[發明專利]基于退化等級軟表征的航空發動機運行風險監測預警系統

在審

• 申請號: 202210936510.4
• 申請日: 2022-08-05
• 公開（公告）號: CN115358055A
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 趙春暉;吳宇倫;姚家琪;陳旭
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06Q10/06;G06F119/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開一種基于退化等級軟表征的航空發動機運行風險監測預警系統。本發明針對現有大多數深度學習方法對航空發動機剩余使用壽命進行強擬合但難以準確判斷故障風險發生時間節點的問題，首先對原始數據進行前置處理，再結合慢特征分析等數據分析手段將航空發動機退化階段劃分為健康區、過渡區和風險區，進一步的利用健康區和風險區數據建立條件判別自編碼器模型，利用過渡區數據建立結合注意力機制的條件判別自編碼器模型，最后基于建立的兩個條件判別自編碼器模型設計監測策略對航空發動機狀態進行在線監測。本發明能夠實現航空發動機的退化階段分區識別與風險預警，并為航空發動機健康管理提供有效建議。

技術領域

本發明屬于航空發動機狀態監測技術領域，特別是一種基于退化等級軟表征的航空發動機運行風險監測預警系統。

背景技術

航空發動機通常工作于高溫、高壓、高寒、高速等要求極高的工況下，易出現故障。而航空發動機一旦出現故障,將直接影響飛機的飛行,甚至會對飛機的安全帶來很大的威脅。但在航空發動機的使用階段,可以通過加強發動機的狀態監測，做到能夠及時發現故障征兆、提前預警風險狀態，以保障飛行安全。

目前航空發動機故障預測與健康管理領域運用較多的是基于數據驅動的剩余使用壽命預測方法，如神經網絡、極限學習機、支持向量機等，這類方法主要針對具體的航空發動機剩余可運行時間值進行強擬合，而航空發動機健康監測的關鍵是確定發動機進入易發生故障的風險區的時間節點，因此這類模型的壽命預測結果并不能很好地提供維護建議，仍然需要運維人員進行分析判斷。

發明內容

為了克服現有技術的不足，本發明提供了一種基于退化等級軟表征的航空發動機運行風險監測預警系統，預警系統的構建首先結合慢特征分析等數據分析手段將航空發動機運行壽命周期劃分為健康區、過渡區和風險區，接著設計了條件判別自編碼器(Conditional Discriminative Autoencoder，CDAE)網絡為健康區和風險區建立監測模型，進一步的針對過渡區建立了基于注意力機制的條件判別自編碼器模型，最后設計了航空發動機在線監測策略以識別發動機當前所處退化階段分區，該方法可揭示各退化分區之間過程特性的變化，直接給出航空發動機健康預警，便于運維人員及時決策，降低事故發生概率并減少運維成本。

本發明的目的是通過以下技術方案實現的，包括以下內容：

數據獲取模塊，用于在線監測獲取當前時刻航空發動機的多維數據作為檢測樣本；

第一監測模塊，用于依據健康區和風險區的航空發動機監測模型獲取多個監測指標，判斷監測指標是否超限，若全部監測指標都未超限則判斷航空發動機處于健康區，否則基于第二監測模塊進一步判斷；

第二監測模塊，用于依據過渡區的航空發動機監測模型獲取多個監測指標，判斷監測指標是否超限，若任一監測指標超限，則判斷航空發動機已經進入風險區，否則航空發動機處于過渡區。

所述健康區和風險區的航空發動機監測模型、過渡區的航空發動機監測模型通過如下步驟構建獲得：

步驟1：獲取航空發動機多維退化數據，其中，多維退化數據由若干時刻的航空發動機運行多維數據組成；

步驟2：依據航空發動機多維退化數據隨時間變化的退化速率，根據經驗知識和發動機總體情況設置閾值進行航空發動機退化等級分區，劃分為健康區、過渡區和風險區三個等級區域并設置健康區和風險區的編碼；

步驟3：構建第一自動編碼器模型和第一數據集，所述第一自動編碼器模型由第一編碼器和第一解碼器構成；所述第一數據集的每個樣本為健康區和風險區兩個等級區域內的一個時刻的多維數據與對應的等級區域編碼拼接構成，將第一數據集的每個樣本作為第一自動編碼器模型的輸入訓練第一自動編碼器模型，訓練好的第一自動編碼器模型作為健康區和風險區的航空發動機監測模型；