CN114048642B - 一种航空发动机性能趋势分析方法 - Google Patents

一种航空发动机性能趋势分析方法 Download PDF

Info

Publication number
CN114048642B
CN114048642B CN202210046606.3A CN202210046606A CN114048642B CN 114048642 B CN114048642 B CN 114048642B CN 202210046606 A CN202210046606 A CN 202210046606A CN 114048642 B CN114048642 B CN 114048642B
Authority
CN
China
Prior art keywords
data
state
value
time window
trend
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
CN202210046606.3A
Other languages
English (en)
Other versions
CN114048642A (zh
Inventor
卢耀文
向加全
高强
韩伟
唐高虎
李莹
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202210046606.3A priority Critical patent/CN114048642B/zh
Publication of CN114048642A publication Critical patent/CN114048642A/zh
Application granted granted Critical
Publication of CN114048642B publication Critical patent/CN114048642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明提出了一种航空发动机性能趋势分析方法，通过对发动机各详细工况的识别，将排气温度按照功率大小分别进行讨论，提高了建模的精度；利用Western Electric规则判断排气温度趋势是否满足设定规则，监测发动机退化趋势是否存在异常，及时提醒技术人员进行复验。本发明通过上述操作实现了从数据采集到趋势判断的全过程分析计算。并且本方案的通用性相对于以往的方法更强，可适用于各类需要判别趋势异常的参数，操作简单，结果清晰。

