一种基于数据网络相似性的航空发动机剩余寿命预测方法

1.本发明涉及一种基于数据网络相似性的航空发动机剩余寿命预测方法，可应用于航空发动机寿命预测与智能运维，属于智能制造技术领域。

背景技术：

2.航空发动机是航空飞行器的核心设备之一，其可靠性与安全性一直是航空行业的关注焦点。剩余寿命预测通过分析设备历史性能退化数据，预测设备从当前时刻到最终失效的剩余时间，为运维决策提供技术支撑，具有重要的实际应用价值。
3.现有的寿命预测方法包括：基于物理失效模型的方法、数据驱动的方法和混合方法三类。航空发动机性能参数众多、退化规律不明显，其精确的物理失效模型难以获取。数据驱动方法不依赖于设备的物理失效机理，只需要采集并分析发动机的历史和在线监测数据，具有较好的实用性。其中，基于相似性的剩余寿命预测方法不受一致性假定约束，为待测设备匹配历史数据库中的历史样本，寻相似的样本作为参考，从而预测当前设备的剩余使用寿命。该方法在航空发动机剩余寿命预测领域得到了大量应用，并取得了较好的性能。
4.现有的基于相似性的航空发动机寿命预测方法从退化特征表示的轨迹出发，对历史样本与当前待测样本进行相似性评估，然后融合相似样本的剩余寿命得到当前样本的剩余寿命。相似性评估以退化特征表示的轨迹作为输入，用数据序列相似性度量方法定量刻画两条退化轨迹的相似程度以及距离，并以该相似程度为基础寻与当前样本相似的时间序列。然而时间序列是一维模型，在特征刻画方面有固有局限性，限制了寿命预测准确度。在历史样本的利用问题上，一些方法采用深度学习技术，例如卷积神经网络cnn、长短期记忆神经网络lstm等模型，然而这些深度学习模型严重依赖训练集的覆盖度，且可迁移性较差，在实际应用中受到较多条件限制。因此，迫切地需要一种新的方案解决上述技术问题。

