CN117807718B - 一种基于失效概率预测的航空发动机维护决策设计方法 - Google Patents
一种基于失效概率预测的航空发动机维护决策设计方法 Download PDFInfo
- Publication number
- CN117807718B CN117807718B CN202410232426.3A CN202410232426A CN117807718B CN 117807718 B CN117807718 B CN 117807718B CN 202410232426 A CN202410232426 A CN 202410232426A CN 117807718 B CN117807718 B CN 117807718B
- Authority
- CN
- China
- Prior art keywords
- degradation
- maintenance
- time
- failure probability
- prediction
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013461 design Methods 0.000 title claims abstract description 14
- 230000015556 catabolic process Effects 0.000 claims abstract description 70
- 238000006731 degradation reaction Methods 0.000 claims abstract description 70
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000003449 preventive effect Effects 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 101100066308 Neisseria gonorrhoeae farB gene Proteins 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于失效概率预测的航空发动机维护决策设计方法，包括以下步骤：获取多传感器采集的航空发动机历史运行数据；基于多传感器采集的航空发动机历史运行数据，进行退化特征提取与筛选；基于筛选到的退化特征，通过单步迭代的方式，预测未来不同时间窗口的失效概率；基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间。本发明可以实现对航空发动机的维修决策，能够最大限度地延长系统寿命并降低维护成本。
Description
技术领域
本发明涉及航空发动机维护技术领域，具体涉及一种基于失效概率预测的航空发动机维护决策设计方法。
背景技术
由于航空航天系统结构复杂，部件数量众多，在实际运行中易受到系统或部件磨损、老化、功能设计缺陷等内部因素和辐射、冲击、高低温等外部因素的影响，系统故障是不可避免的。轻微故障可能影响系统的稳定运行，而严重故障则可能导致巨大经济损失和严重人员伤亡。除了考虑可靠性和安全性，当前航空航天系统运营保障的经济性也日益凸显。不合理的维护活动安排或不当的维护资源管理可能影响整个航空航天系统的生产运营过程，并导致维护成本的巨大浪费。因此，如何采取适当的维护保障措施，从而提升系统的可靠性、安全性和经济可承受性，是航空航天系统在发展和应用中所面临的重大挑战。
目前，基于机器学习和深度学习的剩余寿命预测方法已有广泛研究。然而，关于如何利用预测的剩余寿命信息来规划包括维护资源管理在内的维护活动的研究较为有限。现有研究利用随机滤波理论推导了系统的剩余寿命概率分布，通过考虑时间相关性和不完全维护效果，开发了以预防性维护阈值和预防性更换阈值为决策变量的维护优化模型；基于Wiener过程考虑了不完全维护对系统退化率和退化量的双重影响，推导了剩余寿命概率分布，构建了不完全维护优化模型，确定了最优的检测间隔和预防性维护阈值；考虑了数据驱动预测到维护决策的一个完整过程，利用LSTM网络估计了系统在不同时间窗口内的故障概率，并基于估计的故障概率设计了包含维护决策和库存决策在内的两个决策规则。尽管机器学习或深度学习技术在故障预测与健康管理系统中不断发展和改进，但之前的研究大多是基于分段线性的剩余寿命目标函数，其中定义剩余寿命最大值并非易事。此外，这些研究将寿命预测视为回归问题，其预测精度取决于当前时刻到系统实际失效时刻之间的时间范围。因此，在系统早期退化阶段使用预测的剩余寿命值可能会导致错误的决策。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于失效概率预测的航空发动机维护决策设计方法，可以实现对航空发动机的维修决策，能够最大限度地延长系统寿命并降低维护成本。
为实现上述技术目的，本发明采取的技术方案为：
一种基于失效概率预测的航空发动机维护决策设计方法，包括以下步骤：
