CN117932361B - 基于监测数据的民机***性能退化预测方法及*** - Google Patents
基于监测数据的民机***性能退化预测方法及*** Download PDFInfo
- Publication number
- CN117932361B CN117932361B CN202410323159.0A CN202410323159A CN117932361B CN 117932361 B CN117932361 B CN 117932361B CN 202410323159 A CN202410323159 A CN 202410323159A CN 117932361 B CN117932361 B CN 117932361B
- Authority
- CN
- China
- Prior art keywords
- time
- maintenance
- civil aircraft
- performance degradation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 273
- 230000015556 catabolic process Effects 0.000 title claims abstract description 265
- 238000012544 monitoring process Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 150
- 238000012423 maintenance Methods 0.000 claims abstract description 227
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 52
- 238000005070 sampling Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000011164 primary particle Substances 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000000446 fuel Substances 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于民机维修技术领域，公开了一种基于监测数据的民机***性能退化预测方法及***。该方法通过传感器采集***实际运行数据，对数据进行特征识别、敛散性分析、多指标综合评价等，筛选得到能够准确表征***退化状态的***监控参数，提出基于参数退化轨迹相似性匹配的组合模型，实现***状态的实时更新预测。根据***状态预测结果，优化维修策略，合理规划维修资源，并开发相应的平台***。本发明将模型理论方法应用于民机发动机***性能退化预测分析和维修优化中，验证了该模型对于性能退化预测结果的准确性，该发明对于降低航空公司运营成本，保障飞行安全具有重要意义。
Description
技术领域
本发明属于民机维修技术领域，尤其涉及一种基于监测数据的民机***性能退化预测方法及***。
背景技术
伴随着当前航空市场的壮大，机队数量的增加，人们对飞机的安全性和可靠性提出了更高的期望。现代民机设计的综合耦合性不断提高，关键***运行时出现任何的故障都会可能对飞行造成影响甚至致使灾难性事件的发生，直接影响着飞机的安全性和运营商的经济收益，制定科学合理的民机维修方法是保证飞机安全运行并降低航空公司运营成本的关键。民机发动机是飞机重要***之一，由多单元体组成，是飞机的主要动力来源和引气装置，其维修问题较为复杂，容易出现维修不足和过度维修的现象，确定何时维修、如何维修成为解决民机发动机***维修优化的关键。利用监测数据进行***性能退化预测分析可为后续维修决策提供信息支持，但传统方法难以准确拟合***退化规律，解决“个性化”***退化预测问题。
通过上述分析，现有技术存在的问题及缺陷为：（1）现有技术不能准确跟踪描述民机发动机***性能退化变化规律，预测精度低。（2）现有技术在应对复杂多变的退化轨迹时不能有更佳的跟踪预测效果，对于在翼发动机的寿命预测准确度差。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于监测数据的民机***性能退化预测方法及***，具体涉及一种基于改进相似性匹配算法的***性能退化预测方法以及基于预测数据的维修优化方法、***。
所述技术方案如下：一种基于监测数据的民机***性能退化预测方法，包括：
S1、对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；
S2、对民机发动机***多特征数据降噪及标准化处理；
S3、对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，选取参数；
S4、通过传感器监测参数数据，构建民机发动机***退化模型；
