一种基于信息增量的航空发动机状态监测方法

技术领域

本发明涉及航空发动机状态监测技术领域，特别是涉及一种基于信息增量的航空发动机状态监测方法。

背景技术

在民用飞机的整个飞行过程中，航空发动机系统在不同的飞行任务阶段(起飞阶段、爬升阶段、巡航阶段、下降阶段、进近阶段和着陆阶段)需要利用不同的变量信息、控制规律、管理规则甚至关键子系统完成每个飞行阶段任务，即不同飞行任务阶段的运行特性和变量特征有显著的区别。与单任务系统(平稳过程)相比，由于不同任务之间的目标差异性，航空发动机系统的运行过程更加复杂，其复杂性主要表现为多阶段特性、任务阶段持续时间不等长以及运行过程中变化趋势存在差异性。

航空发动机运行过程呈现多阶段特性，即航空发动机运行中过程变量跟随过程操作进程或者过程机理特性的变化发生规律性变化，如果采用单一监测模型会削弱任务阶段之间的差异性，从而影响模型的精度。因此，为了保障航空发动机运行的稳定性及安全性，必须正确、合理、可靠地识别和划分每个任务阶段，确保后续监测及故障诊断满足高性能的要求。目前大多数方法针对多阶段特性和阶段持续时间不等长进行了研究，例如不均匀间歇过程的阶段识别和在线监测[1]、使用可变移动窗口k最近邻规则构建伪时间片来进行不等长阶段划分和过程监测[2]、基于信息增量矩阵的多阶段间歇过程的阶段划分[3]，上述方法中所有运行过程具有良好的重复性，因此无论是否具有相同的持续时间，不同运行过程中的变化趋势都是非常相似的。然而，对于航空发动机系统，每次运行过程中任务阶段变化的趋势可能存在较大差异。例如，一些飞行任务阶段(爬升和进近)可能由不连续的多个飞行任务子段组成。所以，这一本质特征给航空发动机监测模型的建立带来了困难，进而影响监控的性能。

[1]Guo,R.,&Jin,Y.(2019).Phase Identification and Online Monitoringfor the Uneven Batch Processes.IEEE Access,7,81351-81363.

[2]Zhang,S.,Zhao,C.,Wang,S.,&Wang,F.(2017).Pseudo Time-SliceConstruction Using a Variable Moving Window k Nearest Neighbor Rule forSequential Uneven Phase Division and Batch Process Monitoring.Industrial&Engineering Chemistry Research,56(3),728-740.

[3]李征,王普,高学金等.基于信息增量矩阵的多阶段间歇过程质量预测[J].化工学报,2018,69(12):5164-5172.

