[发明专利]基于退化模型匹配的涡轮发动机剩余寿命的预测方法

说明书

技术领域

本发明涉及涡轮发动机剩余寿命预测方法。 

背景技术

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。 

发明内容

本发明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，提供基于退化模型匹配的涡轮发动机剩余寿命的预测方法。 

基于退化模型匹配的涡轮发动机剩余寿命的预测方法，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；c_i表示c在时刻t_i对应的高度、马赫数和油门角度的值，c_i=（c_1i，c_2i,c_3i）^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，x_i表示x在时刻t_i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t_i由所述运行状态变量c_i与特征向量x_i，得到测量周期的三元组(c_i,x_i,t_i)；由c_i和x_i融合得到健康因子z_i； 

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z_i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。