Description

一种航空发动机性能趋势分析方法
技术领域
本发明属于航空航天发动机参数安全监测技术领域，具体地说，涉及一种航空发动机性能趋势分析方法。
背景技术
航空发动机长期工作在高温、高压、高负荷的运行状态，其性能状况会随着在翼飞行时间的增加逐步退化。及时对发动机的性能退化进行故障诊断，可以有效地避免事故的发生以及由此造成的巨大经济损失。趋势分析的基础是发动机气路上的测量参数压力、温度等和发动机各气动部件的特性效率、流量等之间存在严格的气动热力学关系。因此，可以通过测量气路参数的变化判断发动机部件特性的变化来分析发动机的气路性能。发动机气路部件发生退化时，其效率和流量将发生变化，从而引起沿发动机气路的气动热力参数和性能参数的变化。因此，性能趋势分析的目的就是通过传感器测量发动机的气动热力参数、性能参数、几何可调部件的位置参数来监视发动机及其气路部件的健康状况，当检测到衰退趋势存在异常时，及时向机组人员告警并分析异常原因。
综合来看，现有的航空发动机性能趋势分析方法大部分均采用基于特征参数的监控。该方法是根据系统的功能和结构特点，对那些能表征系统运行中健康/异常状态（或对系统异常敏感）的参数进行监测，在获得特征参数的一系列数据信息的基础上，利用各种推理算法对系统进行趋势分析，通过提供在趋势分析中发现的趋势状况来预计系统的未来性能或即将发生的失效问题。
而在发动机的各类特征参数中，排气温度（exhaust gas temperature，EGT）通常被认为是反映航空发动机健康状态和性能衰退的重要参数，技术人员往往通过对EGT的监测结果衡量发动机当前的性能状况。
专利202110685685.8公开了“一种小涵道比航空燃气发动机性能趋势分析方法”，包括数据预处理和模型预测过程。在数据预处理中首先获取预定运转时间内的小涵道比航空发动机采集数据，再利用相似变换公式对原始数据进行修正。在模型预测过程中，首先利用处理后的发动机排气温度数据构建自回归移动平均联合模型，再利用构建好的自回归移动平均联合模型预测排气温度变化趋势，并结合所给阈值进行性能监测。但在性能衰退过程中，排气温度随在翼时间的增加呈现向上升趋势，而自回归移动平均联合模型针对非平稳数据效果不佳，导致趋势分析结果准确性不能保证。
专利201210472458.8公开了“一种航空发动机整机性能衰退趋势预测方法”，首先按照工况条件确定不同工况下所需监控的典型参数，再对各个参数分别进行预处理和相似变换，最后利用经验公式对排气温度进行修正，并利用设定阈值求出排气温度裕度，基于修正排气温度裕度值的正负对发动机性能进行监测。但经验公式中人为因素所占的比重过大，且不同型号发动机中经验公式系数差别较大，不具备通用性。
专利201110369571.9公开了“一种航空发动机排气温度的监测方法”，首先提取出指定时段的发动机排气温度历史数据，并将其分为训练样本集和测试样本集。采用Levenberg-Marquardt算法建立卷积和离散过程的神经网络预测模型，使用预测模型对未来一段时间内的发动机排气温度进行预测并最终将其应用于航空发动机实际状态监控，监测排气温度是否存在突变。但在预测结束后，并未提到性能趋势分析的方法。
南京理工大学学报（自然科学版）2010年第1期34卷24-29页介绍了“改进BP神经网络在发动机性能趋势分析和故障诊断中的应用”，利用蚁群算法和LM算法对BP神经网络分别权值优化和网络训练，并将其应用于发动机的性能趋势预测中。但在预测结束后，同样未提到性能趋势分析的方法。
航空动力学报2017年第12期32卷3022-3030页介绍了“基于模糊信息粒化和优化SVM的航空发动机性能趋势预测”，利用模糊信息粒化（FIG）和优化的支持向量机（SVM）来预测航空发动机参数的变化趋势和变化空间。但基于阈值的检测同样引入大量的人为因素，需要大量的历史经验，且通用性极低。
综合以上分析，目前诸多的性能趋势分析方法大都采用特征参数的预测方法，通过不断提高预测精度，结合阈值进行异常趋势诊断。但单一的阈值判断难以监测到发动机的异常变化和趋势状况，不能在发动机故障前监测到发动机的失效趋势。且各类方法均未对发动机的多工况进行考虑，只是基于历次的飞行数据或稳态数据进行建模，大大降低了实际使用过程中模型的精度。
发明内容