S5、结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
S6、应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
S7、更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；
S8、根据机队历史参数，得到多组民机发动机***性能退化轨迹；
S9、选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
S10、以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
本发明的另一目的在于提供一种基于监测数据的民机***性能退化预测***，该***通过所述的基于监测数据的民机***性能退化预测方法实现，该***包括：
民机发动机***退化模型构建模块，用于对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；对民机发动机***多特征数据降噪及标准化处理；对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，选取参数；通过传感器监测参数数据，构建民机发动机***退化模型；
剩余寿命函数构建模块，用于结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
发动机***退化模型状态参数估计更新模块，用于应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
发动机大修时刻预测模块，用于更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；根据机队历史参数，得到多组民机发动机***性能退化轨迹；选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
发动机预测性维修方案确定模块，用于以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
本发明所具备的有益效果为：本发明在过去已有的相似性匹配寿命预测模型基础之上进一步结合无迹粒子滤波算法提出了基于参数退化轨迹相似性匹配的性能退化预测组合模型。该模型能根据退化特征信息动态更新退化方程，建立更符合实际情况的退化模型。本发明所提出的预测模型，能准确跟踪描述民机发动机***性能退化变化规律且相较于传统的预测方法，具有更高的预测精度，可为航空公司优化维修方案提供理论科学依据。本发明提出的动态匹配预测模型不会受到退化轨迹模型不一致所带来的预测结果不稳定、精度较低等问题。在应对复杂多变的退化轨迹时能有更佳的跟踪预测效果，因此能更好的满足航空公司预测需求，并且在一定周期内随着历史数据库可对照的样本数量越多，对于在翼发动机的寿命预测就会越准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于监测数据的民机***性能退化预测方法流程图；
图2是本发明实施例提供的Δ涡轮出口排气温度图；
图3是本发明实施例提供的涡轮出口排气总温裕度图；
图4是本发明实施例提供的状态监测参数相关性分析图；
图5是本发明实施例提供的部分发动机EGT变化趋势图；
图6是本发明实施例提供的性能退化经验多项式模型拟合图；
图7是本发明实施例提供的性能退化经验指数模型拟合图；
图8是本发明实施例提供的1号待预测样本实时变化趋势与历史样本经验模型图；
图9是本发明实施例提供的1号预测样本不同起始点性能退化预测中160cycle图；
图10是本发明实施例提供的1号预测样本不同起始点性能退化预测中180cycle图；
图11是本发明实施例提供的1号预测样本不同起始点性能退化预测中210cycle图；
图12为1号预测样本时变参数a、b、c、d随时间更新过程图；
图13为2号预测样本160cycle起始点性能退化预测图；
图14为2号预测样本180cycle起始点性能退化预测图；
图15为2号预测样本210cycle起始点性能退化预测图；
图16为1号预测样本性能退化区间预测箱型图；
图17为历史数据库中8台经过预处理的发动机及待预测样本1实际运行发动机EGTM变化趋势图；
图18待预测样本1中2960循环大修时刻预测结果图；
图19是本发明实施例提供的基于监测数据的民机***性能退化预测方法原理图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明的创新点在于：本发明结合无迹粒子滤波算法提出了基于参数退化轨迹相似性匹配的民机***性能退化预测组合模型。该模型能根据退化特征信息动态更新退化方程，建立更符合***实际情况的退化模型，以实现民机***性能退化的预测。该模型利用当前运行中发动机***的实时监测信息以及无迹粒子滤波算法，迭代更新退化模型中的时变参数，从而实现对发动机状态的实时更新预测。通过传感器采集***实际运行数据，对数据进行特征识别、敛散性分析、多指标综合评价等，筛选得到能够准确表征***退化状态的***监控参数，提出基于参数退化轨迹相似性匹配的组合模型，实现***状态的实时更新预测。根据***状态预测结果，优化维修策略，合理规划维修资源，并开发相应的平台***。将模型理论方法应用于航空发动机的大修时刻预测与致因因素分析中，验证了该模型对于性能退化预测结果的准确性，相较于传统方法有较大提高，所提出的预测性维修方法可以实现维修降本增效。该发明对于降低航空公司运营成本，保障飞行安全具有重要意义。
