CN116776454A - 一种基于监测信息融合的航空发动机在翼可靠性评估方法 - Google Patents

Abstract

本发明公开了一种基于监测信息融合的航空发动机在翼可靠性评估方法，该方法包括：通过人工智能算法对采集的监测数据进行优化，去除同质化程度较高的样本，提高输入融合的样本的有效性，降低输入样本数量，从而在保证结果准确度的同时提高融合计算速度。

Description

一种基于监测信息融合的航空发动机在翼可靠性评估方法

技术领域

本发明涉及航空发动机可靠性评估领域，尤其是一种基于监测信息融合的航空发动机在翼可靠性评估方法。

背景技术

作为航空器的主要动力来源，航空发动机对于保证航空安全至关重要。航空发动机长期处在高温、高压等恶劣的环境之下，随着在翼时间的增加，其工作状态不断变化，各零部件的性能状态也随之衰退。评估航空发动机衰退状态，有助于增强航空发动机的安全性、经济性和可靠性。

现有的技术如CN102519733A的专利申请文件提供的一种基于监测信息融合的航空发动机在翼可靠性评估方法利用多种状态监测信息，将性能可靠性监测与系统可靠性评估集成于一个体系内，对航空发动机进行在翼可靠性进行评估与跟踪，为维修决策提供辅助支持，实现了综合利用多种状态监测信息，提高信息利用效率，充分考虑了监测信息误差对可靠性水平的影响，降低了误差对评估准确度的影响，将性能衰退和系统可靠性评估融合到一个框架中，仅依靠状态监测信息就可以对在翼发动机可靠性水平进行评估。

然而，上述中的现有技术方案存在以下缺陷：现有技术采用贝叶斯模型直接对各个性能监测参数进行数据融合，由于在恶劣的使用环境中，由于传感器固有的局限性或是环境中的高温、高压、强电磁等极端因素，导致获取的监测参数不准确或不一致，从而对采集到的信号准确度产生较大的影响，并且较大的数据量影响数据融合的速度，进而影响到航空发动机在翼可靠性评估结果和运算速度。

发明内容

为了解决上述技术问题，本发明提供一种改进的基于监测信息融合的航空发动机在翼可靠性评估方法，该方法通过人工智能算法对采集的监测数据进行预处理，优化输入样本，对贝叶斯融合算法进行优化，实现保证航空发动机在翼可靠性评估准确性的同时提高运算速度。

(二)技术方案

为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：

S1：获取航空发动机在翼监测数据,并进行标准化处理；

S2：采用人工智能算法对获取的监测数据进行预处理，对监测数据进行筛选；

S3：采用贝叶斯融合算法对预处理后的监测数据进行融合；

S4：建立基于性能衰退的航空发动机在翼可靠性评估模型；

S5：估计航空发动机在翼可靠性评估模型中的参数值，计算航空发动机在翼可靠度。

进一步地，步骤S1中获取发动机在翼监测数据包括6个监测指标，分别是：发动机排气温度偏差(DEGT)、燃油消耗量偏差(GWFM)、高压转子转速偏差(GPCN25)、滑油压力偏差(DPOIL)、低压转子振动值偏差(ZVB1F)和高压转子振动值偏差(ZVB2R)；

