基于损伤传播模型和数据分析的航空发动机剩余寿命预测

摘要

本发明提出一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法，属于航空发动机预测与健康管理技术领域，该方法包括：采集某型航空发动机的全寿命运行周期的传感器测量数据，从中选择构建损伤传播模型的传感器参数；将选中的传感器参数融合成描述航空发动机的健康状况的健康指标；按照损伤传播建模方法，将每组健康指标序列去拟合指数型损伤传播模型，构建损伤传播模型库；将待预测的多台该型航空发动机的历史运行的传感器测量数据融合成健康指标；将每组健康指标序列与损伤传播模型库中的模型进行相似性匹配；根据匹配结果预测每台待预测航空发动机的剩余寿命。本发明能够给航空发动机的预测和健康管理提供有效的技术支持。

说明书

技术领域

本发明属于航空发动机预测与健康管理技术领域，特别涉及一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法。

背景技术

航空发动机是个典型的复杂机械系统，由大量的热力旋转部件构成，长期处在高温、高压、高转速等恶劣的工作环境下，且经常面临未知的外部环境；随着航空工业的迅猛发展，航空设备不断的更新换代，飞机的综合性、复杂性和智能化程度不断提高，对飞机的机动、安全、经济、环保等性能提出了更高的要求，这对航空发动机的要求变得日益苛刻；因此，航空发动机在整个飞机系统中是个敏感、易损的故障多发部件。对航空发动机进行故障诊断、预测和健康管理(PHM)具有十分重大的意义。

航空发动机预测是指对部件、系统剩余可用的或安全的寿命的估计，即寿命预测，是航空发动机健康管理中技术含量最高、难度最大的综合性技术。有研究指出，大部分装备部件的故障率不服从浴盆曲线分布，由此提出了基于状态的维修，即以往对部件的监控是及时发现并判断出故障，不具备预测的能力。通过预测，可以提高飞行的安全性，任务的完成率；根据预测结果有效安排维护/检修工作，去除失效部件，根据其余部件的剩余使用寿命做出合理决策，最大化部件使用价值的，可以大大降低维修成本。针对整台航空发动机的寿命周期预测，可提前对航空发动机进行检修，防止航空发动机在空中出现故障，避免重大安全事故。对民用航空发动机而言，通过预测航空发动机换发时间，可有效地进行整个航空发动机机队的使用及大修计划管理。对军用航空发动机而言，预测航空发动机在未来某特定时间和特定环境下完成任务的能力，也是非常重要的。

飞机发动机从某个初始退化点开始，流量和效率会发生指数变化，对其他参数产生影响，故障传播继续直到达到某个故障标准。损伤传播建模跟踪和预测飞机发动机涡轮机械的损伤进程，损伤传播建模在不同应用领域使用的模型包括阿伦尼斯模型，Coffin-Manson机械裂纹增长模型，和艾林模型(超过三种应力或当前两项模型不符合要求时采用)。这些模型具有一个共同点，即故障演变是种指数变化的过程。考虑宏观的退化特征，假设磨损的传播遵循w＝Ae^B(t)。

对于寿命预测的数据分析方法有递归神经网络，SVM方法，隐马尔科夫模型等。本发明涉及的数据分析方法包括已公开的线性回归，非线性最小二乘法，相似性分析和K近邻法等基础算法。

发明内容

本发明的目的针对目前已有技术存在的问题，提供一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法，本发明方法能够给航空发动机的预测和健康管理提供有效的技术支持，给航空发动机的后续维修决策提供有效的参考。

为实现上述目的，本发明提供了一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法，其特征在于，该方法包括如下步骤：

1)采集某型航空发动机的全寿命运行周期的传感器测量数据，从中选择构建损伤传播模型的传感器参数；

2)将选中的构建损伤模型健康指标h的传感器参数融合成描述航空发动机的健康状况的健康指标，形成健康指标序列{h(k)}，其中h(k)代表航空发动机在第k次运行时的健康指标，k∈[1,n]，n代表该航空发动机总共的运行次数；

3)将每组健康指标序列{h(k)}拟合一个指数型损伤传播模型M_i，M_i代表第i组训练数据对应的损伤传播模型并将各组健康指标序列{h(k)}拟合的指数型损伤传播模型组成损伤传播模型库{M_i}；

4)对待预测的多台该型号航空发动机的历史运行的传感器测量数据，按照步骤1)选取用于构建损伤传播模型的传感器参数，将这些传感器参数融合成健康指标，形成多台待预测航空发动机的健康指标序列{h(k)}；