S1、获取多传感器采集的航空发动机历史运行数据；
S2、基于多传感器采集的航空发动机历史运行数据，进行退化特征提取与筛选；
S3、基于筛选到的退化特征，通过单步迭代的方式，预测未来不同时间窗口的失效概率；
S4、基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间。
为优化上述技术方案，采取的具体措施还包括：
上述的多传感器包括在航空发动机系统上安装的振动、温度、压力传感器。
上述的S2对应航空发动机历史运行数据，采用滑动平均获得退化特征，根据退化特征/>计算相关性指标/>，根据相关性指标计算一致性指标/>，根据相关性指标以及一致性指标筛选退化特征，当退化特征满足/>以及/>时，予以保留，否则去除，其中，/>表示设置的相关性阈值。
上述的退化特征如下：
；
其中，表示传感器采集运行数据的时刻，/>表示在/>时刻传感器采集的运行数据，为滑动窗口大小，/>为传感器采集的运行数据的序列长度。
上述的相关性指标如下：
；
其中，表示每个退化特征/>和采集数据时刻/>之间的秩差，/>为传感器采集的运行数据的序列长度。
上述的一致性指标如下：
；
其中，表示运行数据样本数，/>为退化特征在第/>个运行数据样本内的相关性指标，范围为-1到1；
。
上述的S3将通过传感器采集的长度为、起始时刻为/>、结束时刻为/>的退化特征/>时间序列运行数据/>，作为基于LSTM网络的退化趋势预测模型的输入，得到退化特征/>在下一步/>时刻的预测值为/>；将预测值/>添加进原始序列/>，去除起始的/>值，得到输入时间序列，并再次作为预测模型的输入，以得到输出预测值/>；重复以上步骤，直到获得退化特征/>未来/>步的预测值/>，从而实现对退化特征/>的未来退化趋势预测；以步骤S2筛选的所有退化特征的未来退化趋势作为基于LSTM网络的失效预测模型的输入，实现对未来不同时刻的失效概率的预测。
上述的基于LSTM网络的退化趋势预测模型、基于LSTM网络的失效预测模型分别由多变量LSTM回归器、多变量LSTM分类器训练得到。
上述的S4所述预测维护的最佳时间为：
；
其中，为检查间隔，/>为第/>检查期的预防性维护成本，/>为第/>检查期的不执行预防性维护成本，/>表示取下确界，/>表示未来时刻满足预防性维护成本/>不执行预防性维护成本/>条件的所有检查期/>，/>表示当前时刻。
上述的为：
；
其中，表示在第/>检查期内第/>类与预防性维护措施相关的成本，/>表示与预防性维护措施相关成本的总类别；
上述的为：/>；
其中，表示在第/>检查期内第/>类与修复性维护措施相关的成本，/>表示与修复性维护措施相关成本的总类别，/>表示系统在第/>检查周期内的失效概率，/>表示第/>检查周期内系统的实际剩余寿命。
本发明具有以下有益效果：
本发明的步骤S2中，通过相关性指标反映了特征和观测时间之间的线性相关性，通过一致性指标反映了特征在所有样本中的一致性趋势，最终提取了有贡献性的重要特征，去除了不相关或冗余特征，达到了改善数据质量的目的，从而提升了步骤S3的建模精度和效率；本发明通过步骤S3，精确地预测了提取的退化特征的退化趋势，并基于预测的退化趋势实现了对系统未来不同时刻的失效概率的准确预测，步骤S3不依赖于从做出预测时刻到实际失效时刻的预测范围，有利于限制系统在早期退化阶段的错误决策，从而提高了步骤S4的维护决策的可靠性；步骤S4考虑了预防性维护成本和不执行预防性维护成本，提出了基于成本评估的预测维护策略，并基于此策略给出了系统的准确维护时间，解决了即时决策问题，可最大限度地延长系统寿命并降低维护成本。
附图说明
图1为本发明方法的流程图；
图2为本发明方法应用对象的结构示意图；
图3的（a）、图3的（b）和图3的（c）分别为发动机#1、#2和#3的退化趋势预测结果；
图4的（a）、图4的（b）和图4的（c）分别为发动机#1、#2和#3的失效概率估计结果；
图5为测试发动机#1的在线失效概率估计结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示，本发明的一种基于失效概率预测的航空发动机维护决策设计方法，包括以下步骤：
S1、获取多传感器采集的航空发动机历史运行数据；
S2、基于多传感器采集的航空发动机历史运行数据，进行退化特征提取与筛选；
S3、基于筛选的退化特征，通过单步迭代的方式，预测未来不同时间窗口的失效概率；
S4、基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间。
如图2所示，本发明方法的应用对象，即航空发动机的主要部件包括风扇、燃气室、低压涡轮、低压压气机、高压压气机、高压涡轮和喷嘴。在部件退化的起始阶段，发动机正常运行。随着发动机服务时间的继续，发动机性能逐渐退化，直到一个失效发生。其中，发动机内部安装了如压力、温度、转速等21个传感器，用于测量发动机的性能退化状态。
步骤S1中利用多传感器采集航空发动机运行数据，包含以下几个步骤：
S11、在航空发动机系统上安装并连接振动、温度、压力等传感器；
