基於退化模型匹配的渦輪發動機剩餘壽命的預測方法
2023-06-02 16:23:56 2
專利名稱：基於退化模型匹配的渦輪發動機剩餘壽命的預測方法
技術領域：
本發明涉及渦輪發動機剩餘壽命預測方法。
背景技術：
故障預測可分為失效前兆的檢測和剩餘使用壽命預測兩大部分，失效前兆的檢測通常是應用相關的，需要與系統相關的背景知識，而RUL (Remaining Useful Life)預測是相對獨立的，因此用於進行RUL預測的技術對所有的故障預測應用而言大致相同。作為一個迅速發展的研究領域，RUL預測的研究引入了許多其他研究領域的技術和算法，如可靠性工程，回歸分析，時間序列建模，人工智慧等。現有的大部分RUL預測算法都是通過訓練歷史數據得到一個通用預測模型，這些模型對於僅包含簡單系統和獨立組件的應用來說可能較為有效，因為系統的退化行為可通過簡單假設或先驗知識得到較好的表徵。複雜系統是一種典型的非線性系統，迄今為止成功的RUL預測實例較少，原因在於1、缺乏與系統的·失效機制和故障模式相關的知識；2、採集到的監測數據背景信息不完整。這兩個原因導致具有多種退化模式和不完整背景信息的系統歷史數據混合在一起，故在渦輪發動機剩餘壽命的預測採用通用RUL預測模型的預測效果無法達到預測要求。針對上述問題，現在有兩種主流的解決方案基於機器學習的集成建模方法和基於實例的學習方法。前者採用boosting, bagging等技術來增強模型性能,但這些方法生成的預測模型由多個局部模型組成，較為複雜，其內部機制很難理解。基於實例的學習方法IBL (Instance-Based Learning)生成的預測模型建立在大量的歷史案例的基礎上,而隨著傳感和通信技術的發展，從某些機器和設備(如商用飛行器引擎或重型採掘機)上獲取大量的監測數據已經成為可能。目前IBL方法的工程應用主要集中在故障診斷方面，有限的幾個故障預測應用沒有利用退化數據的信息作為評估實例間相似性的手段。
發明內容
本發明的目的是為了解決現有渦輪發動機剩餘壽命的預測採用通用RUL預測模型的預測效果無法達到預測要求的問題，提供基於退化模型匹配的渦輪發動機剩餘壽命的預測方法。基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，它包括具體步驟如下步驟一、數據預處理從採集到的原始數據中提取出決定渦輪發動機運行狀態變量=C1為高度、C2為馬赫數和C3為油門角度；所述運行狀態變量的數值組成集合C=Cc1, C2, C3)1 ；Ci表示C在時刻ti對應的高度、馬赫數和油門角度的值，Ci= (Cli, c2i, c3i)T，其中i為正整數；從21個位於渦輪發動機不同位置的傳感器採集到能表徵渦輪發動機退化過程的數值，所述數值組成21維特徵向量x= (X1, x2,...，x21) 'Xi表示X在時刻&對應21個傳感器採集到的發動機不同點的溫度、壓力和速度值；在時刻\由所述運行狀態變量Ci與特徵向量Xi，得到測量周期的三元組(Ci, Xi, ti);由Ci和Xi融合得到健康因子Zi ;步驟二、建立退化模型庫利用融合而成能表徵系統退化趨勢的健康因子Zi為相應的訓練實體建立退化模型；所述建立的多個退化模型組成退化模型庫；步驟三、相似性評估將某測試渦輪發動機的歷史退化軌跡與模型庫中所有的模型進行相似匹配，每個模型都給出一個對該測試渦輪發動機的RUL估計；步驟四、RUL融合根據測試渦輪發動機與模型庫中模型匹配程度的高低，採用相似度加權的方法融合得到最終的剩餘使用壽命的RUL預測值。本發明不依賴於渦輪發動機的故障機制、失效模式、失效標準和背景信息等先驗知識，RUL的預測僅僅依靠從渦輪發動機的狀態監測數據中獲取的退化軌跡信息，同時由於其對退化形式的非參數化表達方式，不再需要對退化趨勢的形態進行假設，因此DMM(degradation model matching)方法對於能夠從同一型號潤輪發動機的不同個體中獲·取連續監測數據的應用如航空發動機，能獲得達到要求的預測效果，具有實際應用價值。