本发明针对现有技术的上述缺陷和需求，提出了一种航空发动机性能趋势分析方法，通过对发动机各详细工况的识别，将排气温度按照功率大小分别进行讨论，提高了建模的精度；利用Western Electric规则判断排气温度趋势是否满足设定规则，监测发动机退化趋势是否存在异常，及时提醒技术人员进行复验。本发明通过上述操作实现了从数据采集到趋势判断的全过程分析计算。并且本方案的通用性相对于以往的方法更强，可适用于各类需要判别趋势异常的参数，操作简单，结果清晰。
本发明具体实现内容如下：
本发明提出了一种航空发动机性能趋势分析方法，具体包括以下步骤：
步骤1，进行飞行稳态数据识别：使用大气进口总温、大气进口总压、发动机转子换算转速三个状态参数来对发动机工况进行限制；当在某一时刻下，三个状态参数都被判定为稳态数据时，判定当前时刻的状态为稳态；
步骤2，基于基线模型的趋势图绘制：划分出不同工况下的排气温度数据，分别进行基线模型的建模，并根据建模进行趋势图的绘制；
步骤3：采用Western Electric规则监测方法对航空发动机性能趋势进行监测及预警。
为了更好地实现本发明，进一步地，所述步骤1具体包括以下步骤：
步骤1.1，提取稳态识别状态参数数据：针对某一飞行架次下的时序飞行数据，将发动机转子换算转速、进口总温、总压三个状态参数依次从关于时序飞行数据的“.csv格式”的文件中读取到工作空间内，得到维度为3*L的数据集；
步骤1.2，确定数据集的长度L，并给定时间窗的长度h：对于每一个状态参数从零时刻数据开始选择长度为h的数据作为初始的时间窗，分别计算各时间窗内的数据均值和方差；h小于L；
步骤1.3：给定各个状态参数的时间窗的两个阈值；两个所述阈值分别为：
阈值一：时间窗内数据与均值之间偏差的均值偏差阈值；
阈值二：时间窗内标准差的标准差偏差阈值；
通过两个阈值对应进行以下两个判断：
判断一：判断时间窗内数据与均值之间偏差是否超限的均值偏差阈值；
判断二：判断时间窗内标准差是否超限的标准差偏差阈值；
分别判断由第二步计算得到的方差和均值是否满足对应的阈值要求；
将满足上述两个判断都不超限的时间窗内的数据作为稳态数据保留，否则清空缓存时间窗；
步骤1.4：单步滑动时间窗，对滑动后的时间窗重复进行步骤1.2-步骤1.3的操作，直至时间窗覆盖整个数据集；
步骤1.5：对步骤1.3和步骤1.4获得的检测结果进行二次判定，具体判定为：当某一时刻对应的三个状态参数都被识别为稳态数据时，认定此时刻的航空发动机的状态为稳态，反之则认定为不是稳态。
为了更好地实现本发明，进一步地，所述时间窗的长度h设置为1000个数据点。
为了更好地实现本发明，进一步地，其特征在于，对于三个状态参数分别对应的均值偏差阈值设置为0.5。
为了更好地实现本发明，进一步地，对于三个状态参数分别对应的标准差偏差阈值设置为0.3。
为了更好地实现本发明，进一步地，所述步骤2具体包括以下步骤：
步骤2.1，详细工况识别：根据发动机转子换算转速的不同取值区间，将各个功率对应到不同的稳态状态下，进而将不同稳态状态下的稳态飞行数据区分开；所述稳态状态包括慢车状态、最大连续状态、最大状态；
步骤2.2，趋势图参数选取：将排气温度EGT作为因变量，飞行架次作为自变量；利用排气温度EGT随飞行架次的变化趋势衡量发动机的性能衰退情况；对于不同飞行架次的排气温度EGT，换算为统一格式后再进行比较；
步骤2.3，建立基线模型；
步骤2.4：基于建立的基线模型进行趋势图绘制。
为了更好地实现本发明，进一步地，所述步骤2.3的具体操作为：
步骤2.3.1：按照日期将在同一条件下测取的同一监控参数的换算值排序，构建滑动时间窗模型，时间窗长度设为20个数据长；从换算值中选取前20个值，即
Figure 450268DEST_PATH_IMAGE001
，
Figure 895637DEST_PATH_IMAGE002
，……，
Figure 206533DEST_PATH_IMAGE003
；所述换算值是指各个飞行架次下排气温度EGT的换算后的值的均值；
步骤2.3.2：对选取的20个换算值进行算术平均和均方差处理，得到算术平均值
Figure 132900DEST_PATH_IMAGE004
和均方差值
Figure 478431DEST_PATH_IMAGE005
；
步骤2.3.3：将选取的20个换算值分别与算术平均值
Figure 97631DEST_PATH_IMAGE004
进行比较，将偏差值大于3倍均方差值
Figure 895823DEST_PATH_IMAGE005
的作为异常数据并进行剔除；
步骤2.3.4：将选取的20个换算值中经过剔除后剩下的换算值进行算术平均，将算术平均得到的算术平均值作为监控参数的基线值
