一种涡扇发动机剩余寿命预测方法

1.本发明属于故障预测与健康管理技术领域的，具体地，涉及一种涡扇发动机剩余寿命预测方法。


背景技术：

2.扇发动机的维修方式主要以定时维修方式为主，按照厂家确定的维修时间进行维修。定时维修方式没有考虑涡扇发动机因运行环境不同而导致的失效时间不同的情况，从而造成了相应的过度维修，带来部件资源浪费和维护费用增加。采用视情维修的方式可以避免过度维修，当涡扇发动的剩余寿命不能保证涡扇发动机正常运行的情况下，开展涡扇发动机的维修工作，提高涡扇发动机维护效率、降低维护费用。视情维修的前提是需要知道发动机的剩余寿命，因此，需要具有良好的涡扇发动机剩余寿命预测方法。
3.涡扇发动机的性能退化过程通常会经历不同的阶段，如有效工作阶段、缓慢退化阶段、快速退化阶段等。涡扇发动机在刚开始运行时，涡扇发动机性能退化不明显，在缓慢退化阶段，损伤增长的速度较慢，而在快速退化阶段，损伤增长的速度迅速加快，如果不区分各性能退化阶段，用单一的寿命预测模型预测不同退化阶段的剩余寿命，则可能造成较大的寿命预测误差。