实施例1，如图1所示，本发明实施例提供基于监测数据的民机***性能退化预测方法包括：
S1、对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；
S2、对民机发动机***多特征数据降噪及标准化处理；
S3、对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，选取参数；
S4、通过传感器监测参数数据，构建民机发动机***退化模型；
S5、结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
S6、应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
S7、更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；
S8、根据机队历史参数，得到多组民机发动机***性能退化轨迹；
S9、选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
S10、以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
在本发明实施例步骤S1中，对于参数特征的识别，主要从均值、方差、相关性分析、信息熵进行发明。示例性的，假设某状态监测参数的每个时间循环的样本为：/>，/>表示样本的总数，进行如下的参数特征计算：
（1）均值：某传感器监测参数序列监测样本数为/>，均值/>的定义如下：
（2）方差：某传感器监测参数序列监测样本数为/>，监测样本均值为，则方差/>的计算公式如下：
（3）协方差的计算公式如下：
当时，表明/>存在正相关性，即具有相同数据变化趋势走向；当时，表明/>存在负相关性，即具有相反的数据变化走向；/>和/>是/>和/>的平均值，/>为某某传感器监测参数，/>为计算协方差，/>为某传感器监测参数序列，/>为另一某传感器监测参数序列；
（4）相关系数：存在两个传感器监测参数序列、/>当前时刻参数为/>，Pearson相关系数计算如下：
式中，Pearson相关系数值在范围内变动，接近1，-1，0的相关值分别表示强正相关、强负相关和弱或非线性关系/>为Pearson相关系数，/>为/>与/>的Pearson相关系数，/>为方差；
（5）信息熵：某传感器监测参数序列监测样本数为/>，其计算公式如下：
式中，选择以2为底数的对数函数进行计算，表示/>的概率，假设服从0-1二项分布的随机变量/>：
则有：；式中，/>为信息商，/>为某传感器监测参数序列/>去值为1的概率，/>为概率；
在本发明实施例步骤S2中，包含以下步骤：
S201、数据清洗处理：基于加权移动平均的五点均值平滑降噪方法，根据检测随机过程中信号均值、方差样本数据的最小偏移量来监测参数的变化，对监测参数进行降噪清洗；设包含个状态参数的一维时间序列/>为：/>式中：/>表示第/>个元素，随着时间变化。满足以下公式使得降噪后的数据与原始信号之间以最小均方差逼近，即五点均值平滑降噪法的权重系数以最小二乘原理确定：
通常采用五点二次平滑法，对处理点前后两个数值各进行高次多项式拟合，五点二次平滑法处理如下：：
根据五点二次平滑处理及权重参数表可以求得：
式中，为平滑降噪处理后第/>个元素值，/>第/>个元素值，/>为常数项系数，/>为一次项系数，/>为二次项系数，/>为定义的值，/>为平滑处理后第/>个元素值，/>第个元素值，/>第/>个元素值，/>第/>个元素值，/>第/>个元素值；
S202、无量纲处理：将不同单位、不同变化范围的数据变换到同一区间；对于某参数序列中的/>：
式中，为无量纲处理后的元素，/>为第/>个元素，/>为一维时间序列/>中值最小的元素，/>为一维时间序列/>中值最大的元素；
在本发明实施例步骤S3中，对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，综合选取相关性强、单调性强、离散程度大和鲁棒性高的参数，将备选参数代入构建的多目标函数，按多目标函数计算结果进行排序，认为结果数值越大参数越优。
式中，为某传感器退化监测参数序列；/>为对应退化监测参数序列的趋势序列；/>为对应的残差序列。
具体包括以下步骤：S301、相关性指标：
式中，为某传感器监测参数序列，/>为运行时间序列，为监测样本数。从反映两个变量之间相互关系的角度出发得到了相关性指标，并通过取绝对值的方式使相关性指标在/>范围内变动。
S302、单调性指标：
式中，为某传感器性能退化参数特征序列；/>表示单位阶跃函数。
S303、离散性指标：