Figure 625882DEST_PATH_IMAGE006
；
步骤2.3.5：单步滑动时间窗，重复上述步骤2.3.1-步骤2.3.4的操作，直至时间窗覆盖整个数据集，得到基线模型。
为了更好地实现本发明，进一步地，所述步骤2.4的具体操作为：计算实际工况下的排气温度EGT；将计算得到的实际工况下的排气温度EGT换算到统一格式；然后使用步骤2.3得到的基线模型减去实际工况下换算到统一格式后的排气温度EGT，使用得到的差值g来绘制趋势图。
为了更好地实现本发明，进一步地，所述趋势图采用error bar图像形式进行绘制。
为了更好地实现本发明，进一步地，所述步骤2.2中，将排气温度EGT换算为统一格式的具体公式为：
Figure 29181DEST_PATH_IMAGE007
；
Figure 553703DEST_PATH_IMAGE008
；
式中：下标“
Figure 839191DEST_PATH_IMAGE009
”表示原始数据；下标“
Figure 372941DEST_PATH_IMAGE010
”表示修正后的数据；
Figure 161905DEST_PATH_IMAGE011
为修正后的发动机转子换算转速；
Figure 122908DEST_PATH_IMAGE012
为修正前的发动机转子换算转速；
Figure 161271DEST_PATH_IMAGE013
为修正后的排气温度（℃）；
Figure 967553DEST_PATH_IMAGE014
为修正前的排气温度（℃）；
Figure 142183DEST_PATH_IMAGE015
为压气机进口总温（K）；
Figure 211770DEST_PATH_IMAGE016
为设定状态大气温度（K）；（K）为温度计量单位，代表开氏度。
为了更好地实现本发明，进一步地，在所述步骤3中，使用Western Electric规则对趋势图设定控制范围，并设定控制范围的中心值，根据距离中心值从远到近将控制范围划分为A区、B区和C区共三个区域；所述A区为距离中心值2倍差值g到3倍差值g的区间范围；所述B区为距离中心值1倍差值g到2倍差值g的区间范围；A区为距离中心值1倍差值g内的区间范围。
为了更好地实现本发明，进一步地，在所述步骤3中，判断某一时刻的数据点是否异常的规则包括：
规则一：趋势图上，有单个的数据点落在UCL线和LCL线的外部，即为距离中心值±3g外的范围；所述UCL线为控制范围的取值上限，所述LCL线为控制范围的取值下限；
规则二：趋势图上，连续3个数据点中有2个数据点到中心值的距离超过2g；
规则三：趋势图上，连续5个数据点中有4个数据点到中心值的距离超过1g；
规则四：趋势图上，连续8个数据点在中心线的一侧。
为了更好地实现本发明，进一步地，在所述步骤1.1中，针对某一飞行架次下的时序飞行数据，将发动机转子换算转速、进口总温、总压三个状态参数依次从关于时序飞行数据的“.csv格式”的文件中读取到工作空间内，然后将由于采样频率不同造成的空数据行进行删除后，再得到维度为3*L的数据集。
本发明与现有技术相比具有以下优点及有益效果：
（1）本发明提出了一种航空发动机性能趋势分析方法，通过对发动机各详细工况的识别，将排气温度按照功率大小分别进行讨论，提高了建模的精度；
（2）本发明利用Western Electric规则判断排气温度趋势是否满足设定规则，监测发动机退化趋势是否存在异常，及时提醒技术人员进行复验；
（3）本发明实现了从数据采集到趋势判断的全过程分析计算；
（4）本发明的通用性相对于以往的方法更强，可适用于各类需要判别趋势异常的参数，操作简单，结果清晰。
附图说明
图1为本发明技术实现总流程图；
图2为本发明稳态识别流程图；
图3为本发明基线建模流程图；
图4为本发明趋势图绘制流程图；
图5为Western Electric规则分区示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，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，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例提出了一种航空发动机性能趋势分析方法，如图1所示，具体包括以下步骤：
步骤1，进行飞行稳态数据识别：使用大气进口总温、大气进口总压、发动机转子换算转速三个状态参数来对发动机工况进行限制；当在某一时刻下，三个状态参数都被判定为稳态数据时，判定当前时刻的状态为稳态；
