根据获取的不同状态参数的状态参数监测序列，采用皮尔逊相关系数法获得多个建模参数监测序列，根据当前监测时刻的每种建模参数的监测值和多个建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值，根据当前监测时刻的每种建模参数的监测值和估计值确定当前监测时刻的待检测民机系统的风险综合指标，进而计算当前监测时刻的预警阈值，当前监测时刻的预警阈值为具有自适应性的动态阈值，克服了现有技术民机系统风险预警基于经验阈值而不够准确的问题，提高了民机系统风险预警的准确率；当相邻两个监测时刻的风险综合指标均小于各自监测时刻的预警阈值时，及时地发出风险预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种民机系统风险预警方法的原理图；
图2为本发明提供的一种民机系统风险预警方法的流程图；
图3为本发明实施例提供的单次航班左发引气系统各建模参数随时间变化的示意图；
图4为本发明实施例提供的飞机200个航班巡航阶段引气系统各建模参数的特征值数据随时间变化的示意图；
图5为本发明实施例提供的利用AHP构建的包含3层的层次结构图；
图6为本发明实施例提供的无故障历史数据的相似度序列和初始阈值的关系图；
图7为本发明实施例提供的相似度序列和动态阈值的关系图；
图8为本发明实施例提供的建模参数对异常状态的贡献率的示意图；
图9为本发明实施例提供的异常变量BAT实际监测值的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种民机系统风险预警方法及系统，以提高民机系统风险预警准确率，并及时地进行风险预警。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种民机系统风险预警方法，如图1-2所示，方法包括：
S101，获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列。
S102，根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列。
S103，获取当前监测时刻的每种建模参数的监测值。
S104，根据当前监测时刻的每种建模参数的监测值和多个建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值。
S105，根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标。
S106，根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值。
S107，若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警。
具体过程如下：
步骤S101之后还包括：
利用Linear插值法对状态参数监测序列进行插值平滑处理，获得插值后的状态参数监测序列；
采用中值滤波算法对插值后的状态参数监测序列进行滤波。
步骤S102，具体包括：
去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
根据多个数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure BDA0002969027570000101
计算任意两种数值型状态参数之间的皮尔逊相关系数；
根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure BDA0002969027570000102
和/>
Figure BDA0002969027570000103
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
步骤S104，具体包括：
对多个建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
计算当前监测时刻的所有建模参数的监测值构成的向量与建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；
将建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure BDA0002969027570000111
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
根据当前监测时刻的所有建模参数的监测值构成的向量和记忆矩阵，利用公式
Figure BDA0002969027570000112
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，/>
Figure BDA0002969027570000113
为非线性算子。
步骤S105，具体包括：
根据当前监测时刻的每种建模参数的监测值和当前监测时刻的每种建模参数的估计值，基于加权相似度函数，利用公式
Figure BDA0002969027570000114
计算当前监测时刻的所有建模参数的监测值与估计值的相似度；
其中，
Figure BDA0002969027570000121
为当前监测时刻的所有建模参数的监测值构成的向量Xobs和待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量Xest在tj监测时刻的相似度，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，wi为第i种建模参数的权重系数，n为建模参数的数量。
步骤S106，具体包括：
利用公式
Figure BDA0002969027570000122
确定初始均值和初始标准差；其中，μ0为初始均值，σ0为初始标准差，Sg为多个建模参数监测序列的相似度序列中第g个相似度，N为多个建模参数监测序列的相似度序列中相似度的数量；
根据根据当前监测时刻的待检测民机系统的风险综合指标、当前监测时刻之前的待检测民机系统的多个风险综合指标、初始均值和初始标准差，利用公式
Figure BDA0002969027570000123
确定前N个监测时刻的相似度的均值和标准差；其中，μN为前N个监测时刻的相似度的均值，SN为第N个监测时刻的相似度，μN-1为前N-1个监测时刻的相似度的均值，σN为前N个监测时刻的相似度的标准差，σN-1为前N-1个监测时刻的相似度的标准差；
