[0057] 4相似性匹配
[0058] (1)时间定位
[0059] 如图7所示,由于不知道待预测发动机轨迹起点的位置,首先需要进行待预测轨迹的时间定位,找到参考轨迹中与待预测轨迹初始状态参数最接近的时间点。然后将两个轨迹从该时间点截断,取截断点后的两个轨迹进行后续的进一步匹配计算。设L台参考发动机i的全寿命循环数分别为{C},i=1,2,...,L,待预测发动机的采样点数为n0,将待预测发动轨迹与各参考发动机进行时间定位得到一个集合{it0},i=1,2,...,L。
[0060] (2)时间尺度伸缩匹配
[0061] 如图8(a)所示,令离散函数x(t),t=0,1,...,m和y(t),t=0,1,...,n分别表示参考发动机和待预测发动机的退化轨迹。两个轨迹需要满足以下条件:(A)相同的起点;(B)自变量为正整数。
[0062] 首先,用一个因子λ去伸展或压缩x(t)的时间尺度,得到一个临时轨迹x'(t)=x(λt),t=0,1/λ,...,m/λ;λ∈R+。由于临时轨迹的采样点不符合整数采样要求,使用PCHIP插值算法插值序列x'(t)从而获得一个新轨迹x"(t),t=0,1,...,[m/λ]。
[0063] PCHIP算法具体为:令a=x0<x1<...<xn=b为区间I=[a,b]的一个划分,fk,k=0,1,..,n为划分点的函数值,令hk=xk+1-xk,pk=f'(xk)。PCHIP函数Ih(x)满足如下限制:
[0064] A.定义域为I=[a,b];
[0065] B.在每个子区间Ik=[xk,xk+1](k=0,1,...,n-1),Ih(x)可以用一个三次样条多项式等式Ik(x)表示;
[0066] C.插值条件:Ih(xk)=fk,I′h(xk)=pk;(k=0,1,2,...,n)。
[0067] 在每个子区间[xk,xk+1],PCHIP函数可表示为:
[0068] Ik(x)=fk+ck,1(x-xk)+ck,2(x-xk)2+ck,3(x-xk)3 (9)
[0069] 式中:
[0070]
[0071] 接着,定义一个相似性距离去量化x"(t)和y(t)之间的相似性:
[0072]
[0073] 式中,α是一个0-1之间的平滑参数。在本发明中,α=0.98。因为近期时间点对未来退化具有更为重要的影响,因而通过 给距当期时刻较近的时间点分配更大的权重。[·]表示取整算子。
[0074] 如图8(b)所示,随着伸缩因子λ的变化,相似性距离随之变化。显然这是一个凸优化问题,也就是说存在一个最优的λopt是相似性距离Dλ(x(t),y(t))最小。最优函数值被定义为最优匹配距离DOM。
[0075]
[0076] 式中,Dλ(x(t),y(t))为式(11)定义的相似性距离。
[0077] 5集成加权
[0078] L台参考发动机在时间定位点之后的寿命分别记为{lM},l=1,2,...,L,其为:
[0079] lM=lC-lt0,l=1,2,...,L (13)
[0080] 式中,lC为第l个参考发动机的全寿命,lt0为待预测发动机与第l个参考发动机的时间定位位置。
[0081] 通过相似性匹配,得到L个最优伸缩因子和最优匹配距离{lλopt,lDOM},l=1,2,...,L,通过最优伸缩因子计算L个待预测发动机的剩余寿命估计值:
[0082] lR=lλopt·lM-n0,l=1,2,...,L (14)
[0083] 式中,n0为待预测发动机的数据点数,lλopt为最优匹配因子。
[0084] 至此,得到L个相似性距离和对应的L个RUL估计值,用集合{lDOM,lR},l=1,2,...,L来表示。为获取待预测发动机的剩余寿命,通过相似性距离生成相似性权重。
[0085]
[0086] 式中,lS是第l个参考发动机的相似性得分,其为
[0087] 加权集成的目的是集成多个寿命估计最终获得待预测发动机的寿命。最简单的集成方法是加权和,待预测发动机RUL的点估计为:
[0088]
[0089] 实验验证
