CN114969645A - 一种基于统计分布模型的航空发动机状态监测评估方法 - Google Patents
一种基于统计分布模型的航空发动机状态监测评估方法 Download PDFInfo
- Publication number
- CN114969645A CN114969645A CN202210571135.8A CN202210571135A CN114969645A CN 114969645 A CN114969645 A CN 114969645A CN 202210571135 A CN202210571135 A CN 202210571135A CN 114969645 A CN114969645 A CN 114969645A
- Authority
- CN
- China
- Prior art keywords
- state
- monitoring
- data
- engine
- steady
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 140
- 238000011156 evaluation Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 238000009530 blood pressure measurement Methods 0.000 claims description 2
- 238000009529 body temperature measurement Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Abstract
本发明公开一种基于统计分布模型的航空发动机状态监测评估方法,根据历史试验数据建立正常状态下的统计分布模型,得到标准差,在全工况范围内,以转速为横坐标,以不同参数为纵坐标,通过数据拟合生成监测基准;实时采集状态参数,判断状态参数是否需要监测,若需要,则将状态参数与监测基准进行对比,依据监测基准和标准差对状态参数进行区域划分,根据偏离程度调整划分区域,得到监测阈值,根据监测阈值评估航空发动机状态;本发明监测阈值由历史数据确定,提高了状态监测的准确性,综合发动机不同测量参数的分级监测结果实现对发动机工作状态的评估,采用对多个测量参数综合评估,提高发动机状态评估的可靠性。
Description
技术领域
本发明涉及航空发动机健康管理领域,具体涉及对航空发动机状态进行监测评估方法,也应用于对燃气轮机等一系列需要监测设备运行状态的健康管理系统中。
背景技术
航空发动机是飞机最重要的部件之一,是一种集机、电、液、气及各种高新技术于一体的大型复杂机电系统,且长期工作在高压、高温、高转速、高负荷等恶劣环境中,难免会发生故障。为保证发动机安全、可靠运行,发动机均配备了具有监测评估的设备,通过监测发动机测量参数,评估发动机的工作状态,监测发动机的异常,对发动机的异常提前进行报警,对预防发动机的故障扩散具有重要意义。
发动机的状态监测评估是提高发动机安全性的一种有效方法,同时也是发动机定时维修向视情维修转变,减少维修费用的重要组成部分,状态监测评估技术可以利用飞行过程中的稳态实时数据,对发动机的性能进行评估,同时也可以通过离线数据采用数据回放的形式,获取发动机的健康状态,为发动机故障诊断和故障隔离提供参考。
发动机的状态监测的基本原理是当一个或者几个部件发生故障时,将会引起发动机相应的部件性能参数的改变,部件性能的改变同时也会引起各截面温度、压力、转速、燃油流量等测量参数的变化,异常监测主要是基于发动机的可测量参数是否超过阈值来直接实现的。目前,发动机状态监测方法主要包括基于数据的状态监测方法、基于模型的状态监测方法,其中,基于数据的状态监测方法是利用人工智能算法通过发动机的运行数据描述发动机参数间非线性关系的能力,获得性能参数和测量参数之间较为准确的性能描述,从而实现发动机异常的实时监控;基于模型的状态监测是利用发动机的动态实时模型输出作为参考输出,与发动机的测量参数进行比较,判别其是否超过设定阈值,但是这种方法对模型精度依赖程度高,而且,其阈值是某一固定极限值,具体数值的设定主观性强,依据薄弱,阈值设定的偏大会造成漏报,阈值设定的过小则会导致发动机异常的虚报,这无疑增大了发动机状态监控的难度。
中国专利公开号为CN107991876A提出的一种基于生成式对抗网络的航空发动机状态监测数据生成方法,通过生成式对抗网络进行状态监测的数据生成,并采用拉依达准则进行输出处理中的异常值剔除,该数据生成方法存在的问题是:在运用拉伊达准则进行异常值剔除时,阈值设定均按照固定阈值设置,主观性强,依据薄弱,设定的阈值不准确,相比于发动机正常测量参数来说相差较大。