步骤2，基于基线模型的趋势图绘制：划分出不同工况下的排气温度数据，分别进行基线模型的建模，并根据建模进行趋势图的绘制；
步骤3：采用Western Electric规则监测方法对航空发动机性能趋势进行监测及预警。
工作原理：本发明提出了一种航空发动机性能趋势分析方法，通过对发动机各详细工况的识别，将排气温度按照功率大小分别进行讨论，提高了建模的精度；利用WesternElectric规则判断排气温度趋势是否满足设定规则，监测发动机退化趋势是否存在异常，及时提醒技术人员进行复验。本发明通过上述操作实现了从数据采集到趋势判断的全过程分析计算。并且本方案的通用性相对于以往的方法更强，可适用于各类需要判别趋势异常的参数，操作简单，结果清晰。
实施例2：
本实施例在上述实施例1的基础上，为了更好地实现本发明，进一步地，如图1、图2所示，所述步骤1具体的实践方法及实践流程如下：
第一步，提取稳态识别状态参数数据。针对某一飞行架次下的时序飞行数据，将发动机转子换算转速、进口总温、总压三个状态参数依次从.csv文件中读取到工作空间内，将由于采样频率不同造成的空数据行删除，得到维度为3*L的数据集。
第二步，确定数据集的长度L，并给定时间窗的长度h。对于每一个状态参数从零时刻数据开始选择长度为h的数据作为初始时间窗，分别计算各时间窗内的数据均值和方差。
第三步，给定各个状态参数时间窗的两个阈值，分别判断由第二步计算得到的方差和均值是否满足各阈值要求。满足要求的时间窗内数据作为稳态数据保留，否则清空缓存时间窗。
第四步，单步滑动时间窗，针对新得到的时间窗重复第二、三步过程，直到时间窗覆盖整个数据集。
第五步，检测结束后对检测结果进行二次判定。判定条件包含三部分，即某时刻对应的三个状态参数值是否均被识别为稳态。当三部分判定条件均满足时，判定此时刻状态为稳态。
在稳态识别过程中给定的时间窗长度和三个状态参数的阈值如下表1所示：
表1 稳态识别给定参数要求
Figure 471850DEST_PATH_IMAGE018
工作原理：针对单一架次的飞行数据，首先在发动机转子换算转速、进口总温、总压这三个状态参数的时序队列中建立各自的滑动时间窗模型。对于每个状态参数，确定待检测数据总长度为L，时间窗长度为h（h小于L），计算各时间窗内数据的均值与标准差。
其次确定各个状态参数时间窗的两个阈值：（1）判断时间窗内数据与均值之间偏差是否超限的阈值；（2）判断时间窗内标准差是否超限的阈值。必须同时满足提前设定的这两个阈值，当前时间窗才能够被判定为稳态数据。如果不能同时满足，则按照单步滑动时间窗，直到判断完成。当某一时刻的这三个状态参数都被判定为稳态数据时，该时刻最终被判定为稳态。
本实施例的其他部分与上述实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1-2任一项的基础上，如图1、图3、图4所示，所述步骤2具体包括以下步骤：
子步骤一：详细工况识别
稳态识别结果通常包括慢车、最大连续状态、最大状态等各功率下的飞行数据；而功率差异会造成同一飞行架次中的各性能参数不具备可比性，不利于趋势图的绘制；因此，详细工况识别是为了使稳定巡航态参数处于指定条件下，消除功率差异的影响；
根据发动机性能原理，发动机转子换算转速直接与发动机推力相关，且由于其便于测量，因此能被用来衡量航空发动机的实际功率大小；而相对于实际物理转速来说，根据海平面、标准大气条件相似修正后的发动机转子换算转速能消除飞行条件对发动机性能参数的影响，使不同飞行架次下的飞行数据具有可比性，更具有应用价值；因此，可以根据发动机转子换算转速将各个功率的稳态飞行数据区分开。
子步骤二：趋势图参数选取
将飞行数据按照详细工况识别的结果进行划分；对于同一功率下的发动机工况，如果EGT有较明显的上升趋势，就意味着发动机的效率发生了退化；因此，可将EGT作为因变量,飞行架次作为自变量，利用EGT随飞行架次的变化趋势衡量发动机的性能衰退情况；依据相似原理，不同架次的EGT也需进行相似变换后才具有可比性；
由航空发动机相似理论的有关推导，发动机转子换算转速、EGT的换算公式可表示为公式（1）、（2）：
Figure 350332DEST_PATH_IMAGE007
（1）
Figure 379467DEST_PATH_IMAGE008
（2）
式中：下标“
Figure 885535DEST_PATH_IMAGE009
”表示原始数据；下标“