发明内容

鉴于现有技术状况和航空发动机运行过程中的多阶段特性、任务阶段不等长以及变化趋势存在差异性的特点，本发明提出了一种基于信息增量的航空发动机状态监测方法。

本发明采取的技术方案是：一种基于信息增量的航空发动机状态监测方法包括下列步骤：

S1：由窗口数据矩阵获取模块利用窗口对航空发动机历史运行数据中的单次运行数据进行选取，得到窗口数据矩阵。

S2：由任务阶段划分模块对窗口数据矩阵使用信息增量方法计算得到信息增益指数，然后通过识别突变的信息增益指数确定任务阶段的切换点，得到划分的任务阶段。

所述任务阶段划分有以下步骤：

S21：所述窗口数据矩阵使用信息增量方法计算得到信息增益指数，首先对窗口数据矩阵

式(1)中，b是

然后对预处理后的窗口数据矩阵

再利用相邻的两个协方差矩阵R

D

最后根据信息增量矩阵D

式(4)中，D

S22：使用窗口对所述信息增量指数δ

δ

式(5)中，mean(d)和std(d)分别为第d个窗口内所有信息增益指数δ

S23：将所有所述突变的信息增量指数对应的所述窗口数据矩阵

S3：由任务阶段优化模块通过判断划分的任务阶段中相邻两个任务阶段数据的质心之间的相关性系数是否满足相关性要求来调整可调参数值，得到精确划分的任务阶段。

所述任务阶段精确划分有以下步骤：

S31：计算所述运行数据划分得到V

式(6)中，

S32：依次判断所述相邻两个任务阶段数据的质心之间的相关性系数

S4：通过窗口数据矩阵获取模块、任务阶段划分模块和任务阶段优化模块，对航空发动机历史运行数据中的每次运行数据进行精确划分，获得所有运行数据中任务阶段的数据；

S5：由任务阶段重排模块对所有运行数据中任务阶段的数据进行相似度计算，将不同运行数据中相似度高的任务阶段重新安排为一个任务阶段，确定重排后的每个任务阶段。

所述任务阶段重排有以下步骤：

S51：将I次运行数据以相同的变量维度自上而下排列获得矩阵

S52：根据矩阵

式(7)中，c＝1,2,…,C

S53：计算任意两个标准化后的任务阶段数据

式(8)中，p＝1,2,…,P，q＝1,2,…,Q；

根据欧式距离矩阵D

式(9)中，D

S54：对所有运行数据中标准化后的任务阶段的数据根据公式(8)、公式(9)进行相似度计算，将相似度高的任务阶段的数据以变量方式展开，重新安排为一个任务阶段，最终获得C

S6：由模型构建模块分别为C

S7：由在线监测模块根据构建的所述PCA监测子模型判断在线当前运行数据是否处于故障状态。

所述判断在线当前运行数据是否处于故障状态有以下步骤：

S71：在线获得当前运行数据，使用公式(7)中的均值和标准差对当前运行数据进行标准化得到标准化后的当前数据。

S72：使用公式(8)、公式(9)判断标准化后的当前运行数据所属任务阶段。

S73：根据所属任务阶段的PCA监测子模型计算出标准化后的当前运行数据的监控统计量。

S74：将当前运行数据的监控统计量与所属任务阶段的控制限进行比较，如果当前运行数据的监控统计量未超过所属任务阶段的控制限，说明当前运行数据正常；否则，判定当前运行数据处于故障状态。

与现有的技术相比，本发明的有益效果在于：依据窗口数据矩阵的信息增量使用窗口移动识别出所有突变的信息增益指数，进一步确定任务阶段的切换点，完成对航空发动机单次运行过程的任务阶段划分；根据相关性要求对可调参数进行调整，实现任务阶段的精确划分；使用相似度分析将不同运行数据中相似度高的任务阶段重新安排为一个任务阶段，并分别对每个任务阶段建立监测子模型，解决了任务阶段不等长以及航空发动机每次运行过程中任务阶段变化趋势存在差异的建模问题，从而更有效地进行故障的监测，具有一定实用意义。

附图说明

图1为本发明一种基于信息增量的航空发动机状态监测方法的流程图；

图2为本发明窗口移动的原理示意图；

图3为本发明窗口选取连续的5个样本点构成窗口数据矩阵时信息增量指数δh的变化趋势图；

图4为本发明窗口选取连续的15个样本点构成窗口数据矩阵时信息增量指数δh的变化趋势图；

图5为本发明窗口选取连续的30个样本点构成窗口数据矩阵时信息增量指数δh的变化趋势图；

图6为本发明不同可调参数μ值下的任务阶段划分结果图；

图7为本发明具有任务阶段不等长和任务阶段变化趋势存在差异的运行数据的示意图。

具体实施方式

以下结合附图和实施例对本发明作进一步说明：

本实施例中航空发动机历史运行数据由某型航空发动机从上海到北京、巴黎到上海、安克雷奇到北京等4次不同航班的运行数据组成，如表1所示，每次航班飞行时长各不相同，样本点数量也不相同，本实施例中选取14个过程变量进行监测，具体如表2所示。

