基于数据拟合基线模型的民机空调系统健康指数构建方法

1.本发明涉及故障预测与健康管理(prognostics and health management，phm)技术领域，具体是一种基于数据拟合基线模型的民机空调系统健康指数构建方法。


背景技术：

2.飞机空调系统(air-conditioning system，acs)是为机组人员、乘客和设备控制飞机内部环境的重要系统。它是一个复杂的网络系统，由多个相互连接的子系统、组件、传感和动作装置以及反馈控制回路组成。acs主要功能是满足舱内加热、冷却、增压、通风和湿度调节的要求。acs是民航客机的重要组成部分，其故障具有多发性、重复性、复杂性等特点，易影响客舱服务品质，导致航班延误、误换件多等情况，甚至可能造成空中释压等不安全事件。据相关统计显示，在飞机的年故障总数中，空调系统的故障数占到了百分之十以上。由于acs有很高的可靠性要求，系统需要及时检查和维护。由于定期维护会浪费人力物力，为了提高维护的效率并实时了解系统的健康状况，监控系统的健康状况并根据健康状况维护十分必要。
3.健康管理的核心基础是利用先进的传感器技术集成，借助各种算法和智能模型，来完成系统的状态监测、故障诊断/预测，然后依据诊断或预测信息使用需求对维修活动做出适当的决策，避免“过修”和“失修”问题，提高系统的利用率，合理权衡使用、维修中安全和经济的矛盾，确保全寿命周期的成本最低。健康指数(health index，hi)是对设备的健康状态的量化表征，是反应设备退化程度的一个数值。现有的大多数研究集中在单传感器信号的退化建模，使用各种拟合退化模型，如随机过程模型和一般路径模型来表征退化过程。然而单传感器信号退化模型只适合于研究如电池或其他零部件的退化，随着工程系统复杂度提高，单个传感器无法准确表征系统的健康状况，因此从各种物理方面分析多个传感器信号来监控健康状态是未来发展的趋势。
4.飞机acs的核心组件是pack组件，pack组件的故障主要分为两种：(1)pack压气机出口超温故障；(2)pack出口超温故障。在pack组件包含的传感器参数中，将外界静温(static air temperature,sat)、旁通活门角度(pack bypass valve angle,bpv)、进口风门角度(ram air inlet angle,ri)、引气流量(pack flow,pf)、发动机引气温度(engine precool outlet temperature,ept)作为工况参数。而压气机出口温度(compressor outlet temperature，cot)和pack出口温度(pack discharge outlet temperature，pt)作为故障参数。pack组件的工作原理如图1所示，主要由三个热交换过程构成：第一个热交换是外界空气通过ri进入acs与来自发动机的引气发生热交换，第二个热交换是通过pbv发生在pack压气机出口与pack出口之间，第三个热交换是通过温度控制旋钮发生在pack出口与飞机的三个舱(驾驶舱、前客舱、后客舱)之间。由于地面阶段时地面温度高，故障发生的概率相对较高，而高空阶段外界温度低，散热相对容易，发生故障的概率低，所以主要基于地面阶段的飞行数据。
5.经对现有技术文献的检索发现，目前关于飞机的hi构建研究大多是针对航空发动
机的，而关于民机acs的研究较少。jianzhong sun等提出一种非参数估计模型，利用一年内6架飞机的飞机状态监控系统(aircraft condition monitoring system，acms)报文数据，将模型计算的压气机出口温度值与实际测量值的偏差作为计算飞机acs的hi(adata-driven health indicator extraction method for aircraft air conditioning system health monitoring[j].chinese journal of aeronautics,2019,32(02):409-416.)。民机acs主要用于进行外界温度和飞机内部的热交换，其中包含多个热循环过程，涉及多个传感器参数且这些参数有一些是互相影响的，是一个工况复杂的系统，构建民机acs的hi面临较大的挑战。
[0006]
目前民机acs的hi构建主要面临以下问题：
[0007]
民机acs的hi构建属于系统级的问题，需要紧密结合行业知识，充分利用多传感器数据，与系统的工作原理结合去挖掘参数间的关系。对于航空公司提供的关于acs的真实的飞行数据通常有很多噪声，需要透彻的了解acs的工作原理和细心的分析数据并选择合适的预处理手段才能为hi构建提供支撑。