Figure 632911DEST_PATH_IMAGE010
”表示修正后的数据；
Figure 46575DEST_PATH_IMAGE011
为修正后的发动机转子换算转速；
Figure 133480DEST_PATH_IMAGE012
为修正前的发动机转子换算转速；
Figure 872766DEST_PATH_IMAGE019
为修正后的排气温度（℃）；
Figure 841859DEST_PATH_IMAGE020
为修正前的排气温度（℃）；
Figure 793634DEST_PATH_IMAGE015
为压气机进口总温（K）；
Figure 625DEST_PATH_IMAGE016
为设定状态大气温度（K）；（K）为温度计量单位，代表开氏度。
子步骤三：基线模型的建立
第一步，首先按照日期将在同一条件下测取的同一监控参数的换算值排序（此处的换算值是指各个飞行架次下排气温度的换算后的均值），构建滑动时间窗模型，时间窗长度设为20个数据长（如果当前架次数据量小于20，则选取此架次前的所有架次换算值，后续处理步骤类似），从换算值中选取前20个值，即
Figure 645233DEST_PATH_IMAGE001
，
Figure 367201DEST_PATH_IMAGE002
，……，
Figure 122667DEST_PATH_IMAGE003
；
第二步，对第一步中的20个换算值进行算术平均和均方差，得到算术平均值
Figure 918585DEST_PATH_IMAGE004
和均方差值
Figure 734094DEST_PATH_IMAGE005
，即：
Figure 677779DEST_PATH_IMAGE021
（3）
Figure 502516DEST_PATH_IMAGE022
（4）
第三步，将
Figure 215257DEST_PATH_IMAGE001
，
Figure 936088DEST_PATH_IMAGE002
，……，
Figure 101491DEST_PATH_IMAGE003
分别与
Figure 461409DEST_PATH_IMAGE004
比较，将偏差值大于3
Figure 294236DEST_PATH_IMAGE005
的异常数据剔除；
第四步，如果步骤第三步中剔除了n个数据，则将剩余的20-n各换算值进行算数平均，其算术平均值即为该监控参数的基线值
Figure 185969DEST_PATH_IMAGE006
；
第五步，单步滑动时间窗，重复上述步骤，直至时间窗覆盖整个数据集；
基线建模的流程图如图3所示。
子步骤四：趋势图绘制过程（以慢车状态为例）：
第一步，提取慢车状态数据：以发动机转子换算转速为69.5%的慢车状态、上下浮动不超过2%为基准，从某一飞行架次下的稳态识别结果中提取出慢车状态数据；
第二步，相似修正：利用换算公式将EGT换算到标准状态下；
第三步，求取均值、方差并以EXCEL形式保存至设定的均值方差文件夹下；EXCEL文件命名采取日期—架次的形式；
第四步，按照历史飞行日期—架次顺序，依次将同一发动机的历史EGT数据读取至工作空间内，构成维度为n*2的数据集；
第五步，按照子步骤三中基线模型的建立过程，计算历史EGT数据的基线模型；
第六步，将基线模型和实际数据求差值，利用差值绘制趋势图。趋势图采用errorbar的图像形式绘制；
详细的绘制流程图如图4所示。
本实施例的其他部分与上述实施例1-2任一项相同，故不再赘述。
实施例4：
本实施例在上述实施例1-3任一项的基础上，如图1、图5所示，所述步骤3具体包括以下操作：
Western Electric规则的作用是对中心值偏移过大的情况做出预警。它是通过判断局部部分点的分布特征是否满足几项判据给出是否需要告警的0-1信号。
这些规则把控制范围划分为3个不同的区域，如图5所示：A区表示到中心线距离在2g-3g的范围区；B区表示到中心线距离在1g-2g的范围区；C区表示到中心线距离在0-g的范围区；g是标准偏差值；UCL表示控制上限；LCL表示控制下限。
判断数据点是否异常的4个基本区域规则包括：
（1）任何单个数据点落在UCL和LCL的外部（也就是±3g）；
（2）连续3个点中有2个点到中心线的距离超过2g；
（3）连续5个数据点中有4个点到中心线的距离超过1g；
（4）连续8个点在中心线的一侧。
本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (12)