根据前N个监测时刻的相似度的均值和标准差，利用公式CN＝μN-TσN，确定第N个监测时刻的预警阈值；其中，CN为第N个监测时刻的预警阈值，T为带宽系数。
步骤S107，之后还包括：
根据发出风险预警的时间段内的每种建模参数的监测值和每种建模参数的估计值，利用公式
Figure BDA0002969027570000131
计算每种建模参数对系统异常状态的累计贡献率；其中，con(i)为第i种建模参数对系统异常状态的累计贡献率，con(i,j)表示第i种建模参数在第j个监测时刻对系统异常状态的贡献率，t为预警开始时刻，k为预警结束时间，wi为第i种建模参数的权重系数，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，n为建模参数的数量；
将累计贡献率大于贡献率阈值(贡献率阈值设置为1/n，n为建模参数个数)的建模参数确定为发生异常的建模参数；
根据发生异常的建模参数所归属的系统部位，确定故障部件。
本发明可有效解决民机系统风险预警基于经验阈值而不够科学的问题，充分利用飞机自身的运营数据，能够较好的把握系统的运行状况，及时的进行风险预警。
本发明提供了一种民机系统风险预警方法的具体实施例，包括如下步骤：
步骤1：根据需要检测的系统，采集该系统状态参数的历史时间序列数据；
本实施例以空客A320系列发动机引气系统为对象展开对实现一种基于MSET和动态阈值的民机系统风险预警方法的描述。
选取能够反映引气系统状态变化并能准确描述引气系统行为的状态参数，包括引气温度(BAT)、引气压力(BAP)、静温(SAT)、总温(TAT)、发动机低压转子转速(N1)，发动机高压转子转速(N2)、飞行马赫数(MACH)、飞行高度(ALT)、风扇调节阀门位置(FAV_FC、FAV_FO)、压力调节阀位置(PRV_ENG_R)、高压阀位置(HPV_ENG_R)。收集的历史时间序列数据覆盖足够长的运行时间，涵盖引气系统所有的运行状态。
步骤2：对采集的历史时间序列数据进行预处理；
QAR数据是由安装在飞机系统上的传感器测量所得，由于传感器采样频率的差异，QAR数据会存在一些缺失的数值，使用Linear插值法对数据进行插值平滑处理；对于异常数据使用中值滤波算法去除。
步骤3：基于皮尔逊相关系数法，确定建模参数；
建模变量的选取以实际工程应用为前提，遵循可获得、对故障风险敏感、最简的原则。根据系统状态参数，首先去除位置参数，包括FAV_FC、FAV_FO、PRV_ENG_R、HPV_ENG_R。选择某机号引气系统一个月的历史数据，计算剩余数值型参数两两之间的皮尔逊相关系数，将线性相关程度较低的参数剔除，相关性矩阵输出结构如表1所示。选择与BAT和BAP具有强相关性的参数(|r|>0.7)作为建模参数，最终建模参数包括BAT、BAP、N1、N2和MACH。
表1引气系统监测参数相关系数
Figure BDA0002969027570000141
步骤4：利用预处理后的历史时间序列数据，选择需要关注的飞行阶段，基于MSET(Multivariate State Estimation Technique，多变量状态估计)建立系统正常运行状态非参数模型，得到观测向量的估计值；
飞机的整个飞行阶段包括滑行、起飞、爬升、巡航、下降、进近和着陆，引气系统在不同的飞行阶段，监测参数具有不同的变化范围，如图3所示是单次航班左发引气系统各建模参数(N1、N2、BAP、BAT、MACH)随时间的变化情况。选取飞机处于巡航状态且机翼防冰系统关闭、左右空调组件开启时的预处理后历史时间序列数据，为了提高模型运算效率和精度，对每个航班巡航阶段的数据进行间隔采样，每个参数采样长度为10，采样间隔为1分钟，共采样10次，每个参数采样数据的均值作为每个航班的特征值数据，如图4所示是某飞机200个航班巡航阶段引气系统各建模参数的特征值数据。
对提取的航班特征值数据使用Z-Score进行标准化，统一各个变量的量纲，Z-Score标准化公式如下：
Figure BDA0002969027570000151
式中，x'为标准化后的变量，x为样本变量，
Figure BDA0002969027570000152
为变量的样本均值，σ为变量的标准差。
利用标准化后的历史数据构造记忆矩阵，具体构造步骤包括：
(1)输入观测向量Xobs，计算观测向量Xobs与历史数据之间的欧式距离；
观测向量Xobs(tj)＝[x1obs(tj),...,xiobs(tj),...,xnobs(tj)]T，历史数据
Figure BDA0002969027570000153
xiobs(tj)表示第i个参数在tj时刻的监测值，n表示参数个数，观测向量的数据也是每个航班巡航阶段的特征值数据；
(2)根据欧式距离对历史数据中的向量顺序排序；
(3)选取排名靠前的n个历史向量组成记忆矩阵
Figure BDA0002969027570000154
记忆矩阵中，行数n代表参数个数，列数n代表系统正常运行状态个数，xi(tj)表示第i个参数在tj时刻的监测值，本实施例中，n取100；
观测向量Xobs的估计值计算公式为：
Figure BDA0002969027570000155
Figure BDA0002969027570000161
式中，D表示记忆矩阵，
Figure BDA0002969027570000162
为非线性算子，xu表示状态X的第u个点，yu表示状态Y的第u个点，n表示变量个数。
步骤5：根据步骤4中观测向量的估计值与实际值，计算系统的风险综合指标；
采用加权相似度函数作为系统的风险综合指标：
Figure BDA0002969027570000163
式中，Xiobs(tj)表示第i个参数在tj时刻的监测值，Xiest(tj)表示第i个参数在tj时刻的估计值，wi表示观测向量中第i个参数的权重系数，其值大小由AHP确定。由于引气系统的故障风险在各个变量中所占比重不同，且各个变量测量传感器所处的环境不同，各分量的测量可靠性也存在着差异，将影响因素确定为故障风险信息量和测量可靠性，利用AHP构建包含3层的层次结构，如图5所示。首先确定第二层相对第一层的权重，然后确定第三层相对对第二层的权重，最终得到BAT、BAP、N1、N2和MACH的权重系数w＝(0.34,0.34,0.11,0.11,0.10)T。
步骤6：根据步骤5的系统风险综合指标，计算具有自适应性的动态阈值，依据预警判据，发出风险预警；
1)计算具有自适应性的动态阈值具体为：
当前观测向量Xobs的相似度序列为：
S(Xobs,Xest)＝[S1,S2,...,SN,...]