[0008]
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。


技术实现要素：

[0009]
针对现有技术中存在的上述不足，本发明的目的是提供一种基于数据拟合基线模型的民机空调系统健康指数构建方法，以分析acs的工作原理和数据拟合为基础，为acs构建能有效反映其健康状态的hi。
[0010]
本发明是通过以下技术方案实现的。
[0011]
一种基于数据拟合基线模型的民机空调系统健康指数构建方法，包括如下步骤：
[0012]
步骤s1，数据筛选，数据来自民用航空飞机的实际飞行数据。
[0013]
步骤s1.1，筛选出健康状态良好的空客飞机的飞行数据。
[0014]
步骤s1.2，一次航班采样起飞阶段满足“双空调on双发n3差异小于3％”的第210秒”的传感器数据。
[0015]
步骤s2，数据预处理，对于工况参数进行降噪或降采样处理，并将数据归一化，对降噪后的数据进行了归一化的规范处理。
[0016]
步骤s2.1，数据过滤，对epot、pf、ri、bpv与性能参数的关系做过滤的处理，去除偏离一倍均值与标准差之差绝对值的数据。
[0017]
步骤s2.2，数据降采样，对sat与性能参数的关系做降采样的处理，取10个相近的点的均值进行分析。
[0018]
步骤s2.3，数据归一化，找到每个参数的最大值和最小值，设min和max分别为参数的最小值和最大值，将参数的一个原始值x通过标准化的公式映射成在区间[0,1]中的值x
′
，其公式为：
[0019][0020]
步骤s3，拟合基线模型。
[0021]
步骤s3.1，对于pack压气机超温故障，利用线性回归且最高次幂取6次幂分别拟合
出各个工况参数的关系f(x1),f(x2),
…
,f(xn)(单变量回归)。式中，x1,x2…
xn代表进行预处理后并对每个参数取平均值的工况参数sat、epot、pf、ri、pbv，f(x1),f(x2)
…
f(xn)为健康数据拟合出的独立时性能参数cot与工况参数拟合得到的基线模型。
[0022]
步骤s3.2，针对pack超温故障，需要考虑传感器之间的互相影响，所以将构建hi的性能参数与相关传感器参数之间利用svr进行多变量回归，令x＝[x1,x2…
xn]为多元物理参数的向量表示，此时拟合出的基线模型为f(x)。
[0023]
同理，x1,x2…
xn代表进行预处理后并对每个参数取平均值的工况参数cot、pbv和sat，f(x)为健康数据多变量拟合得到的性能参数pt与工况参数的关系式。svr回归中，取核函数为rbf核函数，惩罚系数c为10000，γ为0.01。
[0024]
步骤s4，构建hi。
[0025]
步骤s4.1，对于pack压气机超温故障，将健康数据拟合的基线作为参考值，将待测试数据x＝[x1,x2…
xn]带入函数得到的基线值与实际性能参数的归一化的值y＝[y1,y2…yn
]的残差之和的绝对值作为hi,即：
[0026][0027]
式中，x1,x2…
xn分别代表sat、epot、pf、ri、pbv，而f(x1),f(x2)
…
f(xn)分别代表代入cot与他们的基线关系式计算得到的估计值，y1,y2…yn
则代表实际的性能参数的值。
[0028]
步骤s4.2，针对pack超温故障，需要考虑传感器之间的互相影响，将pf的实际值归一化后与带入回归式中得到的基线值的残差绝对作为hi。即：
[0029]
hi＝|f(x)-y|
[0030]
式中，x1,x2…
xn分别代表cot、pbv和sat，f(x)代表基线模型，y则代表相应的x1,x2…
xn对应的性能参数的实际值。
[0031]
步骤s4.3，由于hi一般是一个0到1之间的数值，因此以上hi计算之后也通常会做一个归一化处理，使其可解释性更强。
[0032]
步骤s5，进行阈值分析。将故障数据和健康数据代入步骤s4中的hi计算模型中可以得出一个故障阈值，阈值的计算公式如下：
[0033][0034]
式中，a1代表的是健康数据中hi值的最大值，b1代表的是故障数据中hi值的最小值。
[0035]
与现有技术相比，本发明的有益效果是：
[0036]
能够效克服工况参数对空调系统性能判断的影响。如图4(a)所示，利用现有监控参数会出现图中两处高峰，实际为夏季温度过高导致，而空调性能未发生衰减，本发明的效果如图4(b)所示，可以看有出图中的两处高峰消失，说明该方法能有效减小因工况参数变化导致的虚警。如图3所示，利用该健康指数在现有测试数据上能实现异常样本与正常样本的有效区分，具有实际应用价值。