发明内容
技术目的:
本发明针对现有发动机状态监测时难以有效确定合理阈值进行状态监测并评估发动机状态的问题,提出一种基于统计分布模型的状态监测评估方法,降低状态监测误报、更加准确评估状态。
技术方案:
本发明所述的一种基于统计分布模型的航空发动机状态监测评估方法采用的技术方案是:
对航空发动机在正常状态下的历史试验数据预处理,得到稳态数据集,针对所述的稳态数据集中不同参数在不同工况的稳态数据段,建立航空发动机正常状态下的统计分布模型,由统计分布模型得到标准差;
在全工况范围内,以转速为横坐标,以所述的稳态数据集中的不同参数为纵坐标,通过数据拟合生成监测基准;
实时采集航空发动机的状态参数组成实时试验数据集,对所述的实时试验数据集作预处理得到预处理后的数据集;
判断所述的预处理后的数据集中的状态参数是否需要监测,若需要,则将所述的预处理后的数据集中的状态参数与所述的监测基准进行对比,获得所述的预处理后的数据集中的状态参数的偏离程度,依据所述的监测基准和所述的标准差对状态参数进行区域划分,根据偏离程度调整划分区域,得到监测阈值,根据所述的监测阈值评估航空发动机状态。
进一步地,所述的对航空发动机在正常状态下的历史试验数据预处理,得到稳态数据集包括:对所述的历史试验数据中因噪声、干扰形成的异常数据进行野点剔除,对野点剔除后的数据换算到标准大气条件下进行相似转换,对相似转换后的数据通过相邻工况数据的变化进行稳态截取,得到稳态截取后的稳态数据集。
进一步地,所述的通过数据拟合生成监测基准包括:对每个工况对应的稳态数据段的数据拟合生成相应的一个监测基准;或根据不同的工况段分段拟合,得到不同的监测基准;或根据不同转速段进行数据拟合得到每个转速段的监测基准。
进一步地,所述的对航空发动机在正常状态下的历史试验数据预处理对实时试验数据集作预处理的方法是:将实时采集数据作滤波处理,剔除滤波处理后的实时采集数据中的异常数据,将剔除异常数据后的实时采集数据换算到标准大气条件下进行相似转换。
进一步地,判断所述的预处理后的数据集中状态参数是否需要监测的方法包括:判断所述的预处理后的数据集中的状态参数中的低压转子折合转速是否处于慢车转速,若否,则判断发动机尾喷管的面积是否小于设定的标准判定面积,若否,判断发动机高压转子变化率是否小于设定的标准的判定变化率,若否,则状态参数需要监测。
进一步地,根据所述的监测阈值的范围判断出发动机状态为正常、二级异常、一级异常,分别给状态赋值为0、1、2,记录不同转速状态下每个状态参数的状态赋值,将各个状态赋值相加得到综合状态赋值,得到综合状态评估。
技术效果:
1、本发明设计了监测基准生成流程方法,根据监测基准,按照拉依达准则,结合离线监测数据确定了状态监测阈值,通过判断测量的状态参数的偏离程度,实现了对测量的状态参数的异常严重程度的评估,实现了发动机状态的监测。
2、本发明依托发动机测量参数与被控参数之间的影响关系,利用统计理论构建发动机统计分布模型,综合发动机不同测量参数的分级监测结果实现对发动机工作状态的评估。
3、本发明利用历史试验数据计算监测基准,监测阈值由历史数据确定,克服了发动机状态监测过程中传统失效阈值的设置时凭主观确定的问题,提高了状态监测的准确性。现有的发动机在状态监测过程中通常根据单个测量参数设置的阈值进行监测,由于噪声、干扰等因素,单个参数产生的误报,影响对发动机状态的评估,因此本发明采用对多个测量参数综合评估的方法,提高发动机状态评估的可靠性。
4、本发明以发动机的试验数据为基础,对试验数据进行数据预处理,提取不同状态的发动机稳态数据,根据统计学中的拉伊达准则,确定状态监测阈值,评估发动机状态的参数较多,通过统计多参数的监测状态,综合评估发动机的状态。
5、基于统计分布特征状态监测的精度依赖于历史数据,随着航空发动机相关数据的积累,基于统计分布生成的监测基准将会更加准确,从而对发动机健康状态的评估更加准确,降低了状态监测的误报,提高发动机状态监测的可靠性。
附图说明
图1是本发明所述的一种基于统计分布模型的航空发动机状态监测评估方法的流程图;
图2是图1在线监测阶段的状态监测方法流程图;
图3是图2在状态监测后发动机评估的原理图。
具体实施方式
本发明用历史试验数据依托发动机测量参数(例如低压涡轮出口压力P6、低压涡轮出口温度T6等)与被控参数(例如发动机高压转子转速)之间的影响关系,利用统计理论构建发动机统计分布模型,基于稳态数据生成监测基准,根据监测基准采用统计学中的拉依达准则对监测基准分析,得到监测阈值,实现对发动机工作状态的多个评估结果,综合评估发动机的健康状态,最终实现发动机的状态监测。