式中：为某列特征参数序列的方差算数平方根；/>分别是某参数序列最大与最小值；/>为某参数序列的平均数。
S304、鲁棒性指标：
式中，为相应的监测参数序列/>的趋势序列。
S305、多指标综合评价方法:进行监测参数优选时，会综合考虑其相关性、单调性、离散性与鲁棒性指标，从而获得能更好反映民机***性能退化的特征，如以下式子所示：
式中，为多目标函数，/>是评价指标的权重。
目标函数可以作为性能退化特征评价的综合指标，其取值范围也在/>之间，并且/>目标函数与4个指标均为正相关,/>的权重大小可以由专家经验进行设定。
在步骤S4中，通过传感器监测参数数据，构建民机发动机***退化模型，包括：根据民机发动机***性能退化过程中监测参数的变化规律，选择经验退化模型，计算公式为：
式中，为民机发动机***的状态监测参数，/>为民机发动机***监测参数性能退化模型的拟合方程第一未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第二未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第三未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第四未知量系数，/>为性能退化循环次数，/>通过最小二乘法拟合大量历史运行数据确定初步取值。
为了检验具体哪一个退化轨迹方程更符合***的一般退化规律，本发明将使用拟合优度（goodness-of-fit）作为轨迹方程拟合程度的衡量标准。如果监测参数与轨迹方程贴合程度高，则均方根误差（RMSE，Root mean square error）将接近0，而确定系数（）将接近1。/>与RMSE按下式计算：
在本发明实施例步骤S5中，民机***当下实时运行监测数据集与历史全周期寿命数据之间的相似性匹配，是一个对不同样本之间相似性进行刻画和描述的过程。采用Pearson系数来度量民机***实时运行数据集与历史全周期寿命数据片段之间的相似匹配程度。设时间序列长度为的民机发动机***实时运行状态监测参数/>，在长度与参数相同的第/>台民机发动机***历史样本为/>，/>分别为实时运行数据与历史全周期数据相对应序列片段的平均值，相关系数的计算公式如下所示：
式中，为当前时刻监测参数，/>为历史样本参数，/>为Pearson相关系数计算公式，/>为实时预测样本和第/>台历史样本/>之间的Pearson相关系数，/>为预测样本退化模型，/>为第/>台民机发动机***实时运行参数，/>为发动机编号；
实时预测样本和第个历史样本/>之间的Pearson相关系数/>最大，说明两序列的相似程度最大，预测样本退化模型/>选用实时运行参数/>的退化经验模型。
在本发明实施例步骤S6中，包括以下步骤：
S601、***状态观测方程初始化，完成***状态的初始化，从初始分布采样个粒子生成原始粒子集，且每个粒子/>对应的权重系数/>，当时刻/>时，令/>，经迭代得到一组新的粒子集/>；
式中，为时间参数，/>为当前更新后粒子集，/>为0时刻随机抽样，/>为矩阵运算中转置的单位矩阵，/>为当前粒子集，/>为矩阵运算中转置，/>为更新粒子集，/>为0时刻更新参数样本，/>为初始粒子集，/>为过程噪声的方差，/>为观测噪声的方差；
S602、重要性分布采样，基于无迹粒子滤波算法的重要性分布采样，使用卡尔曼滤波算法计算粒子集中所有粒子的均值和协方差矩阵/>，具体运算过程如下：
建立Sigma点矩阵及相对应权值，计算个Sigma采样点和相应权值，/>为状态向量维数；
式中，为总体滤波采样点，/>为两阶段滤波采样点总和，/>为/>状态向量维度，/>为/>状态向量维度，/>为当前时刻参数，/>为/>时刻/>维度下预测采样点，为/>时刻/>维度下预测采样点，/>为/>时刻/>维度下相关权重粒子概率密度函数，/>为/>时刻/>维度下相关权重粒子概率密度函数，/>为缩放比，/>为采样点的分布状态，/>；
将粒子取样点代入状态方程，得到取样点集合：
式中，为/>时刻预测采样点，/>为状态方程，/>为/>时刻预测采样点；
利用预测采样点计算均值/>和方差/>，并结合新的Sigma点矩阵代入最新的观测方程，/>由基于Sigma点矩阵的观测预测值，通过加权求和得到的***预测均值及协方差；
S603、重新采样更新粒子，根据高斯分布得到密度函数中的取样粒子，表达式为：
根据当前新测量值利用高斯分布粒子密度函数更新各个粒子权值：
式中，为重要性密度函数，/>为后验概率密度函数，/>为狄拉克函数，/>为当前时刻的循环次数，/>；根据权值归一化处理并按重要性高低重排粒子，对粒子点集进行复制与淘汰，将处理后的粒子映射为等权重的/>个粒子；/>为/>时刻/>维度下状态方程权重，/>为/>时刻/>维度下状态方程权重，/>为密度函数中的取样粒子，/>为/>时刻状态方程监测参数，/>为/>的先验历史样本，/>为/>的先验历史样本矩阵，/>为/>时刻监测参数矩阵中第/>个采样粒子，/>为/>时刻监测参数矩阵中第/>个采样粒子，/>为/>时刻监测参数矩阵中采样粒子估计，/>为/>时刻监测参数矩阵中第/>个采样粒子的估计值，/>为时刻监测参数矩阵中采样粒子估计，/>为/>时刻监测参数矩阵中第/>个采样粒子的估计值，/>为/>时刻先验样本值，/>为/>监测参数矩阵中第/>个采样粒子的估计值；
