一种飞机发动机故障预测方法与流程

1.本发明涉及设备故障预警技术领域，尤其涉及一种飞机发动机故障预测方法。


背景技术：

2.在实际工业生产中，小到一个标准件，大到发动机等复杂系统，其寿命都是有限的，运行一段时间后需要进行维修(或者更换)。因此，及时对设备进行故障预警可以有效减少事故的发生。目前，机械设备的故障预测技术主要集中在信号分析和智能预测两方面。在信号分析方面，需要相关从业人员具备良好的知识基础和经验；在智能预测方面，机器学习相关算法的应用取得了显著的效果，主要包括支持向量机(support vector machines,svm)、人工神经网络(artificial neural network,ann)、核方法(kernel method)和卷积神经网络(convolutional neural network)等模式识别的方法。这些方法在模型的训练过程中，需要通过大量的历史异常数据拟合模型参数，但对于实际的工业场景来说，设备正常状态数据可以方便且准确地获取，而故障样本却时常难以采集，这对常见的监督学习模型提出了很大的挑战。
3.自组织映射网络(以下简称som)是一种无监督的人工神经网络，通过模拟人脑对信号处理的特点，依靠神经元之间互相竞争逐步优化网络。som算法结构简单、参数量少，所以被广泛用于语音识别、聚类、异常值剔除等。现有技术中，已有研究将som算法和免疫神经网络相结合，进行飞机发动机中燃油系统的故障预测及预测，该方法在使用som算法进行数据处理的基础上，利用bp神经网络进行故障分类，依然要求有充足的异常数据样本。但是，该研究并未考虑不同飞机发动机的运行环境、使用寿命等方面的个体化差异，导致故障预测结果准确度较低。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种飞机发动机故障预测方法，用以解决现有技术中因不同飞机发动机的运行环境、使用寿命等方面的个体化差异导致的故障预测结果准确度较低的问题。
5.一种飞机发动机故障预测方法，包括：
6.获取多个训练飞机发动机的全生命周期数据；所述全生命周期数据按照使用时长分为正常数据和异常数据；所述异常数据中包含全生命周期中预警区间内的故障预警数据；
7.利用每个所述训练飞机发动机中的正常数据训练对应飞机发动机的som模型，并获得所述飞机发动机中故障预警数据的最小量化误差mqe；
8.基于所述多个训练飞机发动机中故障预警数据的最小量化误差mqe的平均值，确定预警区间对应的最小量化误差mqe范围；
9.利用多个测试飞机发动机分别测试所述最小量化误差mqe范围的预警正确率，将正确率超过正确率阈值的测试飞机发动机的占比作为测试通过率，若所述测试通过率超过
第一测试通过率阈值，则基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测。
10.在上述方案的基础上，本方案还做出了如下改进：
11.基于上述方法的进一步改进，每一测试飞机发动机通过执行以下步骤测试所述最小量化误差mqe范围的正确率：
12.利用测试飞机发动机中的正常数据训练测试飞机发动机的som模型，并获取所述测试飞机发动机中异常数据的最小量化误差mqe；
13.获取所述异常数据的最小量化误差mqe在所述最小量化误差mqe范围内的异常数据区间；
14.基于所述异常数据区间与预警区间的交集占所述预警区间时长的比值得到正确率。
15.基于上述方法的进一步改进，还包括：若所述测试通过率在第二测试通过率阈值和所述第一测试通过率阈值之间，则调整正确率低于正确率阈值的测试飞机发动机的som模型参数或者测试飞机发动机中正常数据的占比，并重新训练测试飞机发动机的som模型、重新获取正确率及测试通过率；
16.其中，所述第二测试通过率阈值低于所述第一测试通过率阈值。