S12、确认传感器工作状态，正确测量并记录航空发动机的运行状态数据。
步骤S2中基于传感器采集到的历史数据，进行退化特征提取与筛选，包含以下几个步骤：
S21、对给定的第个时间序列/>，采用滑动平均获得退化特征/>；
；（1）
其中，表示传感器采集运行数据的时刻，/>表示在/>时刻传感器采集的运行数据，为滑动窗口大小，/>为传感器采集的运行数据的序列长度。
S22、采用相关性指标对退化特征进行数据筛选，相关性指标/>数学表达式如下：
；（2）
其中，表示每个退化特征/>和采集数据时刻/>之间的秩差，/>为传感器采集的运行数据的序列长度。
S23、采用一致性指标对退化特征进行数据筛选，一致性指标/>数学表达式如下：
；（3）
其中，表示运行数据样本数，/>为退化特征在第/>个运行数据样本内的相关性指标，范围为-1到1；
。
S24、当某一特征满足以及/>时，予以保留；若不满足，则去除此特征。其中，/>表示设置的相关性阈值。
步骤S3中基于筛选的退化特征，利用单步迭代的思想，预测未来不同时间窗口的失效概率，包含以下几个步骤：
S31、将退化特征长度为的时间序列数据/>作为预测模型的输入，得到下一步的预测值为/>；
S32、将预测值添加进原始序列/>，去除起始的/>值，得到输入时间序列/>，并再次作为预测模型的输入，以得到输出预测值/>；
S33、重复以上步骤，直到获得未来步的预测/>，即可实现对特征的未来退化趋势预测；
S34、以预测的特征未来退化趋势作为分类模型的输入，实现对未来不同时刻的失效概率的预测。
步骤S4中基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间，包含以下几个步骤：
S41、第检查期的预防性维护成本/>可表示为：
；（4）
其中，表示在第/>检查期内第/>类与预防性维护措施相关的成本，/>表示与预防性维护措施相关成本的总类别；
S42、第检查期的预防性维护成本/>可表示为：
；（5）
其中，表示在第/>检查期内第/>类与修复性维护措施相关的成本，/>表示与修复性维护措施相关成本的总类别，/>为检查间隔，/>表示系统在第/>检查周期内的失效概率，/>表示第/>检查周期内系统的实际剩余寿命。
S43、预防性维护的执行时间，即预测维护的最佳时间由下式进行确定：
；（6）
具体地，本实施例为验证本发明提出的基于失效概率预测的航空发动机维护决策设计方法，将该方法在由NASA提供的涡扇发动机公开退化数据集上执行。训练多变量LSTM回归器和多变量LSTM分类器时采用数据集中“train_FD001.txt”文件包含的100组从运行起始到故障结束的完整时间序列；验证时采用数据集中“test_FD001.txt”文件包含的100组不完整测试发动机的状态监测序列；并用“RUL_FD001.txt”文件包含的100组测试发动机的真实剩余寿命数据进行验证。
本发明首先对退化特征进行选择，数据集退化特征描述如表1所示。通过相关性指标和一致性指标/>选择退化特征，若特征满足/>且/>，则用于后续的验证；反之则去除该特征。选择结果如表2所示，可知传感器信号编号2、4、7、11、12、15、17、20和 21被用于后续实验。
表1 传感器数据集描述
| 序号 | 描述 | 符号 | 单位 |
| 1 | 风扇入口总温 | T2 | ºR |
| 2 | 低压压气机出口总温 | T24 | ºR |
| 3 | 高压压气机出口总温 | T30 | ºR |
| 4 | 低压涡轮出口总温 | T50 | ºR |
| 5 | 风扇入口压力 | P2 | psia |
| 6 | 外涵总压 | P15 | psia |
| 7 | 高压压气机出口总压 | P30 | psia |
| 8 | 风扇物理转速 | Nf | rpm |
| 9 | 核心机物理转速 | Nc | rpm |
| 10 | 发动机压比(P50/P2) | epr | -- |
| 11 | 高压压气机出口静压 | Ps30 | psia |
| 12 | 燃油流量与P30比值 | Phi | pps/psi |
| 13 | 风扇换算转速 | NRf | rpm |
| 14 | 核心机换算转速 | NRc | rpm |
| 15 | 涵道比 | BPR | -- |
| 16 | 燃烧室燃气比 | farB | -- |
| 17 | 引气焓值 | htBleed | -- |
| 18 | 设定风扇转速 | Nf_dmd | rpm |
| 19 | 设定核心机换算转速 | PCNfR_dmd | rpm |
| 20 | 高压涡轮冷却引气流量 | W31 | lbm/s |
| 21 | 低压涡轮冷却引气流量 | W32 | lbm/s |
表2 21个传感器信号的相关性和一致性指标
| 传感器信号 | 相关性指标 | 一致性指标 | 信号取舍 |
| 1 | [0,0] | 0.5 | |
| 2 | [0.76,0.99] | 1 | √ |
| 3 | [0.69,0.98] | 1 | |