式中，SN表示第N个时刻相似度序列的值；对于给定的误警率α＝1/T2，则在第N个时刻下，Si的正常区间C为：
C:[μN-TσN,μN+TσN]
式中，T为带宽系数，μN表示前N个时刻相似度序列S的均值，σN表示前N个时刻相似度序列S的标准差，μN、σN的表达式为：
Figure BDA0002969027570000171
Figure BDA0002969027570000172
式中，μN-1为前N-1时刻的相似度均值，σN-1为前N-1时刻的相似度标准差；由于阈值μN+TσN会存在超过1的情形，因此只选取下侧的预警界限μN-TσN；
2)预警判据具体为：当相似度序列连续两个样本超过正常区间C，则判定系统的运行状态超出正常情况，对其进行风险告警，告警时刻的均值和标准差不参与下一时刻预警阈值的更新，即下一时刻的预警阈值等于上一时刻的预警阈值。
本实施例中，误警率α＝0.04，带宽系数T＝5。动态阈值预警模型首先需要设置初始阈值，选取200组无故障历史数据的相似度序列计算初始阈值，其无故障历史数据的相似度序列如图6所示，初始阈值计算结果如表2所示。计算过程如下：
设200组无故障历史数据的相似度序列为Si(S1,S2,...,S200)，均值为
Figure BDA0002969027570000173
标准差/>
Figure BDA0002969027570000174
初始阈值为μ0-5σ0。
表2初始阈值计算结果
数据集 相似度序列均值 相似度序列标准差 初始阈值
验证集L 0.9120 0.0642 0.591
选择包含故障数据的400组观测向量，其相似度序列和预警结果如图7所示。图中虚线是动态阈值，点线是相似度序列。当相似度序列值变大，动态阈值也随着变大，当相似度序列值变小，动态阈值也随之变小，实现了自适应变化。由于给定了动态阈值初值，使其具有一定的鲁棒性，不会随数据的大幅变化而剧烈波动。可以看到第319～333个航班均超限，根据预警判据会在第320个航班发出风险预警。查询该机号的维修记录，发现在333个航班后进行了维修，因此可以提前13个航班发出风险提示。
步骤7：对步骤6中预警的异常工作状态进行分析，确定系统的异常监测参数和可能的异常部件，并给出维修建议。
1)计算每个参数对系统异常状态的累计贡献率，贡献率较大的参数则为异常监测参数；参数对系统异常状态累计贡献率的计算公式为：
Figure BDA0002969027570000181
/>
Figure BDA0002969027570000182
式中，con(i,j)表示参数i在j时刻对异常状态的贡献率，con(i)表示参数i对异常状态的累计贡献率，t表示预警开始时刻，k表示预警结束时间。
2)确定异常监测参数后，根据异常监测参数所归属的系统部位，分析其可能故障的部件及原因，并给出相应的维修建议。
图8给出了所有变量对异常状态的贡献率，其中N1的贡献率是9.88％，N2占2.38％，MACH占5.06％，BAP占15.41％，BAT占67.27％。BAT的比例最大，并且远远超过其他变量，因此可以追溯到引气系统的异常变量为BAT。BAT的实际监测数据如图9所示，可以看到BAT从第319个航班逐渐降低，缓慢偏离正常范围，最后导致严重的低温。根据专业知识和工程技术人员的经验，BAT异常的原因包括：(1)引气调节恒温器(TCT)故障；TCT控制着BAT的调节，所以它的故障可能会导致BAT超温或低温；(2)温度传感器故障(6HA)；其故障将导致BAT测量不准确；(3)风扇调节阀(FAV)故障以及控制信号错误；由于FAV开度会影响BAT，FAV故障以及控制FAV打开的TCT控制信号错误都会引气BAT异常。对于BAT异常，应先更换TCT，如果故障仍然存在，则更换6HA。如果故障仍然存在，则更换FAV。维修人员可以根据以上分析和工程经验，逐一检查可能的故障原因，并对引气系统进行维护和维修。
综上，本发明可以充分利用海量的运营数据，不依赖于故障样本，建模简单，能够较好的评估系统的运行状态，所采用预警方法可以有效解决航空公司经验阈值的不确定性和滞后性，能够及时的发现系统的异常，对民机系统风险预警提供重要支持，具有较好的工程应用价值。
本发明还提供了一种民机系统风险预警系统，系统包括：
状态参数监测序列构成模块，用于获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列；
建模参数监测序列获得模块，用于根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列；
监测值获取模块，用于获取当前监测时刻的每种建模参数的监测值；
估计值获得模块，用于根据当前监测时刻的每种建模参数的监测值和多个建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值；
风险综合指标获得模块，用于根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标；
预警阈值确定模块，用于根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值；
风险预警发出模块，用于若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警。
建模参数监测序列获得模块，具体包括：
数值型状态参数监测序列获得子模块，用于去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
皮尔逊相关系数计算子模块，用于根据多个数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure BDA0002969027570000201
计算任意两种数值型状态参数之间的皮尔逊相关系数；
建模参数获得子模块，用于根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
建模参数监测序列获得子模块，用于选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure BDA0002969027570000202
和/>