17.基于上述方法的进一步改进，还包括：若所述测试通过率低于所述第二测试通过率阈值，则调整所述训练飞机发动机的som模型参数、所述全生命周期数据中正常数据的占比、预警区间的范围中一项或多项，并重新确定所述最小量化误差mqe范围、重新获取正确率及测试通过率。
18.基于上述方法的进一步改进，调整所述训练飞机发动机、测试飞机发动机的som模型参数，包括调整som模型中学习率初始化参数、初始优胜邻域、神经元权重初值中的一个参数或多个参数。
19.基于上述方法的进一步改进，所述正确率阈值为70％。
20.基于上述方法的进一步改进，所述第一测试通过率为90％，所述第二测试通过率为80％。
21.基于上述方法的进一步改进，所述基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测，包括：
22.每采集一个待预测的飞机发动机的正常数据，利用采集的待预测飞机发动机的正常数据训练所述待预测飞机发动机的som模型；
23.每采集一个待预测飞机发动机的异常数据，获得所述待预测飞机发动机中异常数据的最小量化误差mqe；
24.若所述待预测的飞机发动机中异常数据的最小量化误差mqe在所述最小量化误差mqe范围内，则进行待预测飞机发动机的故障预测。
25.基于上述方法的进一步改进，所述最小量化误差mqe范围的下限为所述最小量化误差mqe的平均值的80％、上限为所述最小量化误差mqe的平均值的120％。
26.基于上述方法的进一步改进，所述利用每个飞机发动机中的正常数据训练当前飞机发动机的som模型，并获得当前飞机发动机中故障预警数据的最小量化误差mqe，包括：
27.所述利用每个飞机发动机中的正常数据训练当前飞机发动机的som模型，获得最
佳匹配单元；
28.将所述故障预警数据与所述最佳匹配单元之间距离的最小值作为所述故障预警数据的最小量化误差mqe。
29.与现有技术相比，本发明至少可实现如下有益效果之一：
30.第一，本发明提供的飞机发动机故障预测方法，充分考虑了不同飞机发动机的运行环境、使用寿命、出厂设置及磨损程度等方面的个体化差异，分别训练多个训练飞机发动机的som模型，以得到对应飞机发动机的、精确的som模型训练结果及相应的最小量化误差mqe；
31.第二，本发明提供的飞机发动机故障预测方法，考虑到同一类型的不同飞机发动机容易发生故障预警的时机大致相同(即每一训练飞机发动机对应的预警区间)，因此，可以通过计算多个训练飞机发动机中故障预警数据的最小量化误差mqe的平均值来确定预警区间对应的最小量化误差mqe范围，采用这种方式确定的最小量化误差mqe范围，能够最大限度地综合不同飞机发动机个体化差异，可用于同一类型飞机发动机的故障预警；
32.第三，本发明提供的飞机发动机故障预测方法，基于所述最小量化误差mqe范围进行待预测飞机发动机的故障预测，能够及时提醒使用者维修或替换飞机发动机，有效降低飞机发动机的意外维修次数，保证飞机发动机的使用安全；
33.第四，本发明提供的飞机发动机故障预测方法，还利用多个测试飞机发动机测试最小量化误差mqe范围的正确率，当测试通过率超过第一测试通过率阈值后，则再基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测，从而保证所确定的最小量化误差mqe范围的适用性足够强。
34.本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
35.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
36.图1为本发明实施例1中提供的飞机发动机故障预测方法流程图；
37.图2为本发明实施例2中提供的故障预警数据的mqe分布图；
38.图3为本发明实施例2中提供的1号测试设备被测数据的mqe值变化趋势图。
具体实施方式
39.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