| 4 | [0.84,0.99] | 1 | √ |
| 5 | [0,0] | 0.5 | |
| 6 | [-0.11,0.90] | 0.8 | |
| 7 | [-0.99,-0.71] | 0 | √ |
| 8 | [0.12,1] | 1 | |
| 9 | [-0.95,1] | 0.71 | |
| 10 | [0,0] | 0.5 | |
| 11 | [0.83,1] | 1 | √ |
| 12 | [-0.99,-0.85] | 0 | √ |
| 13 | [-0.13,0.99] | 0.99 | |
| 14 | [-0.99,1.00] | 0.6 | |
| 15 | [-0.79,0.99] | 1 | √ |
| 16 | [0,0] | 0.5 | |
| 17 | [0.73,0.99] | 1 | √ |
| 18 | [0,0] | 0.5 | |
| 19 | [0,0] | 0.5 | |
| 20 | [-0.99,-0.82] | 0 | √ |
| 21 | [-0.99,-0.73] | 0 | √ |
本发明方法包含的模型为多变量LSTM回归器和多变量LSTM分类器。多变量LSTM回归器结构如表3所示，多变量LSTM分类器结构如表4所示。通过交叉验证，确定最大迭代次数为50，随机失活率为0.2，第一个LSTM隐含层单元数为100，第二个LSTM隐含层单元数为50。
表3 多变量LSTM回归器
表4 多变量LSTM分类器
作为说明，以发动机#1、#2和#3为例，3个发动机的退化趋势预测结果如图3所示，失效概率估计结果如图4所示。作为失效概率估计模型的重要输入，退化趋势预测的精确与否，直接影响到失效概率估计的准确度。由图3可知，本发明方法能够准确地预测退化趋势。由图4可知，将本发明预测的退化趋势作为输入，能够精确地估计多个发动机在未来不同时间窗口的失效概率，保证了维护成本计算的可靠性。
假设发动机的预防性维护成本、修复性维护成本/>，检查间隔,可计算出测试发动机#1期望的预防性维护成本和不执行预防性维护的成本，结果如表5和图5所示。从表中可以看出，在第125个飞行循环之前，期望的预防性维护成本高于不进行预防性维护的成本，因而在此飞行循环之前不对发动机实施任何预防性维护活动。而当发动机运行时间到达第125个飞行循环之后，估计的失效概率为0.2812，此时刻不执行预防性维护活动所需承担的维护成本为143.412，高于预防性维护成本/>。因此，最佳维护时刻是第125个飞行循环。
表5 两种维护模式选择下的预期成本
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，包括以下步骤：
S1、获取多传感器采集的航空发动机历史运行数据；
S2、基于多传感器采集的航空发动机历史运行数据，进行退化特征提取与筛选；
具体包括：
所述航空发动机历史运行数据，采用滑动平均获得退化特征λi，根据退化特征λi计算相关性指标Corr，根据相关性指标计算一致性指标Con，根据相关性指标以及一致性指标筛选退化特征，当退化特征满足|Corr|≥θ以及Con＝0 or 1时，予以保留，否则去除，其中，θ表示设置的相关性阈值；
所述退化特征λi如下：
其中，i表示传感器采集运行数据的时刻，ti表示在时刻i传感器采集的运行数据，n为滑动窗口大小，l为传感器采集的运行数据的序列长度；
S3、基于筛选到的退化特征，通过单步迭代的方式，预测未来不同时间窗口的失效概率；
具体包括：
通过传感器采集的长度为p、起始时刻为t-p+1、结束时刻为t的退化特征λi时间序列运行数据st-p+1,st-p+2,…,st-1,st，作为基于LSTM网络的退化趋势预测模型的输入，得到退化特征λi在下一步t+1时刻的预测值为将预测值/>添加进原始序列st-p+1,st-p+2,…,st-1,st，去除起始的st-p+1值，得到输入时间序列/>并再次作为预测模型的输入，以得到输出预测值/>重复以上步骤，直到获得退化特征λi未来H步的预测值/>从而实现对退化特征λi的未来退化趋势预测；以步骤S2筛选的所有退化特征的未来退化趋势作为基于LSTM网络的失效预测模型的输入，实现对未来不同时刻的失效概率的预测；
S4、基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间；
具体包括：
所述预测维护的最佳时间Tp为：
其中，ΔT为检查间隔，为第u检查期的预防性维护成本，/>为第u检查期的不执行预防性维护成本，inf{·}表示取下确界，/>表示未来时刻满足预防性维护成本/>不执行预防性维护成本/>条件的所有检查期u，t表示当前时刻；
所述为：
其中，表示在第u检查期内第i类与预防性维护措施相关的成本，m表示与预防性维护措施相关成本的总类别；
所述为：
其中，表示在第u检查期内第j类与修复性维护措施相关的成本，z表示与修复性维护措施相关成本的总类别，p(RUu＜ΔT)表示系统在第u检查周期内的失效概率，RUu表示第u检查周期内系统的实际剩余寿命。
