一种基线自适应的辅助动力装置性能趋势分析方法

1.本发明属于辅助动力技术领域，具体地，涉及一种基线自适应的辅助动力装置性能趋势分析方法。


背景技术：

2.辅助动力装置(auxiliary power unit,apu)是民用飞机上必不可少的重要部件，其本质上是一台转速恒定的小型燃气涡轮发动机，主要用于提供压缩空气和电力。apu性能趋势分析对于预测apu健康状态退化和失效时间，进而降低其运维成本，提高其运行安全性，具有重要意义。不同apu具有不同的性能退化趋势，但总体都是随着使用时间的增加，退化特征值逐渐增大或减小。然而，在实际工程中，考虑到不同apu个体间的差异性以及实际工作环境等因素的影响，同种工作环境下的不同apu之间的退化轨迹不一定彼此相似，而不同种工作环境下的不同apu之间的退化轨迹也不一定完全不相似。


技术实现要素：

3.本发明针对apu性能退化趋势受个体差异及实际工作环境因素影响较大，难以准确分析的问题，提出了一种基线自适应的辅助动力装置性能趋势分析方法。
4.本发明通过以下技术方案实现：
5.一种基线自适应的辅助动力装置性能趋势分析方法：
6.所述方法具体包括以下步骤：
7.步骤1、构建可以用来度量不同退化特征样本之间相似性的特征：分别对标准退化轨迹库内的全寿命周期apu所对应的egt数据，以及待比较apu所对应的egt数据进行退化特征提取，构建相似性特征；
8.步骤2、退化轨迹个性化匹配：在步骤1构建相似性特征后，在整个apu机队搜索与待比较apu相似的退化轨迹以完成退化轨迹的个性化匹配工作；
9.步骤3、构建个性化标准回归模型：对步骤2匹配出的轨迹进行回归，以构建其个性化标准回归模型；
10.步骤4、计算性能偏离值：计算待比较apu样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现apu性能趋势的有效分析。
11.进一步地，在步骤1中，
12.在整个apu机队中，选择标准退化轨迹库中的全寿命周期apu所对应的egt数据，并对所述egt数据进行退化特征提取，记提取后的数据为i＝1,2,
…
n，其中，n是所提取出的退化轨迹个数；
13.对待比较的apu的egt数据进行相同操作，记其所提取的数据为egt
feature_c
。
14.进一步地，对标准退化轨迹库以及待比较退化轨迹的各退化特征曲线进行分段，并对段内曲线进行线性拟合，同时以各段的斜率作为对应的段内特征，将每个退化特征曲线所对应的全部分段斜率构成该曲线的斜率集r＝[r1,r2,
…
,rn]，其中，n是分段数；
[0015]
通过斜率集r来表征对应退化特征曲线的形态变化，即斜率集r就是对应退化特征曲线的形态特征集合f。
[0016]
进一步地，在步骤2中，
[0017]
计算egt
feature_c
的形态特征集合fc和形态特征集合fi之间的均方根误差值，并以该值为基础获得针对待比较apu的距离矩阵m：
[0018][0019]
进一步地，在获得距离矩阵m后，利用k-means聚类算法和轮廓系数确定针对距离矩阵m的聚类个数k，即以聚类个数为横坐标，以对应的轮廓系数作为纵坐标；
[0020]
按照k值对距离矩阵m进行聚类，设其对应的聚类结果为c＝[c1,c2,
…
,ck]，对每个类分别求取其类内成分的均值；
[0021]
设ci是类成分均值最小的类，那么ci所包含的成分即针对待比较apu在机队标准历史库中所搜索出的个性化匹配成分。
[0022]
进一步地，
[0023]
设个性化匹配成分构成了待比较apu的匹配曲线集l＝[l1,l2,
…
,lj]，在距离矩阵m中可以找到各曲线lj所对应的距离mj，在此基础上可以构成权重
[0024]
设匹配曲线集l中各成分长度的最小值为t，接下来以t为基准对匹配曲线集进行加权拟合，设拟合后的曲线为其中其中是匹配成分lj在t时刻的参数值，其中t＝1,2,
…
,t。
[0025]
进一步地，在步骤3中，
[0026]
存在部分apu的使用时间会超出匹配曲线集l所涵盖的时间区间，需要对l进行区间外的预测，首先要对l先进行k-means聚类，假设apu的健康状态被划分为p个等级，即将聚类数设置为p；设聚类结果为对p个类成分求取对应的类均值；
[0027]
设为类成分均值最大的类，对类的分量按时间进行线性拟合并在此基础上进行预测；
[0028]
设待比较apu的使用时间为t2，那么预测长度为t
p
＝t
2-t；
[0029]
即对于使用时间长于l的apu来说，这些预测数据将和l一起作为待比较apu的个性化基线回归模型来参与接下来的性能偏离值计算。
[0030]
进一步地，在步骤4中，
[0031]
在计算性能偏离值时，使用式(2)、(3)来衡量其偏离情况；egt值越大说明apu性能
退化的可能越大；
[0032]
在式(2)中说明在t时刻，当前apu的egt要高于机队水平，所以时应更引起关注，最后按照式(3)对所有求取平方误差来代表当前apu与机队标准水平的具体偏离情况；
[0033][0034][0035]
式中——待比较apu的egt退化特征曲线在时刻t时的参数值；
[0036]yt
——对应加权拟合曲线在时刻t时的参数值；
[0037]
t
+
——η
t
》0的个数。
[0038]
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0039]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
[0040]
本发明有益效果
[0041]
本发明相对于现有方法，引入基于聚类的特征相似性思想，实现apu性能退化轨迹的个性化匹配，在此基础上，通过构建apu个性化基线回归模型，获取apu的标准性能退化轨迹，进而利用apu待测样本与标准性能退化轨迹之间的距离，来衡量其性能偏离情况计算，有效提高了apu性能趋势分析的准确性。
[0042]