圖I為本發明的結構框圖示意圖，圖2為本發明的性能評估的框圖示意圖，圖3為實施方式五中所有訓練實體在狀態I的讀數示意圖，圖4為實施方式五中所有訓練實體在狀態2的讀數示意圖，圖5為實施方式五中具體步驟的示意圖。
具體實施例方式具體實施方式
一結合圖I說明本實施方式，本實施方式所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，它包括具體步驟如下步驟一、數據預處理從採集到的原始數據中提取出決定渦輪發動機運行狀態變量=C1為高度、C2為馬赫數和C3為油門角度；所述運行狀態變量的數值組成集合C=(Cl，C2，C3) T ;Ci表示C在時刻ti對應的高度、馬赫數和油門角度的值，Ci= (Cli, C2ilC3i)1,其中i為正整數；從21個位於渦輪發動機不同位置的傳感器採集到能表徵渦輪發動機退化過程的數值，所述數值組成21維特徵向量x= (X1, x2,...，x21) 'Xi表示X在時刻&對應21個傳感器採集到的發動機不同點的溫度、壓力和速度值；在時刻\由所述運行狀態變量Ci與特徵向量Xi，得到測量周期的三元組(Ci, Xi, ti);由Ci和Xi融合得到健康因子Zi ;步驟二、建立退化模型庫利用融合而成能表徵系統退化趨勢的健康因子Zi為相應的訓練實體建立退化模型；所述建立的多個退化模型組成退化模型庫；步驟三、相似性評估將某測試渦輪發動機的歷史退化軌跡與模型庫中所有的模型進行相似匹配，每個模型都給出一個對該測試渦輪發動機的RUL估計；步驟四、RUL融合根據測試渦輪發動機與模型庫中模型匹配程度的高低，採用相似度加權的方法融合得到最終的剩餘使用壽命的RUL預測值。在DMM方法框架中，使用多個具有全壽命狀態監測數據的訓練實體構建退化模型庫，分別利用加權灰色關聯度和歐式距離評估同一型號渦輪發動機中某測試渦輪發動機與模型庫中各個模型間的相似性，每個退化模型會生成一個對測試渦輪發動機的剩餘壽命估計，根據測試渦輪發動機與各退化模型間的相似度融合成最終渦輪發動機的剩餘壽命估計。許多工程系統尤其是機械系統，在沒有進行有效維護的情況下退化過程是不可逆的，但這並不意味著觀測到的特徵一定會呈現單調的演化形式，而非單調的演化形式往往很難用參數化方法進行建模。假設一個工程系統在退化的過程中沒有進行有效維護，那麼該退化過程可能是由一系列不可逆的成分構成，這些過程可以用監測到的狀態數據或特徵的軌跡來表示。因此，如果某系統未來的退化趨勢可以用一些已經失效的同型號系統的退化趨勢進行表達，則我們可以獲取該系統的RUL。運行工況指的是一系列可以決定系統運行狀態的 變量的集合，包括控制設置、環境參數和使用模式等。在許多工程應用中，變化的運行工況對系統的監測狀態數據有很大的影響，經特徵提取得到的時間序列呈現出較大的方差，導致系統的退化趨勢較為複雜，難以進行RUL建模。需要對在變化的運行工況下採集到的監測數據進行預處理以適應DMM建模的需要。X= (X1, X2,，xN) T表示從系統中採集的原始數據經過選擇後的N維特徵向量，Xi表不在X某一測量時刻&的米樣值，tE表不壽命結束時的時間，t表不最近一次測量時的時間，X1=Ix1, x2, . . . X1I表示測試實體到現在為止的歷史特徵數據，1Xe=Ix1,X2, . . . XE}，1=1，. . .，E表示同一類型系統第I個訓練實體的全壽命歷史特徵數據，此時HftJ1RUL,其中1RUL為第I個訓練實體對測試實體的RUL估計，說明某個訓練實體對測試實體的RUL估計就是找尋訓練實體的壽命與測試實體當前時間的關係。如果系統運行在變化的運行工況條件下，採集數據的時候需要對測試實體和訓練實體的運行工況信息進行測量。有21個傳感器位於渦輪發動機不同的位置，從21個位於渦輪發動機不同位置的傳感器採集到能表徵潤輪發動機退化過程的21維特徵向量X= (X1, X2, , X21) T, Xi表示X在時刻ti 21個傳感器採集到的採樣值；C= Cc1, C2, , cN) T表示決定渦輪發動機運行狀態變量的集合，Ci表示在c某一測量時刻\的運行工況。在時刻\由所述運行狀態變量Ci與特徵向量Xi,得到測量周期的三元組(CpXpti)；由Ci和\融合得到健康因子Zi ;則數據預處理的目的可以表示為(Ci, Xi, ti) — (Zi, ti),其中 Zi 獨立於 XiO具體實施方式
