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η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)}(l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，ke[l， η]，n代表该航空发动机总共的运行次数；
[0034] 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Mi(Mi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{Md ;
[0035] 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：
[0036]
[0037] 其中，&(1)、&(2)、&(3)、 &(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1的第r次运行，./：(〇代表损伤传播模型I的第r次运行对应的健康指标 值；
[0038] ./；(€；')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 皿^司的总欧式距离，通过求取模型1的参数&(1)、&(2)、&(3)、 &(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lh(k)}和模型姐间的非线性曲线拟合：
[0039]
[0040] 其中，Q为第i组数据总运行次数，G/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(l)~a(4)代表了模型姐中的 &(1)、&(2)、&(3)、&(4)四个模型参数；
[0041] 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Π )002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)} ;
[0042] 在本实施例中使用CMAPSS中Π )002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 e [ 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)}；
[0043] 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{Md中的模型进行相似性匹配；
[0044] 具体包括以下步骤：
[0045] 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：
[0046]
[0047] L为滑动窗口大小(本实施例中L = 5);
[0048] 健康指标序列{h(k)}表示为：=丨Λ(】）Λ(2)…/2(r)j ;
[0049] 52)对健康指标序列!/;⑷丨和模型库{Mi}，首先找出健康指标序列{_:)}在各个损 伤传播模型I中的最佳起始位置(从损伤传播模型I的第τ次运行开始），再计算此时序列 #(々)丨与模型吣的匹配程度;匹配程度使用标准化欧式距离函数进行区分：
[0050]
[0051] 其中，fd)为公式(4)定义的模型I对应的指数函数，〇1为求取模型I时指数模型 与健康指标序列丨/丨奶丨之间的标准差，:P =彳/】(叫，,Μ,.)为健康指标序列{/〗(/>:)}与模 型1从模型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#(A)j在各个模 型姐中的最佳位置τ为：
[0052]
[0053] 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：
[0054] 根据求取的最佳位置τ，求得该健康指标序列丨/?(幻丨在模型Mi下的剩余寿命ruli:
[0055] ruli = Ci-x-r (9)
[0056] 将该健康指标序列％(々)}中的每个健康指标与模型库{MJ进行逐一匹配，可以获 得相应的剩余寿命{ruli}和相应的欧式距离{di};将这些剩余寿命{ruli}采用k近邻法进行 融合获取晶線的垂丨丨佥寿i#rRIIL，
[0057]
[0058] 其中，rulj为丨中第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：
[0059]
[0060] 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。
[0061] 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。
【主权项】
1. 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，形成健康指标序列化化)}，其中Kk)代表航空发动机在第k次运行时的健康指 标，4￡[1，11]，11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化化）}拟合一个指数型损伤传播模型Ml, Mi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化化）}拟合的指数型损伤传播模型组成损伤 传播模型库{Ml}; 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，将运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化化)}; 5) 将每台待预测的航空发动机的健康指标序列化化）}与步骤3)中损伤传播模型库{Ml} 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，将运些 剩余寿命采用k近邻法进行融合获取最终的剩余寿命。2. 如权利要求1所述方法，所述步骤1)具体包括W下步骤： 11) 利用美国国家航空航天局的民用模块化航空推进系统仿真软件的仿真数据集，选 用CMAPSS数据集中的FD002数据，该数据集包括训练数据，测试数据和测试数据的剩余寿 命;每种数据包括6种运行状态，21个传感器测量参数； 12) 根据已有成熟的损伤传播模型，设磨损的传播遵循W = AeBW,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，引入W时间t为变量的健康方程为： h(t) = l-AeBW/thw (1);其中，thw为系统失效阔值，h(t)为航空发动机在时间t的健 康状况的健康指标，定义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 损到达阔值thw时，该健康指标h值退化为O; 13) 对FD002训练数据的运行状态进行划分成的6种运行状态，并将21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5个参数。3. 如权利要求1所述方法，所述步骤5)具体包括W下步骤： 51) 用滑动平均算法对步骤4)中健康指标序列化化）}进行处理，W降低噪声、初始退化 等影响： 52) 对健康指标序列{/;脚}和模型库{Ml}，首先找出健康指标序列病0}在各个损伤传 播模型M冲的最佳起始位置，再计算此时序列;/;U)!与模型Mi的匹配程度。
【专利摘要】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。
【IPC分类】G06F19/00
【公开号】CN105512483
【申请号】CN201510894960
【发明人】熊欣欣, 李清, 程农
【申请人】清华大学
【公开日】2016年4月20日
【申请日】2015年12月8日