Figure BDA0002969027570000203
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
估计值获得模块，具体包括：
建模参数监测矩阵构成子模块，用于对多个建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
欧式距离计算子模块，用于计算当前监测时刻的所有建模参数的监测值构成的向量与建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；
记忆矩阵构成子模块，用于将建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure BDA0002969027570000204
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
估计值向量获得子模块，用于根据当前监测时刻的所有建模参数的监测值构成的向量和记忆矩阵，利用公式
Figure BDA0002969027570000211
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，/>
Figure BDA0002969027570000212
为非线性算子。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种民机系统风险预警方法，其特征在于，所述方法包括：
获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列；选取能够反映引气系统状态变化并能描述引气系统行为的状态参数，包括引气温度BAT、引气压力BAP、静温SAT、总温TAT、发动机低压转子转速N1，发动机高压转子转速N2、飞行马赫数MACH、飞行高度ALT、风扇调节阀门位置FAV_FC和FAV_FO、压力调节阀位置PRV_ENG_R、高压阀位置HPV_ENG_R；收集的历史时间序列数据覆盖足够长的运行时间，涵盖引气系统所有的运行状态；
根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列；
获取当前监测时刻的每种建模参数的监测值；
根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值；
所述根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值，具体包括：
对多个所述建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
对每个航班巡航阶段的数据进行间隔采样，每个参数采样长度为10，采样间隔为1分钟，共采样10次，每个参数采样数据的均值作为每个航班的特征值数据；
对提取的航班特征值数据使用Z-Score进行标准化，统一各个变量的量纲，Z-Score标准化公式如下：
Figure FDF0000019640420000011
式中，x'为标准化后的变量，x为样本变量，
Figure FDF0000019640420000012
为变量的样本均值，σ为变量的标准差；
计算当前监测时刻的所有建模参数的监测值构成的向量与所述建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；观测向量Xobs(tj)＝[x1obs(tj),...,xiobs(tj),...,xnobs(tj)]T，历史数据
Figure FDF0000019640420000021
xiobs(tj)表示第i个参数在tj时刻的监测值，n表示参数个数，观测向量的数据也是每个航班巡航阶段的特征值数据；
将所述建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure FDF0000019640420000022
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
根据当前监测时刻的所有建模参数的监测值构成的向量和所述记忆矩阵，利用公式
Figure FDF0000019640420000023
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，
Figure FDF0000019640420000024
为非线性算子；
Figure FDF0000019640420000025
xu表示状态X的第u个点，yu表示状态Y的第u个点，n表示变量个数；
根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标；
所述根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，具体包括：
根据当前监测时刻的每种建模参数的监测值和当前监测时刻的每种建模参数的估计值，基于加权相似度函数，利用公式
Figure FDF0000019640420000031
计算当前监测时刻的所有建模参数的监测值与估计值的相似度；
其中，Stj(Xobs,Xest)为当前监测时刻的所有建模参数的监测值构成的向量Xobs和待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量Xest在tj监测时刻的相似度，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，wi为第i种建模参数的权重系数，其值大小由AHP确定，利用AHP构建包含3层的层次结构，首先确定第二层相对第一层的权重，然后确定第三层相对对第二层的权重，最终得到BAT、BAP、N1、N2和MACH的权重系数w＝(0.34,0.34,0.11,0.11,0.10)T；n为建模参数的数量；
根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值；
所述根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值，具体包括：
利用公式
