一種基于工況識別和谷本距離的變工況下航空發動機整機健康評估方法
【專利摘要】一種基于工況識別和谷本距離的變工況下航空發動機整機健康評估方法，航空發動機工作在復雜多變的環境下，發動機在使用過程中變化的工況使得性能數據并不呈現出衰退趨勢性，基于單模型的健康評估方法的評估結果不夠準確。本發明提出一種基于工況識別和谷本距離的變工況下航空發動機整機健康評估方法，首先，識別航空發動機當前的工況狀態；其次，根據識別出的工況選擇對應的健康評估模型，對系統的健康狀態進行評估；最后，將不同工況下健康指數合并得到變工況下的健康指數序列。本發明提出的方法可以免受工況變化的干擾，給出航空發動機真實的健康狀態。
【專利說明】
一種基于工況識別和谷本距離的變工況下航空發動機整機健 康評估方法
技術領域
[0001] 本發明涉及航空發動機健康管理的技術領域，具體涉及一種基于工況識別和谷本 距離的變工況下航空發動機整機健康評估方法。
【背景技術】
[0002] 航空發動機對飛機來說至關重要，其性能的好壞直接決定飛機的飛行安全。由于 航空發動機造價昂貴，當發動機出現問題時，航空公司并不是頻繁地更換發動機，而是通過 維護和維修來解決問題。從20世紀80年代開始，全球航空事業迅速發展，但隨之而來的飛行 安全問題也越來越突出。統計資料表明，在所有飛機飛行事故中，航空發動機故障引發的事 故約占60 %左右。因此，如何有效地預防航空發動機故障成為保障飛行安全的重中之重。
[0003] 航空發動機構造非常復雜，工作環境也極端惡劣，在不經過檢修的情況下很容易 出現故障。但維修航空發動機的費用很高，出于成本預算方面的考慮，航空公司不可能在每 個航班起飛前都要對其進行全面檢修，常常采取"視情維修"的策略。"視情維修"也稱"基于 狀態的維修"，就是對航空發動機現階段的健康狀態進行評判，若其健康狀態良好，則不對 其進行維修;若評估的發動機健康狀態較差，則立即對其進行檢修。實際中常以航空發動機 的性能參數，如發動機排氣溫度、燃油流量、渦輪轉速等為依據對航空發動機的健康狀態進 行評估。當所監控的性能參數發生異常時，工程人員即可判定該發動機是有問題的。因此， 監測航空發動機的性能參數，評估其健康狀態對指導"視情維修"至關重要。絕大多數航空 發動機的故障是通過時間的積累而日益暴露出來的，可以通過研究性能參數的變化規律， 評價系統當前的健康狀態。當健康度低于預警值時，可以判斷航空發動機在不久的未來以 很大可能會發生故障，應迅速對其采取維護維修措施。從以上陳述可知，航空發動機健康評 估對輔助"視情維修"具有重要的意義。
[0004] 然而，航空發動機工作在復雜多變的工況環境下，變化的工況掩蓋了性能參數真 實的退化規律，由于工況變動的干擾，單純的性能參數并不能反映系統的健康狀態。
【發明內容】
[0005] 本發明的目的在于:為了克服現有技術的上述缺陷，本發明提出一種基于工況識 別和谷本距離的變工況下航空發動機整機健康評估方法，首先識別出當前狀態的工況，然 后選擇特定工況下的評估模型進行健康狀態的評估，可以免受工況干擾，給出發動機真實 的健康狀態。
[0006] 本發明采用的技術方案為:一種基于工況識別和谷本距離的變工況下航空發動機 整機健康評估方法，包含如下步驟：
[0007] 第一步，識別發動機的運行工況。首先使用訓練集數據的所有工況參數進行聚類 分析，得到各工況的聚類中心和聚類半徑;然后計算各狀態工況參數與各聚類中心的距離， 辨識系統所處的工況；
[0008] 第二步，基于谷本距離測度進行單工況健康評估。首先，得到航空發動機正常運行 狀態的正常狀態空間；然后，計算當前狀態與正常狀態之間的谷本距離；最后，將距離轉化 為健康指數，量化系統的健康狀態。
[0009] 第三步，整合不同健康評估模型評估結果。將不同工況下的健康評估結果按原始 的時間順序整合為新的時間序列，得到系統健康指數序列。
[0010] 本發明與現有技術相比的優點在于：
[0011] (1)、在工況辨識的基礎上，使用多個評估模型分別評估不同工況下的系統狀態， 評估結果不受工況干擾，更為準確客觀；