技术实现要素：

5.为了改进航空发动机剩余寿命预测效果，本发明提供一种基于数据网络相似性的航空发动机剩余寿命预测方法，该方法选取若干具有代表性的发动机监测传感器数据，基于同一传感器不同时间点之间的联系以及不同传感器之间的关系，构建能刻画多维特征的航空发动机寿命状态网络，并设计针对该类网络的距离度量函数，构建剩余寿命参考集，最后基于相似度进行寿命融合，精确地预测待测发动机的剩余寿命。
6.为了实现上述目的，本发明的技术方案如下：一种基于数据网络相似性的航空发动机剩余寿命预测方法，该方法包括如下步骤：
7.s1、航空发动机寿命状态数据网络构建：基于全寿命周期航空发动机数据集，构造各个寿命状态对应的数据网络，组成一个寿命状态数据网络库；
8.s2、航空发动机在线数据网络构建：针对待测航空发动机，基于其在线监测数据，构造数据网络；
9.s3、寿命状态网络参考集构建：基于航空发动机数据网络相似度/距离公式，计算待测发动机数据网络与各相关寿命状态网络的相似度/距离，并构建寿命状态网络参考集；
10.s4、航空发动机剩余寿命预测：基于s3得到寿命状态网络参考集，根据各参考寿命状态网络与待测发动机检测数据网络相似度，融合各参考剩余寿命，预测得到待测发动机的剩余寿命。
11.优选的是，在s1中，面向航空发动机寿命数据片段构建寿命状态数据网络，为每一个监测点构造一个顶点，其标签为传感器种类，数据为监测数据，序号为该监测点在数据片段中的位置；在此基础上，在相同序号的顶点间加入权重为0的边，在序号相邻的顶点间加入权重为顶点值差异的边；最后合并具有相同标签与数据的顶点。s2中，以相同策略构造在线监测数据网络。
12.航空发动机寿命状态数据网络库的构建方法在于，对全寿命监测数据的每一个寿命状态片段构建数据网络，并与其相对应的剩余寿命形成一个二元组，形如《数据网络、剩余寿命》(即《datanetwork,rul》)，这些二元组构成一个寿命状态网络数据库。
13.s1中，为一个长度为w的航空发动机寿命数据片段构建对应的数据网络，首先初始化顶点集、边集以及权重集；然后为每一个监测点构造一个顶点，其标签为传感器种类，数据为监测数据，序号为该监测点在数据片段中的位置；在此基础上，在相同序号的顶点间加入权重为0的边，在序号相邻的顶点间加入权重为顶点值差异的边；最后合并具有相同标签与数据的顶点。
14.优选的是，在s3中，航空发动机数据网络距离定义为数据网络转换的最小代价，其中，结点标签替换代价设定为1.5，节点数据改变代价设定为|d
new-d
old
|/d
new
，变权值改变代价设置为|w
new-w
old
|/w
new
。航空发动机数据网络距离/相似度λ(n1,n2)定义为而而计算，其中e(n1,n2)为从数据网络n1到n2的编辑序列，而c
vi
、c
vr
、c
ei
、c
er
、c
vs
、c
vd
与c
ew
分别为数据网络增加结点、删除结点、增加边、删除边、更新结点类型、更新结点数据以及更新边权重的编辑代价。而寿命网络参考集构成过程为：首先初始化寿命状态数据参考集dc与优先队列pqueue；然后对于每一个寿命状态网络，计算它与查询网络q的距离；当参考数据集未满时，当前寿命网络被视作一个参考网络，并加入参考集；当参考数据集已满时，若当前寿命网络与查询网络q的距离小于任意一个当前参考寿命网络与q的距离时，用当前寿命网络替换距离q最远的参考网络；最后队列pqueue中的所有数据构成寿命状态网络参考集。
15.优选的是，在s4中，构建了参考剩余寿命集合rul
ref
＝{《ruli,di》|i＝1,2,
…
,k}，采用调节函数进行参考剩余寿命调整，最终待测航空发动机在检测到q时的剩余寿命rulq预测值为：其中di为第i个参考发动机样本与q的距离，ruli为第i个参考发动机样本的剩余寿命。
16.有益效果：
17.航空发动机寿命状态数据网络不仅刻画了单一部件/子系统/传感器在时间维度上的相关性，还刻画了不同部件/子系统/传感器之间的空间关联，能更准确地反映发动机的运行状态与寿命状态。航空发动机数据网络相似度/距离度量方法，针对各种编辑操作，基于航空发动机网络特性设定了编辑代价，能更准确地获取与待测发动机相关的历史全寿命参考发动机数据。基于优先队列生成寿命状态网络参考集，可以更好地聚焦与待测设备更相关的历史数据，为剩余寿命预测提供有效支撑。本发明例根据相似度/距离进行参考寿命调节，并进而融合各个参考寿命，进行待测发动机剩余寿命预测，较基于深度学习的方法，例如卷积神经网络cnn、长短期记忆神经网络lstm等，对历史数据集依赖性更低，具有更好的可迁移性，且可以得到更准确的预测结果。
附图说明
18.图1为本发明发方法的流程示意图；
19.图2为实施方式中的实施例航空发动机示意图；
20.图3为本发明方法在实施例航空发动机上的剩余寿命预测结果。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案的执行过程进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。下面将结合具体的航空发动机实例对本发明做进一步的说明，但不作为本发明的限定。
22.实施例：如图1所示，本实施方式的一种基于数据网络相似性的航空发动机剩余寿命预测方法，所述方法包括以下步骤：
23.s1、航空发动机寿命状态数据网络构建：基于全寿命周期航空发动机数据集，构造各个寿命状态对应的数据网络，组成一个寿命状态数据网络库；
24.s2、航空发动机在线数据网络构建：针对待测航空发动机，基于其在线监测数据，构造数据网络；
25.s3、寿命状态网络参考集构建：基于航空发动机数据网络距离公式，计算待测发动机数据网络与各相关寿命状态网络的距离/相似度，并构建寿命状态网络参考集；
26.s4、航空发动机剩余寿命预测：基于s3得到寿命状态网络参考集，根据各参考寿命网络与待测发动机监测数据网络相似度，融合各参考状态的剩余寿命，预测得到待测发动机的剩余寿命。
27.本实施方式的s1中：
28.实施例航空发动机主要部件如图2所示，包括：风扇、低压压气机、高压压气机、燃气室、高压涡轮、低压涡轮与喷嘴构成；其具有21个监测传感器，如表1所示，本实施方式选择14个与飞行周期有关的传感器监测数据用于航空发动机寿命状态数据网络建模，分别为：低压压气机出口总温(此传感器在t时刻的测量值表示为m