Figure FDF0000019640420000032
确定初始均值和初始标准差；其中，μ0为初始均值，σ0为初始标准差，Sg为多个建模参数监测序列的相似度序列中第g个相似度，N为多个建模参数监测序列的相似度序列中相似度的数量；
根据当前监测时刻的待检测民机系统的风险综合指标、当前监测时刻之前的待检测民机系统的多个风险综合指标、初始均值和初始标准差，利用公式
Figure FDF0000019640420000041
确定前N个监测时刻的相似度的均值和标准差；其中，μN为前N个监测时刻的相似度的均值，SN为第N个监测时刻的相似度，μN-1为前N-1个监测时刻的相似度的均值，σN为前N个监测时刻的相似度的标准差，σN-1为前N-1个监测时刻的相似度的标准差；
根据前N个监测时刻的相似度的均值和标准差，利用公式CN＝μN-TσN，确定第N个监测时刻的预警阈值；其中，CN为第N个监测时刻的预警阈值，T为带宽系数；误警率α＝0.04，带宽系数T＝5，选取200组无故障历史数据的相似度序列计算初始阈值，计算过程如下：设200组无故障历史数据的相似度序列为Si(S1,S2,...,S200)，均值为
Figure FDF0000019640420000042
标准差
Figure FDF0000019640420000043
初始阈值为μ0-5σ0；
若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警
所述若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警，之后还包括：
根据发出风险预警的时间段内的每种建模参数的监测值和每种建模参数的估计值，利用公式
Figure FDF0000019640420000044
计算每种建模参数对系统异常状态的累计贡献率；其中，con(i)为第i种建模参数对系统异常状态的累计贡献率，con(i,j)表示第i种建模参数在第j个监测时刻对系统异常状态的贡献率，t为预警开始时刻，k为预警结束时间，wi为第i种建模参数的权重系数，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，n为建模参数的数量；
将累计贡献率大于贡献率阈值的建模参数确定为发生异常的建模参数；
根据所述发生异常的建模参数所归属的系统部位，确定故障部件；其中N1的贡献率是9.88％，N2占2.38％，MACH占5.06％，BAP占15.41％，BAT占67.27％；BAT的比例最大，并且远远超过其他变量，因此可以追溯到引气系统的异常变量为BAT；BAT异常的原因包括：(1)引气调节恒温器TCT故障；TCT控制着BAT的调节，所以它的故障可能会导致BAT超温或低温；(2)温度传感器故障6HA，其故障将导致BAT测量不准确；(3)风扇调节阀FAV故障以及控制信号错误；由于FAV开度会影响BAT，FAV故障以及控制FAV打开的TCT控制信号错误都会引气BAT异常；对于BAT异常，应先更换TCT，如果故障仍然存在，则更换6HA；如果故障仍然存在，则更换FAV。
2.根据权利要求1所述的民机系统风险预警方法，其特征在于，所述获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列，之后还包括：
利用Linear插值法对所述状态参数监测序列进行插值平滑处理，获得插值后的状态参数监测序列；
采用中值滤波算法对所述插值后的状态参数监测序列进行滤波。
3.根据权利要求1所述的民机系统风险预警方法，其特征在于，根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列，具体包括：
去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
根据多个所述数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure FDF0000019640420000051
计算任意两种数值型状态参数之间的皮尔逊相关系数；
根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure FDF0000019640420000061
和
Figure FDF0000019640420000062
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
4.一种民机系统风险预警系统，其特征在于，所述系统包括：
状态参数监测序列构成模块，用于获取待检测民机系统在历史时间段内的不同状态参数在多个监测时刻的健康监测数据，构成不同状态参数的状态参数监测序列；选取能够反映引气系统状态变化并能描述引气系统行为的状态参数，包括引气温度BAT、引气压力BAP、静温SAT、总温TAT、发动机低压转子转速N1，发动机高压转子转速N2、飞行马赫数MACH、飞行高度ALT、风扇调节阀门位置FAV_FC和FAV_FO、压力调节阀位置PRV_ENG_R、高压阀位置HPV_ENG_R；收集的历史时间序列数据覆盖足够长的运行时间，涵盖引气系统所有的运行状态；
建模参数监测序列获得模块，用于根据不同状态参数的状态参数监测序列，采用皮尔逊相关系数法筛选出皮尔逊相关系数大于相关系数阈值的状态参数，作为建模参数，获得多个建模参数监测序列；
监测值获取模块，用于获取当前监测时刻的每种建模参数的监测值；
估计值获得模块，用于根据当前监测时刻的每种建模参数的监测值和多个所述建模参数监测序列，利用多变量状态估计算法，获得当前监测时刻待检测民机系统处于健康状态下的每种建模参数的估计值，具体包括：
对多个所述建模参数监测序列分别进行标准差标准化，获得多个标准化后的建模参数监测序列，并将多个标准化后的建模参数监测序列构成建模参数监测矩阵；
对每个航班巡航阶段的数据进行间隔采样，每个参数采样长度为10，采样间隔为1分钟，共采样10次，每个参数采样数据的均值作为每个航班的特征值数据；
对提取的航班特征值数据使用Z-Score进行标准化，统一各个变量的量纲，Z-Score标准化公式如下：
Figure FDF0000019640420000071
式中，x'为标准化后的变量，x为样本变量，