[0012] (2)、谷本距離既可以表征兩個向量間的長度差異，也能表征它們的夾角差異，與 歐氏距離和夾角余弦相比，其對兩向量差異的度量更加全面。
【附圖說明】
[0013] 圖1為航空發動機整機健康評估流程示意圖；
[0014] 圖2為K均值聚類流程圖；
[0015] 圖3為工況識別流程圖；
[0016] 圖4為基于谷本距離的健康評估原理圖；
[0017] 圖5為渦輪風扇發動機仿真模型結構圖；
[0018] 圖6為訓練集1#發動機傳感器監測數據示意圖；
[0019] 圖7為訓練集2#發動機傳感器監測數據示意圖；
[0020]圖8為工況聚類結果圖；
[0021] 圖9為發動機實時工況示意圖，其中，圖9(a)為訓練集1#發動機，圖9(b)為訓練集 2#發動機；
[0022] 圖10為健康評估結果示意圖，其中，圖10(a)為訓練集1#發動機，圖10(b)為訓練集 2#發動機。
【具體實施方式】
[0023]下面結合附圖以及【具體實施方式】進一步說明本發明。
[0024]本發明一種基于工況識別和谷本距離的變工況下航空發動機整機健康評估方法， 具體步驟如下：
[0025] 1.基于K均值聚類的工況識別
[0026] K均值聚類算法由MacQue提出，在數據挖掘中應用廣泛，是經典聚類算法之一。設X = {Xi，X2,. . .，Xn}S已知數據集，X中的Xi，x2,...義是11個數據對象并且每個數據對象都是 N維的，即XpUhxu，. . .均值聚類算法就是要找到含有K個聚類中心的集合C = {Gl，G2，· · ·，0(} = IXcil，C12，· · ·，C1N)，(C21，C22，· · ·，C2N)，· · ·，(CK1，CK2，· · ·，CKN) H吏得目標 函數
[0028]其中，m被歸為類匕的數據對象點數，表示聚類中心與數據對象的歐幾里 德距離，其定義如下：
[0030] K均值聚類算法的核心思想是把數據集劃分成使目標函數達到最小值的K個類。具 體步驟如圖2所示。
[0031] 工況識別的流程如圖3所示。使用訓練集所有工況數據通過Κ均值聚類算法得到各 個工況的聚類中心和半徑。計算實時工況參數與各個聚類中心的距離，距離較近者即為該 工況。
[0032] 2.基于谷本距離的健康評估
[0033]在工況識別后需要基于每種工況下的狀態數據分別建立健康評估模型，然后對各 狀態進行評估。健康評估的實質是將多維參數轉化為一維健康指數的過程，健康指數在〇~ 1之間。健康評估包括兩個核心步驟，即多元數據融合和數據標準化，本發明使用距離測度 的方法實現多元數據的融合。
[0034] 谷本距離(Tanimoto Distance)測度，可以同時表現兩點（狀態)之間的夾角和相 對距離的信息。對于某些數據集，向量的相對長度包含有價值的信息；而對于另一些，向量 之間的夾角會衡量那些數據對象更加接近。歐式距離測度反映向量長度之間的差距，而不 考慮向量之間的夾角;而余弦距離測度忽略了向量的長度。因此，本發明選擇谷本距離來綜 合衡量發動機不同狀態之間的差距。兩個η維狀態向量a=(ai，a2, . . .，an)和b = (bi，b2,...， bn)之間的谷本距離測度公式為：
[0036]
被定義為谷本系數(Tanimoto Coefficient)，谷本系數度量 兩個空間或向量之間的相似程度。
[0037]基于谷本距離的健康評估原理如圖4所示，首先建立發動機系統的正常狀態空間， 然后計算待評估狀態與基準空間的谷本距離，最后使用歸一化公式得到系統當前的健康指 數，歸一化公式為：
[0039]式中，Di為谷本距離，a為平滑參數，用以調節健康評估的敏感性。
[0040]使用不同工況下的多個評估模型得到的健康指數具有相同的范圍和尺度，健康指 數之間具有可比性，將它們按原始時間標記順序合并，即可得到變工況下統一的健康指數 時間序列，完成健康狀態評估。
[0041 ] 3.案例驗證