所获得的数据为向量V_n＝(X₁，X₂，X3，…X_m),其中X₁-X_m都为长度为n的向量，即其中m为监测指标的个数，n为每个监测指标获取的监测值数量。

对V_n进行标准化处理，求取标准化处理之后的数据x_ij’，具体计算如下公式：

其中，E(x_j)为输入变量x_j的数学期望；S²(x_j)为输入变量x_j的方差，因此，标准化之后的向量为

进一步地，步骤S2中采用蚁群算法优化输入样本，具体为：

通过蚁群算法对输入样本进行子集合的划分，再将划分后的子集合进行提取，实现降低计算量的同时更好体现输入样本的局部特征。

具体分为如下两个步骤：

步骤S21，基于蚁群算法对输入样本空间进行划分；

步骤S22：对划分的数据组进行数据筛选，去除同质度较高的数据，减小数据量。

具体为：

步骤S21：

(1)初始化参数α，β，h_ij，r,ρ；

(2)随机选取蚂蚁x_i,计算其到各个食物源的距离,根据信息素释放方式决定是否释放信息素，计算启发函数η。

信息素释放方式如下公式：

h_ij为信息素浓度；R(x_i，x_j)为两个参数之间的相关度；r为相关性阈值。

启发函数为：

其中m为蚂蚁数，/>

相关度R(x_i，x_j)计算方式如下：

(3)根据下式计算蚂蚁从xi，到xj的概率p_ij，设定概率阈值p，当p_ij＞p时，将xi，和xj置于同一个集合中，否则不置于一个集合中。

其中，S为从x_i，到x_j的可行路径集，即S＝{x_s||R(x_i，x_j)|＞r,S＝1,2…n}；

(4)调整信息素浓度，更新m_j，使J为新归置完成的类中的元素个数。根据下式调整信息素浓度：

h_ij(t′)＝(1-ρ)h_ij(t)+Δh_ij(t)；

(5)若还有未归类的x_i，则跳转至步骤(2)，否则结束。

在完成向量空间的划分后，得到若干个组内相关性较强，组间相关性较弱或者不相关的集合。

步骤S22：

计算各组之中所有元素之间的相关度的平均值，根据相关度的平均值筛选组内元素。

设共分为k组，其相关度的平均值分别为S₁，S₂…S_k,相关度的平均值越大代表组间相关度越高，则组间数据同质度越高，则在该组所取的数据应当越少，根据下式确定在组内所取数据个数：

其中，Q_i为第i组原组内数据总数，τ为选定系数，根据实际经验选择，S_i为第i组相关度平均值。

获得经过筛选的向量

其中，d为筛选后的每个监测指标获取的监测值数量。

进一步地，步骤S3具体为：

假设在作出观测之前，状态X的信息是独立可用的，则关于X的先验信息可以被概括为先验概率P(X)。贝叶斯定理提供了X的后验条件分布，给出了Z，贝叶斯公式提供了从先验概率P(X)、p(Z)和概率密度函数P(ZIX)计算后验概率的方法:

性能监测参数为矩阵X＝[X₁，X₂…X_m],其中，m为监测参数的个数，X_m是d行列向量，d为经过筛选处理的监测数据。用如下方程表示性能衰退与监测参数之间的关系:

Z＝Xθ+e

其中，Z为经过标准化处理的性能衰退向量,e为监测参数误差；e_i服从正态分布N(0，σ²)；

在给定观测集X后，通过选择系数，使贝叶斯矩阵最小，贝叶斯矩阵为：

对于监测参数，设定其符合逆高斯分布，通过不断监测不断更新其均值和方差，根据其均值和协方差更新监测信息对性能衰退的融合结果。

S4：建立基于性能衰退的航空发动机在翼可靠性评估模型具体为：

采用gamma过程描述衰退过程，设退化量w(t)服从gamma分布Ga(μ(t),λ)，其密度函数为：

其中，α和β分别为形状参数和尺寸参数，

为gamma函数。

建立基于性能衰退的可靠性模型：

R(t)＝P{T＞t}即P{w(t)＜ε}；

其中R(t)为t时刻的可靠性，T为航空发动机由正常转为失效状态所经历的时间，w(t)为t时刻航空发动机的性能衰退程度，ε表示航空发动机的衰退阈值，即性能失效阈值。根据现有技术中的模型，退化量的期望值与时间的幂成正比，即：

α(t)＝kt^v

带入前式可得：

S5：估计航空发动机在翼可靠性评估模型中的参数值，计算航空发动机在翼可靠度，具体为：

根据监测信息融合过程中的衰退程度的期望和方差计算尺度参数β，具体计算方法为：

不同监测时段的参数β不断变化，反复应用上述公式计算求得。

计算获得α(t)的参数k,v

根据多次采集的监测信息的均值和所采集的时间通过对α(t)＝kt^v取对数，利用多个时序点监测信息回归计算得到参数k,v。

将上述步骤计算得到的参数β，k,v带入可靠性计算公式

得到最终的可靠性计算结果，通过该公式得到航空发动机在翼可靠度。

(三)有益效果

与现有技术相比，本发明的有益效果为：

通过人工智能算法对获取到的监测数据进行优化，去除同质化程度较高的样本，提高输入融合的样本的有效性，降低输入样本数量，从而提高融合计算速度。

附图说明

图1为本发明实施例提供的基于监测信息融合的航空发动机在翼可靠性评估方法流程图；

图2为本发明实施例提供的基于蚁群算法优化输入样本的方法流程图。

具体实施方式

下面将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。

为详细说明本发明的技术内容，所实现的目的和技术效果，以下结合实施方式并配合附图进行详细说明。

参见图1，一种基于监测信息融合的航空发动机在翼可靠性评估方法包括：

S1：获取发动机在翼监测数据,并进行标准化处理；

获取发动机在翼监测数据包括6个监测指标，分别是：发动机排气温度偏差(DEGT)、燃油消耗量偏差(GWFM)、高压转子转速偏差(GPCN25)、滑油压力偏差(DPOIL)、低压转子振动值偏差(ZVB1F)和高压转子振动值偏差(ZVB2R)，记所获得的数据为向量V_n＝(X₁，X₂，X₃，…X_m),其中X₁-X_m都为长度为n的向量，即其中m为监测指标的个数，n为每个监测指标获取的监测值数量。