附图说明
[0037]
图1是acs原理示意图。
[0038]
图2是hi构建原理图。
[0039]
图3是pack压气机超温故障的健康数据和故障数据hi值。
[0040]
图4是一架飞机一段时间内pt的数值和相应hi的数值。
[0041]
图5是一架飞机一段时间内cot的数值和相应hi的数值。
具体实施方式
[0042]
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
[0043]
实施例
[0044]
本实施例提供了一种基于数据驱动的针对民机acs的hi构建方法，总体设计思路包括以下6个步骤：
[0045]
步骤s1，数据筛选，筛选出健康数据。
[0046]
步骤s2，数据预处理，对工况参数进行降噪处理或降采样处理。
[0047]
步骤s3，拟合基线模型。
[0048]
步骤s4，构建hi。
[0049]
步骤s5，阈值逼近。
[0050]
步骤s6，利用实际飞行数据进行验证分析。
[0051]
以下结合附图和实验样例对本实施例的技术方案进一步详细说明：
[0052]
输入：某次飞行的传感器参数
[0053]
输出：acs的两种故障的hi值
[0054]
一、数据筛选的详细步骤如下：
[0055]
(1)健康数据筛选
[0056]
筛选出健康状态良好的空客飞机的飞行数据。
[0057]
(2)采样特定时刻的数据
[0058]
采样一次航班采样起飞阶段满足“双空调on双发n3差异小于3％”的第210秒”的传感器数据。
[0059]
二、数据预处理的详细步骤如下：
[0060]
(1)数据过滤处理
[0061]
使用的实际飞行数据中，除了缺失数据，还存在一些出现频率较低的“离群点”，即噪声数据。本发明在分析bpv与cot的关系时对其进行了过滤的预处理。这是因为bpv是一个控制变量，它是一个离散值，会在某些特定值上数据较多，对其过滤则是去除了偏离一倍均值与标准差之差绝对值的数据，经过降噪处理后，避免了一些偶然出现的值的干扰。同理，对于ri、pf等工况参数也进行了降噪的处理。
[0062]
(2)数据降采样处理
[0063]
工况参数中的sat由于是一个连续数值，采样过于密集，对其进行了降采样的处理，即取了10个相近的点的均值进行分析。
[0064]
(3)数据归一化
[0065]
找到每个参数的最大值和最小值，设min和max分别为参数的最小值和最大值，将参数的一个原始值x通过标准化的公式映射成在区间[0,1]中的值x
′
，其公式为：
[0066][0067]
三、拟合基线模型的详细步骤如下：
[0068]
(1)pack压气机超温故障的参数拟合
[0069]
根据飞机acs的工作原理认为第一个热循环的工况参数sat、ri、pf、ept与性能参数cot之间互相独立，即利用线性回归的方法进行单变量线性拟合得到它们之间的关系f(x1),f(x2)
…
f(xn)，其中最高次幂为6次。式子中，x1,x2…
xn代表sat、epot、pf、ri、pbv，f(x1),f(x2)
…
f(xn)为健康数据拟合出的独立时性能参数cot与工况参数拟合得到的基线模型。
[0070]
(2)pack超温故障的参数拟合
[0071]
第二个热循环由于受到第一个热循环的影响，此时将cot、pbv和sat视为工况参数，而性能参数为pt，此时工况参数间互相影响，利用svr多变量回归的方法拟合他们的关系f(x)，其中核函数为rbf核函数，惩罚系数c为10000，γ为0.01。
[0072]
四、hi构建的详细步骤如下：
[0073]
(1)pack压气机超温故障
[0074]
对于pack压气机超温故障，由于是第一个热循环产生，认为工况参数之间是相互独立的。将健康数据拟合的基线作为参考值，将待测试数据＝[x1,x2…
xn]带函数得到的基线值与实际性能参数的归一化的值y＝[y1,y2…yn
]的残差之和的绝对值作为hi,即：
[0075][0076]
式中，x1,x2…
xn分别代表sat、epot、pf、ri、pbv，而f(x1),f(x2)
…
f(xn)分别代表代入cot与他们的基线关系式计算得到的估计值，y1,y2…yn
则代表实际的性能参数的值。
[0077]
(2)pack出口超温故障
[0078]
对于pack出口超温故障，由于工况参数有明显耦合关系，需要考虑传感器之间的互相影响，将性能参数的实际值归一化后与带入回归式中得到的计算值的残差绝对作为hi。即：
[0079]
hi＝|f(x)-y|
[0080]