Figure FDF0000019640420000072
为变量的样本均值，σ为变量的标准差；
计算当前监测时刻的所有建模参数的监测值构成的向量与所述建模参数监测矩阵中每个监测时刻对应的所有建模参数的健康监测数据向量之间的欧式距离；观测向量Xobs(tj)＝[x1obs(tj),...,xiobs(tj),...,xnobs(tj)]T，历史数据
Figure FDF0000019640420000073
xiobs(tj)表示第i个参数在tj时刻的监测值，n表示参数个数，观测向量的数据也是每个航班巡航阶段的特征值数据；
将所述建模参数监测矩阵中所有监测时刻对应的所有建模参数的健康监测数据向量按照欧式距离从小到大的顺序排列，并选取前m个健康监测数据向量构成记忆矩阵
Figure FDF0000019640420000074
其中，D为记忆矩阵，x1(t1)、x1(t2)和x1(tm)分别为第1种建模参数在t1、t2和tm监测时刻的健康监测数据，x2(t1)、x2(t2)和x2(tm)分别为第2种建模参数在t1、t2和tm监测时刻的健康监测数据，xn(t1)、xn(t2)和xn(tm)分别为第n种建模参数在t1、t2和tm监测时刻的健康监测数据；
根据当前监测时刻的所有建模参数的监测值构成的向量和所述记忆矩阵，利用公式
Figure FDF0000019640420000075
获得待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量；其中，Xest为待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量，Xobs为当前监测时刻的所有建模参数的监测值构成的向量，
Figure FDF0000019640420000076
为非线性算子；
Figure FDF0000019640420000081
xu表示状态X的第u个点，yu表示状态Y的第u个点，n表示变量个数；
风险综合指标获得模块，用于根据当前监测时刻的每种建模参数的监测值和估计值，基于加权相似度函数，计算当前监测时刻的所有建模参数的监测值与估计值的相似度，作为当前监测时刻的待检测民机系统的风险综合指标，具体包括：
根据当前监测时刻的每种建模参数的监测值和当前监测时刻的每种建模参数的估计值，基于加权相似度函数，利用公式
Figure FDF0000019640420000082
计算当前监测时刻的所有建模参数的监测值与估计值的相似度；
其中，Stj(Xobs,Xest)为当前监测时刻的所有建模参数的监测值构成的向量Xobs和待检测民机系统处于健康状态下的所有建模参数在当前监测时刻的估计值构成的向量Xest在tj监测时刻的相似度，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，wi为第i种建模参数的权重系数，其值大小由AHP确定，利用AHP构建包含3层的层次结构，首先确定第二层相对第一层的权重，然后确定第三层相对对第二层的权重，最终得到BAT、BAP、N1、N2和MACH的权重系数w＝(0.34,0.34,0.11,0.11,0.10)T；n为建模参数的数量；
预警阈值确定模块，用于根据当前监测时刻的待检测民机系统的风险综合指标和当前监测时刻之前的待检测民机系统的多个风险综合指标，确定当前监测时刻的预警阈值，具体包括：
利用公式
Figure FDF0000019640420000083
确定初始均值和初始标准差；其中，μ0为初始均值，σ0为初始标准差，Sg为多个建模参数监测序列的相似度序列中第g个相似度，N为多个建模参数监测序列的相似度序列中相似度的数量；
根据当前监测时刻的待检测民机系统的风险综合指标、当前监测时刻之前的待检测民机系统的多个风险综合指标、初始均值和初始标准差，利用公式
Figure FDF0000019640420000091
确定前N个监测时刻的相似度的均值和标准差；其中，μN为前N个监测时刻的相似度的均值，SN为第N个监测时刻的相似度，μN-1为前N-1个监测时刻的相似度的均值，σN为前N个监测时刻的相似度的标准差，σN-1为前N-1个监测时刻的相似度的标准差；
根据前N个监测时刻的相似度的均值和标准差，利用公式CN＝μN-TσN，确定第N个监测时刻的预警阈值；其中，CN为第N个监测时刻的预警阈值，T为带宽系数；误警率α＝0.04，带宽系数T＝5，选取200组无故障历史数据的相似度序列计算初始阈值，计算过程如下：设200组无故障历史数据的相似度序列为Si(S1,S2,...,S200)，均值为
Figure FDF0000019640420000092
标准差
Figure FDF0000019640420000093
初始阈值为μ0-5σ0；
风险预警发出模块，用于若前一监测时刻的待检测民机系统的风险综合指标小于前一监测时刻的预警阈值且当前监测时刻的待检测民机系统的风险综合指标小于当前监测时刻的预警阈值，则发出风险预警；之后还包括：
根据发出风险预警的时间段内的每种建模参数的监测值和每种建模参数的估计值，利用公式
Figure FDF0000019640420000094
计算每种建模参数对系统异常状态的累计贡献率；其中，con(i)为第i种建模参数对系统异常状态的累计贡献率，con(i,j)表示第i种建模参数在第j个监测时刻对系统异常状态的贡献率，t为预警开始时刻，k为预警结束时间，wi为第i种建模参数的权重系数，Xiobs(tj)为第i种建模参数在tj监测时刻的监测值，Xiest(tj)为第i种建模参数在tj监测时刻的估计值，n为建模参数的数量；
将累计贡献率大于贡献率阈值的建模参数确定为发生异常的建模参数；
根据所述发生异常的建模参数所归属的系统部位，确定故障部件；其中N1的贡献率是9.88％，N2占2.38％，MACH占5.06％，BAP占15.41％，BAT占67.27％；BAT的比例最大，并且远远超过其他变量，因此可以追溯到引气系统的异常变量为BAT；BAT异常的原因包括：(1)引气调节恒温器TCT故障；TCT控制着BAT的调节，所以它的故障可能会导致BAT超温或低温；(2)温度传感器故障6HA，其故障将导致BAT测量不准确；(3)风扇调节阀FAV故障以及控制信号错误；由于FAV开度会影响BAT，FAV故障以及控制FAV打开的TCT控制信号错误都会引气BAT异常；对于BAT异常，应先更换TCT，如果故障仍然存在，则更换6HA；如果故障仍然存在，则更换FAV。
