一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法

技术领域

本发明涉及航空发动机健康管理的技术领域，具体涉及一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法。

背景技术

航空发动机对飞机来说至关重要，其性能的好坏直接决定飞机的飞行安全。由于航空发动机造价昂贵，当发动机出现问题时，航空公司并不是频繁地更换发动机，而是通过维护和维修来解决问题。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。统计资料表明，在所有飞机飞行事故中，航空发动机故障引发的事故约占60％左右。因此，如何有效地预防航空发动机故障成为保障飞行安全的重中之重。

航空发动机构造非常复杂，工作环境也极端恶劣，在不经过检修的情况下很容易出现故障。但维修航空发动机的费用很高，出于成本预算方面的考虑，航空公司不可能在每个航班起飞前都要对其进行全面检修，常常采取“视情维修”的策略。“视情维修”也称“基于状态的维修”，就是对航空发动机现阶段的健康状态进行评判，若其健康状态良好，则不对其进行维修；若评估的发动机健康状态较差，则立即对其进行检修。实际中常以航空发动机的性能参数，如发动机排气温度、燃油流量、涡轮转速等为依据对航空发动机的健康状态进行评估。当所监控的性能参数发生异常时，工程人员即可判定该发动机是有问题的。因此，监测航空发动机的性能参数，评估其健康状态对指导“视情维修”至关重要。绝大多数航空发动机的故障是通过时间的积累而日益暴露出来的，可以通过研究性能参数的变化规律，评价系统当前的健康状态。当健康度低于预警值时，可以判断航空发动机在不久的未来以很大可能会发生故障，应迅速对其采取维护维修措施。从以上陈述可知，航空发动机健康评估对辅助“视情维修”具有重要的意义。

然而，航空发动机工作在复杂多变的工况环境下，变化的工况掩盖了性能参数真实的退化规律，由于工况变动的干扰，单纯的性能参数并不能反映系统的健康状态。

发明内容

本发明的目的在于：为了克服现有技术的上述缺陷，本发明提出一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法，首先识别出当前状态的工况，然后选择特定工况下的评估模型进行健康状态的评估，可以免受工况干扰，给出发动机真实的健康状态。

本发明采用的技术方案为：一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法，包含如下步骤：

第一步，识别发动机的运行工况。首先使用训练集数据的所有工况参数进行聚类分析，得到各工况的聚类中心和聚类半径；然后计算各状态工况参数与各聚类中心的距离，辨识系统所处的工况；

第二步，基于谷本距离测度进行单工况健康评估。首先，得到航空发动机正常运行状态的正常状态空间；然后，计算当前状态与正常状态之间的谷本距离；最后，将距离转化为健康指数，量化系统的健康状态。

第三步，整合不同健康评估模型评估结果。将不同工况下的健康评估结果按原始的时间顺序整合为新的时间序列，得到系统健康指数序列。

本发明与现有技术相比的优点在于：

(1)、在工况辨识的基础上，使用多个评估模型分别评估不同工况下的系统状态，评估结果不受工况干扰，更为准确客观；

(2)、谷本距离既可以表征两个向量间的长度差异，也能表征它们的夹角差异，与欧氏距离和夹角余弦相比，其对两向量差异的度量更加全面。

附图说明

图1为航空发动机整机健康评估流程示意图；

图2为K均值聚类流程图；

图3为工况识别流程图；

图4为基于谷本距离的健康评估原理图；

图5为涡轮风扇发动机仿真模型结构图；

图6为训练集1#发动机传感器监测数据示意图；

图7为训练集2#发动机传感器监测数据示意图；

图8为工况聚类结果图；

图9为发动机实时工况示意图，其中，图9(a)为训练集1#发动机，图9(b)为训练集2#发动机；

图10为健康评估结果示意图，其中，图10(a)为训练集1#发动机，图10(b)为训练集2#发动机。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

本发明一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法，具体步骤如下：

1.基于K均值聚类的工况识别

K均值聚类算法由MacQue提出，在数据挖掘中应用广泛，是经典聚类算法之一。设X＝{X₁,X₂,...,X_n}为已知数据集，X中的X₁,X₂,...,X_n是n个数据对象并且每个数据对象都是N维的，即X_i＝(x_i1,x_i2,...,x_iN)。K均值聚类算法就是要找到含有K个聚类中心的集合C＝{C₁,C₂,...,C_K}＝{(c₁₁,c₁₂,...,c_1N),(c₂₁,c₂₂,...,c_2N),...,(c_K1,c_K2,...,c_KN)}使得目标函数

$J(X,C)=min\left(\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{n_i}{\Sigma }}d\right(C_i,X_j\left)\right)---\left(1\right)$

其中，n_i被归为类C_i的数据对象点数，d(C_i,X_j)表示聚类中心与数据对象的欧几里德距离，其定义如下：

$d(C_i,X_j)=\sqrt{{(c_{i1}-x_{j1})}^2+{(c_{i2}-x_{j2})}^2+\mathrm{...}+{(c_{iN}-x_{jN})}^2}---\left(2\right)$