1.一种航空发动机性能趋势分析方法，其特征在于，具体包括以下步骤：
步骤1，进行飞行稳态数据识别：使用大气进口总温、大气进口总压、发动机转子换算转速三个状态参数来对发动机工况进行限制；当在某一时刻下，三个状态参数都被判定为稳态数据时，判定当前时刻的状态为稳态；
步骤1.1，提取稳态识别状态参数数据：针对某一飞行架次下的时序飞行数据，将发动机转子换算转速、进口总温、总压三个状态参数依次从关于时序飞行数据的“.csv格式”的文件中读取到工作空间内，得到维度为3*L的数据集；
步骤1.2，确定数据集的长度L，并给定时间窗的长度h：对于每一个状态参数从零时刻数据开始选择长度为h的数据作为初始的时间窗，分别计算各时间窗内的数据均值和方差；h小于L；
步骤1.3：给定各个状态参数的时间窗的两个阈值；两个所述阈值分别为：
阈值一：时间窗内数据与均值之间偏差的均值偏差阈值；
阈值二：时间窗内标准差的标准差偏差阈值；
通过两个阈值对应进行以下两个判断：
判断一：判断时间窗内数据与均值之间偏差是否超限的均值偏差阈值；
判断二：判断时间窗内标准差是否超限的标准差偏差阈值；
分别判断由第二步计算得到的方差和均值是否满足对应的阈值要求；
将满足上述两个判断都不超限的时间窗内的数据作为稳态数据保留，否则清空缓存时间窗；
步骤1.4：单步滑动时间窗，对滑动后的时间窗重复进行步骤1.2-步骤1.3的操作，直至时间窗覆盖整个数据集；
步骤1.5：对步骤1.3和步骤1.4获得的检测结果进行二次判定，具体判定为：当某一时刻对应的三个状态参数都被识别为稳态数据时，认定此时刻的航空发动机的状态为稳态，反之则认定为不是稳态；
步骤2，基于基线模型的趋势图绘制：划分出不同工况下的排气温度数据，分别进行基线模型的建模，并根据建模进行趋势图的绘制；
步骤3：采用Western Electric规则监测方法对航空发动机性能趋势进行监测及预警。
2.如权利要求1所述的一种航空发动机性能趋势分析方法，其特征在于，所述时间窗的长度h设置为1000个数据点。
3.如权利要求1或2所述的一种航空发动机性能趋势分析方法，其特征在于，对于三个状态参数分别对应的均值偏差阈值设置为0.5。
4.如权利要求1或2所述的一种航空发动机性能趋势分析方法，其特征在于，对于三个状态参数分别对应的标准差偏差阈值设置为0.3。
5.如权利要求1所述的一种航空发动机性能趋势分析方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1，详细工况识别：根据发动机转子换算转速的不同取值区间，将各个功率对应到不同的稳态状态下，进而将不同稳态状态下的稳态飞行数据区分开；所述稳态状态包括慢车状态、最大连续状态、最大状态；
步骤2.2，趋势图参数选取：将排气温度EGT作为因变量，飞行架次作为自变量；利用排气温度EGT随飞行架次的变化趋势衡量发动机的性能衰退情况；对于不同飞行架次的排气温度EGT，换算为统一格式后再进行比较；
步骤2.3，建立基线模型；
步骤2.4：基于建立的基线模型进行趋势图绘制。
6.如权利要求5所述的一种航空发动机性能趋势分析方法，其特征在于，所述步骤2.3的具体操作为：
步骤2.3.1：按照日期将在同一条件下测取的同一监控参数的换算值排序，构建滑动时间窗模型，时间窗长度设为20个数据长；从换算值中选取前20个值，即
Figure 628026DEST_PATH_IMAGE001
，
Figure 492077DEST_PATH_IMAGE002
，……，
Figure 775291DEST_PATH_IMAGE003
；所述换算值是指各个飞行架次下排气温度EGT的换算后的值的均值；
步骤2.3.2：对选取的20个换算值进行算术平均和均方差处理，得到算术平均值
Figure 315863DEST_PATH_IMAGE004
和均方差值
Figure 786158DEST_PATH_IMAGE005
；
步骤2.3.3：将选取的20个换算值分别与算术平均值
Figure 453900DEST_PATH_IMAGE004
进行比较，将偏差值大于3倍均方差值
Figure 591620DEST_PATH_IMAGE005
的作为异常数据并进行剔除；
步骤2.3.4：将选取的20个换算值中经过剔除后剩下的换算值进行算术平均，将算术平均得到的算术平均值作为监控参数的基线值
Figure 850563DEST_PATH_IMAGE006
；
步骤2.3.5：单步滑动时间窗，重复上述步骤2.3.1-步骤2.3.4的操作，直至时间窗覆盖整个数据集，得到基线模型。
7.如权利要求5或6所述的一种航空发动机性能趋势分析方法，其特征在于，所述步骤2.4的具体操作为：计算实际工况下的排气温度EGT；将计算得到的实际工况下的排气温度EGT换算到统一格式；然后使用步骤2.3得到的基线模型减去实际工况下换算到统一格式后的排气温度EGT，使用得到的差值g来绘制趋势图。
8.如权利要求7所述的一种航空发动机性能趋势分析方法，其特征在于，所述趋势图采用error bar图像形式进行绘制。
9.如权利要求5所述的一种航空发动机性能趋势分析方法，其特征在于，所述步骤2.2中，将排气温度EGT换算为统一格式的具体公式为：
Figure 323002DEST_PATH_IMAGE007
；
Figure 528855DEST_PATH_IMAGE008
；
式中：下标“
Figure 521082DEST_PATH_IMAGE009
”表示原始数据；下标“
Figure 154189DEST_PATH_IMAGE010
”表示修正后的数据；
Figure 113923DEST_PATH_IMAGE011
为修正后的发动机转子换算转速；
Figure 857888DEST_PATH_IMAGE012
为修正前的发动机转子换算转速；
Figure 970201DEST_PATH_IMAGE013
为修正后的排气温度，单位为°C；
Figure 570946DEST_PATH_IMAGE014
为修正前的排气温度，单位为°C；
Figure 768709DEST_PATH_IMAGE015
为压气机进口总温，单位为K；
Figure 565633DEST_PATH_IMAGE016
为设定状态大气温度，单位为K；K为温度计量单位，代表开氏度。
10.如权利要求6所述的一种航空发动机性能趋势分析方法，其特征在于，在所述步骤3中，使用Western Electric规则对趋势图设定控制范围，并设定控制范围的中心值，根据距离中心值从远到近将控制范围划分为A区、B区和C区共三个区域；所述A区为距离中心值2倍差值g到3倍差值g的区间范围；所述B区为距离中心值1倍差值g到2倍差值g的区间范围；A区为距离中心值1倍差值g内的区间范围。
11.如权利要求10所述的一种航空发动机性能趋势分析方法，其特征在于，在所述步骤3中，判断某一时刻的数据点是否异常的规则包括：
规则一：趋势图上，有单个的数据点落在UCL线和LCL线的外部，即为距离中心值±3g外的范围；所述UCL线为控制范围的取值上限，所述LCL线为控制范围的取值下限；
规则二：趋势图上，连续3个数据点中有2个数据点到中心值的距离超过2g；
规则三：趋势图上，连续5个数据点中有4个数据点到中心值的距离超过1g；
规则四：趋势图上，连续8个数据点在中心线的一侧。
12.如权利要求1所述的一种航空发动机性能趋势分析方法，其特征在于，在所述步骤1.1中，针对某一飞行架次下的时序飞行数据，将发动机转子换算转速、进口总温、总压三个状态参数依次从关于时序飞行数据的“.csv格式”的文件中读取到工作空间内，然后将由于采样频率不同造成的空数据行进行删除后，再得到维度为3*L的数据集。
CN202210046606.3A 2022-01-17 2022-01-17 一种航空发动机性能趋势分析方法 Active CN114048642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046606.3A CN114048642B (zh) 2022-01-17 2022-01-17 一种航空发动机性能趋势分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046606.3A CN114048642B (zh) 2022-01-17 2022-01-17 一种航空发动机性能趋势分析方法

