一种考虑工况变化的航空发动机气路健康状态预测方法与流程

：
1.本发明涉及一种健康状态预测方法，具体是指一种考虑工况变化的航空发动机气路健康状态预测方法。属于可靠性工程技术领域。


背景技术：
：
2.航空发动机是飞机的心脏，其健康状态至关重要。从20世纪80年代开始，全球航空事业迅速发展，但随之而来的飞行安全问题也越来越突出。据资料表明，在所有飞机的飞行事故中，航空发动机故障引发的事故约占55％左右。并且，航空发动机是采用特殊材料和特殊工艺制作而成的，频繁地更换发动机是不可行的，所以各大航空公司一般是采用定期维修和维护来解决问题，但这样会浪费大量的维修、维护费用。资料显示，航空发动机的维修费用占全机维修费用的40％。如此高额的维修费用比例使得各大航空公司承受这巨大的经济压力。而航空发动机的故障大部分出现在其气路系统中，因此，如何准确的预测航空发动机气路系统健康状态成为节约维修费用、保障飞行安全的重要保障。
3.目前，国内是在利用定性知识的情况下，假设航空发动机气路系统处于单工况对航空发动机气路系统健康状态进行研究。然而，航空发动机气路系统常常在复杂多变的工况环境下工作，其在加减速过程速度快、周期短，研究单工况下系统性能退化趋势无法准确的表征航空发动机气路系统的健康状态。并且，目前只根据定量数据进行工况识别，未考虑定性知识，故其工况识别的精度不高，导致对航空发动机气路系统健康状态的预测精度较低，因此，研究如何准确有效的预测多工况下航空发动机气路系统的健康状态是十分重要的。