表1航空发动机历史运行数据说明

表2过程变量说明

对该型航空发动机进行状态监测的具体步骤如下：

S1：由窗口数据矩阵获取模块利用窗口对航空发动机历史运行数据中的每次运行数据进行选取，得到窗口数据矩阵。

本实施例中，将航空发动机历史运行数据中的每次运行数据记为一个二维矩阵

S2：由任务阶段划分模块对窗口数据矩阵使用信息增量方法计算得到信息增益指数，然后通过识别突变的信息增益指数确定任务阶段的切换点，得到划分的任务阶段。

本实施例中任务阶段划分有以下步骤：

S21：窗口数据矩阵使用信息增量方法计算得到信息增益指数，首先对窗口数据矩阵

式(1)中，b是

然后对预处理后的窗口数据矩阵

再利用相邻的两个协方差矩阵R

D

最后根据信息增量矩阵D

式(4)中，D

图3、4、5所示，以本实施例中第1次运行数据的前1000个信息增量指数δ

S22：随着任务阶段的转换，信息增量指数会发生显著的变化，在同一任务阶段内，信息增量指数δ

δ

式(5)中，mean(d)和std(d)分别为第d个窗口内所有信息增益指数δ

S23：将所有突变的信息增量指数对应的窗口数据矩阵

S3：由任务阶段优化模块通过判断划分的任务阶段中相邻两个任务阶段数据的质心之间的相关性系数是否满足相关性要求来调整可调参数值，得到精确划分的任务阶段。

本实施例中任务阶段精确划分有以下步骤：

S31：计算运行数据划分得到V

式(6)中，

S32：依次判断相邻两个任务阶段的数据的质心之间的相关性系数

具体实施例中，以本实施例中第1次运行数据为例，如图6所示，可以看出，随着可调参数μ的增大，搜索到的突变的信息增量指数δ

S4：通过窗口数据矩阵获取模块、任务阶段划分模块和任务阶段优化模块，对航空发动机历史运行数据中的每次运行数据进行精确划分，获得所有运行数据中任务阶段的数据，如图7所示，每次运行数据的各个任务阶段是不等长的，并且每次运行数据中任务阶段变化趋势存在差异性。

具体实施例中，将4次运行数据进行精确划分，第1次运行数据得到9个任务阶段，9个任务阶段的数据记为

S5：由任务阶段重排模块对所有运行数据中任务阶段的数据进行相似度计算，将不同运行数据中相似度高的任务阶段重新安排为一个任务阶段，确定重排后的每个任务阶段；

本实施例中任务阶段重排有以下步骤：

S51：将4次运行数据以相同的变量维度自上而下排列获得矩阵

S52：根据矩阵

式(7)中，c＝1,2,…,C

S53：计算任意两个标准化后的任务阶段数据

式(8)中，p＝1,2,…,P，q＝1,2,…,Q。

根据欧式距离矩阵D

式(9)中，D

S54：对所有运行数据中标准化后的任务阶段的数据根据公式(8)、公式(9)进行相似度计算，将相似度高的任务阶段的数据以变量方式展开，重新安排为一个任务阶段，最终获得8个任务阶段，8个任务阶段的数据记为{X

S6：由模型构建模块分别为对8个任务阶段中的每个任务阶段构建PCA监测子模型，计算出每个任务阶段的监控统计量及控制限。

本实施例中，利用PCA方法对8个任务阶段中的每个任务阶段的数据进行分解，其中对第sp个任务阶段的数据X

式(10)中，

根据第sp个任务阶段的数据X

式(11)中，

根据第sp个任务阶段的所有监控统计量SPE

式(12)中，a

S7：由在线监测模块根据构建的所述PCA监测子模型判断在线当前运行数据是否处于故障状态。

本实施例中，判断在线当前运行数据是否处于故障状态有以下步骤：

S71：在线获得新运行过程第l个样本点的14个过程变量的当前运行数据

式(13)中，

S72：使用公式(8)、公式(9)判断标准化后的当前运行数据x

式(14)中，k

根据公式(14)计算标准化后的当前运行数据x

式(15)中，D

S73：根据所属任务阶段的PCA监测子模型计算出标准化后的当前运行数据x

式(16)中，

S74：将计算得到的监控统计量SPE

为了验证本方法的有效性，与传统全局PCA方法进行了比较，选用正常数据和故障数据进行监测，其中故障数据中包含两种故障类型，故障分别发生在第500、991-1000、3001-3010、6000个样本点处，表3给出了传统全局PCA方法和本方法对故障数据的监测结果，可以看到传统全局PCA方法出现未监测到故障的情况。表4给出了在正常数据和故障数据情况下传统全局PCA方法和本方法的监测性能，由表4可知，本发明的监测方法有效地降低了误报率和漏报率，能够显著提高故障检测的准确性，并对任务阶段不等长以及运行过程的变化趋势存在差异的问题研究具有很强的实用性。

表3传统全局PCA方法和本方法对故障数据的监测结果

表4在两种情况下传统全局PCA方法和本方法的监测性能

/>