[0042]本發明通過NASA研究中心提供的民用渦輪風扇發動機的性能退化仿真數據驗證 提出的健康評估模型。仿真模型建立在NASA Army Research Laboratory開發的CMAPSS環 境中，CMAPSS能夠仿真90,000鎊推力級的發動機模型在不同高度、馬赫數、海平面溫度下的 運行狀況，發動機的推力由油門桿角度(TRA)控制，其可看作工況參數。通過修改CMAPSS中 各旋轉部件的流量和效率等共13個健康狀態參數，可以仿真發動機的五大旋轉件即風扇、 低壓壓氣機、高壓壓氣機、高壓渦輪、低壓渦輪的故障和性能退化造成的發動機整機影響。 CMAPSS能同時監測并記錄仿真系統的58個性能變量。渦輪風扇發動機氣路結構如圖5所示， CMAPSS的14個輸入量的物理含義及符號如表1所示。
[0043] 表1 CMAPSS輸入變量
[0046] Saxena等人在2008年使用CMAPSS模型進行了仿真試驗，并實時監測58個系統輸出 中21個傳感器參數，監測參數主要由發動機氣路不同位置的溫度、壓力和轉速等組成。此 外，狀態參數中也包含有表征發動機工況狀態的高度，馬赫數和油門桿角度(推力）。表2給 出了 21個傳感器參數的物理含義和符號。
[0047] 表2CMAPSS輸出參數
[0049] NASA提供了 4種不同仿真設置條件的性能衰退數據集，分別來自4個獨立的仿真試 驗，每組仿真試驗具有不同的工況、故障模式等設置。數據集1和數據集2包含1種故障模式， 即高壓壓氣機退化(HPC)，數據集3和數據集4包含高壓壓氣機退化(HPC)和風扇退化(Fan) 兩種故障模式。數據集1和數據集3包含一種工況模式，數據集2和數據集4包含6種工況模 式。表3給出了 4個數據集的詳細信息。
[0050] 表3數據集的試驗設置信息
[0052] 每個數據集包含測試集和訓練集，訓練集的數據是全壽的，可用于開發健康評估 和壽命預測模型。本發明使用數據集#2的訓練數據來試驗和驗證提出的健康評估方法。
[0053] 圖6和圖7展示了訓練集1#和2#發動機在性能衰退過程中各傳感器的監測數據，兩 臺發動機工作在變工況下，從曲線上分析可知，復雜的工況變化使得所有傳感器參數均不 能表征性能衰退趨勢。
[0054]使用訓練集所有數據通過K均值聚類得到6個工況的聚類中心和聚類半徑如表4所 示，工況聚類圖如圖8所示。對于待評估數據首先計算實時工況參數與6個聚類中心的距離， 距離最近者即判為該工況。
[0055] 表4聚類中心與聚類半徑
[0057]對訓練集1#和2#發動機進行運行工況剖面的辨識，結果如圖9所示。
[0058]以訓練集1#和2#發動機為例，試驗驗證提出的變工況健康評估方法，健康評估的 結果如圖10所不。
[0059]從圖10中可以看出，隨著使用循環數的增加，航空發動機整機的健康指數越來越 小，健康狀態發生退化。可以通過設定健康度閾值進行超限報警，提示維護維修人員提前安 排"視情維修"，這樣既可以避免發動機在使用過程中發生故障，又可以減少因計劃維修帶 來的高昂花費。
[0060]本發明中涉及到的本領域公知技術未詳細闡述。
【主權項】
1. 一種基于工況識別和谷本距離的變工況下航空發動機整機健康評估方法，其特征在 于:包含如下步驟： 第一步，識別航空發動機的運行工況:首先使用訓練集數據的所有工況參數進行聚類 分析，得到運行工況的聚類中心和聚類半徑;然后計算當前狀態的工況參數與各聚類中心 的距離，辨識系統所處的工況； 第二步，基于谷本距離測度進行各個單工況下的健康評估:首先，得到航空發動機正常 運行狀態的正常狀態特征空間；然后，計算當前狀態與正常狀態之間的谷本距離；最后，將 谷本距離轉化為健康指數，量化系統的健康狀態； 第三步，整合不同健康評估模型的評估結果:將不同工況下的健康評估結果按原始的 時間順序整合為新的時間序列，得到系統的健康指數時間序列。
【文檔編號】G05B17/02GK106094570SQ201610550124
【公開日】2016年11月9日
【申請日】2016年7月13日
【發明人】劉紅梅, 李連峰, 呂琛, 馬劍
【申請人】北京航空航天大學