先对航空发动机在正常状态下的历史试验数据预处理,得到稳态数据集,针对所述的稳态数据集中不同参数在不同工况的稳态数据段,建立航空发动机正常状态下的统计分布模型,由统计分布模型得到标准差。在全工况范围内,以转速为横坐标,以所述的稳态数据集中的不同参数为纵坐标,通过数据拟合生成监测基准。实时采集航空发动机的状态参数组成实时试验数据集,对所述的实时试验数据集作预处理得到预处理后的数据集。判断所述的预处理后的数据集中的状态参数是否需要监测,若需要,则将所述的预处理后的数据集中的状态参数与所述的监测基准进行对比,获得所述的预处理后的数据集中的状态参数的偏离程度,依据所述的监测基准和所述的标准差对状态参数进行区域划分,根据偏离程度调整划分区域,得到监测阈值,根据所述的监测阈值评估航空发动机状态。具体是:
参见图1所示,本发明包括三个阶段:统计分布模型构建阶段,监测基准生成阶段和状态监测评估阶段,具体如下:
第一个阶段:统计分布模型构建阶段。
将已有的发动机在正常状态下的历史试验数据进行预处理,主要是对发动机试验数据进行野点剔除、相似转换和稳态截取,通过数据野点剔除、相似转换和稳态截取,再构建统计分布模型,得到发动机在不同工况且正常状态下的统计分布模型。具体是:
1)野点剔除:对发动机的正常历史数据,即正常状态下的试验数据,以试验数据集XS表示。正常状态下的试验数据是根据经验得到,试验数据的分析需要在发动机所有测量参数中选取,例如大气压力P0、风扇出口外涵压力P13、油门杆角度PLA、低压涡轮喉道面积A8、低压涡轮出口压力P6、低压涡轮出口温度T6等多个测量参数中选取,这个阶段的工作是针对试验数据在离线状态下进行操作的。
根据常规的中值滤波和均值滤波方法,对发动机由于噪声、干扰形成的异常数据进行野点剔除,剔除去掉历史试验数据的异常点,得到相对更平稳的数据。具体是用某一时刻异常数据之前的数据或者之后的数据,或者前后数据的均值替代由于不确定性采集到的异常值,保证后续的可靠性,野点剔除后的数据以数据集XY表示。
统计分析在试验过程中每个参数的工作区间,根据野点发生的时间节点,野点可以分为三类,第一类是发动机风扇进口压力P2,第二类是大气压力P0、风扇出口外涵压力P13和油门杆角度PLA,第三类是低压涡轮喉道面积A8、低压涡轮出口压力P6和低压涡轮出口温度T6。选定了三个野点是否发生的判断条件,分别是:
P2>100kpa or P2<90kpa (1)
P0>100kpa or P0<90kpa (2)
T6>200K (3)
其中公式(1)是用来判断是否存在第一类野点;公式(2)是用来判断是否存在第二类野点;公式(3)是用来判断是否存在第三类野点。
2)相似转换:利用发动机的相似原理,消除发动机运行的环境对发动机正常历史数据的影响,对野点剔除后的数据集XY进行相似转换。由于大多数情况下发动机试验只能在当地实际大气条件下进行,因此,为了比较试验结果,就要把测量值换算到标准大气条件下进行在线相似转换,消除进口条件的影响。将发动机进口空气温度、进口空气压力对齐到标准大气条件下,调整发动机各流道截面的参数,消除进口高度、马赫数、温度、压力不一致对分析结果的影响,最终得到相似转换后的数据集XX。在相似转换时,具体的换算关系如下:
温度转换:
压力转换:
式中:T0为进口空气温度,P0为进口空气压力,Ma为马赫数,Ths为相似转换后温度,Tch为正常试验数据温度测量值,Phs为相似转换后压力,Pch为正常试验数据压力测量值。
3)稳态截取:对相似转换后的数据集XX中的稳态数据段进行筛选,通过相邻工况数据的阶跃阈值的变化,判断发动机状态的变化,从而确定截取的稳态数据段。
发动机的阶跃阈值的确定与发动机的测量数据的采样时间有关,发动机的状态是指在试验过程中的稳定运行状态,例如在69%工况、78%工况、83%工况、87%工况、97%工况等工况点可能出现的状态,在工况点进行分段截取,得到稳态数据段,不同试验状态点有所区别。同时,不同工况在转速上升和转速下降状态表现不同,例如转速从69%工况到97%工况,转速从97%工况到69%工况,因此稳态截取时区分上升状态和下降状态,分段截取过程通过不同工况点的切换过程中斜率的变化,进行发动机状态何时开始和何时结束的判断,通过稳定状态点长度选择该段状态点的长度是否符合稳态要求的判断,最终综合斜率限和长度限的判断。例如:在转速增加和转速减小时,通过数据的采样时间和不同工况下的转速的值计算斜率,通过对比不同采样时间下的斜率值的大小判断发动机是否达到稳态,初步确定斜率以0.01为基准值,大于该值判定发动机处于过渡态,反之判定发动机处于稳态。