40.实施例1
41.本发明的实施例1，公开了一种飞机发动机故障预测方法，流程图如图1所示，包括如下步骤：
42.步骤s1：获取多个训练飞机发动机的全生命周期数据；所述全生命周期数据按照
使用时长分为正常数据和异常数据；所述异常数据中包含全生命周期中预警区间内的故障预警数据；
43.步骤s2：利用每个所述训练飞机发动机中的正常数据训练对应飞机发动机的som模型，并获得所述飞机发动机中故障预警数据的最小量化误差mqe；
44.步骤s3：基于所述多个训练飞机发动机中故障预警数据的最小量化误差mqe的平均值，确定预警区间对应的最小量化误差mqe范围；
45.步骤s4：利用多个测试飞机发动机分别测试所述最小量化误差mqe范围的预警正确率，将正确率超过正确率阈值的测试飞机发动机的占比作为测试通过率，若所述测试通过率超过第一测试通过率阈值，则基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测。
46.与现有技术相比，本发明实施例提供的飞机发动机故障预测方法，具备如下优势：首先充分考虑了不同飞机发动机的运行环境、使用寿命、出厂设置及磨损程度等方面的个体化差异，分别训练多个训练飞机发动机的som模型，以得到对应飞机发动机的、精确的som模型训练结果及相应的最小量化误差mqe；其次，考虑到同一类型的不同飞机发动机容易发生故障预警的时机大致相同(即每一训练飞机发动机对应的预警区间)，因此，可以通过计算多个训练飞机发动机中故障预警数据的最小量化误差mqe的平均值来确定预警区间对应的最小量化误差mqe范围，采用这种方式确定的最小量化误差mqe范围，能够最大限度地综合不同飞机发动机个体化差异，可用于同一类型飞机发动机的故障预警；再者，基于所述最小量化误差mqe范围进行待预测飞机发动机的故障预测，能够及时提醒使用者维修或替换飞机发动机，有效降低飞机发动机的意外维修次数，保证飞机发动机的使用安全；最后，本方法还利用多个测试飞机发动机测试最小量化误差mqe范围的正确率，当测试通过率超过第一测试通过率阈值后，则再基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测，从而保证所确定的最小量化误差mqe范围的适用性足够强。
47.需要说明的是，本实施例中的训练飞机发动机、待预测飞机发动机以及在后介绍的测试飞机发动机，均为同类型的飞机发动机。同时，训练飞机发动机、测试飞机发动机中均包含了飞机发动机从健康状态、衰退状态到故障状态的全生命周期数据。
48.优选地，在步骤s4中，为避免单个测试飞机发动机个体化差异造成的最小量化误差mqe范围准确度较低，因此，在本实施例中，同时计算多个测试飞机发动机对应的预警正确率，并基于预警正确率得到测试通过率；若测试通过率超过第一测试通过率阈值，表明所确定的最小量化误差mqe范围准确度较高，可以将其直接用于待预测飞机发动机的故障预测。其中，第一测试通过率优选设置为90％(该参数可根据测试精度要求进行调整)。
49.优选地，在步骤s4中，每一测试飞机发动机均通过执行以下步骤测试所述最小量化误差mqe范围的正确率：
50.利用测试飞机发动机中的正常数据训练测试飞机发动机的som模型，并获取所述测试飞机发动机中异常数据的最小量化误差mqe；
51.获取所述异常数据的最小量化误差mqe在所述最小量化误差mqe范围内的异常数据区间；
52.基于所述异常数据区间与预警区间的交集占所述预警区间时长的比值得到正确率；需要说明的是，异常数据区间与预警区间的交集(即根据测试飞机发动机确定的预警区
间)占所述预警区间时长的比值代表了测试飞机发动机对应的预警结果与训练过程中设置的预警区间的重合度，可以用于表征正确率。
53.若所述正确率超过设定的正确率阈值，则当前测试飞机发动机满足正确率要求，表明所确定的最小量化误差mqe范围能够满足当前测试飞机发动机的故障预测需求。