对V_n进行标准化处理，求取标准化处理之后的数据x_ij’，具体计算如下公式：

其中，E(x_j)为输入变量x_j的数学期望；S²(x_j)为输入变量x_j的方差，因此，标准化之后的向量为

S2：采用人工智能算法对获取的监测数据进行预处理；

在数量较大的输入样本中存在部分同质样本，这些样本在进行数据融合时会增加数据无用的计算量，从而影响计算速度，同时也无法使融合结果更优。因此，采用智能算法优化输入样本，使缩减同质样本数量，降低输入样本数量，从而提高融合计算速度。因此，本发明采用蚁群算法优化输入样本，提高融合计算速度。

监测数据预处理方法如图2所示：

步骤S2中采用蚁群算法优化输入样本，具体为：

进一步地通过蚁群算法对输入样本进行划分，再将划分后的子集合进行提取，实现降低计算量的同时更好体现输入样本的局部特征。

步骤S21，基于蚁群算法对输入样本空间进行划分；具体为：

设输入样本为X_n＝{x₁，x₂…x_n}^T,其中，x₁，x₂…x_n分别为n个子集合，各个元素x_i的均值为方差为/>以此为特征向量。在蚁群算法中，设置x_i为一只蚂蚁，均值和方差为这只蚂蚁的特征，两只蚂蚁x_i，x_j之间的相关性系数表示为：

-1≤R(x_i，x_j)≤1,其值越接近1，表示二者相关性越大，通过划分空间使得不同子集合之间相关性尽可能小的同时同一子集合内的分量相关性尽可能大。因此，将相关性的绝对值视为两蚂蚁之间的距离，即|R(x_i，x_j)|值越大，则两蚂蚁之间的距离越小，越需要被划分为同一子集合。设定相关性阈值为r，信息素浓度为h_ij，则信息素释放方式为：

则，蚂蚁选择从x_i，到x_j的概率为：

其中，S为从x_i，到x_j的可行路径集，即S＝{x_s||R(x_i，x_j)|＞r,S＝1,2…n}；

η为启发函数，即由x_i，到x_j的期望程度大小。

进一步地，取启发函数其中m为蚂蚁数，/>每经过一次循环，信息素就进行调整，调整方式根据下式获得：

h_ij(t′)＝(1-ρ)h_ij(t)+Δh_ij(t)；(4)

其中，ρ为信息素发挥系数；Δh_ij(t)为由x_i，到x_j的路径上信息素的增量；为第k只蚂蚁由x_i，到x_j的路径上信息素的增量。

因此，由以下步骤实现蚁群算法的子集合划分：

a.初始化参数α，β，h_ij，r,ρ；

b.随机选取蚂蚁xi,计算其到各个食物源的距离,即二者的相关度,根据信息素释放方式决定是否释放信息素，计算启发函数η。

相关度计算如公式(1)，信息素释放方式如下公式(2)：

其中m为蚂蚁数，/>

c.根据公式(3)计算蚂蚁从xi，到xj的概率，设定概率阈值p，当p_ij>p时，将xi，和xj置于同一个集合中，否则不置于一个集合中。

d.调整信息素浓度，更新mj，使J为新归置完成的类中的元素个数。根据公式(4)，(5)调整信息素浓度：

e.若还有未归类的xi，则跳转至步骤b，否则结束。

在完成向量空间的划分后，得到若干个组内相关性较强，组间相关性较弱或者不相关的集合。

步骤S22：对划分的数据组进行数据筛选，去除同质度较高的数据，减小数据量。

计算各组之中所有元素之间的相关度的平均值，根据相关度的平均值筛选组内元素。

设共分为k组，其相关度的平均值分别为S₁，S₂…S_k,相关度的平均值越大代表组间相关度越高，则组间数据同质度越高，则在该组所取的数据应当越少，根据下式确定在组内所取数据个数：

其中，Q_i为第i组原组内数据总数，τ为选定系数，根据实际经验选择，S_i为第i组相关度平均值。

获得经过筛选的向量

其中，d为筛选后的每个监测指标获取的监测值数量。

S3：采用贝叶斯融合算法对预处理后的监测数据进行融合；

步骤S3具体为：

假设在作出观测之前，状态X的信息是独立可用的，则关于X的先验信息可以被概括为先验概率P(X)。贝叶斯定理提供了X的后验条件分布，给出了Z，贝叶斯公式提供了从先验概率P(X)、p(Z)和概率密度函数P(ZIX)计算后验概率的方法:

性能监测参数为矩阵X＝[X₁，X₂…X_m],其中，m为监测参数的个数，X_K是d行列向量，d为经过筛选处理的监测数据。用如下方程表示性能衰退与监测参数之间的关系:

Z＝Xθ+e

其中，Z为经过标准化处理的性能衰退向量,e为监测参数误差；e_i服从正态分布N(0，σ²)。

在给定观测集X后，通过选择系数，使贝叶斯矩阵最小，贝叶斯矩阵为：

对于监测参数，设定其符合逆高斯分布，通过不断监测不断更新其均值和方差，根据其均值和协方差更新监测信息对性能衰退的融合结果。

S4：建立基于性能衰退的航空发动机在翼可靠性评估模型；

采用gamma过程描述衰退过程，设退化量w(t)服从gamma分布Ga(μ(t),λ)，其密度函数为：

其中，α和β分别为形状参数和尺寸参数，

为gamma函数。

建立基于性能衰退的可靠性模型：

R(t)＝P{T＞t}即P{w(t)＜ε}；

其中R(t)为t时刻的可靠性，T为航空发动机由正常转为失效状态所经历的时间，w(t)为t时刻航空发动机的性能衰退程度，ε表示航空发动机的衰退阈值，即性能失效阈值。根据现有技术中的模型，退化量的期望值与时间的幂成正比，即：

α(t)＝kt^v

带入前式可得：

S5：估计航空发动机在翼可靠性评估模型中的参数值，计算航空发动机在翼可靠度。

a.根据监测信息融合过程中的衰退程度的期望和方差计算尺度参数β，具体计算方法为：

不同监测时段的参数β不断变化，反复应用上述公式计算求得。

b.计算获得α(t)的参数k,v

根据多次采集的监测信息的均值和所采集的时间通过对α(t)＝kt^v取对数，利用多个时序点监测信息回归计算得到参数k,v。

c.将上述步骤计算得到的参数β，k,v带入可靠性计算公式

得到最终的可靠性计算结果，通过该公式得到航空发动机在翼可靠度。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于：包括以下步骤：

S1：获取航空发动机在翼监测数据,并进行标准化处理；

S2：采用人工智能算法对获取的监测数据进行预处理，对监测数据进行筛选；

S3：采用贝叶斯融合算法对预处理后的监测数据进行融合；

S4：建立基于性能衰退的航空发动机在翼可靠性评估模型；

S5：估计航空发动机在翼可靠性评估模型中的参数值，计算航空发动机在翼可靠度。

2.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤S1中获取发动机在翼监测数据包括6个监测指标，分别是：发动机排气温度偏差、燃油消耗量偏差、高压转子转速偏差、滑油压力偏差、低压转子振动值偏差和高压转子振动值偏差。

3.根据权利要求2所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，步骤S1中进行标准化处理，求取标准化处理之后的数据x_ij’，具体计算如下公式：

其中，E(x_j)为输入变量x_j的数学期望；S²(x_j)为输入变量x_j的方差，x_ij为原数据。

4.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤S2分为步骤S21，基于蚁群算法，根据样本之间的相关度对输入样本空间进行划分，划分为不同的数据组；步骤S22：对划分的数据组进行数据筛选。

5.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，步骤S21具体为：

a.初始化参数；

b.随机选取向量蚂蚁,计算其到食物源的距离,根据信息素释放方式决定是否释放信息素，计算启发函数η；

c.计算蚂蚁从x_i，到x_j的概率p_ij，设定概率阈值p，当p_ij>p时，将x_i，和x_j置于同一个集合中，否则不置于一个集合中；

d.调整信息素浓度，更新m_j，使J为新归置完成的类中的元素个数；

e.若还有未归类的xi，则跳转至步骤b，否则结束；

在完成向量空间的划分后，得到若干个组集合。

6.根据权利要求5所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤b中信息素释放方式如下公式：

h_ij为信息素浓度；R(x_i，x_j)为两个参数之间的相关度；r为相关性阈值。

7.根据权利要求5所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤c中通过下式计算蚂蚁从xi，到xj的概率p_ij：

其中，S为从xi，到xj的可行路径集，即S＝{x_s||R(x_i，x_j)|>r,S＝1,2…n}；η_ij(t)为启发函数。

8.根据权利要求7所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述启发函数为：

其中m为蚂蚁数，/>

相关度R(x_i，x_j)计算方式如下：

9.根据权利要求5所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤d中根据下式调整信息素浓度：

h_ij(t′)＝(1-ρ)h_ij(t)+Δh_ij(t)

其中，ρ为信息素发挥系数；h_ij(t′)为更新后的信息素浓度；h_ij(t)为更新前的信息素浓度。

10.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法，其特征在于，所述步骤S22具体为：

计算各组之中所有元素之间的相关度的平均值，根据相关度的平均值筛选组内元素；

根据下式确定在组内所取数据个数：

其中，Q_i为第i组原组内数据总数，τ为选定系数，根据实际经验选择，S_i为第i组相关度平均值。