判定发动机处于稳态后,则截取设定时间长度的数据,例如截取的数据长度为240s,数据长度也可根据需要自行确定。在截取稳态数据后,得到的试验数据大部分是稳态数据,只是可能在稳态数据段的开始和结束时刻含有状态变化时的过渡态数据,因此再通过对截取后的稳态段数据“掐头去尾”得到更加理想的稳态数据,其中“掐头”和“去尾”根据选择出的稳态数据段的长度确定,本发明的“掐头去尾”按照总数据长度的5%进行处理。对于稳态数据段较小的数据集合,应视情况舍弃相关的数据集合,根据经验较小的数据集合定量化为少于5000个采样点,其中被控参数的选择,优先选择低压转子换算转速或者高压转子换算转速,具体根据控制计划确定,最终得到稳态截取后的稳态数据集XW。
4)统计分布模型构建:针对稳态数据集XW中不同参数在不同工况的稳态数据段,基于统计理论对提取的稳态数据进行分析,建立发动机正常状态下的统计分布模型,统计分布模型f(x)如下:
其中,x为稳态数据段对应的参数。
根据统计分布模型f(x)得到试验数据中稳态数据集XW中不同参数在不同工况下的标准差σ和期望均值μ,标准差σ为之后的状态评估提供依据。
第二个阶段:监测基准生成阶段。
在全工况范围内,以转速为横坐标,以稳态数据集XW中的参数为纵坐标,通过数据拟合的方式生成发动机状态监测的监测基准,得到标准大气条件下的监测基准。
生成监测基准有三种方式:(a)针对稳态数据集XW,按照发动机不同工况对应的稳态数据段,直接利用不同工况的稳态数据段拟合的方式进行数据线性拟合,得到监测基准。例如,以低压转子转速或者高压转子转速为横坐标,以不同稳态数据作为纵坐标,按照数据拟合的方式,将全部稳态数据段拟合成二元一次方程,作为发动机运行时的基准线,即监测基准。例如转速69%工况对应的稳态数据集X69%,转速78%工况对应的稳态数据集X78%,转速83%工况对应的稳态数据集X83%,转速87%工况对应的稳态数据集X87%,转速97%工况对应的稳态数据集X97%等,每个工况对应的稳态数据段均可以按照数据拟合的方式生成一个相应的监测基准。(b)生成方式的(a)的缺点是工况较多,利用线性拟合方程得到的监测基准不能很好的贴合发动机不同工况对应的监测基准,试验过程中的稳定运行工况等状态点的高低状态线性拟合会增大误差。为了减小发动机监测基准线的误差,因此可以设定工况段,根据不同的工况段分段拟合,例如设定低状态(80%工况以下)、高状态(80%工况以上),对高低状态分段拟合,得到不同的监测基准。在不同状态区间设置相对应的监测基准,提高发动机试验过程中监测基准的准确性。(c)根据发动机的不同转速段进行数据拟合,例如70-80%,在每个转速段分别求得监测参数在该状态下的监测基准。
第三个阶段:状态监测评估阶段。通过生成的不同测量参数的监测基准,实现多测量参数监测的发动机综合状态评估。在该阶段,首先要实时采集发动机的状态参数,如大气压力P0、风扇出口外涵压力P13、油门杆角度PLA、低压涡轮喉道面积A8、低压涡轮出口压力P6、低压涡轮出口温度T6等,组成实时试验数据集ZS,可由整个功能模块接收发动机试验台架接收的发动机的实时试验数据集ZS,通过状态监测和综合状态评估,实现发动机的状态监测评估。
状态监测评估阶段又分为状态监测和综合状态评估,其中,状态监测具体是:
1)在线野点剔除:为了消除信号采集过程中的不确定性,通过对实时试验数据集ZS进行预处理,对实时试验数据集ZS进行在线野点剔除,消除野点对测量参数的影响,同时要保持原始试验数据的原始性。在线野点剔除与上述第一阶段中的野点剔除比较,两者不同点在于:增加了实时数据的处理功能,将实时采集的实时试验数据集ZS按照滤波算法进行实时的处理,剔除由于不确定性采集到的异常数据,得到在线野点剔除数据集ZY。
2)在线相似转换:将在线野点剔除数据集ZY利用相似转换原理进行在线相似转换处理,得到处理后的数据集ZX,将预处理后的数据集ZX作为后续的状态监测依据。
3)状态监测:状态监测包括两个功能:单独参数的状态监测判断和监测参数的评估。首先判断是否需要对发动机的参数进行状态监测,本发明的判断状态监测的方法是:在慢车以下、加力状态、过渡态不对发动机的参数进行监测,否则需要监测,具体流程如图2所示,首先判断预处理后的数据集ZX中的状态参数中的低压转子折合转速n1r是否大于设定的标准判定转速N,即判定发动机当前状态是否处于慢车的转速,如果小于判定转速N,则认为发动机当前的状态在慢车以下,则不执行任何操作,否则,则判断发动机尾喷管的面积是否小于设定的标准判定面积A,即确定发动机是否处于加力状态的尾喷管面积,如果不小于标准判定面积A,则认为发动机处于加力状态,则不执行任何操作,否则认为发动机处于慢车、节流或中间状态中的一个;之后判断发动机高压转子变化率n2Dot是否小于标设定的准判定变化率p,如果不小于判定变化率p,则认为发动机处于过渡态,否则认为发动机处于稳态。
