CN113094912A - 一种基于静电特征参数的发动机性能退化预警方法 - Google Patents
一种基于静电特征参数的发动机性能退化预警方法 Download PDFInfo
- Publication number
- CN113094912A CN113094912A CN202110414691.XA CN202110414691A CN113094912A CN 113094912 A CN113094912 A CN 113094912A CN 202110414691 A CN202110414691 A CN 202110414691A CN 113094912 A CN113094912 A CN 113094912A
- Authority
- CN
- China
- Prior art keywords
- performance degradation
- engine
- engine performance
- early warning
- characteristic 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000015556 catabolic process Effects 0.000 title claims abstract description 40
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 40
- 230000003068 static effect Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000012512 characterization method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005461 lubrication Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification 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
-
- 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
Abstract
本发明公开了一种基于静电特征参数的发动机性能退化预警方法，首先由发动机台架实验获取静电监测特征参数的变化规律以及特征参数联合概率分布，用状态空间模型对特征参数建模分析，利用多维数据空间聚类分析方法完成参数辨识并建立性能退化行为的表征模型，融合常规的状态监测信息和静电监测信息，结合发动机性能指标，构建发动机性能退化预警方法。本发明功能性强，为发动机性能预测趋势提供了参考，可广泛应用于航空发动机状态监测、故障诊断与系统健康管理技术领域。
Description
技术领域
本发明涉及航空发动机状态监测、故障诊断与系统健康管理领域，具体是指一种基于静电特征参数的发动机性能退化预警方法，更具体地，通过静电感知方法来探索航空发动机气路部件的故障机理和静电监测信号特征之间的映射关系。
背景技术
航空发动机的健康状态是航空器运行安全性、可靠性的决定性因素，然而目前的材料、设计、生产、工艺和维护还不能充分保证发动机使用中对可靠性、耐久性和维修性的要求，不能确保飞行的安全性和可靠性。因此，需要依据发动机的状态监测系统对发动机的健康状态做出准确的评估。除了安全性和可靠性因素之外，经济性也是面临的另外一个问题。对航空运营商而言，航空发动机健康管理是合理地权衡使用、维修中安全和经济的矛盾的有效手段。通过对发动机实施全寿命周期的健康管理，运行监控人员和航空公司的维修保障人员能及时确定故障原因、性质、部位、维修措施，合理安排维护时间、任务及应急措施等提供技术支持，并做出适当的维修活动决策，避免“过修”和“失修”问题，提高发动机的利用率，显著改善运营商特别关注的非计划停场、准点率、航班延误/取消、维修计划等项目，对于提升航空运输的安全性、经济性具有重要意义。
对在役航空发动机而言，气路部件由于长期在高温、高压、高速旋转以及高交变载荷等苛刻条件下工作，是故障的主要发生源。目前的研究成果表明：在航空发动机总体故障中，气路部件故障约占90％以上，其维护费用占发动机总体维护费用的60％。对新型号研制阶段的发动机而言，气路部件在试车试验过程中故障率高，也迫切需要具有预警能力的在线监测技术来提供早期故障预警信息，防止故障进一步传播、恶化，降低新型发动机试车试验中发生严重故障的机率，以保障型号研制任务和相关验证试验任务有序开展。因此，无论是在役航空发动机，还是新型号研制的航空发动机，要真正实现航空发动机要真正实现航空发动机的健康管理，必须解决航空发动机气路部件的故障感知和预警能力问题。
因此，一种能够实现对发动机性能退化的预警方法有待提出。
发明内容
针对以上问题，本发明提出了一种基于静电表征参数的发动机性能退化预警方法。该技术方法根据静电监测特征参数表征规律和特征参数联合概率分布，通过状态空间模型完成数据转换，参考常规监测数据信息，构建多维参数向量完成，利用多维数据空间聚类分析方法实现模型边界的划分和边界特征的提取，完成性能退化行为表征模型，以发动机性能参数为指标，实现发动机性能退化趋势的预测。
本发明提供的技术方案为：
一种基于静电特征参数的发动机性能退化预警方法，首先由发动机台架实验获取静电监测特征参数的变化规律以及特征参数联合概率分布，用状态空间模型对特征参数建模分析，利用多维数据空间聚类分析方法完成参数辨识并建立性能退化行为的表征模型，融合常规的状态监测信息和静电监测信息，结合发动机性能指标，构建发动机性能退化预警方法。