5)将每台待预测的航空发动机的健康指标序列{h(k)}与步骤3)中损伤传播模型库{M_i}中的模型进行相似性匹配；

6)根据每台待预测的航空发动机的匹配结果预测该台航空发动机的剩余寿命，将这些剩余寿命采用k近邻法进行融合获取最终的剩余寿命。

本发明的特点及有益效果：

本发明将损伤传播建模和数据分析方法应用到航空发动机领域，针对航空发动机从健康运行到失效的全寿命周期的数据，采用单调变化的原则对传感器数据进行了选取，将选中的传感器数据融合成航空发动机健康指标；根据损伤传播建模方法使用最小二乘法进行了发动机失效模型库的搭建；将在役航空发动机的历史数据与模型库进行相似性匹配，使用了标准化欧式距离进行相似度比较，求得每组测试数据在模型库下的剩余寿命库；最后采用了k近邻法对剩余寿命库进行了最终剩余寿命的求取。本发明能够给航空发动机的预测和健康管理提供有效的技术支持，给航空发动机的后续维修决策提供有效的参考。

附图说明

图1为本发明一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法的实施例流程框图；

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

本发明的一种基于损伤传播模型和数据分析的航空发动机剩余寿命预测方法的实施例流程，如图1所示，该方法包括如下步骤：

1)采集某型航空发动机的全寿命运行周期的传感器测量数据，从中选择构建损伤传播模

型的传感器参数；

具体包括以下步骤：

11)本实施例中，利用美国国家航空航天局(NASA)卓越预测中心的涡扇发动机(航空发动机的一种)退化仿真数据集作为分析的数据对象，该数据集来自NASA的民用模块化航空推进系统仿真软件(CMAPSS)的仿真结果，CMAPSS通过改变涡扇发动机模型部件的流量和效率(以指数率变化的形式)来仿真退化的故障，当故障达到磨损阈值(表示一个超过了部件/子系统不能使用的操作限制)时认为该涡扇发动机模型失效。CMAPSS中涡扇发动机模型的输出是传感器测量值的时间序列；本实施例选用CMAPSS数据集中的FD002数据(该数据包括一共有6种运行状态，21个传感器测量参数)；该数据集包括训练数据，测试数据和测试数据的剩余寿命；

12)根据某些应用领域已有成熟的损伤传播模型(如应用于各种故障机械机理的阿伦尼斯模型，应用于机械故障、材料疲劳的Coffin-Manson模型，应用于温度和应力的艾琳模型)，其故障演变具有指数变化的过程的特点；假设磨损的传播遵循w＝Ae^B(t)(其中，w是磨损程度，A是比例因子，B(t)是随时间变化的指数)，磨损发展到某个阈值th_w时，系统将失效；设用以描述航空发动机的健康状况的健康指标h，在航空发动机初始运行时，该健康指标h值为1，在航空发动机的磨损到达阈值th_w时，该健康指标h值退化为0；由于健康指标h的值是随着时间变化的，为此设以时间为变量的健康方程为：

h(t)＝1-Ae^B(t)/th_w(1)；

13)将FD002训练数据的运行状态划分成多种运行状态，并将多个传感器测量值转化为健康指标h，再从中选择出作为构建损伤模型健康指标h的传感器参数；本实施例划分为6种运行状态；由于健康方程中健康指标h是个单变量，因此需要将21个传感器测量值转化为健康指标h；本实施例选择在6种不同的运行状态下都符合该要求的传感器参数测量值，最终选择了21个传感器测量值中的5个测量值作为构建损伤模型健康指标h的传感器参数(损伤传播模型中的健康指标h是指数型单调变化的，融合参数时只选择单调变化且受噪声影响较小(参数变化量对参数本身而言较大)的参数)，这5个传感器测量值对应的航空发动机变量分别为：LPC出口总温，HPC出口总温，LPT出口总温，HPC出口静压，旁通比；

2)将选中的构建损伤模型健康指标h的传感器参数融合成描述航空发动机的健康状况的健康指标，形成健康指标序列{h(k)}，其中h(k)代表航空发动机在第k次运行时的健康指标，k∈[1,n]，n代表该航空发动机总共的运行次数；

本实施例使用线性回归模型对选中的5个构建损伤模型的传感器参数进行融合，转换成健康指标h：

其中，x＝(x₁,x₂,...,x_N)是N(N＝5)维特征向量，h为健康指标；(α,β)＝(α,β₁,β₂,…,β_N)是N+1维模型参数；

从训练数据集中选取样本集Ω＝{(x,h)}，用以求取线性回归模型：

式中，下标i代表训练数据集中第i组数据序列，代表第i组数据的第r次运行；C_h0代表健康指标h取0的次数；C_h1代表健康指标h取1的次数；

本实施例中FD002训练数据包含260组训练数据(每组训练数据代表一台航空发动机的全寿命周期的运行过程)，将260组训练数据按运行状态划分为6组状态数据(本实施例划分了6种运行状态，每种运行状态对应1组状态数据)；对每种运行状态对应的1组状态数据使用公式(3)选取样本集Ω，将样本集Ω代入公式(2)中，使用非线性最小二乘法求取该运行状态下公式(2)中的模型参数(α,β)(每种运行状态应对一组模型参数(α,β)，本实施例划分了6种运行状态，因此共有6组模型参数(α,β))；将260组训练数据中的每组训练数据(假设该组训练数据一共有n次运行数据)中的每次运行数据代入公式(2)中(公式中的模型参数(α,β)为该次运行数据所处的运行状态对应的模型参数(α,β))求取健康指标h，形成健康指标序列{h(k)}(1组训练数据形成1个健康指标序列{h(k)})，该序列代表了一台航空发动机的健康状况的变化过程，其中h(k)代表航空发动机在第k次运行时的健康指标，k∈[1,n]，n代表该航空发动机总共的运行次数；

