[發明專利]航空發動機氣路多部件性能評估方法

在審

• 申請號: 202210818076.X
• 申請日: 2022-07-13
• 公開（公告）號: CN115408924A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 付旭云;鐘詩勝;白爭鋒;蔣偉
• 申請（專利權）人: 哈爾濱工業大學（威海）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 威海科星專利事務所 37202
• 代理人: 初姣姣

1.一種航空發動機氣路多部件性能評估方法，其特征在于，包括以下步驟：

步驟一：建立非線性編碼器模型，進行特征提取，所述非線性編碼器由一維卷積神經網絡和傳統編碼器組成，傳統的1D-CNN通常包含卷積層(Convolutional Layers)，非線性激活層(Activation Layers)與池化層(Pooling Layers)3個基本單元，其中卷積層與非線性激活層共同作用用于提取參數特征，池化層用于實現模型參數降采樣，由于采用自動編碼器重構輸入輸出，需要確保重構前后的數據相一致，故需去除用于縮小模型參數的池化層，去除池化層后的1D-CNN提取特征過程如下：

以時間長度為T，特征參數為3的ΔD構建1D-CNN的輸入特征面通過采用n個3×3的卷積核按式(5)對輸入特征面進行卷積運算，再將卷積運算后的結果輸入非線性激活層，輸出n個卷積特征面Y_i；

由于采用了3×3的卷積核，故在不進行數據填充的情況下，輸出特征面Y_i會相對于原始輸入特征面X減少2個時間步，為了保證輸入前后數據長度一致，故需在輸入特征面X的首尾進行0填充，填充后的特征面

式中Y_i,j——第i個卷積特征面的第j個特征值,i∈(1,n)；

——第j行所對應卷積區域的的第u行v列的輸入值，j∈(1,T)；

——待學習的第i個卷積核的第u行v列的權值；

σ_c——非線性激活函數；

在卷積之后引入非線性激活函數，可將原線性映射特征面K_i*x_j映射到非線性空間，在映射后的非線性空間中，原線性不可分的線性映射特征將有機會找到一線性可分路徑，從而解耦非線性耦合工作狀態下的各氣路部件性能衰退量H，采用ELU函數作為網絡的非線性激活函數，如式(6)所示。

式中α——組合權重系數，取α＝1；

步驟二：進行非線性編碼：

通過1D-CNN提取出特征后，以時間長度為T，特征個數為n的卷積特征面構建非線性編碼器的輸入將其通過由多層感知機(MultilayerPerceptron,MLP)構成的非線性編碼器映射到用于表征解耦后各氣路部件性能衰退量的隱藏層H上，其非線性映射關系如式(7)和(8)：

Z＝σ_e(YW′_e+b′_e) (7)，H＝ZW_e+b_e (8)

式中Z——編碼器輸入層的非線性輸出，

H——編碼器的輸出，即解耦后氣路部件性能衰退量，

W′_e——待學習的編碼器輸入層權重，

σ_e——編碼器的非線性激活函數；

b′_e——待學習的編碼器輸入層偏置，

W_e——待學習的編碼器輸出層權重，

b_e——待學習的編碼器輸處層偏置，

步驟三：進行線性解碼處理：

通過特征提取與非線性編碼獲得解耦后氣路部件性能衰退量H后，可通過利用指印圖中各氣路部件單位性能衰退對氣路參數偏差值的影響量為權重W_d構建的線性解碼器重構氣路參數偏差值線性解碼方式如式(9)所示。

式中b_d——待學習的解碼器偏置，

步驟四：參數尋優：由于非線性編碼器模型以重構前后氣路參數偏差值的重構誤差最小為目標，故可采用如式(10)的均方差函數作為優化目標之一，

式中L₁——重構前后氣路參數偏差值的均方差；

n——樣本數；

θ——待學習的模型參數，θ＝{K_i,W′_e,b′_e,W_e,b_e,b_d}；

——重構后的第i個氣路參數偏差值與基準的差值；

Δd_i——重構前的第i個氣路參數偏差值與基準的差值；

此外，由于航空發動機作為高可靠性熱力機械，各部件在非故障狀態下的性能衰退應是緩慢且平穩的，結合各氣路部件的協同工作特性，氣路部件在服役過程中的性能衰退也應具有協同性，即各氣路部件的性能衰退量應大致處于同一數量級內，但由于各氣路部件單位性能衰退對航空發動機的影響力并不一致，即對氣路參數偏差值的擾動程度不同，為了消除各氣路部件影響力量綱不一致所造成的性能波動指標不具同一性，可借助各氣路部件單位性能衰退對氣路參數偏差值影響量W_d列向量的范數消除量綱影響，故可構造如式(11)所示的損失函數L₂以縮小最優參數搜索范圍降低模型訓練難度：

式中L₂——各氣路部件性能衰退量損失函數；

η_i,j——第i個樣本第j個氣路部件的性能衰退量；

η_0,j——氣路部件j的初始性能衰退量，取η_0,j＝0；

||w_j||₂——權重矩陣W_d第j列向量的歐式范數；

則發動機多氣路部件性能評估模型的損失函數如式(12)所示：

2.根據權利要求1所述的一種航空發動機氣路多部件性能評估方法，其特征在于，步驟一還包括在特征提取前對數據進行預處理，利用格拉布斯準則和EEMD-SG對氣路參數偏差值進行預處理，有效消除了發動機非穩態工況對氣路參數偏差值的影響，去除了數據中的粗大誤差和降低了數據噪聲，具體為：