54.优选地，正确率阈值可根据测试精度要求确定。示例性地，在缺少明确故障标签数据的条件下，正确率阈值可根据工业界的一般要求设置为70％。
55.在本实施例中，若测试通过率不超过第一测试通过率阈值，可从以下两方面着手分析出现这种情况的原因：
56.(1)部分测试飞机发动机的相关问题：
57.由于这种情况是由部分测试飞机发动机在测试过程中选取参数不当引起的，而不同测试飞机发动机的测试过程并不相互影响，因此，由个别测试飞机发动机参数选取不当导致的测试通过率一般不会太低，示例性地，不会低于第二测试通过率阈值(优选设置为80％)；当测试通过率在第二测试通过率阈值和所述第一测试通过率阈值之间时，优先调整当前测试飞机发动机的相关数据，并重新计算正确率，具体地，包括以下情形：
58.1)部分测试飞机发动机的som模型参数设置不当：
59.调整所述测试飞机发动机的som模型参数，并重新训练测试飞机发动机的som模型、重新获取正确率；若重新获取的预警正确率超过正确率阈值，则表明可能是由于som模型参数设置不当造成的预测正确率低；
60.2)部分测试飞机发动机的正常数据的占比选取不当：
61.调整测试飞机发动机中正常数据的占比，并重新训练测试飞机发动机的som模型、重新获取预警正确率。若重新获取的预警正确率超过正确率阈值，则表明可能是由于测试飞机发动机的正常数据选取不当造成的预测正确率低；
62.重新计算所有正确率低于正确率阈值的测试飞机发动机后，再重新计算测试通过率；若重新计算后的测试通过率超过第一测试通过率阈值，则基于所述最小量化误差mqe范围，进行待预测飞机发动机的故障预测；若重新计算后的测试通过率在第二测试通过率和第一测试通过率之间，则再次调整正确率低于正确率阈值的测试飞机发动机的上述参数，还可以尝试同时调整飞机发动机的som模型参数和测试飞机发动机的正常数据占比，再次计算预警正确率。若经过反复测试后的测试通过率仍低于第一测试通过率，或者，某次测试的测试通过率低于所述第二测试通过率阈值，则考虑确定的最小量化误差mqe范围是否有问题，此时，可调整所述训练飞机发动机的som模型参数、所述全生命周期数据中正常数据的占比、预警区间的范围中一项或多项，并重新确定所述最小量化误差mqe范围、重新获取预警正确率。
63.以上测试及重新确定最小量化误差mqe范围的过程较为复杂，可能需要反复试验，才能得到最优的最小量化误差mqe范围。
64.需要说明的是，调整所述训练飞机发动机、测试飞机发动机的som模型参数，包括调整som模型中学习率初始化参数、初始优胜邻域、神经元权重初值中的一个参数或多个参数。
65.优选地，步骤s2包括：
66.步骤s21：利用每个训练飞机发动机中的正常数据训练当前飞机发动机的som模
型，获得最佳匹配单元；
67.需要说明的是，som属于神经网络的一种算法，它可以将高维的数据映射到低维。在训练阶段，计算每个输入样本的特征与映射层神经元之间的距离，找到在映射层中距离输入样本最近的神经元，并将此神经元定义为最佳匹配单元(bmu)。
68.步骤s22：将所述故障预警数据与所述最佳匹配单元之间距离的最小值作为所述故障预警数据的最小量化误差mqe。故障预警数据与所述最佳匹配单元之间距离可通过欧式距离计算方法获得。
69.优选地，步骤s4还通过执行以下步骤进行预测飞机发动机的故障预测：
70.步骤s41：每采集一个待预测的飞机发动机的正常数据，利用采集的待预测飞机发动机的正常数据训练所述待预测飞机发动机的som模型；
71.步骤s42：每采集一个待预测飞机发动机的异常数据，获得所述待预测飞机发动机中异常数据的最小量化误差mqe；
72.步骤s43：若所述待预测的飞机发动机中异常数据的最小量化误差mqe在所述最小量化误差mqe范围内，则进行待预测飞机发动机的故障预测。
73.优选地，所述最小量化误差mqe范围的下限为所述最小量化误差mqe的平均值的80％、上限为所述最小量化误差mqe的平均值的120％。