本发明抑制了个体差异及实际工作环境因素对于apu性能趋势分析的影响；分析的apu性能趋势更能反映apu健康状态的变化特性；提高了apu性能趋势分析的有效性。
附图说明
[0043]
图1为本发明基线自适应的辅助动力装置性能趋势分析方法整体框架；
[0044]
图2为本发明基线自适应的辅助动力装置性能趋势分析具体方案。
具体实施方式
[0045]
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。
[0046]
结合图1至图2，本发明提出了一种基线自适应的辅助动力装置(auxiliary powerunit,apu)性能趋势分析方法。
[0047]
面向的数据对象是基于排气温度(exhaust gas temperature,egt)的apu退化特征数据，记为egt
feature
。图1示例了该方法的整体框架，首先构建可以用来度量不同退化特征样本之间相似性的特征，并以此为基础在整个机队去搜索与之相似的轨迹以完成退化轨
迹的个性化匹配工作。之后对匹配出的轨迹进行回归以构建其个性化基线回归模型，最后计算样本与它的个性化回归模型之间的距离来衡量其性能偏离情况。
[0048]
一种基线自适应的辅助动力装置性能趋势分析方法：
[0049]
所述方法具体包括以下步骤：
[0050]
步骤1、构建可以用来度量不同退化特征样本之间相似性的特征：分别对标准退化轨迹库内的全寿命周期apu所对应的egt数据，以及待比较apu所对应的egt数据进行退化特征提取，构建相似性特征；
[0051]
步骤2、退化轨迹个性化匹配：在步骤1构建相似性特征后，在整个apu机队搜索与待比较apu相似的退化轨迹以完成退化轨迹的个性化匹配工作；
[0052]
步骤3、构建个性化标准回归模型：对步骤2匹配出的轨迹进行回归，以构建其个性化标准回归模型；
[0053]
步骤4、计算性能偏离值：计算待比较apu样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现apu性能趋势的有效分析。
[0054]
在步骤1中，
[0055]
在整个apu机队中，选择标准退化轨迹库中的全寿命周期apu所对应的egt数据，并用退化特征提取方法对所述egt数据进行退化特征提取，记提取后的数据为i＝1,2,
…
n，其中，n是所提取出的退化轨迹个数；
[0056]
对待比较的apu的egt数据进行相同操作，记其所提取的数据为egt
feature_c
。
[0057]
对标准退化轨迹库以及待比较退化轨迹的各退化特征曲线进行分段，并对段内曲线进行线性拟合，同时以各段的斜率作为对应的段内特征，将每个退化特征曲线所对应的全部分段斜率构成该曲线的斜率集r＝[r1,r2,
…
,rn]，其中，n是分段数；
[0058]
通过斜率集r来表征对应退化特征曲线的形态变化，即斜率集r就是对应退化特征曲线的形态特征集合f。
[0059]
在步骤2中，
[0060]
计算egt
feature_c
的形态特征集合fc和形态特征集合fi之间的均方根误差值，并以该值为基础获得针对待比较apu的距离矩阵m：
[0061][0062]
距离矩阵m的聚类个数k，即以聚类个数为横坐标，以对应的轮廓系数作为纵坐标；如果一个类个数所对应的轮廓系数为众多轮廓系数的最大值，那么这个类个数就是最终的聚类个数k。
[0063]
按照k值对距离矩阵m进行聚类，设其对应的聚类结果为c＝[c1,c2,
…
,ck]，对每个类分别求取其类内成分的均值；
[0064]
设ci是类成分均值最小的类，那么ci所包含的成分即针对待比较apu在机队标准历史库中所搜索出的个性化匹配成分。
[0065]
设个性化匹配成分构成了待比较apu的匹配曲线集l＝[l1,l2,
…
,lj]，在距离矩阵
m中可以找到各曲线lj所对应的距离mj，在此基础上可以构成权重
[0066]
设匹配曲线集l中各成分长度的最小值为t，接下来以t为基准对匹配曲线集进行加权拟合，设拟合后的曲线为其中其中是匹配成分lj在t时刻的参数值，其中t＝1,2,
…
,t。
[0067]
在步骤3中，
[0068]
存在部分apu的使用时间会超出匹配曲线集l所涵盖的时间区间，需要对l进行区间外的预测，首先要对l先进行k-means聚类，假设apu的健康状态被划分为p个等级，即将聚类数设置为p；设聚类结果为对p个类成分求取对应的类均值；
[0069]
设为类成分均值最大的类，对类的分量按时间进行线性拟合并在此基础上进行预测；
[0070]
设待比较apu的使用时间为t2，那么预测长度为t
p
＝t
2-t；
[0071]
即对于使用时间长于l的apu来说，这些预测数据将和l一起作为待比较apu的个性化基线回归模型来参与接下来的性能偏离值计算。
[0072]
在步骤4中，
[0073]
在计算性能偏离值时，使用式(2)、(3)来衡量其偏离情况；结合先验知识可知，egt值越大说明apu性能退化的可能越大；
[0074]
在式(2)中说明在t时刻，当前apu的egt要高于机队水平，所以时应更引起关注，最后按照式(3)对所有求取平方误差来代表当前apu与机队标准水平的具体偏离情况；
[0075][0076][0077]
式中——待比较apu的egt退化特征曲线在时刻t时的参数值；
[0078]yt
——对应加权拟合曲线在时刻t时的参数值；
[0079]
t
+
——η
t
》0的个数。
[0080]
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0081]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
[0082]
以上对本发明所提出的一种基线自适应的辅助动力装置性能趋势分析方法，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。