二 結合圖2說明本實施方式，本實施方式是對具體實施方式
一所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法的進一步限定，步驟一數據預處理具體過程為步驟--、對決定潤輪發動機運行狀態變量的集合CKc1, C2, c3)t採用K-means算
法聚類得到P類運行狀態Q = IO1, O2, . . . , 0p}, p為正整數；步驟一二、對提取的每個訓練實體中傳感器的讀數按P類運行狀態Q進行劃分，共劃分為P組；步驟一三、檢測所有訓練實體中每個傳感器的讀數在每個運行狀態下隨時間變化的情況，選擇出在所有運行狀態下讀數均具有一致性單調趨勢的傳感器集合八= 1，&，...，父111}，其中!11為正整數；
步驟一四、某組訓練實體對選出的傳感器集合A的讀數按有限的運行狀態Q進行劃分，並按照z = a + pJ ■x + f^a + L、具Y,. +左進行線性回歸得至Li p組健康因子時間序列；步驟一五、p組健康因子時間序列按狀態劃分前的時間排序後，還原成完整的一組健康因子時間序列XQ={XQ(k) k=l, 2，……，n}，其中n為正整數；步驟一六、確定反映系統退化行為特徵的健康因子時間序列Xtl為參考序列，影響系統行為的傳感器時間序列Xi=(XiGc) }為比較序列，i = 1，2，……，m ;步驟一七、採用初值化對參考序列和比較序列進行無量綱化處理，用原始數列的
所有數據除於序列的第一個值，即步驟一八、計算經過無量綱化處理後的參考序列Xtl和比較序列\之間的點關聯繫·
mill min.\xi}(k)~~xt(k)\ + ^max mm |x0(々)—x- (A^)I
數為r(.Yt,a-U(A-))= * 丨，其中 4 G (0，①)稱為
X0 (k) — Xi 帽+4 max max br0(t) — Xi {k)\
**i I *,
分辨係數，通常取(=0.5;步驟一九、計算參考序列和比較序列間的關聯度，用參考序列和比較序列在各個時刻的關聯繫數之平均值表示，即 步驟一十「十算點關聯序數序列的穩定度^^^^丈卜化辦「㈨卜^)2 5步驟一十一、計算改進後的灰色關聯度=■盡告;步驟一十二、對計算得到的關聯度從大到小進行排序；關聯度越大說明該比較序列相對於參考序列相關程度越大；步驟一十三、對所有訓練實體重複步驟一四至步驟一十二，得到所有測試渦輪發動機中各個傳感器讀數與相應健康因子關聯度排序的統計信息，選出關聯度高的傳感器子^ B= (X1, X2, ...,XJ0具體實施方式
三結合圖2說明本實施方式，本實施方式是對具體實施方式
一所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法的進一步限定，步驟二建立退化模型庫的具體過程為步驟二一、對選出的傳感器集合B的讀數按運行狀態Q進行劃分並按照z=a + pT.x + f = a + [丨....丨^iXi + f進行線性回歸得至Ij p組健康因子時間序列；步驟二二、p組健康因子時間序列按狀態劃分前的時間排序後還原成完整的一組健康因子時間序列Xtl= (XtlGO I ；步驟二三、對所有訓練實體重複步驟二一和步驟二二，使每個訓練實體都有一組對應的健康因子時間序列；步驟二四、採用指數回歸模型M, V = ./；(/) = W'.''. )+￡對每組訓練實體對應的健康因子時間序列進行擬合，得到退化模型庫。
具體實施方式
四結合圖2說明本實施方式，本實施方式是對具體實施方式
一所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法的進一步限定，步驟三包括的具體步驟為步驟三一、測試渦輪發動機直接採用前述訓練實體線性回歸模型的參數來計算健康因子，I個測試渦輪發動機相對每個線性回歸模型都有I組對應的健康因子序列Z =