进一步地，通过发动机台架实验获得静电监测数据，判断监测数据与发动机性能之间的关系，确定静电监测关键特征参数，获得特征参数变化规律及特征参数联合概率分布；
然后，采用状态空间方法将多个变量时间序列处理为向量时间序列，采用随机向量序列方法描述系统在任何一个时刻的状态向量；
接着，依据所获得的静电信号的特征参数，加上常规监测手段提供的信息数据，构建多维参数向量，利用多维数据空间聚类分析方法实现性能退化模型边界的划分与边界特征的提取，完成性能退化行为表征模型；
最后，融合常规的状态监测信息和静电监测信息，以发动机性能参数作为指标，建立发动机性能退化预警方法。
进一步地，所述特征参数变化规律为对实验数据进行分析与挖掘，对特征参数的变化模型进行识别和提取，通过K-S检验方法验证各监测参数的正态分布规律。
进一步地，所述特征参数联合概率分布为利用贝叶斯估计方法建立参数的联合分布密度函数。
进一步地，所述随机向量序列方法采用下式得出：
X(K)＝[x1(k),x2(k),L,xn(k)] (1)
其中，Xi(k)为第i个状态向量；系统的输入为时刻t＝1时系统的状态向量，系统输出为t时刻系统的状态量，状态空间模型可以用下面的观测方程和转移方程表示：
其中，X(t)为状态向量，H为观测系数矩阵，ε(t)为观测误差，F为转移矩阵，G为输入矩阵，η(t)为系统干扰，利用卡尔曼滤波即可进行递阶预测。
进一步地，所述常规监测手段提供的信息数据为振动信息、滑油信息、各个截面压力信息、流量及尾气温度。
进一步地，所述发动机性能参数为发动机输出功率、发动机推力。
本发明与现有技术相比的优点在于：
(1)不同于现有的航空发动机静电监测信号的时频分析方法，提取静电监测信号的时域和频域特征，重构微弱电监测信号，获取了新的静电特征及变化规律；
(2)在发动机性能连续退化的基础上隐去离散事件的影响，融合静电监测信息和常规监测信息的表征模型，获得发动机性能退化的表征规律；
(3)与常规监测手段不同，静电监测技术易于实现实时在线监测。
附图说明
图1是本发明基于静电表征参数的发动机性能退化预警方法的逻辑流程图；
图2是本发明中发动机性能退化混杂行为建模流程。
具体实施方式
下面结合附图1和2对本发明做进一步的详细说明。
一种基于静电特征参数的发动机性能退化预警方法，首先由发动机台架实验获取静电监测特征参数的变化规律以及特征参数联合概率分布，用状态空间模型对特征参数建模分析，利用多维数据空间聚类分析方法完成参数辨识并建立性能退化行为的表征模型，融合常规的状态监测信息和静电监测信息，结合发动机性能指标，构建发动机性能退化预警方法。通过发动机台架实验获得静电监测数据，判断监测数据与发动机性能之间的关系，确定静电监测关键特征参数，获得特征参数变化规律及特征参数联合概率分布；
然后，采用状态空间方法将多个变量时间序列处理为向量时间序列，采用随机向量序列方法描述系统在任何一个时刻的状态向量；
接着，依据所获得的静电信号的特征参数，加上常规监测手段提供的信息数据，构建多维参数向量，利用多维数据空间聚类分析方法实现性能退化模型边界的划分与边界特征的提取，完成性能退化行为表征模型；
最后，融合常规的状态监测信息和静电监测信息，以发动机性能参数作为指标，建立发动机性能退化预警方法。
特征参数变化规律为对实验数据进行分析与挖掘，对特征参数的变化模型进行识别和提取，通过K-S检验方法验证各监测参数的正态分布规律。
特征参数联合概率分布为利用贝叶斯估计方法建立参数的联合分布密度函数。
随机向量序列方法采用下式得出：
X(K)＝[x1(k),x2(k),L,xn(k)] (1)
其中，Xi(k)为第i个状态向量；系统的输入为时刻t＝1时系统的状态向量，系统输出为t时刻系统的状态量，状态空间模型可以用下面的观测方程和转移方程表示：
其中，X(t)为状态向量，H为观测系数矩阵，ε(t)为观测误差，F为转移矩阵，G为输入矩阵，η(t)为系统干扰，利用卡尔曼滤波即可进行递阶预测。
常规监测手段提供的信息数据为振动信息、滑油信息、各个截面压力信息、流量及尾气温度。
发动机性能参数为发动机输出功率、发动机推力。
在完成性能退化行为的表征模型后，即可以融合常规的状态监测信息和静电监测信息，以发动机的输出功率或推力等作为性能指标，对发动机性能退化趋势进行跟踪和预测，并结合台架实验数据对模型进行验证和优化，对本项目所建立的模型、方法、表征规律等进行逐一验证。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的实施例内容并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的实施方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.一种基于静电特征参数的发动机性能退化预警方法，其特征在于，首先由发动机台架实验获取静电监测特征参数的变化规律以及特征参数联合概率分布，用状态空间模型对特征参数建模分析，利用多维数据空间聚类分析方法完成参数辨识并建立性能退化行为的表征模型，融合常规的状态监测信息和静电监测信息，结合发动机性能指标，构建发动机性能退化预警方法。
2.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，
通过发动机台架实验获得静电监测数据，判断监测数据与发动机性能之间的关系，确定静电监测关键特征参数，获得特征参数变化规律及特征参数联合概率分布；
然后，采用状态空间方法将多个变量时间序列处理为向量时间序列，采用随机向量序列方法描述系统在任何一个时刻的状态向量；