Publications (2)

Publication Number Publication Date
CN114048642A CN114048642A (zh) 2022-02-15
CN114048642B true CN114048642B (zh) 2022-05-10

Family

ID=80196583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046606.3A Active CN114048642B (zh) 2022-01-17 2022-01-17 一种航空发动机性能趋势分析方法

Country Status (1)

Country Link
CN (1) CN114048642B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529105A (zh) * 2022-03-24 2022-05-24 江苏真鹿科技有限公司 基于bp神经网络的发动机曲轴高温性能分析处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777554A (zh) * 2016-11-29 2017-05-31 哈尔滨工业大学（威海） 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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7403877B2 (en) * 2001-08-17 2008-07-22 General Electric Company System, method and computer product for baseline modeling a product or process
CN102928232B (zh) * 2012-11-21 2015-01-21 中国民用航空飞行学院 一种航空发动机整机性能衰退趋势预测方法
CN103970979B (zh) * 2013-02-06 2017-06-16 上海杰之能软件科技有限公司 航空发动机基线计算方法、状态监控方法及监控系统
CN107103658B (zh) * 2017-04-25 2019-05-14 哈尔滨工业大学 基于深度学习与高斯分布的航空发动机气路异常检测方法
CN111651940A (zh) * 2020-06-11 2020-09-11 中国人民解放军海军航空大学 基于pso-narx的涡轴发动机稳态模型辨识方法
CN113535812B (zh) * 2021-06-29 2024-01-30 浙江中控技术股份有限公司 工况稳态检测方法、过程优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777554A (zh) * 2016-11-29 2017-05-31 哈尔滨工业大学（威海） 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

Also Published As

Publication number Publication date
CN114048642A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN106368816B (zh) 一种基于基线偏差的船舶低速柴油机在线异常检测方法
US6748341B2 (en) Method and device for machinery diagnostics and prognostics
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
WO2023123593A1 (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
WO2023197461A1 (zh) 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN113053171B (zh) 一种民机系统风险预警方法及系统
CN110414154B (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN114048642B (zh) 一种航空发动机性能趋势分析方法
CN109523171B (zh) 一种基于svdd的燃气轮机进气系统健康度评估方法
CN116311594B (zh) 一种船舶子系统状态分析方法、装置及存储介质
CN117196353B (zh) 基于大数据的环境污染评估与监测方法及系统
CN112418306A (zh) 基于lstm-svm的燃气轮机压气机故障预警方法
CN110969185A (zh) 基于数据重构的设备异常状态检测方法
CN110578659B (zh) 一种用于对风电机组scada数据进行处理的系统和方法
CN111027594A (zh) 一种基于字典表示的分步式异常检测方法
CN111563685B (zh) 一种基于自联想核回归算法的发电设备状态预警方法
EP2583146A1 (en) Asset health monitoring using stable distributions for heavy-tailed data
WO2022009904A1 (ja) エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム
CN114357667A (zh) 一种基于resid递归结构识别的发动机起动状态故障检测方法
CN112231849A (zh) 基于nest和sprt融合算法的轴温故障检测方法
Zhang et al. Research on general aircraft cluster health assessment method
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
Yang et al. DGA and Weibull Distribution Model-based Transformer Fault Early Warning
CN113139339A (zh) 一种航空发动机排气温度裕度预测方法、存储介质及设备

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