技术实现要素：
：
4.本发明的目的是提供工况变化的航空发动机气路健康状态预测方法，它能够提高在工况变化条件下的航空发动机气路健康状态预测精度。工况变化的航空发动机气路健康状态预测模型分为以下五个模块：模块一为分析航空发动机气路的工作机理和故障机理，提取能够表征航空发动机气路健康状态的特征量；模块二为计算健康状态特征量的峭度指标，并根据峭度指标建立基于时域分析的工况划分模型；模块三为利用置信规则库(belief rule base,brb)根据特征量和专家知识建立健康状态特征量时间序列预测模型；模块四为对不同的工况设定不同的参考值，根据健康状态特征量时间预测结果和工况划分的结果进行融合，然后建立基于brb的考虑工况变化的航空发动机气路健康状态预测模型；模块五为基于投影协方差矩阵的自适应演化策略(the adaptive evolution strategy of projection covariance matrix,p-cma-es)优化算法，对brb模型中的初始参数进行更新。
5.本发明的技术方案：
6.模块一为分析航空发动机气路的工作机理和故障机理，提取能够表征航空发动机气路健康状态的特征量。
7.模块二为计算健康状态特征量的峭度指标，并根据峭度指标建立基于时域分析的
工况划分的模型。首先计算健康状态特征量的峭度指标：
[0008][0009]
其中，表示均值；n表示数据的个数；x
n
表示数据；σ2表示数据的方差；e表示期望；η表示数据的峭度。
[0010]
数据的峭度指标体现数据的冲击量，所以用峭度指标可以呈现航空发动机的工况变化。
[0011]
然后，根据专家知识和峭度指标建立基于时域分析的工况划分模型。
[0012]
模块三为利用brb根据特征量和专家知识建立健康状态特征量时间序列预测模型。首先根据专家知识给定brb模型的初始置信程度对航空发动机气路系统的健康状态特征量进行时间序列预测，其中第k条规则如下所示：
[0013][0014]
其中，r
k
代表第k个置信度规则；x
k
(t-m)表示第m个前提条件属性m∈(0,τ)；τ表示延迟步骤数；表示第k条规则中第m个前提条件属性的参考值；l表示brb中规则的数目，d＝{d1d2,
…
,d
n
}表示第m个必备属性的参考值；β
j,k
(j＝1,2,
…
,n,k＝1,2,
…
,l)表示第j个结果的置信度d
j
，并且d
j
∈d；∧代表“与”关系；θ
k
(k＝1,2,
…
,l)表示第k条规则的规则权重，反映了第k条规则相对于brb中其他规则的重要度；δ
i
表示在第k条规则中第i个前提属性的权重，反映了第i个前提属性相对于其他前提属性的重要度。
[0015]
模块四为根据健康状态特征量时间预测结果和工况划分的结果进行融合，然后建立基于brb的考虑工况变化航空发动机气路健康状态预测模型。对上述得到的健康状态特征量时间序列预测结果和工况划分时间预测结果进行融合推理，实现对工况变化条件下航空发动机气路健康状态预测，其中第k条规则如下所示：
[0016][0017]
其中，r
k
代表第k个置信度规则；x
n
表示第n个前提属性，n表示复杂机电系统的特征量的数量；表示第k条规则中第n个前提属性的参考值，并且h＝{h1h2,
…
,h
n
}表示第n个前提属性的参考值；β
b,k
(j＝1,2,
…
,n,k＝1,2,
…
,l)表示第b个结果的置信度h
j
，并且h
j
∈h；∧代表“与”关系。
[0018]
模块五为基于p-cma-es优化算法，对brb模型中的初始参数进行更新，以修正专家知识的不确定性，具体过程如下所示：
[0019]
目标函数如下构造：
[0020][0021]
式中表示brb预测模型中的参数向量；t表示监测数据的个数。
[0022]
为了使得和y
n
尽可能的接近，构造如下的目标函数使上述的目标函数的进行约束，具体如下所示：
minξ(v)
[0023]
附图说明：
[0024]
图1为一种考虑工况变化的航空发动机气路健康状态预测方法流程图。
具体实施方式：
[0025]
如图1所示，具体实施方式采用以下步骤:
[0026]
(1)通过对航空发动机气路工作机理和故障机理进行分析，提取能够表征系统健康状态的特征量。
[0027]
(2)计算健康状态特征量的峭度指标，并建立基于时域分析的工况划分模型。健康状态特征量的峭度指标为：
[0028][0029]
其中，表示均值；n表示数据的个数；x
n
表示数据；σ2表示数据的方差；e表示期望；η表示数据的峭度。
[0030]
(3)根据特征量和专家知识建立健康状态特征量时间序列预测模型。时序列预测模型的第k条规则如下所示：
[0031][0032]
其中，r
k
代表第k个置信度规则；x
k
(t-m)表示第m个前提条件属性m∈(0,τ)；τ表示延迟步骤数；表示第k条规则中第m个前提条件属性的参考值；l表示brb中规则的数目，d＝{d1d2,
…
,d
n
}表示第m个必备属性的参考值；β
j,k
(j＝1,2,
…
,n,k＝1,2,
…
,l)表示第j个结果的置信度d
j
，并且d
j
∈d；∧代表“与”关系；θ
k
(k＝1,2,
…
,l)表示第k条规则的规则权重，反映了第k条规则相对于brb中其他规则的重要度；δ
i
表示在第k条规则中第i个前提属性的权重，反映了第i个前提属性相对于其他前提属性的重要度。
[0033]
(4)根据健康状态特征量时间预测结果和工况划分结果进行融合，然后建立基于brb的考虑工况变化航空发动机气路健康状态预测模型。健康状态预测模型的第k条规则如下所示：
[0034][0035]
其中，r
k
代表第k个置信度规则；x
n
表示第n个前提属性，n表示复杂机电系统的特征量的数量；
表示第k条规则中第n个前提属性的参考值，并且h＝{h1h2,
…
,h
n
}表示第n个前提属性的参考值；β
b,k
(j＝1,2,
…
,n,k＝1,2,
…
,l)表示第b个结果的置信度h
j
，并且h
j
∈h；∧代表“与”关系。
[0036]
(5)基于p-cma-es优化算法，对预测模型中的初始参数进行更新，然后预测出工况变化的航空发动机气路的健康状态。优化算法具体过程如下所示：
[0037]
目标函数如下构造：
[0038][0039]
式中表示brb预测模型中的参数向量；t表示监测数据的个数。
[0040]
为了使得和y
n
尽可能的接近，构造如下的目标函数使上述的目标函数的进行约束，具体如下所示：minξ(v)
[0041]