接着，依据所获得的静电信号的特征参数，加上常规监测手段提供的信息数据，构建多维参数向量，利用多维数据空间聚类分析方法实现性能退化模型边界的划分与边界特征的提取，完成性能退化行为表征模型；
最后，融合常规的状态监测信息和静电监测信息，以发动机性能参数作为指标，建立发动机性能退化预警方法。
3.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，所述特征参数变化规律为对实验数据进行分析与挖掘，对特征参数的变化模型进行识别和提取，通过K-S检验方法验证各监测参数的正态分布规律。
4.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，所述特征参数联合概率分布为利用贝叶斯估计方法建立参数的联合分布密度函数。
5.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，所述随机向量序列方法采用下式得出：
X(K)＝[x1(k),x2(k),L,xn(k)] (1)
其中，Xi(k)为第i个状态向量；系统的输入为时刻t＝1时系统的状态向量，系统输出为t时刻系统的状态量，状态空间模型可以用下面的观测方程和转移方程表示：
其中，X(t)为状态向量，H为观测系数矩阵，ε(t)为观测误差，F为转移矩阵，G为输入矩阵，η(t)为系统干扰，利用卡尔曼滤波即可进行递阶预测。
6.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，所述常规监测手段提供的信息数据为振动信息、滑油信息、各个截面压力信息、流量及尾气温度。
7.根据权利要求1所述的一种基于静电特征参数的发动机性能退化预警方法，其特征在于，所述发动机性能参数为发动机输出功率、发动机推力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414691.XA CN113094912B (zh) | 2021-04-17 | 2021-04-17 | 一种基于静电特征参数的发动机性能退化预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414691.XA CN113094912B (zh) | 2021-04-17 | 2021-04-17 | 一种基于静电特征参数的发动机性能退化预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113094912A true CN113094912A (zh) | 2021-07-09 |
| CN113094912B CN113094912B (zh) | 2023-11-03 |
Family
ID=76678815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110414691.XA Active CN113094912B (zh) | 2021-04-17 | 2021-04-17 | 一种基于静电特征参数的发动机性能退化预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094912B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004033673A (ja) * | 2002-06-21 | 2004-02-05 | Trustees Of The Univ Of Pennsylvania | 脳内発作発現を予測し検出する統合確率フレームワークおよび多重治療デバイス |
| CN103020438A (zh) * | 2012-11-29 | 2013-04-03 | 中国人民解放军军械工程学院 | 一种基于混合威布尔分布的航空发动机可靠性监测方法 |
| CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
| CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
-
2021
- 2021-04-17 CN CN202110414691.XA patent/CN113094912B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004033673A (ja) * | 2002-06-21 | 2004-02-05 | Trustees Of The Univ Of Pennsylvania | 脳内発作発現を予測し検出する統合確率フレームワークおよび多重治療デバイス |
| CN103020438A (zh) * | 2012-11-29 | 2013-04-03 | 中国人民解放军军械工程学院 | 一种基于混合威布尔分布的航空发动机可靠性监测方法 |
| CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
| CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| RUNXIA GUO等: "Remaining useful life prediction for the air turbine starter based on empirical mode decomposition and relevance vector machine", TRANSACTIONS OF THE INSTITUTE OF MEASUREMENT AND CONTROL * |