1t
)、高压压气机出口总温(m
2t
)、低压涡轮出口总温(m
3t
)、高压压气机出口总压(m
4t
)、风扇物理转速(m
5t
)、核心机物理转速(m
6t
)、发动机压比(p50/p2)(m
7t
)、高压压气机出口静压(m
8t
)、燃油流量与p30比值
(m
9t
)、风扇换算转速(m
10t
)、核心机换算转速(m
11t
)、涵道比(m
12t
)、高压涡轮冷却引气流量(m
13t
)、低压涡轮冷却引气流量(m
14t
)。
29.航空发动机寿命状态数据网络定义为：
30.dn＝《v,e,l,d,w,f
l
,fd,fw》，其中v为顶点集，e为边集，l为顶点标签集，d为顶点数据集，w为边权重集，映射函数f
l
:v
→
l，映射函数fd:v
→
d，映射函数fd:e
→
w。
31.航空发动机寿命状态数据网络构建算法为一个长度为w的航空发动机寿命数据片段构建对应的寿命状态数据网络，其具体步骤如算法1(constructnetwork(m,w))所示。
32.表1：航空发动机监测传感器表
33.[0034][0035][0036]
算法1中，首先初始化顶点集、边集以及权重集(第1行)；然后为每一个监测点初步构造一个顶点，其标签为传感器种类，数据为监测数据，序号为该监测点在数据片段中的位置(第2行-第7行)；在此基础上，在相同序号的顶点间加入权重为0的边，在序号相邻的顶点间加入权重为顶点值差异的边(第8行-第16行)；最后合并具有相同标签与数据的顶点(第17行-第23行)。其中函数label()取得某监测数据的类别；函数constructvertex()构造一
个顶点；函数mergevertex(v
1,
v2)合并两个顶点，保留所有相关的边。
[0037]
给定所有的全寿命周期航空发动机数据以及寿命状态长度w，寿命状态数据网络库构建方法如算法2(constructdatabase())所示。
[0038][0039]
算法2中，首先初始化数据库(第1行)；然后对于全寿命监测数据的每一个寿命状态片段构建数据网络，并与其相对应的剩余寿命形成一个二元组,形如《数据网络、剩余寿命》，将这个二元组加入数据库中(第2行
–
第5行)。
[0040]
本实施方式的s2中：
[0041]
实时采集构建寿命数据网络的14个监测传感数据，记录最近的w个数据点，应用算法constructnetwork()构建监测数据网络。
[0042]
本实施方式的s3中：
[0043]
数据网络相似度计算采用航空发动机数据网络距离，即在执行一系列编辑操作p，将航空发动机数据网络转换为另一个数据网络的最小代价，其中编辑操作与代价定义如下：
[0044]
1.结点插入(vi)：在网络中添加一个结点，其代价c
vi
＝2；
[0045]
2.边插入(ei)：在网络中添加一条边，其代价c
ei
＝2；
[0046]
3.结点删除(vr)：从网络中删除一个节点，其代价c
vr
＝2；
[0047]
4.边删除(er)：从网络上删除一条边，其代价c
er
＝2；
[0048]
5.结点标签更新(vs)：将一个节点的标签更改为另一标签，其代价c
vs
＝1.5；
[0049]
6.结点数据更新(vd)：将一个节点的类型更改为另一类型，其代价c
vd
＝|d
new-d
old
|/d
new
；
[0050]
7.边权重更新(ew)：将一条边的权值更改为其他权值，其代价c
ew
＝|w
new-w
old
|/w
new
。
[0051]
给定航空发动机数据网络n1和n2，n1和n2的距离表示为λ(n1,n2)，是使n1通过一系列编辑操作变成n2的最小编辑代价。具体地：
[0052]
[0053]
其中，e(n1,n2)为从n1到n2的编辑序列集，是编辑序列e1,e2,
…
,ek的代价，而editcost定义为：
[0054][0055]
其中c
vi
、c
vr
、c
ei
、c
er
、c
vs
、c
vd
与c
ew
分别为数据网络增加结点、删除结点、增加边、删除边、更新结点类型、更新结点数据以及更新边权重的编辑代价
[0056]
基于航空发动机数据网络距离计算方法，本发明例利用top-k查询机制，获取参考发动机寿命状态网络，如算法3所示。
[0057][0058]
算法3中，pqueue是一个优先队列，优先级与队内网络dn与查询网络q的距离相关，距离越大，优先级越高。算法首先初始化寿命状态数据参考集dc与优先队列pqueue(第1行)；然后对于每一个寿命状态网络，计算它与查询网络q的距离(第3行)；当参考数据集未满时，将当前寿命网络加入参考集(第4行与第5行)；当参考数据集已满时，若当前寿命网络与查询网络q的距离小于任意一个当前参考数据网络与q的距离时，用当前寿命网络替换距离q最远的网络(第6行与第7行)；最后队列pqueue中的所有寿命状态网络构成参考集(第10行)。
[0059]
本实施方式的s4中：
[0060]
航空发动机寿命状态网络参考集中，每个参考网络dri有一个对应的剩余寿命ruli，以及该网络与待测监测网络q的距离di，构成参考剩余寿命集合rul
ref
＝{《ruli,di》|i＝1,2,
…
,k}。
[0061]
待测航空发动机在监测到q时的剩余寿命预测任务就是基于rul
ref
计算待测发动
机的剩余寿命rulq。
[0062]
由于di(i＝1,2,
…
,k)各不相同，本发明例采用调节函数进行参考剩余寿命调整。调节函数定义如下：
[0063][0064]
最终待测航空发动机在检测到q时的剩余寿命rulq预测值为：
[0065][0066]
其中di为第i个参考发动机样本与q的距离，ruli为第i个参考发动机样本的剩余寿命。
[0067]
本发明例以美国航天局nasa卓越故障预测研究中心的航空发动机数据集cmapss(fd001)上进行相关测试，图3展示了待测航空发动机剩余寿命预测结果。
[0068]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