2.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述多传感器包括在航空发动机系统上安装的振动、温度、压力传感器。
3.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述相关性指标Corr如下：
其中，di(λi)表示每个退化特征λi和采集数据时刻i之间的秩差，l为传感器采集的运行数据的序列长度。
4.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述一致性指标Con如下：
其中，I表示运行数据样本数，Corrj为退化特征在第j个运行数据样本内的相关性指标，范围为-1到1；
5.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述基于LSTM网络的退化趋势预测模型、基于LSTM网络的失效预测模型分别由多变量LSTM回归器、多变量LSTM分类器训练得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232426.3A CN117807718B (zh) | 2024-03-01 | 2024-03-01 | 一种基于失效概率预测的航空发动机维护决策设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232426.3A CN117807718B (zh) | 2024-03-01 | 2024-03-01 | 一种基于失效概率预测的航空发动机维护决策设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807718A CN117807718A (zh) | 2024-04-02 |
| CN117807718B true CN117807718B (zh) | 2024-05-10 |
Family
ID=90421985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410232426.3A Active CN117807718B (zh) | 2024-03-01 | 2024-03-01 | 一种基于失效概率预测的航空发动机维护决策设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807718B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
| CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
| CN112668794A (zh) * | 2020-12-31 | 2021-04-16 | 南京航空航天大学 | 一种不确定寿命预测信息下航空发动机的维修优化方法 |
| CN115526375A (zh) * | 2022-07-26 | 2022-12-27 | 中国人民解放军63926部队 | 一种航天装备预测性维护系统 |
| WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
-
2024
- 2024-03-01 CN CN202410232426.3A patent/CN117807718B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
| CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
| CN112668794A (zh) * | 2020-12-31 | 2021-04-16 | 南京航空航天大学 | 一种不确定寿命预测信息下航空发动机的维修优化方法 |
| WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
| CN115526375A (zh) * | 2022-07-26 | 2022-12-27 | 中国人民解放军63926部队 | 一种航天装备预测性维护系统 |
Non-Patent Citations (2)
| Title |
|---|
| A data-driven predictive maintenance strategy based on accurate failure prognostics;Chuang Chen等;Eksploatacja i Niezawodnosc – Maintenance and Reliability;20210325;第23卷(第2期);第387-394页 * |
| 基于退化特征相似性的航空发动机寿命预测;张妍 等;系统工程与电子技术;20190329(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807718A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tahan et al. | Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: A review | |