技术实现要素：

4.本发明针对现有技术没有区分各性能退化阶段，可能造成较大的寿命预测误差的问题，提出了一种涡扇发动机剩余寿命预测方法，根据发动机性能退化阶段不同，选择不同的预测模型，可以有效地提高涡扇发动机剩余寿命预测的准确性，为发动机视情维修提供依据。
5.本发明是通过以下方案实现的：
6.一种涡扇发动机剩余寿命预测方法：
7.一种涡扇发动机剩余寿命预测方法：
8.将涡扇发动机的性能退化过程分为3个阶段：阶段1为有效工作阶段、阶段2为缓慢退化阶段、阶段3为快速退化阶段；
9.所述预测方法包括以下步骤：
10.步骤1、对从传感器获得的状态监测数据处理，进行归一化处理，并利用主成成分分析降维；
11.步骤2、计算降维信号的排列熵，利用排列熵提取性能退化特征，识别退化阶段；
12.步骤3、根据识别的不同性能退化阶段，选择不同的预测模型，进行分段预测。
13.进一步地：在步骤一中：
14.步骤1.1、利用c
‑
mapss模拟器生成涡扇发动机状态监测数据；采用最大最小归一法对涡扇发动机状态监测数据进行无量纲化处理，将各状态监测参数的数据大小限定在[0,1]之间，最大最小归一化的公式如下：
[0015][0016]
式中，为无量纲化的参数，为列中最小的值，为列中最大的值；
[0017]
步骤1.2、采用主成分分析的方法对数据进行降维；
[0018]
设x1,x2,...,x
n
表示涡扇发动机使用的传感器采集的n次数据中的每个向量，其中，每个向量都有m个变量，对应涡扇发动机操作参数和状态监测参数，变量组成一个初始数据集矩阵x，即：
[0019][0020]
式中，x
i
＝(x
1i
,x
2i
,...,x
ni
)
t
,i＝1,2,...,m；
[0021]
计算得到数据矩阵的x的协方差矩阵，即：
[0022][0023]
对协方差矩阵c
x
进行特征值分解，得到特征向量u，即：
[0024]
c
x
＝udu
t (4)
[0025]
式中，d＝diag(λ1,λ2,...,λ
m
),λ1＞λ2＞...＞λ
m
,表示按数值大小降序排列的特征值对角矩阵；u＝(u1,u2,...,u
m
)表示特征值λ
i
对应特征向量u
i
的集合，u为标准正交矩阵；
[0026]
利用特征向量矩阵u对相干积累信号数据矩阵x进行线性变换，得到各主成分向量y,即：
[0027]
y＝u
t
x (5)
[0028]
再计算得到前k个主成分对应的累计贡献率，即：
[0029][0030]
根据阈值threshold限定计算各维度累计贡献率逆向可得k值，k即为主成分分析降维后的维度；
[0031]
设y降维后取前k个主成分矩阵，则：
[0032]
y＝xu
y (7)
[0033]
式中u
y
＝(u1,u2,...,u
k
)
[0034]
根据前k个主成分对应的累计贡献率，保留前k个主成分向量的数据进行数据重构，实现高维数据向低维数据的映射。
[0035]
进一步地，在步骤二中：
[0036]
步骤2.1、选择的排列熵参数嵌入步骤一降低到的维数d，时间延迟τ＝1，对原始时间序列进行相空间重构，得到对应的d维重构向量：x(i)＝{x(i),x(i+τ),
…
,x(i+(d
‑
1)τ)}；
[0037]
步骤2.2、按公式h
p
＝h
p
(d)/ln(d！)计算归一化的排列熵值，得到区间为0到1之间的排列熵值作为退化阶段的评估指标；
[0038]
步骤2.3、如果排列熵都小于阈值，则认为发动机性能退化阶段处于阶段1；
[0039]
如果有1个排列熵超过阈值，则认为发动机性能退化阶段处于阶段2；
[0040]
如果排列熵均超过阈值，则认为发动机性能退化阶段处于阶段3。
[0041]
进一步地，在步骤三中：
[0042]
性能退化阶段1处于有效工作阶段，则不需要更新模型，选择xgboost模型进行寿命预测；
[0043]
性能退化阶段2处于缓慢退化阶段，则需要更新模型，选择lstm模型进行寿命预测；
[0044]
性能退化阶段3处于快速退化阶段，则需要更新模型，选择cnn
‑
janet模型进行寿命预测。
[0045]
进一步地，
[0046]
各模型训练参数设置如下：
[0047]
阶段1对应的xgboost模型超参数设置为：学习率为0.00521，最大树深度7，树总数4000，树的最小样本数5，样本采样比例0.9；
[0048]
阶段2对应的lstm模型超参数设置为：学习率为0.001，隐藏层为100，输出层为1，批尺寸为1024，激活函数为tanh，其它为默认值；
[0049]
阶段3对应的cnn
‑
janet模型超参数设置为：学习率为0.001，隐藏层为100，输出层为1，批尺寸为1024，迭代次数为20，时间窗长度为100。
[0050]
进一步地，
[0051]
所述三个性能退化阶段能够使用同一模型进行寿命预测，所述模型利用不同性能退化阶段数据进行训练，所述模型可以从xgboost模型、lstm模型和cnn
‑
janet模型中选择。
[0052]
本发明有益效果
[0053]
(1)本发明将发动机性能退化阶段分为3个不同的阶段，在寿命预测的过程中，根据各阶段的特点选择训练时间短、预测精度高的模型进行更新；
[0054]
(2)本发明与现有技术相比，可以有效地提高涡扇发动机剩余寿命预测的准确性，减小寿命预测的误差，为发动机视情维修提供依据。
附图说明
[0055]
图1为本发明的原理框图。
具体实施方式
[0056]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
一种涡扇发动机剩余寿命预测方法，
[0058]
将涡扇发动机的性能退化过程分为3个阶段：阶段1为有效工作阶段、阶段2为缓慢退化阶段、阶段3为快速退化阶段；