74.本实施例在实施过程中，可通过以下方式确定正常数据、异常数据及预警区间：正常数据为所述飞机发动机的全生命周期数据中前60％使用时长的数据；异常数据为所述飞机发动机的全生命周期数据中后40％使用时长的数据；预警区间为所述飞机发动机的全生命周期数据中88％
‑
92％使用时长范围。
75.优选地，所述飞机发动机的全生命周期数据包括：所述飞机发动机的全生命周期数据包括：发动机进气温度、排气温度、滑油温度、滑油压力、压缩空气压力和振动速度参数等。
76.实施例2
77.本发明的实施例2，公开了实施例1中基于som
‑
mqe的飞机发动机故障预警方法的训练及测试过程，具体介绍如下：
78.选取218个类型相同的飞机发动机的全生命周期数据，每一飞机发动机的全生命周期数据均包括飞机发动机从健康状态、衰退状态到故障(报废)状态的全过程。其中，全生命周期数据中所包含的具体内容可参照实施例1进行设置。假定此类飞机发动机的额定使用时长是357个周期，不同的飞机发动机由于出厂的差异和磨损程度的不同，其全生命周期对应的时长不一定不同。
79.实施过程中，首先划分训练集与测试集，选择前100个飞机发动机的全生命周期数据作为训练集(这100个飞机发动机均作为训练飞机发动机)，后118个飞机发动机的全生命周期数据作为测试集(这118个飞机发动机均作为测试飞机发动机)。并按照实施例1中的方式划分正常数据、异常数据及预警区间。
80.执行实施例1中的步骤s2、s3(执行之前还可以增加对全生命周期数据进行归一化处理的步骤)，得到了故障预警数据的mqe分布图，如图2所示。计算所有训练集中预警区间内数据(即，故障预警数据)的最小量化误差mqe的平均值为2.64，将其乘以0.8得到最小量化误差mqe范围的下限(即图2中故障预警数据mqe阈值的下限)2.11、乘以1.2得到最小量化
误差mqe范围的上限(即图2中故障预警数据mqe阈值的上限)为3.16。
81.最小量化误差mqe范围确定后，需要测试确定的最小量化误差mqe范围的准确度。同样，先归一化测试集中的全生命周期数据，其次将测试集中测试飞机发动机使用时长的前60％使用周期作为正常数据训练som模型，模型训练完成后，使用测试集中每个发动机的剩余数据计算其与训练好的som模型的mqe值。然后根据实施例1中的相应内容计算预警正确率。
82.以测试集中的某个发动机为例(称为1号测试设备)，选择此飞机发动机的前60％周期数据作为正常数据，用于初始化som模型，剩余周期数据用于验证，如图3所示，折线为此飞机发动机剩余周期数据偏离som模型的mqe值。从图3中可以明显看出，随着飞机发动机的运行时间的增长，mqe值不断变大，逐渐偏离正常的mqe模型，飞机发动机出现故障的风险越来越大。图3中的两条水平线为根据训练集训练得到的最小量化误差mqe范围的上、下限，即当被测数据中mqe值在此区间内时，则认为设备处于故障预警状态。计算所有测试集数据中被测数据的mqe值，根据实施例1中的计算方式，可计算得到预警模型的预警正确率为74.81％，满足在缺少明确故障标签数据的条件下工业界70％的设备故障预警正确率要求。
83.综上，本实施例提供的基于som
‑
mqe的飞机发动机故障预警方法，能够在缺少明确的故障标签的情况下，充分利用历史数据中的海量健康数据和使用经验构建基准模型，并基于观测数据与正常基准模型(som模型)的偏差实时判定飞机发动机的健康状态，快速有效地对飞机发动机进行故障预警，降低治理飞机发动机意外故障导致的维修次数，对工业界的实际应用具有显著的借鉴意义。
84.本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
85.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。