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
| CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
| Venturini et al. | Application of a statistical methodology for gas turbine degradation prognostics to alstom field data | |
| Togni et al. | A combined technique of Kalman filter, artificial neural network and fuzzy logic for gas turbines and signal fault isolation | |
| CN111160457B (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
| Montazeri-Gh et al. | Gas path component fault diagnosis of an industrial gas turbine under different load condition using online sequential extreme learning machine | |
| Wang et al. | Deep forest based multivariate classification for diagnostic health monitoring | |
| Peng et al. | Digital twins-based online monitoring of TFE-731 turbofan engine using Fast orthogonal search | |
| Wen et al. | A new multi-sensor fusion with hybrid Convolutional Neural Network with Wiener model for remaining useful life estimation | |
| CN113656906A (zh) | 一种面向燃气轮机的非平稳多变量因果关系分析方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN113722906B (zh) | 基于数字孪生的数据中心空调系统可靠性评估方法 | |
| CN110928248A (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
| CN117807718B (zh) | 一种基于失效概率预测的航空发动机维护决策设计方法 | |
| Fentaye et al. | Discrimination of rapid and gradual deterioration for an enhanced gas turbine life-cycle monitoring and diagnostics | |
| Liu et al. | Data analytics for performance monitoring of gas turbine engine | |
| Hanachi | Gas turbine engine performance estimation and prediction | |
| Alozie et al. | An adaptive model-based framework for prognostics of gas path faults in aircraft gas turbine engines | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| Ravichandran et al. | Data-driven performance prediction using gas turbine sensory signals | |
| CN115526238A (zh) | 一种基于全工况卷积特征记忆的引风机故障预警方法 | |
| Duan et al. | Dynamic causal modeling for nonstationary industrial process performance degradation analysis and fault prognosis |
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 |