[0059]
所述预测方法包括以下步骤：
[0060]
步骤1、对从传感器获得的状态监测数据处理，进行归一化处理，并利用主成成分分析降维；
[0061]
步骤2、计算降维信号的排列熵，利用排列熵提取性能退化特征，识别退化阶段；
[0062]
步骤3、根据识别的不同性能退化阶段，选择不同的预测模型，进行分段预测。
[0063]
实施例一：
[0064]
利用c
‑
mapss模拟器生成涡扇发动机状态监测数据，模拟一个推力为40k的涡扇发动机系统级引擎在一系列飞行任务后的涡扇发动机退化过程，每次飞行大约为90分钟。
[0065]
在步骤一中：
[0066]
步骤1.1、利用c
‑
mapss模拟器生成涡扇发动机状态监测数据；采用最大最小归一法对涡扇发动机状态监测数据进行无量纲化处理，将各状态监测参数的数据大小限定在[0,1]之间，最大最小归一化的公式如下：
[0067][0068]
式中，为无量纲化的参数，为列中最小的值，为列中最大的值；
[0069]
步骤1.2、采用主成分分析的方法对数据进行降维；
[0070]
设x1,x2,...,x
n
表示涡扇发动机使用的传感器采集的n次数据中的每个向量，其中，每个向量都有m个变量，对应涡扇发动机操作参数和状态监测参数，变量组成一个初始数据集矩阵x，即：
[0071][0072]
式中，x
i
＝(x
1i
,x
2i
,...,x
ni
)
t
,i＝1,2,...,m；
[0073]
计算得到数据矩阵的x的协方差矩阵，即：
[0074][0075]
对协方差矩阵c
x
进行特征值分解，得到特征向量u，即：
[0076]
c
x
＝udu
t (4)
[0077]
式中，d＝diag(λ1,λ2,...,λ
m
),λ1＞λ2＞...＞λ
m
,表示按数值大小降序排列的特征值对角矩阵；u＝(u1,u2,...,u
m
)表示特征值λ
i
对应特征向量u
i
的集合，u为标准正交矩阵；
[0078]
利用特征向量矩阵u对相干积累信号数据矩阵x进行线性变换，得到各主成分向量y,即：
[0079]
y＝u
t
x (5)
[0080]
再计算得到前k个主成分对应的累计贡献率，即：
[0081][0082]
根据阈值threshold限定计算各维度累计贡献率逆向可得k值，k即为主成分分析降维后的维度；
[0083]
设y降维后取前k个主成分矩阵，则：
[0084]
y＝xu
y (7)
[0085]
式中u
y
＝(u1,u2,...,u
k
)
[0086]
根据前k个主成分对应的累计贡献率，保留前k个主成分向量的数据进行数据重构，实现高维数据向低维数据的映射。
[0087]
本实施例中，阈值设置为0.94，把21维的传感器数据降为6维。
[0088]
在步骤二中：
[0089]
步骤2.1、选择的排列熵参数嵌入步骤一降低到的维数d＝6，时间延迟τ＝1，对原始时间序列进行相空间重构，得到对应的d维重构向量：x(i)＝{x(i),x(i+τ),
…
,x(i+(d
‑
1)τ)}；
[0090]
步骤2.2、按公式h
p
＝h
p
(d)/ln(d！)计算归一化的排列熵值，得到区间为0到1之间的排列熵值作为退化阶段的评估指标；
[0091]
步骤2.3、如果排列熵都小于阈值0.7，则认为发动机性能退化阶段处于阶段1；
[0092]
如果有1个排列熵超过阈值0.7，则认为发动机性能退化阶段处于阶段2；
[0093]
如果排列熵均超过阈值0.85，则认为发动机性能退化阶段处于阶段3。
[0094]
在步骤三中：
[0095]
性能退化阶段1处于有效工作阶段，则不需要更新模型，选择xgboost模型进行寿命预测；
[0096]
性能退化阶段2处于缓慢退化阶段，则需要更新模型，选择lstm模型进行寿命预测；
[0097]
性能退化阶段3处于快速退化阶段，则需要更新模型，选择cnn
‑
janet模型进行寿命预测。
[0098]
各模型训练参数设置如下：
[0099]
阶段1对应的xgboost模型超参数设置为：学习率为0.00521，最大树深度7，树总数4000，树的最小样本数5，样本采样比例0.9；
[0100]
阶段2对应的lstm模型超参数设置为：学习率为0.001，隐藏层为100，输出层为1，批尺寸为1024，激活函数为tanh，其它为默认值；
[0101]
阶段3对应的cnn
‑
janet模型超参数设置为：学习率为0.001，隐藏层为100，输出层为1，批尺寸为1024，迭代次数为20，时间窗长度为100。
[0102]
实施例二：
[0103]
所述三个性能退化阶段能够使用同一模型进行寿命预测，所述模型利用不同性能退化阶段数据进行训练，所述模型可以从xgboost模型、lstm模型和cnn
‑
janet模型中选择。
[0104]
不同性能退化阶段的预测模型也可以是同一个模型，利用不同性能退化阶段数据训练的模型进行预测。
[0105]
本实施方式是对具体实施例1所述的涡扇发动机剩余寿命预测方法作进一步说明。本实施方式中，步骤3中预测模型选择，可以选择同一类模型利用不同性能退化阶段数据训练的模型。以xgboost模型为例，具体如下：
[0106]
性能退化阶段1处于有效工作阶段，选择利用阶段1数据训练的xgboost模型1进行寿命预测；性能退化阶段2处于缓慢退化阶段，选择利用阶段2数据训练的xgboost模型2进
行寿命预测；性能退化阶段3处于快速退化阶段，选择利用阶段3数据训练的xgboost模型3进行寿命预测。
[0107]
以上对本发明所提出的一种涡扇发动机剩余寿命预测方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。