[0090] 本发明使用美国航空航天局NASA提供的涡扇发动机数据集的Dataset 2(包括测试集、训练集)对提出的预测方法进行有效性验证。该数据集由C-MAPSS(Commercial Modular Aero-propulsion System Simulation)大型涡轮风扇发动机仿真模型得到。模型通过14个参数的输入来模拟包括风扇、低压压气机、高压压气机、高压涡轮、低压涡轮(Fan,LPC,HPC,HPT,LPT)在内的五大旋转部件失效影响和退化过程,发动机仿真模型主要部件简图如图9所示。
[0091] 数据由发动机不同运行循环时间点的3个工况参数(飞行高度、飞行马赫数和油门杆角度)21个传感器监测的性能参数组成。传感器监测值是针对研究模块,通过发动机热动力仿真模型获取,且包含噪声。训练数据包括多组独立同一单元的多元时间序列样本,反映了每个单元从初始到失效的全寿命周期的变化过程。每个部件的初始时刻的退化情况是随机且未知的,是否发生退化以及退化程度不同,随着发动机的运行,当性能降级到一个阈值的后整个系统发生失效。用于衡量发动机性能状态的21个监测参数值如表1所示。
[0092] 表1模型输入参数
[0093]序号 描述 符号
1 燃料流量 Wf(pps)
2 风扇效率参数 fan_eff_mod
3 风扇流量参数 fan_flow_mod
4 风扇压比参数 fan_PR_mod
5 低压压气机效率参数 LPC_eff_mod
6 低压压气机流量参数 LPC_flow_mod
7 低压压气机压比参数 LPC_PR_mod
8 高压压气机效率参数 HPC_eff_mod
9 高压压气机流量参数 HPC_flow_mod
10 高压压气机压比参数 HPC_PR_mod
11 高压涡轮效率参数 HPT_eff_mod
12 高压涡轮流量参数 HPT_flow_mod
13 低压涡轮效率参数 LPT_eff_mod
14 低压涡轮流量参数 LPT_flow_mod
[0094] 表2监测参数表征量
[0095]
[0096]
[0097] 1)工况识别
[0098] 使用训练集数据通过K均值聚类得到6个工况的聚类中心和半径分别如表3所示,工况聚类图如图10所示。对于测试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。
[0099] 表3聚类中心和半径
[0100]
[0101] 2)变工况数据标准化
[0102] 即使是同一种状态监测参数,不同工况下的数据不具有可比性,使用本发明提出的方法对各工况数据进行标准化处理,去除工况的干扰信息,训练集1#发动机的传感器1,2和3标准化前后的数据如图11所示。
[0103] 从图11可以看出,传感器2和3的监测参数在标准化后呈现出了一定的趋势性,而传感器1仍然没有明显的退化趋势,说明传感器1完全不能表征任何系统的退化信息。因此,接下来要进行参数的的选择或降维,去除没有趋势性的传感器参数,并对有趋势的参数进行维度的约减。
[0104] 3)多元参数维度约减
[0105] 训练集1#发动机状态参数维度约减后的轨迹如图12所示。
[0106] 4)相似性匹配计算
[0107] 用训练集1#、2#、3#发动机对测试集1#发动机进行剩余寿命估计的估计结果如图13所示,其中测试机1#发动机的真实剩余寿命为18个循环。
[0108] 5)预测结果分析
[0109] 为验证所提出方法更多发动机样本的适用性,使用本发明所提出的方法对测试样本集中随机选择的10台变工况下运行的航空发动机进行算法的进一步验证,预测结果如表4所示。
[0110] 表4预测结果
[0111]序号 真实的剩余寿命 预测的剩余寿命 绝对误差 相对误差(%)
1 18 15 -3 16.67%
2 79 68 -11 13.92%
3 79 70 -9 11.39%
4 73 57 -16 21.92%
5 30 32 2 6.67%
6 67 59 -8 11.94%
7 99 76 -23 23.23%
8 22 17 -5 22.73%
9 54 42 -12 22.22%
10 37 31 -6 16.22%
均值 -- -- -9.1 16.69%
[0112] 从表4可知,本发明提出的航空发动机整机剩余寿命预测方法的平均预测百分比误差为17%左右,对不同的发动机样本均具有较高的预测精度,提出的预测方法可为航空发动机的整机剩余寿命预测提供一个新的研究思路。