[發(fā)明專利]一種航空發(fā)動機修后排氣溫度裕度預測方法

有效

• 申請?zhí)枺?/td>: 201711436066.5
• 申請日: 2017-12-26
• 公開（公告）號: CN108170945B
• 公開（公告）日: 2021-07-02
• 發(fā)明（設計）人: 鐘詩勝;林琳;李臻
• 申請（專利權）人: 哈爾濱工業(yè)大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F17/18
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳泉清

一種航空發(fā)動機修后排氣溫度裕度預測方法，本發(fā)明涉及航空發(fā)動機修后排氣溫度裕度預測方法。本發(fā)明為了解決現有技術航空發(fā)動機修后排氣溫度裕度預測誤差較大的的缺點。本發(fā)明包括：一：采用五次多項式擬合對航空發(fā)動機送修前性能參數序列進行特征提取，得到送修前性能參數特征向量矩陣；二：采用堆疊自編碼深度學習網絡對航空發(fā)動機單元體維修深度進行特征提取，得到單元體維修深度特征向量矩陣；三：將送修前性能參數特征向量和單元體維修深度特征向量進行合并，得到修后性能特征向量；四：利用修后性能特征向量和每個維修案例對應的修后性能參數序列，采用BP神經網絡建立航空發(fā)動機修后性能預測模型；本發(fā)明用于發(fā)動機的維修維護領域。

技術領域

本發(fā)明涉及航空發(fā)動機維修優(yōu)化技術領域，具體涉及航空發(fā)動機修后排氣溫度裕度預測方法。

背景技術

航空發(fā)動機是在民航飛機等飛行器的主要動力來源和引氣裝置，其工作環(huán)境復雜且可靠性要求較高。因此，航空發(fā)動機在全使用壽命周期內需要進行科學的維修與維護。預測發(fā)動機在執(zhí)行某深度維修后的性能狀態(tài)是進行維修優(yōu)化的基礎。航空發(fā)動機的修后性能主要受到其送修前性能狀態(tài)和維修深度兩方面因素的影響。發(fā)動機的性能參數是時間序列，其維修深度又是高維離散量。在航空發(fā)動機的修后性能預測相關研究中，目前尚缺乏能夠同時處理這兩類參數的方法和模型。

對于同一臺航空發(fā)動機，其送修前后的性能狀態(tài)可視為兩個具有一定差異的相似非線性系統(tǒng)。兩系統(tǒng)之間的差異主要是由維修工作造成的。在航空發(fā)動機的修后性能預測中，需要同時考慮兩個非線性系統(tǒng)的“相似性”和“差異度”，其中發(fā)動機送修前性能參數可用來表征“相似性”，而“差異度”可用維修深度進行表征。但在實際運維中，修后性能與影響因素的映射關系尚不明確，需要對修后性能預測模型進行進一步研究。

預測模型總體上可分為：數據驅動模型、物理數學模型以及混合模型。但某些復雜裝備由于缺少精確的物理數學模型，限制了物理模型及混合模型在預測問題上的應用。航空發(fā)動機在運行過程中積累了大量的運維數據，這些數據可為數據驅動模型的研究提供重要基礎。因此，本發(fā)明以航空發(fā)動機實際運維數據為基礎，建立其修后性能預測模型。

在航空發(fā)動機修后性能預測模型中，發(fā)動機的性能狀態(tài)可用性能參數時間序列進行表征。發(fā)動機時序性能參數的預測方法已有一定研究基礎。但在修后性能預測模型中還需考慮航空發(fā)動機的維修深度，而維修深度需用離散量進行表示。因此，傳統(tǒng)的時序參數預測方法不能夠完全適用于航空發(fā)動機的修后性能預測。

航空發(fā)動機是航空器的主要動力來源和引氣裝置。航空發(fā)動機也是工作在高溫、高速環(huán)境中的復雜熱力機械。為保證航空發(fā)動機運行可靠性，在其全使用壽命周期內需要進行科學的維修與維護。預測發(fā)動機在執(zhí)行某深度維修后的性能狀態(tài)是進行維修優(yōu)化的基礎。航空發(fā)動機的修后性能主要受到其送修前性能狀態(tài)和維修深度兩方面因素的影響。發(fā)動機的性能參數是時間序列，其維修深度又是高維離散量。在航空發(fā)動機的修后性能預測相關研究中，目前尚缺乏能夠同時處理這兩類參數的方法和模型。

發(fā)明內容

本發(fā)明的目的是為了解決現有技術航空發(fā)動機修后排氣溫度裕度預測誤差較大的的缺點，而提出一種航空發(fā)動機修后排氣溫度裕度預測方法。

一種航空發(fā)動機修后排氣溫度裕度預測方法包括以下步驟：

步驟一：采用五次多項式擬合對航空發(fā)動機送修前性能參數序列進行特征提取，得到s×c維的送修前性能參數特征向量矩陣P_s×c；所述x_s,m為第s個發(fā)動機維修案例(發(fā)動機維修一次即為一個維修案例)送修前第m個飛行循環(huán)的排氣溫度裕度值，c為送修前性能參數特征向量矩陣P_s×c的列數(s為行數)；

步驟二：采用堆疊自編碼深度學習網絡對航空發(fā)動機單元體維修深度原始信息矩陣進行特征提取，得到s×d維的單元體維修深度特征向量矩陣R_s×d；