[發明專利]基于相似性的發動機氣路參數長期預測方法及系統

有效

• 申請號: 201810010555.2
• 申請日: 2018-01-05
• 公開（公告）號: CN108563806B
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 鐘詩勝;譚治學;林琳;付旭云
• 申請（專利權）人: 哈爾濱工業大學（威海）
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京格允知識產權代理有限公司 11609
• 代理人: 張沫;周嬌嬌

本發明涉及一種基于相似性的發動機氣路參數長期預測方法及系統，其中方法包括：通過計算得到目標軌跡和各個歷史軌跡之間的逐點距離特征的時間序列，并利用得到的逐點距離特征的時間序列評估目標軌跡與各個歷史軌跡之間的統計距離利用得到的統計距離和歷史軌跡樣本，針對每個預測時間點上的單個特征元素，使每個歷史軌跡樣本都生成一個目標軌跡的假想的高斯函數形式的概率密度估計，成為一個假想高斯元集合；通過降序聚合方法對獲得的假想高斯單元集合進行聚合，得到目標特征的高斯混合模型。本發明相對于自回歸滑動平均、反向傳播神經網絡和傳統的基于相似性的預測方法相比具有更高的預測精度。

技術領域

本發明涉及航空發動機性能預測技術領域，尤其涉及一種基于相似性的發動機氣路參數長期預測方法及系統。

背景技術

作為一類高價值、高可靠性復雜裝備，航空發動機的工作性能隨著新的技術的應用而得到不斷提升，相應的，其結構復雜度、采購價格和維護價格也水漲船高。為了適應新時代的航空業發展需求，航空發動機又面臨著來自經濟性和安全性方面的壓力。與此同時，當今的能效管理與環境保護標準也對發動機的性能水平和可靠性水平也提出了更高的要求。為了應對維護難度、維修成本、運營性能等因素給發動機維修方面所帶來的多重壓力，學者們提出了視情維修(Condition Based Maintenance,CBM)和預測與健康管理(Prognostic and Health Management,PHM)的理念。這些理念旨在利用機內測試傳感器所提供的數據特征來進行異常探測、故障診斷和性能衰退趨勢預測，以此實現預防性維修，降低預計外故障的發生概率。顧名思義，對發動機衰退特征趨勢的預測是PHM中的一項重要內容，這項技術對預防性維修的實施具有決定性意義，是PHM領域的研究熱點之一。

一般情況下，發動機的性能狀態特征具有多元時間序列的形式。現今，能夠適用于多元參數時間序列預測的理論框架有很多，例如滑動自組織平均模型(Auto-RegressiveMoving Average,ARMA)、灰色模型(Grey Model,GM)、蒙特卡洛類方法、模糊邏輯、人工神經網絡(Artificial Neural Network,ANN)、卡爾曼濾波(Kalman Filter,KF)類方法。這些方法有的具有確定形式的輸出，有的具有概率形式的輸出，在實際的性能狀態短期預測實驗當中都體現出了較高的精度和魯棒性。然而，不同于短期預測領域的繁榮，針對發動機乃至于廣義的復雜設備的性能狀態的長期預測的研究和理論卻極為有限。雖然具有不同的側重點，和短期預測一樣，長期預測對于設備的PHM同樣具有重要意義：一方面，因為幾乎所有的維護維修計劃都需要在得知設備盡可能遠的預期性能的前提下進行制定，長期預測給出的設備性能長期變化趨勢對維修范圍制定環節提供了不可或缺的信息支撐；另一方面，因為發動機的長期的性能衰退受到更多的隨機事件的影響(例如小范圍的維修調整，以及微小結構損傷)，算法輸出的預測結果應該具有概率形式，以實現預測結果的置信程度的準確表達。然而，上述所提到的方法的長期預測性能遠遠不能滿足實用要求，而且大多數的方法只能夠給出確定性的預測結果，難以支撐后續的管理決策環節。即使部分算法，如粒子濾波和卡爾曼濾波器能夠給出性能特征的長期分布，但是這些方法仍然不能提供性能特征在未來各個時間點的概率密度函數的準確估計。因此，作為一種非線性、動態的、高度隨機的過程，性能參數的長期衰退趨勢預測一直被各種預測類研究當作一件在討論范圍之外的議題而被避而不談。

著眼于這個問題，有研究學者提出了基于相似性的預測(Similarity BasedPrediction,SBP)理論，進而發展出了一系列的適用于長期性能預測的方法。SBP提出了一種假設，這種假設規定若待預測衰退樣本的歷史特征軌跡與某些歷史樣本的對應時間段的軌跡相似，那么其以后的發展趨勢一定與這部分歷史樣本的后續發展軌跡相似。基于這個假設，SBP首先評估待預測軌跡與歷史數據庫中各樣本軌跡的相似性，而后利用得到的相似程度和歷史軌跡的后續發展軌跡實現待預測軌跡在未來各個時間點的概率密度函數的重構。這個技術框架使SBP能夠有效地利用歷史樣本提供的同構信息進行目標樣本未來發展趨勢的刻畫，而且，只要目標樣本的待預測時間點能夠被歷史樣本的長度所覆蓋，SBP便能夠對其進行預測。