在满足发动机状态监测方法的条件之后,获得需要监测的发动机参数,对发动机的监测参数作状态监测。评估发动机健康状态的原则如下:如图3所示,根据发动机的历史数据生成试验过程中的监测基准,采用统计学中的拉依达准则进行分析。不同的区域表征发动机此时的状态是否正常以及发动机性能退化的程度,依据监测基准和第一阶段得到的统计分布模型f(x)中的标准差σ对发动机的状态参数进行区域划分,参考历史数据的统计分布模型的标准差σ,将满足发动机状态监测条件的预处理后的数据集ZX中的状态参数与生成的监测基准进行对比,判断状态参数的偏离程度,根据偏离程度动态调整划分区域的临界点,得到实时的监测阈值,实现航空发动机参数的状态监测,如图3所示。根据确定出的实时的监测阈值,进行发动机状态的评估。
本发明以实时的监测阈值-6σ,-3σ,3σ,6σ为例,当发动机的状态参数在[-3σ,3σ]的监测阈值范围内,表明发动机波动在正常范围,发动机的状态显示为正常,发动机正常状态的状态赋值为0,当发动机的状态参数分布在监测阈值[-6σ,-3σ)范围,或者在监测阈值(3σ,6σ]范围时,则发动机的状态显示为二级异常,二级异常的状态赋值为1,当发动机的状态参数分布在[-∞,-6σ),或者(6σ,+∞]范围内时,发动机的状态显示为一级异常,一级异常的状态赋值为2,通过分级的方式实现发动机不同参数的状态监测。
然后,实施综合状态评估,具体是:发动机的运行状态是各个参数综合表征的结果,根据状态监测对每个参数状态评估时的赋值,按照表1的方式记录不同转速状态下各个状态参数的状态值,例如:发动机在70%转速状态时,状态参数P3(压气机出口压力)偏离正常范围,状态评估分级为二级异常,赋值为1,状态参数T6(涡轮后排气温度)在正常范围内,状态评估分级为正常,赋值为0,状态参数T2(风扇进口温度)偏离正常范围,状态评估分级为二级异常,赋值为1,综合各个参数的赋值,将各个赋值相加,得到综合状态赋值,最终实现发动机的综合状态评估。
表1综合状态评估表
Claims (10)
1.一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:
对航空发动机在正常状态下的历史试验数据预处理,得到稳态数据集,针对所述的稳态数据集中不同参数在不同工况的稳态数据段,建立航空发动机正常状态下的统计分布模型,由统计分布模型得到标准差;
在全工况范围内,以转速为横坐标,以所述的稳态数据集中的不同参数为纵坐标,通过数据拟合生成监测基准;
实时采集航空发动机的状态参数组成实时试验数据集,对所述的实时试验数据集作预处理得到预处理后的数据集;
判断所述的预处理后的数据集中的状态参数是否需要监测,若需要,则将所述的预处理后的数据集中的状态参数与所述的监测基准进行对比,获得所述的预处理后的数据集中的状态参数的偏离程度,依据所述的监测基准和所述的标准差对状态参数进行区域划分,根据偏离程度调整划分区域,得到监测阈值,根据所述的监测阈值评估航空发动机状态。
2.根据权利要求1所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:所述的对航空发动机在正常状态下的历史试验数据预处理,得到稳态数据集包括:对所述的历史试验数据中因噪声、干扰形成的异常数据进行野点剔除,对野点剔除后的数据换算到标准大气条件下进行相似转换,对相似转换后的数据通过相邻工况数据的变化进行稳态截取,得到稳态截取后的稳态数据集。
3.根据权利要求2所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:所述的通过相邻工况数据的变化进行稳态截取包括:通过采样时间和不同工况下转速值计算转速斜率,对比不同采样时间下的斜率值的大小判断发动机是否达到稳态,斜率大于0.01则判定发动机处于过渡态,反之判定发动机处于稳态,则截取设定时间长度的数据。
5.根据权利要求1所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:所述的通过数据拟合生成监测基准包括:对每个工况对应的稳态数据段的数据拟合生成相应的一个监测基准;或根据不同的工况段分段拟合,得到不同的监测基准;或根据不同转速段进行数据拟合得到每个转速段的监测基准。