3)将每组健康指标序列{h(k)}拟合一个指数型损伤传播模型M_i(M_i代表第i组训练数据对应的损伤传播模型，该过程即为损伤传播建模方法)，并将各组健康指标序列{h(k)}拟合的指数型损伤传播模型组成损伤传播模型库{M_i}；

本实施例中拟合的损伤传播模型为对公式(1)的健康方程进行的调整：

其中，a(1)、a(2)、a(3)、a(4)为模型参数(该参数为变量，需要通过拟合求取)，为损伤传播模型M_i的第r次运行，代表损伤传播模型M_i的第r次运行对应的健康指标值；

与健康指标序列{h(k)}中的h(r)相对应，通过计算与h(r)间的欧氏距离表示两者间的相似程度(距离越小，相似程度越大)；计算健康指标序列{h(k)}和模型M_i间的总欧式距离，通过求取模型M_i的参数a(1)、a(2)、a(3)、a(4)使得总欧式距离最小，该过程使用最小二乘法实现了健康指标序列{h(k)}和模型M_i间的非线性曲线拟合：

其中，C_i为第i组数据总运行次数，为第i组数据的第j次运行数据，h(j)为第j次运行对应的健康指标；a(1)～a(4)代表了模型M_i中的a(1)、a(2)、a(3)、a(4)四个模型参数；

4)对待预测的多台该型号航空发动机的历史运行的传感器测量数据(本实施中为CMAPSS中FD002的测试数据)，按照步骤1)选取用于构建损伤传播模型的传感器参数，将这些传感器参数融合成健康指标，形成多台待预测航空发动机的健康指标序列{h(k)}；

在本实施例中使用CMAPSS中FD002的测试数据(包括259组测试数据，每组测试数据记录了一台该型号航空发动机的全寿命周期运行的部分数据，每组测试数据代表了一台待预测的航空发动机)，通过测试数据来预测待预测航空发动机(259组测试数据说明有259台待预测航空发动机)的剩余寿命；按步骤1)中的方法选取每组测试数据中用于构建损伤传播模型的传感器参数x；按照步骤2)中的参数融合方法将该组测试数据中每次运行数据代入公式(2)中(公式中的模型参数(α,β)为该次运行数据所处的运行状态对应的模型参数(α,β))求取该次运行数据的健康指标h，形成该组测试数据的健康指标序列{h(k)}(设该组数据共有r次运行数据，则k∈[1,r])；本实施例中一共形成259组测试数据的健康指标序列{h(k)}；

5)将每台待预测的航空发动机的健康指标序列{h(k)}与步骤3)中损伤传播模型库{M_i}中的模型进行相似性匹配；

具体包括以下步骤：

51)用滑动平均算法对步骤4)中健康指标序列{h(k)}进行处理，以降低噪声、初始退化等影响：

L为滑动窗口大小(本实施例中L＝5)；

健康指标序列{h(k)}表示为：

52)对健康指标序列和模型库{M_i}，首先找出健康指标序列在各个损伤传播模型M_i中的最佳起始位置(从损伤传播模型M_i的第τ次运行开始)，再计算此时序列与模型M_i的匹配程度；匹配程度使用标准化欧式距离函数进行区分：

其中，f_i()为公式(4)定义的模型M_i对应的指数函数，σ_i为求取模型M_i时指数模型与健康指标序列之间的标准差，为健康指标序列与模型M_i从模型M_i的第τ次运行开始进行匹配的标准化欧式距离；健康指标序列在各个模型M_i中的最佳位置τ为：

6)根据每台待预测的航空发动机的匹配结果预测该台航空发动机的剩余寿命：

根据求取的最佳位置τ，求得该健康指标序列在模型M_i下的剩余寿命rul_i：

rul_i＝C_i-τ-r(9)

将该健康指标序列中的每个健康指标与模型库{M_i}进行逐一匹配，可以获得相应的剩余寿命{rul_i}和相应的欧式距离{d_i}；将这些剩余寿命{rul_i}采用k近邻法进行融合获取最终的剩余寿命RUL：

其中，rul_j为中第j个最短距离所对应的剩余寿命值，k为k近邻法中k的取值(本实施例中k＝10)；b为剩余寿命弥项，b的取值为：

根据计算得到的最终的剩余寿命RUL，即完成了该待测航空发动机的剩余寿命预测的结果；本实施例一共完成了259台待预测航空发动机的剩余寿命预测的结果。

以上的实施例仅用于说明本发明，而并非对发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有同等的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。