Zi, Z2 j Zj,，步驟三二、將測試渦輪發動機的歷史退化軌跡Z = Zl，z2，...，Zr與指數回歸模型庫中對應的模型進行相似匹配，即分別計算測試渦輪發動機健康因子序列與相應指數回歸模型間的最小歐式距離d( T，Zji)和最大灰色關聯度S( T，Z，Mi)，對應這兩個指標，模型庫中每個模型都會分別給出I個對該測試渦輪發動機的RUL估計。
具體實施方式
五本實施方式是對具體實施方式
一所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法的進一步限定，步驟四所述測試渦輪發動機最終的剩餘壽命的·Y1 'S-1JWL
RUL預測值是採用表達式:RULr =^4十算獲得的。
D其中L表示模型庫中退化模型的個數，1RULr表示第I個退化模型對於測試渦輪發動機剩餘壽命的估計值，1S表示第I個退化模型與測試渦輪發動機間的最大相似度，分別用最大灰色關聯度s ( T，z，Mi)和exp (_d ( T，z, Mi))表示。結合圖3、圖4和圖5，利用NASA Ames故障預測資料庫中的渦輪發動機退化仿真數據集進行DMM方法性能驗證。DTSM處理渦輪發動機數據的過程共分為七個步驟，分屬於訓練(模型開發)和測試(RUL估計)兩個階段。Saxena等在2008年進行了一系列的全壽命仿真來研究飛行器渦輪發動機的退化性能，仿真模型建立在CMAPSS (商用模塊化航空推進系統仿真)上。CMAPSS是NASA開發的一款模擬系統，類似於一個虛擬的航空發動機。通過在不同的飛行狀態下執行多次仿真，得到同一發動機多個實體的監測數據。仿真每運行一次，發動機經歷了全壽命的完整過程，即從全新的發動機(具有不同的初始磨損和工程方差)到預先設置好的失效標準，發動機的壽命用該過程經歷的總飛行周期數表示，每個飛行周期採集的數據包含3維運行工況變量(高度、馬赫數和油門角度)和21維傳感器測量值(發動機不同點的溫度、壓力和速度)，因此每個實體的完整運行過程可用一個24維的時間序列表示。某一實體的多元時間序列摘錄如表I所示。表I某發動機實體的全壽命數據樣本
Cycle Operaiinu Operating Operating Sensor Sensor ... Sensor21 _ Seninu ! Setting 2 Settinu 3__I__2___
1-. C.:-:3 ■ c0 100.0 --; 0 r rS … ■ ； 0
2c cc:0 c ':.:2 100.03 .U … 14.635
*mm 辱拳
321 42.0058 0.8400 100.0 445.00 549.71 ... 6.4590注意渦輪發動機數據集並沒有提供故障機制、失效模式及失效標準等信息，而DMM方法並不需要這些信息來進行RUL估計。NASA共提供了四組獨立的數據集，每個數據集包含不同的故障模式數、運行工況數、訓練實體數和測試實體數，如表2所示。表2四個數據集的實驗設置
權利要求
1.基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，其特徵是，它包括具體步驟如下 步驟一、數據預處理從採集到的原始數據中提取出決定渦輪發動機運行狀態變量=C1為高度、C2為馬赫數和C3為油門角度；所述運行狀態變量的數值組成集合C= (C1, C2, C3) T ；Ci表示C在時刻ti對應的高度、馬赫數和油門角度的值，Ci= Ccli, c2i，c3i)T，其中i為正整數； 從21個位於渦輪發動機不同位置的傳感器採集到能表徵渦輪發動機退化過程的數值，所述數值組成21維特徵向量x= (X1, x2,...，x21) 'Xi表示X在時刻ti對應21個傳感器採集到的發動機不同點的溫度、壓力和速度值； 在時刻ti由所述運行狀態變量Ci與特徵向量Xi，得到測量周期的三元組(Ci，Xi，ti);由Ci和Xi融合得到健康因子Zi ; 步驟二、建立退化模型庫利用融合而成能表徵系統退化趨勢的健康因子Zi為相應的訓練實體建立退化模型；所述建立的多個退化模型組成退化模型庫； 步驟三、相似性評估將某測試渦輪發動機的歷史退化軌跡與模型庫中所有的模型進行相似匹配，每個模型都給出一個對該測試渦輪發動機的RUL估計； 步驟四、RUL融合根據測試渦輪發動機與模型庫中模型匹配程度的高低，採用相似度加權的方法融合得到最終的剩餘使用壽命的RUL預測值。