6.根据权利要求1所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:所述的对航空发动机在正常状态下的历史试验数据预处理对实时试验数据集作预处理的方法是:将实时采集数据作滤波处理,剔除滤波处理后的实时采集数据中的异常数据,将剔除异常数据后的实时采集数据换算到标准大气条件下进行相似转换。
7.根据权利要求1所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:判断所述的预处理后的数据集中状态参数是否需要监测的方法包括:判断所述的预处理后的数据集中的状态参数中的低压转子折合转速是否处于慢车转速,若否,则判断发动机尾喷管的面积是否小于设定的标准判定面积,若否,判断发动机高压转子变化率是否小于设定的标准的判定变化率,若否,则状态参数需要监测。
8.根据权利要求1所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:根据所述的监测阈值的范围判断出发动机状态为正常、二级异常、一级异常,分别给状态赋值为0、1、2,记录不同转速状态下每个状态参数的状态赋值,将各个状态赋值相加得到综合状态赋值,得到综合状态评估。
9.根据权利要求8所述的一种基于统计分布模型的航空发动机状态监测评估方法,其特征是:所述的监测阈值包括-6σ,-3σ,3σ,6σ,σ表示所述标准差;
所述根据所述的监测阈值评估航空发动机状态包括:
当状态参数分布在[-3σ,3σ]范围,则状态为正常;
当状态参数分布在[-6σ,-3σ)或(3σ,6σ]范围,则状态为二级异常;
当状态参数分布在[-∞,-6σ)或(6σ,+∞]范围,则状态为一级异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571135.8A CN114969645A (zh) | 2022-05-24 | 2022-05-24 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571135.8A CN114969645A (zh) | 2022-05-24 | 2022-05-24 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969645A true CN114969645A (zh) | 2022-08-30 |
Family
ID=82954998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571135.8A Pending CN114969645A (zh) | 2022-05-24 | 2022-05-24 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969645A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479636A (zh) * | 2022-10-26 | 2022-12-16 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN117786281A (zh) * | 2024-02-23 | 2024-03-29 | 中国海洋大学 | 一种沉积物柱状样沉积速率与误差的优化计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613186A (zh) * | 2020-12-30 | 2021-04-06 | 中国航空发动机研究院 | 一种基于统计分布特征的航空发动机气路故障融合诊断方法 |
-
2022
- 2022-05-24 CN CN202210571135.8A patent/CN114969645A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613186A (zh) * | 2020-12-30 | 2021-04-06 | 中国航空发动机研究院 | 一种基于统计分布特征的航空发动机气路故障融合诊断方法 |
Non-Patent Citations (6)
Title |
---|
刘飞等: "基于灰色理论的航空发动机整机振动状态评价", 《沈阳航空工业学院学报》 * |
李超役等: "航空发动机气路静电监测信号特征值提取方法", 《兵器装备工程学报》 * |
李顺勇: "基于多等级阈值区间和监测信息统计分布红柳至一里坪地方铁路桥梁状态评估研究", 《青海交通科技》 * |
范满意 等: "基于统计分布特征的发动机气路故障诊断方法研究", 《第六届空天动力联合会议•航空燃气涡轮推进相关技术》 * |