技术特征：

1.一种基于数据网络相似性的航空发动机剩余寿命预测方法，其特征在于，所述方法包括以下步骤：s1、航空发动机寿命状态数据网络库构造：基于全寿命周期航空发动机数据集，构造各个寿命状态对应的数据网络，组成一个寿命状态数据网络库；s2、航空发动机在线数据网络构造：针对待测航空发动机，基于其在线监测数据，构造数据网络；s3、寿命状态网络参考集构建：基于航空发动机数据网络相似度/距离公式，计算待测发动机数据网络与各相关寿命状态网络的相似度/距离，构建寿命状态网络参考集；s4、航空发动机寿命预测：基于s3得到寿命状态网络参考集，根据各参考寿命状态网络与待测发动机检测数据网络相似度，融合各参考状态的剩余寿命，预测得到待测发动机的剩余寿命。2.根据权利要求1所述的基于数据网络相似性的航空发动机剩余寿命预测方法，其特征在于，s1中，为一个长度为w的航空发动机寿命数据片段构建对应的数据网络，首先初始化顶点集、边集以及权重集；然后为每一个监测点初步构造一个顶点，其标签为传感器种类，数据为监测数据，序号为该监测点在数据片段中的位置；在此基础上，在相同序号的顶点间加入权重为0的边，在序号相邻的顶点间加入权重为顶点值差异的边；最后合并具有相同标签与数据的顶点。3.根据权利要求1所述的基于数据网络相似性的航空发动机剩余寿命预测方法，其特征在于，s2中，以相同策略构造在线监测数据网络，航空发动机寿命状态数据网络库的构建方法在于，对全寿命监测数据的每一个寿命状态片段构建数据网络，并与其相对应的剩余寿命形成一个二元组，形如<数据网络、剩余寿命>，这些二元组构成航空发动机剩余寿命数据库。4.根据权利要求1所述的基于数据网络相似性的航空发动机剩余寿命预测方法，其特征在于，s3中，航空发动机数据网络距离定义为数据网络转换的最小代价，各编辑操作的代价皆根据航空发动机数据网络特性确定，航空发动机数据网络n1与n2的距离λ(n1,n2)定义为为为其中e(n1,n2)为从数据网络n1到n2的编辑序列，而c
vi
、c
vr
、c
ei
、c
er
、c
vs
、c
vd
与c
ew
分别为数据网络增加结点、删除结点、增加边、删除边、更新结点类型、更新结点数据以及更新边权重的编辑代价，寿命状态网络参考集构成过程为：首先初始化寿命状态数据参考集dc与优先队列pqueue；然后对于每一个寿命状态网络，计算它与查询网络q的距离；当参考数据集未满时，当前寿命网络即被视作一个参考网络，并加入参考集；当参考数据集已满时，若当前寿命网络与查询网络q的距离小于任意一个当前参考网络与q的最大距离时，用当前寿命网络替换距离q最远的网络；最后队列pqueue中的所有数据构成寿命状态网络参考集。5.根据权利要求1所述的基于数据网络相似性的航空发动机剩余寿命预测方法，其特征在于，s4中，构建了参考剩余寿命集合rul
ref
＝{<rul
i
,d
i
>|i＝1,2,
…
,k}，采用调节函数
进行参考剩余寿命调整，最终待测航空发动机在检测到q时的剩余寿命rul
q
预测值为：其中d
i
为第i个参考发动机样本与q的距离，rul
i
为第i个参考发动机样本的剩余寿命。

技术总结

本发明公开了一种基于数据网络相似性的航空发动机剩余寿命预测方法，步骤如下：S1、基于全寿命周期航空发动机数据集，构造各个寿命状态对应的数据网络，组成一个寿命状态数据网络库；S2、针对待测航空发动机，基于其在线监测数据，构造数据网络；S3、基于航空发动机数据网络相似度/距离公式，计算待测发动机数据网络与各相关寿命状态网络的相似度/距离，构建寿命状态网络参考集；S4、基于S3得到寿命状态网络参考集，根据各参考寿命状态网络与待测发动机检测数据网络的相似度，融合各参考状态的剩余寿命，预测得到待测发动机的剩余寿命。本发明能够捕获航空发动机各部件之间的相关特性，可以以较小的计算代价进行较高精度的航空发动机剩余寿命预测。动机剩余寿命预测。动机剩余寿命预测。