步驟1：對于氣路參數偏差值基于指印圖的修正公式如下：

式中——i時刻未修正的原始氣路參數偏差值；

x_ij——i時刻VSV、VBV的單位開合角度或單位引氣泄露量；

w_j——指印圖中x_j對氣路參數偏差值造成的偏移量；

步驟2：采用格拉布斯準則對分組后的氣路參數偏差值進行粗大誤差去除，步驟2具體步驟如下：

步驟2-1：對于一組服從高斯分布的修正后氣路參數偏差值可按式(2)和(3)計算該組數據的均值μ與標準差σ，

步驟2-2：將該組數據按式(4)照升序排列：d₍₁₎＜d₍₂₎＜…＜d_(n) (4)；

步驟2-3：按式(5)計算排序后該組數據對應的統計量g_(i)：

若數據點d_(i)對應的統計量g_(i)＞g₍₀₎(n,α)，則該點為粗大誤差，需要將其從該組數據中去除，其中g₍₀₎(n,α)為重復測量次數為n，置信概率為α時的統計量臨界值，通過查閱格拉布斯臨界值表獲取；

步驟2-4：為了保證數據的完整性，被剔除數據d_i采用(6)的插值方式補齊數據：

步驟3：采用EEMD-SG對經粗大誤差去除后的氣路參數偏差值D進行濾波降噪:具體步驟如下：

步驟3-1：基于EEMD分解氣路參數偏差值，步驟3-1具體包括以下步驟：

步驟3-1-1：設定疊加高斯白噪聲的重復次數m和白噪聲相對于原始信號標準差的幅值α，

步驟3-1-2：按式(8)在經粗大誤差去除后的氣路參數偏差值D中疊加幅值α的高斯白噪聲N_i，得到的新信號記為

步驟3-1-3：利用EMD對新信號進行分解，按式(9)將其分解為n個本征模態分量I_i,j和1個殘差分量R_i：

步驟3-1-4：重復m次步驟3-1-2和步驟3-1-3，按式(10)和(11)計算所獲得的各IMF分量和殘差分量的均值作為氣路參數偏差值D的分解后的本征模態分量I_j和殘差分量R：

數據噪聲主要包含在高頻本征模態分量I_h中，視為含噪分量，而信號趨勢主要體現在低頻本征模態分量I_l和殘差分量R中，可視為演化分量，所以數據降噪主要依賴于對高頻本征模態分量I_h的處理；

步驟3-2：采用單樣本T檢驗對IMF分量累計之和進行0均值檢驗來區分高、低頻IMF，通過檢驗的為高頻IMF，未通過檢驗的為低頻IMF，具體步驟如下：

步驟3-2-1：按式(12)計算累計IMF分量I_s：

步驟3-2-2：建立檢驗假設和確定檢驗水準：設檢驗均值μ＝0，原假設H0：μ_Is＝μ,備擇假設H1：μ_Is≠μ，顯著性水準α＝0.05，其中μ_Is為累計IMF分量I_s的均值；

步驟3-2-3：選定檢驗方法和計算檢驗統計量：利用單樣本T檢驗公式(13)計算統計量，并進行雙側檢驗：

式中k——I_s的樣本數；

σ_Is——I_s的標準差；

步驟3-2-4：確定P值和做出推斷結論：根據式(13)計算所得t_α,k-1值，查閱T分布表得出P值，若P＞α則接受H0，累計IMF分量I_s通過0均值T檢驗；若P＜α則接受H1，累計IMF分量I_s未通過0均值T檢驗，當通過檢驗的累計IMF分量為I_d時，IMF分量中j＜d的IMF分量為高頻信號，j＞d的IMF分量為低頻信號；

步驟4：利用Savitzky-Golay濾波器平滑高頻IMF信號具體步驟如下：

步驟4-1：對于高頻IMF分量I_h內一等長有重疊滑動窗口內對應的2m+1個連續值x_i，i∈(-m,m)，通過按式(14)構造一k階多項式(k≤2m+1)擬合該組數據。

式中a_j——多項式待定系數；

步驟4-2：確定多項式待定系數a_j，可按式(15)通過最小二乘法擬合數據與原數據的殘差E：

步驟4-3：為使殘差E最小，需令E對各多項式待定系數的倒數為0，

解得：

利用擬合后的多項式計算該窗口的中心點估計值，再使用等長有重疊滑動窗口遍歷任意時間步的高頻本征模態分量I_h的即可完成信號平滑處理，得到重構后的高頻IMF信號I′_h；

步驟5：重構降噪后的氣路參數偏差值：按式(18)，將經SG濾波器平滑后得到的高頻IMF分量I′_h、低頻IMF分量I_l和殘差分量R加和，即可得到重構后的氣路參數偏差值D′。

式中I′_i——經SG濾波器處理的高頻IMF分量；

I_i——未經SG濾波器處理的低頻IMF分量；

R——EEMD分解所得的殘差分量。