5.根据权利要求4所述的民机系统风险预警系统，其特征在于，所述建模参数监测序列获得模块，具体包括：
数值型状态参数监测序列获得子模块，用于去除不同状态参数监测序列中的位置状态参数监测序列，得到多个数值型状态参数监测序列；
皮尔逊相关系数计算子模块，用于根据多个所述数值型状态参数监测序列，基于皮尔逊相关系数法，利用公式
Figure FDF0000019640420000101
计算任意两种数值型状态参数之间的皮尔逊相关系数；
建模参数获得子模块，用于根据任意两种数值型状态参数之间的皮尔逊相关系数，选取皮尔逊相关系数大于相关系数阈值的两种数值型状态参数作为建模参数，得到多种建模参数；
建模参数监测序列获得子模块，用于选取每种建模参数对应的数值型状态参数监测序列，作为建模参数监测序列；
其中，r为数值型状态参数p与数值型状态参数q的皮尔逊相关系数，r∈[-1,1]，pi和qi分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的第i个数据，
Figure FDF0000019640420000102
和
Figure FDF0000019640420000103
分别为数值型状态参数p与数值型状态参数q的数值型状态参数监测序列的均值，n′为数值型状态参数监测序列的数据总数。
CN202110258736.9A 2021-03-10 2021-03-10 一种民机系统风险预警方法及系统 Active CN113053171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110258736.9A CN113053171B (zh) 2021-03-10 2021-03-10 一种民机系统风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110258736.9A CN113053171B (zh) 2021-03-10 2021-03-10 一种民机系统风险预警方法及系统

Publications (2)

Publication Number Publication Date
CN113053171A CN113053171A (zh) 2021-06-29
CN113053171B true CN113053171B (zh) 2023-03-24

Family

ID=76511187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110258736.9A Active CN113053171B (zh) 2021-03-10 2021-03-10 一种民机系统风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN113053171B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114020598B (zh) * 2022-01-05 2022-04-19 云智慧（北京）科技有限公司 一种时间序列数据的异常检测方法、装置及设备
CN114446033B (zh) * 2022-01-21 2023-06-20 四川省地质工程勘察院集团有限公司 一种动态报警阈值确定方法
CN114692760B (zh) * 2022-03-30 2023-03-24 中国民航科学技术研究院 下降率估算模型构建、下降率估算方法、装置及电子设备
CN115583350B (zh) * 2022-09-19 2024-05-14 成都飞机工业（集团）有限责任公司 一种飞机液压系统性能异常识别方法、装置、设备及介质
CN117009831B (zh) * 2023-10-07 2023-12-08 山东世纪阳光科技有限公司 一种精细化工事故风险预测评估方法
CN117114213B (zh) * 2023-10-25 2023-12-26 北京国旺盛源智能终端科技有限公司 一种村网共建便民网络服务方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011265563A1 (en) * 2010-12-24 2012-07-12 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems
EP3608894A1 (en) * 2018-08-10 2020-02-12 The Boeing Company Computer-implemented method and system for evaluating uncertainty in trajectory prediction

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138419A1 (en) * 2011-11-30 2013-05-30 Oracle International Corporation Method and system for the assessment of computer system reliability using quantitative cumulative stress metrics
FR3072948B1 (fr) * 2017-10-30 2019-11-15 Airbus Operations Systeme d’aide a l’atterrissage d’un aeronef en phase d’approche d’une piste d’atterrissage
CN109215165B (zh) * 2018-08-08 2021-06-22 南京航空航天大学 一种民用飞机apu性能评估及故障预警方法
