基于退化模型匹配的涡轮发动机剩余寿命的预测方法技术

基于退化模型匹配的涡轮发动机剩余寿命的预测方法，涉及涡轮发动机剩余寿命预测方法，它为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，它包括具体步骤如下：步骤一、数据预处理：从采集到的数据提取运行状态变量；从传感器采集到特征向量；由运行状态变量与特征向量融合得到健康因子；步骤二、建立退化模型库：利用健康因子建立退化模型；多个退化模型组成退化模型库；步骤三、相似性评估：将退化轨迹与模型库中的模型匹配，每个模型给出一个RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型匹配程度，采用相似度加权，融合得到最终的剩余寿命预测值。适用于涡轮发动机剩余寿命预测。

【技术实现步骤摘要】

本专利技术涉及涡轮发动机剩余寿命预测方法。
技术介绍
故障预测可分为失效前兆的检测和剩余使用寿命预测两大部分，失效前兆的检测通常是应用相关的，需要与系统相关的背景知识，而RUL (Remaining Useful Life)预测是相对独立的，因此用于进行RUL预测的技术对所有的故障预测应用而言大致相同。作为一个迅速发展的研究领域，RUL预测的研究引入了许多其他研究领域的技术和算法，如可靠性工程，回归分析，时间序列建模，人工智能等。现有的大部分RUL预测算法都是通过训练历史数据得到一个通用预测模型，这些模型对于仅包含简单系统和独立组件的应用来说可能较为有效，因为系统的退化行为可通过简单假设或先验知识得到较好的表征。复杂系统是一种典型的非线性系统，迄今为止成功的RUL预测实例较少，原因在于1、缺乏与系统的·失效机制和故障模式相关的知识；2、采集到的监测数据背景信息不完整。这两个原因导致具有多种退化模式和不完整背景信息的系统历史数据混合在一起，故在涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求。针对上述问题，现在有两种主流的解决方案基于机器学习的集成建模方法和基于实例的学习方法。前者采用boosting, bagging等技术来增强模型性能,但这些方法生成的预测模型由多个局部模型组成，较为复杂，其内部机制很难理解。基于实例的学习方法IBL (Instance-Based Learning)生成的预测模型建立在大量的历史案例的基础上,而随着传感和通信技术的发展，从某些机器和设备(如商用飞行器引擎或重型采掘机)上获取大量的监测数据已经成为可能。目前IBL方法的工程应用主要集中在故障诊断方面，有限的几个故障预测应用没有利用退化数据的信息作为评估实例间相似性的手段。
技术实现思路
本专利技术的目的是为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，提供。，它包括具体步骤如下步骤一、数据预处理从采集到的原始数据中提取出决定涡轮发动机运行状态变量=C1为高度、C2为马赫数和C3为油门角度；所述运行状态变量的数值组成集合C=Cc1, C2, C3)1 ；Ci表示C在时刻ti对应的高度、马赫数和油门角度的值，Ci= (Cli, c2i, c3i)T，其中i为正整数；从21个位于涡轮发动机不同位置的传感器采集到能表征涡轮发动机退化过程的数值，所述数值组成21维特征向量x= (X1, x2,...，x21) 'Xi表示X在时刻&对应21个传感器采集到的发动机不同点的温度、压力和速度值；在时刻\由所述运行状态变量Ci与特征向量Xi，得到测量周期的三元组(Ci, Xi, ti);由Ci和Xi融合得到健康因子Zi ;步骤二、建立退化模型库利用融合而成能表征系统退化趋势的健康因子Zi为相应的训练实体建立退化模型；所述建立的多个退化模型组成退化模型库；步骤三、相似性评估将某测试涡轮发动机的历史退化轨迹与模型库中所有的模型进行相似匹配，每个模型都给出一个对该测试涡轮发动机的RUL估计；步骤四、RUL融合根据测试涡轮发动机与模型库中模型匹配程度的高低，采用相似度加权的方法融合得到最终的剩余使用寿命的RUL预测值。本专利技术不依赖于涡轮发动机的故障机制、失效模式、失效标准和背景信息等先验知识，RUL的预测仅仅依靠从涡轮发动机的状态监测数据中获取的退化轨迹信息，同时由于其对退化形式的非参数化表达方式，不再需要对退化趋势的形态进行假设，因此DMM(degradation model matching)方法对于能够从同一型号润轮发动机的不同个体中获·取连续监测数据的应用如航空发动机，能获得达到要求的预测效果，具有实际应用价值。附图说明图I为本专利技术的结构框图示意图，图2为本专利技术的性能评估的框图示意图，图3为实施方式五中所有训练实体在状态I的读数示意图，图4为实施方式五中所有训练实体在状态2的读数示意图，图5为实施方式五中具体步骤的示意图。具体实施例方式具体实施方式一结合图I说明本实施方式，本实施方式所述，它包括具体步骤如下步骤一、数据预处理从采集到的原始数据中提取出决定涡轮发动机运行状态变量=C1为高度、C2为马赫数和C3为油门角度；所述运行状态变量的数值组成集合C=(Cl，C2，C3) T ;Ci表示C在时刻ti对应的高度、马赫数和油门角度的值，Ci= (Cli, C2ilC3i)1,其中i为正整数；从21个位于涡轮发动机不同位置的传感器采集到能表征涡轮发动机退化过程的数值，所述数值组成21维特征向量x= (X1, x2,...，x21) 'Xi表示X在时刻&对应21个传感器采集到的发动机不同点的温度、压力和速度值；在时刻\由所述运行状态变量Ci与特征向量Xi，得到测量周期的三元组(Ci, Xi, ti);由Ci和Xi融合得到健康因子Zi ;步骤二、建立退化模型库利用融合而成能表征系统退化趋势的健康因子Zi为相应的训练实体建立退化模型；所述建立的多个退化模型组成退化模型库；步骤三、相似性评估将某测试涡轮发动机的历史退化轨迹与模型库中所有的模型进行相似匹配，每个模型都给出一个对该测试涡轮发动机的RUL估计；步骤四、RUL融合根据测试涡轮发动机与模型库中模型匹配程度的高低，采用相似度加权的方法融合得到最终的剩余使用寿命的RUL预测值。在DMM方法框架中，使用多个具有全寿命状态监测数据的训练实体构建退化模型库，分别利用加权灰色关联度和欧式距离评估同一型号涡轮发动机中某测试涡轮发动机与模型库中各个模型间的相似性，每个退化模型会生成一个对测试涡轮发动机的剩余寿命估计，根据测试涡轮发动机与各退化模型间的相似度融合成最终涡轮发动机的剩余寿命估计。许多工程系统尤其是机械系统，在没有进行有效维护的情况下退化过程是不可逆的，但这并不意味着观测到的特征一定会呈现单调的演化形式，而非单调的演化形式往往很难用参数化方法进行建模。假设一个工程系统在退化的过程中没有进行有效维护，那么该退化过程可能是由一系列不可逆的成分构成，这些过程可以用监测到的状态数据或特征的轨迹来表示。因此，如果某系统未来的退化趋势可以用一些已经失效的同型号系统的退化趋势进行表达，则我们可以获取该系统的RUL。运行工况指的是一系列可以决定系统运行状态的 变量的集合，包括控制设置、环境参数和使用模式等。在许多工程应用中，变化的运行工况对系统的监测状态数据有很大的影响，经特征提取得到的时间序列呈现出较大的方差，导致系统的退化趋势较为复杂，难以进行RUL建模。需要对在变化的运行工况下采集到的监测数据进行预处理以适应DMM建模的需要。X= (X1, X2,，xN) T表示从系统中采集的原始数据经过选择后的N维特征向量，Xi表不在X某一测量时刻&的米样值，tE表不寿命结束时的时间，t表不最近一次测量时的时间，X1=Ix1, x2, . . . X1I表示测试实体到现在为止的历史特征数据，1Xe=Ix1,X2, . . . XE}，1=1，. . .，E表示同一类型系统第I个训练实体的全寿命历史特征数据，此时HftJ1RUL,其中1RUL为第I个训练实体对测试实体的RUL估计，说明某个训练实体对测试实体的RUL估计就是找寻训练实本文档来自技高网...