| 冯静等: "基于性能退化数据的液体火箭发动机可靠性Bayes评定", 航空计算技术 * |
| 孟蕾;许爱强;董超;: "基于多元退化的航空机电系统的剩余寿命预测", 舰船电子工程 * |
| 彭鸿博;蒋雄伟;: "基于相关向量机的发动机剩余寿命预测", 科学技术与工程 * |
| 王翀;王天舒;: "基于动态贝叶斯网的时变样本空间无监督学习", 系统仿真学报 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113094912B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yildirim et al. | Aircraft gas turbine engine health monitoring system by real flight data | |
| Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| Kadry | Diagnostics and prognostics of engineering systems: methods and techniques: methods and techniques | |
| Zhao et al. | A review on gas turbine anomaly detection for implementing health management | |
| CN102705078A (zh) | 基于灰色模型的柴油机故障预测方法 | |
| Liu et al. | Industrial AI enabled prognostics for high-speed railway systems | |
| Zhang et al. | Aero-engine condition monitoring based on support vector machine | |
| Li et al. | Early performance degradation of ceramic bearings by a twin-driven model | |
| Miller et al. | System-level predictive maintenance: review of research literature and gap analysis | |
| Zhang et al. | China's efforts in prognostics and health management | |
| Breikin et al. | Dynamic modelling for condition monitoring of gas turbines: Genetic algorithms approach | |
| CN113094912A (zh) | 一种基于静电特征参数的发动机性能退化预警方法 | |
| Kang et al. | Wear assessment model for cylinder liner of internal combustion engine under fuzzy uncertainty | |
| Fernandes et al. | An overview on degradation modelling for service cost estimation | |
| Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
| CN116304620A (zh) | 基于深度学习和数据挖掘的电子电器故障预测方法及系统 | |
| CN115469550A (zh) | 一种基于数字孪生的航空发动机运行维护方法及系统 | |
| Yu et al. | Selection method of monitoring parameter optimization in prognostics and health management based on grey clustering decision | |
| CN112949063A (zh) | 基于风险控制的有形资产全寿命周期维修方案优化方法 | |
| CN108226662B (zh) | 一种机载计算机故障预测方法 | |
| Gao et al. | Aero-engine condition monitoring based on Kalman filter theory | |
| Wang et al. | Remaining useful life prediction of nonlinear degradation process based on EKF | |
| Kwon et al. | RUL Prediction of Switched Mode Power Supply Using a Kalman Filter Assisted Deep Neural Network. Processes. 2022, 10, 55 | |
| Wang et al. | Aero-Engine Performance Evaluation and Prediction Based on FDR Data (Flight Data Recorder) |
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 |