K均值聚类算法的核心思想是把数据集划分成使目标函数达到最小值的K个类。具体步骤如图2所示。

工况识别的流程如图3所示。使用训练集所有工况数据通过K均值聚类算法得到各个工况的聚类中心和半径。计算实时工况参数与各个聚类中心的距离，距离较近者即为该工况。

2.基于谷本距离的健康评估

在工况识别后需要基于每种工况下的状态数据分别建立健康评估模型，然后对各状态进行评估。健康评估的实质是将多维参数转化为一维健康指数的过程，健康指数在0～1之间。健康评估包括两个核心步骤，即多元数据融合和数据标准化，本发明使用距离测度的方法实现多元数据的融合。

谷本距离(Tanimoto Distance)测度，可以同时表现两点(状态)之间的夹角和相对距离的信息。对于某些数据集，向量的相对长度包含有价值的信息；而对于另一些，向量之间的夹角会衡量那些数据对象更加接近。欧式距离测度反映向量长度之间的差距，而不考虑向量之间的夹角；而余弦距离测度忽略了向量的长度。因此，本发明选择谷本距离来综合衡量发动机不同状态之间的差距。两个n维状态向量a＝(a₁,a₂,...,a_n)和b＝(b₁,b₂,...,b_n)之间的谷本距离测度公式为：

$\begin{array}{c}D=1-\frac{a·b}{|a{|}^2+|b{|}^2-a·b}\\ =1-\frac{(a_1{b}_1+a_2{b}_2+\mathrm{...}+a_n{b}_n)}{({a_1}^2+{a_2}^2+\mathrm{...}+{a_n}^2)+({b_1}^2+{b_2}^2+\mathrm{...}+{b_n}^2)-(a_1{b}_1+a_2{b}_2+\mathrm{...}+a_n{b}_n)}\end{array}---\left(3\right)$

式中，被定义为谷本系数(Tanimoto Coefficient)，谷本系数度量两个空间或向量之间的相似程度。

基于谷本距离的健康评估原理如图4所示，首先建立发动机系统的正常状态空间，然后计算待评估状态与基准空间的谷本距离，最后使用归一化公式得到系统当前的健康指数，归一化公式为：

$CV=1-\frac{actan(D_i+a)-actan\left(a\right)}{\frac{\pi }{2}-actan\left(a\right)}---\left(4\right)$

式中，D_i为谷本距离，a为平滑参数，用以调节健康评估的敏感性。

使用不同工况下的多个评估模型得到的健康指数具有相同的范围和尺度，健康指数之间具有可比性，将它们按原始时间标记顺序合并，即可得到变工况下统一的健康指数时间序列，完成健康状态评估。

3.案例验证

本发明通过NASA研究中心提供的民用涡轮风扇发动机的性能退化仿真数据验证提出的健康评估模型。仿真模型建立在NASA Army Research Laboratory开发的CMAPSS环境中，CMAPSS能够仿真90,000磅推力级的发动机模型在不同高度、马赫数、海平面温度下的运行状况，发动机的推力由油门杆角度(TRA)控制，其可看作工况参数。通过修改CMAPSS中各旋转部件的流量和效率等共13个健康状态参数，可以仿真发动机的五大旋转件即风扇、低压压气机、高压压气机、高压涡轮、低压涡轮的故障和性能退化造成的发动机整机影响。CMAPSS能同时监测并记录仿真系统的58个性能变量。涡轮风扇发动机气路结构如图5所示，CMAPSS的14个输入量的物理含义及符号如表1所示。

表1CMAPSS输入变量

Saxena等人在2008年使用CMAPSS模型进行了仿真试验，并实时监测58个系统输出中21个传感器参数，监测参数主要由发动机气路不同位置的温度、压力和转速等组成。此外，状态参数中也包含有表征发动机工况状态的高度，马赫数和油门杆角度(推力)。表2给出了21个传感器参数的物理含义和符号。

表2CMAPSS输出参数

NASA提供了4种不同仿真设置条件的性能衰退数据集，分别来自4个独立的仿真试验，每组仿真试验具有不同的工况、故障模式等设置。数据集1和数据集2包含1种故障模式，即高压压气机退化(HPC)，数据集3和数据集4包含高压压气机退化(HPC)和风扇退化(Fan)两种故障模式。数据集1和数据集3包含一种工况模式，数据集2和数据集4包含6种工况模式。表3给出了4个数据集的详细信息。

表3数据集的试验设置信息

每个数据集包含测试集和训练集，训练集的数据是全寿的，可用于开发健康评估和寿命预测模型。本发明使用数据集#2的训练数据来试验和验证提出的健康评估方法。

图6和图7展示了训练集1#和2#发动机在性能衰退过程中各传感器的监测数据，两台发动机工作在变工况下，从曲线上分析可知，复杂的工况变化使得所有传感器参数均不能表征性能衰退趋势。

使用训练集所有数据通过K均值聚类得到6个工况的聚类中心和聚类半径如表4所示，工况聚类图如图8所示。对于待评估数据首先计算实时工况参数与6个聚类中心的距离，距离最近者即判为该工况。

表4聚类中心与聚类半径

对训练集1#和2#发动机进行运行工况剖面的辨识，结果如图9所示。

以训练集1#和2#发动机为例，试验验证提出的变工况健康评估方法，健康评估的结果如图10所示。

从图10中可以看出，随着使用循环数的增加，航空发动机整机的健康指数越来越小，健康状态发生退化。可以通过设定健康度阈值进行超限报警，提示维护维修人员提前安排“视情维修”，这样既可以避免发动机在使用过程中发生故障，又可以减少因计划维修带来的高昂花费。

本发明中涉及到的本领域公知技术未详细阐述。