【技术保护点】
基于退化模型匹配的涡轮发动机剩余寿命的预测方法，其特征是,它包括具体步骤如下：步骤一、数据预处理：从采集到的原始数据中提取出决定涡轮发动机运行状态变量：c1为高度、c2为马赫数和c3为油门角度；所述运行状态变量的数值组成集合c=（c1,c2,c3）T；ci表示c在时刻ti对应的高度、马赫数和油门角度的值，ci=（c1i，c2i,c3i）T，其中i为正整数；从21个位于涡轮发动机不同位置的传感器采集到能表征涡轮发动机退化过程的数值，所述数值组成21维特征向量：x=（x1,x2，...,x21）T，xi表示x在时刻ti对应21个传感器采集到的发动机不同点的温度、压力和速度值；在时刻ti由所述运行状态变量ci与特征向量xi，得到测量周期的三元组(ci,xi,ti)；由ci和xi融合得到健康因子zi；步骤二、建立退化模型库：利用融合而成能表征系统退化趋势的健康因子zi为相应的训练实体建立退化模型；所述建立的多个退化模型组成退化模型库；步骤三、相似性评估：将某测试涡轮发动机的历史退化轨迹与模型库中所有的模型进行相似匹配，每个模型都给出一个对该测试涡轮发动机的RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型库中模型匹配程度的高低，采用相似度加权的方法融合得到最终的剩余使用寿命的RUL预测值。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘大同，李君宝，徐勇，罗悦，庞景月，王红，彭宇，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：