2.根據權利要求I所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，其特徵在於，步驟一數據預處理具體過程為 步驟--、對決定潤輪發動機運行狀態變量的集合C= (C1, C2, C3) T採用K-means算法聚類得到P類運行狀態Q = IO1, O2,. . , 0P}，p為正整數； 步驟一二、對提取的每個訓練實體中傳感器的讀數按P類運行狀態Q進行劃分，共劃分為P組； 步驟一三、檢測所有訓練實體中每個傳感器的讀數在每個運行狀態下隨時間變化的情況，選擇出在所有運行狀態下讀數均具有一致性單調趨勢的傳感器集合A= (X1, X2, , XJ，其中m為正整數； 步驟一四、某組訓練實體對選出的傳感器集合A的讀數按有限的運行狀態Q進行劃分，並按照Z = + PT 1 + ^ = 0 +行線性回歸得到p組健康因子時間序列； 步驟一五、P組健康因子時間序列按狀態劃分前的時間排序後，還原成完整的一組健康因子時間序列XQ={XQ(k) |k=l，2，……，n}，其中n為正整數； 步驟一六、確定反映系統退化行為特徵的健康因子時間序列Xtl為參考序列，影響系統行為的傳感器時間序列XiHXi (k) I}為比較序列，i = 1，2，……，m ； 步驟一七、採用初值化對參考序列和比較序列進行無量綱化處理，用原始數列的所有數據除於序列的第一個值，m,(k)=; 步驟一八、計算經過無量綱化處理後的參考序列Xtl和比較序列Xi之間的點關聯繫數為
3.根據權利要求2所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，其特徵在於，步驟二建立退化模型庫的具體過程為 步驟二一、對選出的傳感器集合B的讀數按運行狀態Q進行劃分並按照z = a + pT.X+5 = a++ ￡進行線性回歸得至丨J P組健康因子時間序列； 步驟二二、p組健康因子時間序列按狀態劃分前的時間排序後還原成完整的一組健康因子時間序列XQ={XQ(k) }； 步驟二三、對所有訓練實體重複步驟二一和步驟二二，使每個訓練實體都有一組對應的健康因子時間序列； 步驟二四、採用指數回歸模型M
4.根據權利要求3所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，其特徵在於，步驟三包括的具體步驟為 步驟三一、測試渦輪發動機直接採用前述訓練實體線性回歸模型的參數來計算健康因子，I個測試渦輪發動機相對每個線性回歸模型都有I組對應的健康因子序列Z = Z1,
5.根據權利要求3所述基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，其特徵在於，步驟四所述測試渦輪發動機最終的剩餘壽命的RUL預測值是採用表達式
全文摘要
基於退化模型匹配的渦輪發動機剩餘壽命的預測方法，涉及渦輪發動機剩餘壽命預測方法，它為了解決現有渦輪發動機剩餘壽命的預測採用通用RUL預測模型的預測效果無法達到預測要求的問題，它包括具體步驟如下步驟一、數據預處理從採集到的數據提取運行狀態變量；從傳感器採集到特徵向量；由運行狀態變量與特徵向量融合得到健康因子；步驟二、建立退化模型庫利用健康因子建立退化模型；多個退化模型組成退化模型庫；步驟三、相似性評估將退化軌跡與模型庫中的模型匹配，每個模型給出一個RUL估計；步驟四、RUL融合根據測試渦輪發動機與模型匹配程度，採用相似度加權，融合得到最終的剩餘壽命預測值。適用於渦輪發動機剩餘壽命預測。
文檔編號G06F19/00GK102789545SQ20121024098
公開日2012年11月21日 申請日期2012年7月12日 優先權日2012年7月12日
發明者劉大同, 龐景月, 彭宇, 徐勇, 李君寶, 王紅, 羅悅 申請人:哈爾濱工業大學