谭治学等: "多源数据融合的民航发动机修后性能预测", 《北京航空航天大学学报》 * |
郭亮等: "基于在线监测数据挖掘的状态评价优化研究", 《华北电力技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479636A (zh) * | 2022-10-26 | 2022-12-16 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN115479636B (zh) * | 2022-10-26 | 2023-10-03 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种涡轮冷却器状态监测及分析方法 |
CN117786281A (zh) * | 2024-02-23 | 2024-03-29 | 中国海洋大学 | 一种沉积物柱状样沉积速率与误差的优化计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598438B (zh) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 | |
CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
US9797328B2 (en) | Equipment health monitoring method and system and engine | |
CN109215165B (zh) | 一种民用飞机apu性能评估及故障预警方法 | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN108801641B (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
EP1768007A1 (en) | Monitoring a system having degrading components | |
CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
FR2883330A1 (fr) | Systeme et procede pour analyse specifique de systeme d'une turbomachine | |
CN111159844A (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN111474919A (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN113516273A (zh) | 一种发电用柴油机增压器故障预测方法 | |
CN110579368A (zh) | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 | |
CN112267972A (zh) | 一种风电机组功率曲线异常智能判定方法 | |
US5680310A (en) | Method and apparatus for sensing a steady state engine condition using a trending algorithm | |
CN111125895A (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN112749764B (zh) | 一种基于qar数据的航空发动机运行状态分类方法 | |
CN108681614B (zh) | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
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 | |
CN116028865A (zh) | 基于特征扩增的航空发动机故障诊断方法 | |
Osadciw et al. | Wind turbine diagnostics based on power curve using particle swarm optimization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |
|
RJ01 | Rejection of invention patent application after publication |