S604、更新状态估计值，输出更新后的估计值与协方差矩阵，表达式为：
式中，为/>时刻状态方程监测参数，/>为协方差矩阵。
在本发明实施例步骤S7中，在步骤S7中，***剩余寿命函数更新，并在预测点处设立大修阈值，包括：根据民机***的退化模型，设观测值与状态值/>存在线性关系，将状态方程和观测方程改写为：
式中，为***监测参数性能退化模型的拟合方程第一未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第二未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第三未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第四未知量系数状态值；/>为服从高斯分布的递推函数，/>表示/>中的方差，/>表示/>中的方差，/>表示/>中的方差，/>表示/>中的方差；/>为噪声系数；/>为前一时刻***监测参数性能退化模型的拟合方程第一未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第二未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第三未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第四未知量系数状态值；/>表示方程改写后的观测值，/>为当前时刻参数；
离散状态方程中的状态值为***在/>时刻的时变参数向量/>，利用当前运行中***的性能退化状态监测参数以及无迹粒子滤波算法迭代更新四个时变参数，并预测下一时刻的运行状态，从而实现对民机***状态的实时更新预测，即是滤波跟踪算法进行实时性能退化预测的核心思想。
从循环往后/>步的预测写成：
式中，为实时***运行状态/>时刻预测值，/>为/>下条件概率密度函数，/>为实时***运行状态/>时刻每个预测值，/>为/>时刻/>维度下状态方程权重，/>为狄拉克函数，/>为实时***运行状态/>时刻第/>个预测值；
***剩余寿命阈值为，***在第/>时刻的剩余寿命预测分布写成以下表达式：
式中，为真实情况下终止剩余寿命循环，/>为/>时刻下预测的剩余寿命，为经/>次迭代更新后第/>个粒子的状态方程时变参数，/>为***监测参数性能退化模型的拟合方程第一未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第二未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第三未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第四未知量系数/>次迭代后的状态值，/>为第/>个粒子的权值，/>为/>时刻下所预测的距离大修剩余时间，/>为/>时刻下所实际的距离大修剩余时间，/>为狄拉克函数。
在本发明实施例步骤S8中，在正常工况条件下，航空发动机***的性能退化是一个接近于一次函数线性发展的过程，因此可以采用求解EGT衰退率的方法，来推算得到大修时刻。但是，当航空发动机内部零部件存在的氧化、腐蚀、烧蚀以及由于高温高压所引起的尺寸变形故障时，此时的发动机***性能退化并非线性，而是一个接近双曲线非线性变化的过程，为了更好的描述这一过程，最小二乘法的轨迹非线性拟合能很好的解决这一问题。
设民机发动机***的一组性能退化时间序列数据为：；式中，/>表示观测时间，/>表示性能退化数据；在函数/>中求函数：
/>
式中，为最小二乘解，/>为第/>个函数；/>为/>中的未知参数，/>；/>为最小二乘解与性能退化数据的差值，/>；
将函数拟合已知性能退化数据的最小二乘解，求解/>，其中/>，使得/>满足下式：
式中，为函数/>拟合已知性能退化数据的最小二乘解，/>为/>的最小二乘解，
则是上式取得极小值的点，为使/>取极小值，对/>求偏导，将性能退化数据/>代入，得知未知参数/>；
相似性对比匹配，对比待预测样本与历史样本库中发动机EGTM（排气温度裕度exhaust gas temperature margin）参数退化序列之间的相似程度，使用相关性系数来衡量序列之间的相似程度，按照相似大小进行排序，选取相似性最大的历史样本退化方程。
在本发明实施例步骤S9中，无迹粒子滤波迭代更新参数：在上一步中根据历史退化轨迹相似匹配，已经初步确定了待预测发动机的近似退化模型，但和实际还存在差距，无迹粒子滤波算法将根据实时运行监测数据对不同的发动机分别实现退化模型状态参数的估计与更新，得到更贴合当下发动机实际衰退情况的精确退化方程。
假设航空发动机***监测参数性能退化过程服从双指数等式：
式中，为发动机***监测参数，/>为循环次数，/>为时变参数，含有噪声，则离散状态方程中的状态向量为：