式中，x1,x2…
xn分别代表cot、sat、bpv，f(x)代表pt与它们的基线关系，y则代表相应的x1,x2…
xn对应的pt的实际值。
[0081]
四、阈值分析的详细步骤如下：
[0082]
将故障数据和健康数据代入步骤s4中的hi计算模型中可以得出一个故障阈值，阈值的计算公式如下：
[0083][0084]
式中，a1代表的是健康数据中hi值的最大值，b1代表的是故障数据中hi值的最小值。
[0085]
如图3所示，对于pack压气机出口超温故障，尽管有个别的健康数据的hi数值与故
障数据的hi数值十分接近，健康数据中hi值的最大值为0.4265，故障数据中hi值的最小值为0.4159，计算出的故障阈值为0.4212。图3中也可以看出，大部分的故障数据的hi值大于0.42，也就是这个数值可以作为故障数据与健康数据的区分。本文为了保有一定的裕量，将cot压气机超温故障的hi值计为逼近值的90％，即当hicot超过0.378时认为其故障。
[0086]
同理，对于pack出口超温故障，hitp的阈值为0.552，即当hitp超过0.552视为故障。
[0087]
五、利用实际飞行数据进行验证分析：
[0088]
(1)相邻班次的hi值分析
[0089]
即使是在不同的地理位置和不同的工况参数的情况下，相邻航班的hi值应该是接近的，因为健康状况是不会发生突然的变化的。所以随机选取了几次工况参数相差较大的相邻航班的hi值进行分析。
[0090]
表1某架飞机相邻班次hi值和工况参数
[0091]
hitpsatepotpfribpv0.0440834.09442000.45319620.0424022.76532060.468896120.0592734.60532020.46889620.0762023.10252000.500096170.0632124.34522060.46889617
[0092]
如表1所示，选取某架飞机相邻的5次航班的工况参数并计算出pack超温故障的hi，可以看出尽管工况参数差别较大，尤其是sat相差10℃以上，bpv也相差10
°
以上，但是计算出的hi值都在相近的数值范围内波动。由于acs的健康状况在未发生故障时不会在某次航班中突然发生变化，性能参数的不同往往是由于工况不同导致的。表1证明本文所构建的hi能消除工况参数的影响，较为有效的反映系统真实的健康状态。
[0093]
(2)较长时间序列的hi值分析
[0094]
为了进一步验证acs的hi构建的合理性，分析对比了某架飞机较长一段时间连续航班序列(约1800次飞行)的cot和pt原始温度和对应的hi值，来验证为这两类故障构建的hi的有效性。
[0095]
(a)pack出口超温故障：
[0096]
从图4(a)可以看出，这架飞机的原始的pt值有两个峰值，在航班序列500和1750左右有多个温度超过25摄氏度的点，由于pt是最直接的性能参数，如果通过观察pt的值判断健康状态会认为这是pack出口超温故障。但这可能是由于冬季外界温度低bpv开度大从而来自压气机的高温空气较多导致或其他工况条件变化导致的，并不是一定是发生了pack出口超温故障。
[0097]
而图4(b)中的hipt的数值在pt温度高的两个峰值区域时都未超过会导致故障的阈值，而是处于相对健康的数值范围内。对照维修记录，这段时间这架飞机确实没有发生故障的现象，这证明对于pack出口超温故障本文构建的hi能有效避免故障的误判。
[0098]
(b)pack压气机出口超温故障：
[0099]
从图5(a)可以看出，这架飞机的cot的原始数值在航班序列1000左右的一段时间都超过180℃，有一个到达一个峰值后突然又降低的趋势，查询维修记录可知这是由于发生
故障随后又进行了换件。
[0100]
对应的图5(b)中hicot，也是在同一段时间内有一个上升的趋势达到故障阈值后又下降，这证明了为pack压气机出口超温故障构建的hi可以有效反应出系统的健康状况。
[0101]
综上所述，本文对真实的飞行数据进行清洗、筛选、降噪、归一化等预处理后针对pack组件的两种故障分析了工况参数和性能参数之间的关系，利用不同的回归模型拟合了参数间的关系作为基线模型，认为量测数据真实值与基线模型估计值的偏差越小代表系统的健康状况越好，以此为两种pack故障构建了hi。最后利用实际的飞行数据与维修记录分析了构建的hi的有效性从工程实践的角度进行研究，为hi构建研究的落地提供了参考。
[0102]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。