RU2703874C1 (ru) * 2018-10-04 2019-10-22 Акционерное общество "РОТЕК" (АО "РОТЕК") Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов
CN109298697B (zh) * 2018-11-13 2020-07-03 远光软件股份有限公司 基于动态基线模型的火电厂系统各部件工作状态评估方法
CN111932102B (zh) * 2020-08-03 2023-10-31 南京航空航天大学 一种基于动态控制图的民用飞机系统风险预警方法
CN112067335A (zh) * 2020-09-03 2020-12-11 华能国际电力股份有限公司玉环电厂 一种基于多元状态估计的电厂送风机故障预警方法
CN112257943A (zh) * 2020-10-29 2021-01-22 上海电力大学 一种基于mset和偏离度的电厂引风机故障预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011265563A1 (en) * 2010-12-24 2012-07-12 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems
EP3608894A1 (en) * 2018-08-10 2020-02-12 The Boeing Company Computer-implemented method and system for evaluating uncertainty in trajectory prediction

Also Published As

Publication number Publication date
CN113053171A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113053171B (zh) 一种民机系统风险预警方法及系统
CN109829468B (zh) 基于贝叶斯网络的民机复杂系统故障诊断方法
CN109522600B (zh) 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
Xu et al. PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data
US9797328B2 (en) Equipment health monitoring method and system and engine
US20190392098A1 (en) Learning Expected Operational Behavior Of Machines From Generic Definitions And Past Behavior
CN109408552A (zh) 基于lstm-ae深度学习框架的民机系统故障监测与识别方法
CN102928232B (zh) 一种航空发动机整机性能衰退趋势预测方法
CN109215165B (zh) 一种民用飞机apu性能评估及故障预警方法
Jianzhong et al. Aircraft air conditioning system health state estimation and prediction for predictive maintenance
CN111932102B (zh) 一种基于动态控制图的民用飞机系统风险预警方法
CN113168313A (zh) 用于监控飞行器发动机的计算环境系统
Xu et al. New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network
CN101149819A (zh) 气象要素实时数据中奇异值的剔除方法
CN112749764B (zh) 一种基于qar数据的航空发动机运行状态分类方法
Protopapadakis et al. Explainable and Interpretable AI-Assisted Remaining Useful Life Estimation for Aeroengines
Su et al. Risk warning for aircraft bleed air system with multivariate state estimation technique
Demirci et al. Fuzzy logic‐based automated engine health monitoring for commercial aircraft
Pan et al. A model of fuel consumption estimation and abnormality detection based on airplane flight data analysis
CN116521406A (zh) 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法
Fernandes et al. An overview on degradation modelling for service cost estimation
Wei et al. Predictive maintenance for aircraft engines using data fusion
Knight et al. Intelligent management of helicopter health and usage management systems data
Liu et al. A novel performance prediction method for gas turbines using the prophet model
Zhai et al. Prognostics and Health Management (PHM) System Based on a Large-Scale Civil Aircraft Engine System

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