根据***的退化模型，设观测值与状态值/>存在线性关系，可将其状态方程和观测方程改写为：
式中，为***监测参数性能退化模型的拟合方程第一未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第二未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第三未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第四未知量系数状态值；
假设航空发动机的大修阈值为，在/>循环时达到预测点，则发动机在第/>循环的RUL预测分布可以写成以下式子，其中/>表示经/>次迭代更新后第/>个粒子的状态方程时变参数，/>表示第/>个粒子的权值，/>为真实情况下终止剩余寿命循环，/>为/>时刻下预测的剩余寿命。
在本发明实施例步骤S10中，为了使得维修人员前往现场能够尽可能地解决多个航空发动机的维修任务，在一定程度上降低人工成本，在本申请实施例中，得到航空发动机的维修规划之后，还包括：
获取航空发动机全寿命周期内的维修规划，并基于所有维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合由相同维修等级的至少一个维修规划构成；针对每一维修规划组合，基于维修规划组合的维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员；基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作。基于所述维修规划进行维修费用计算，得到维修费用和维修耗时；基于成本进行更换费用计算，得到更换费用和更换耗时；基于所述维修费用、所述更换费用、所述维修耗时和所述更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
将所述维修费用和所述更换费用进行大小比较，并将所述维修耗时和所述更换耗时进行大小比较，得到比较结果；若比较结果为维修费用高，且维修耗时长，则确定发动机的处理方式为更换；若比较结果为更换费用高，且更换耗时长，则确定发动机的处理方式为维修；若比较结果为维修费用高，但更换耗时长，则计算所述维修耗时和所述更换耗时之间的差值，得到耗时差值，并基于维修或更换计划方案和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；当所述耗时差值成本和所述更换费用的总和高于所述维修费用时，则确定发动机的处理方式为维修，否则，确定设备的处理方式为更换；若比较结果为更换费用高，但维修耗时长，则计算所述维修耗时和所述更换耗时之间的差值，得到耗时差值，并基于维修或更换计划方案和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；当所述耗时差值成本和所述维修费用的总和高于所述更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修。
基于改进相似性匹配算法对应的预测信息进行预测性维修规划，得到航空发动机***的维修规划，其中，维修规划包括：维修时间和维修等级。根据航空公司实际发动机运行状况，更准确跟踪描述航空发动机***性能退化变化规律，有针对性的安排发动机维修计划以及更加灵活的机队管理。
可以理解，维修人员会基于维修能力进行等级划分，航空发动机的故障也会基于性能退化严重程度进行维修等级划分，维修等级越高的故障也需要维修能力越高的维修人员进行处理，因而，基于维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合中维修规划的维修等级相同。通过上述实施例，本发明为航空公司工程人员提供了理论科学依据，以便能够及时掌握发动机的性能状态，有针对性的安排发动机维修计划以及更加灵活的机队管理。本发明所提出的预测模型相较于传统的基于线性EGT衰退率的大修预测方法，具有应对范围广，不受线性退化过程约束等优势，且能更准确跟踪描述航空发动机性能退化变化规律，具有更高的预测精度。本发明相较于单一的粒子滤波处理方法在最终预测结果上，绝对误差减少11个周期，精度提高了5%，预测稳定性上提高了7%。在同样应用相似性退化轨迹匹配的基础之上，无迹粒子滤波算法在预测稳定性上相较于粒子滤波算法会提高了12%，平均均方误差降低4.8219。
实施例2，本发明实施例提供一种基于监测数据的民机***性能退化预测***，包括：
民机发动机***退化模型构建模块，用于对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；对民机发动机***多特征数据降噪及标准化处理；对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，选取参数；通过传感器监测参数数据，构建民机发动机***退化模型；
剩余寿命函数构建模块，用于结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
发动机***退化模型状态参数估计更新模块，用于应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
发动机大修时刻预测模块，用于更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；根据机队历史参数，得到多组民机发动机***性能退化轨迹；选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
发动机预测性维修方案确定模块，用于以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
为进一步说明本发明实施例相关效果，进行如下实验：为了更加清楚明白的阐述本发明的目的，技术要点和优点，将结合附图和具体实施方式对本发明做进一步详细描述。所选择实例示意性实施方式及其说明用于解释本发明，并不作为对本发明的限定。
本实例选用民用航空发动机作为发明对象，航空发动机在长期使用过程中受到的腐蚀、积垢、磨损会引起性能的缓慢退化，退化引起发动机转动部件特性的变化，如流量和效率的变化，进而引起发动机工作状态发生改变，具体表现在相关参数（转速、压力、温度）的传感器测量参数偏离额定状态。进行分析处理，挖掘与故障对象关联有效信息，从而对航空发动机进行评估。本文所采取的基于改进相似性匹配算法的预测性维修方法、***及应用能够准确跟踪描述航空发动机性能退化变化规律，有针对性的安排发动机维修计划以及更加灵活的机队管理。
不同程度的退化和损伤引起的偏离程度不同，因此，可以通过传感器测量参数的变化，对发动机退化程度进行评估。航空发动机状态监控数据集来源于国内某航空公司某型发动机，自2020年1月1日至2021年6月13日近两年1496个飞行循环所记载的QAR数据。数据由11个状态监测时间序列组成，如下表1原始状态数据所示。
表1
本实例包括以下步骤：
步骤S101：对传感器监测参数进行基于统计学的特征分析，了解数据的均值、变化范围，掌握数据集整体参数的分布。基于参数特征识别、预处理和多评价指标筛选，对11个状态监测参数，进行定量化综合评估。参数特征表示参数数值随时间的变化趋势。数据集中发动机部分传感器参数随时间的变化趋势如下图2为Δ涡轮出口排气温度图、图3为涡轮出口排气总温裕度图所示。
步骤S102：数据预处理。更具体的首先是对监测参数进行信息熵的计算，可以反映参数所包含信息的丰富程度。对原始数据集中的数据采用公式1进行信息熵的计算，计算结果如表2监测参数信息熵所示。
表2
（1）
经计算，指示风扇转速偏差（Indicated Fan Speed Divergence）的信息熵过小，即反映出这些参数变化较小，对于此类参数，可直接剔除。类似于高压压气机入口总温（HPCInlet Total Temp）、滑油温度（Oil Temperature）等的信息量较大，观察数据趋势图，发现其上下变化范围也大，但数据基本保持在一个平均值浮动因此较为恒定，也可不考虑。
接下来对两个参数之间或者是参数同时间序列之间进行相关性计算，采用公式（2）进行计算，计算结果如图4状态监测参数相关性分析所示。
（2）
经相关性分析计算可知，Δ涡轮出口排气温度（Delta EGT）、涡轮出口排气温度裕度（EGT Margin）是所有监测参数中与飞行循环呈高度相关性的。与飞行循环（Cycle）呈中度正相关性的参数，相关性由高到低排列有：Δ核心机转速（Delta core speed）、核心机转速偏差（Core Speed Divergence）、Δ燃油流量（Delta Fuel Flow）。与飞行循环（Cycle）持低相关性的参数，相关性由高到低排列有：指示风扇转速（Indicated Fan Speed）、燃油流量偏差（Fuel Flow Divergence）、核心机转速（Core speed）。仅以相关性系数分析来看，在众多航空发动机的状态监测参数中，涡轮出口排气温度这一参数是最能刻画发动机性能退化的特征参数。
对敛散性进行分析，在目前这些状态监测参数中，退化趋势均收敛，以上参数都符合要求。
步骤S3：基于评价指标，选出包含信息量充分，能有效描述航空发动机性能衰退且冗余小的特征监测参数。
发动机状态监测参数的选择原则为：能反映航空发动机的状态性能，来评价发动机的技术状态。能指示发动机的性能状态和退化过程，从而来评估发动机的在翼时间与剩余寿命。在之前的分析工作中已完成了对监测参数的初步筛选，接下来将对剩下的Δ涡轮出口排气温度（Delta EGT）、Δ核心机转速（Delta core speed）、核心机转速偏差（CoreSpeed Divergence）、Δ燃油流量（Delta Fuel Flow）、涡轮出口排气温度裕度（EGTMargin）等5个可检测的监测参数进行排序优选。发动机性能衰退监测参数评价体系根据公式（3）、公式（4）、公式（5）、公式（6），从四个方面进行计算，其结果如表3发动机状态监测参数评价指标所示。
表3
（3）
（4）
（5）
（6）
综合指标评价方法中各指标的权重均为0.25，计算各特征参数的综合指标评价分/>，并按从大到小顺序进行排序。如表4综合评价指标排序可知，EGTM还是最能反应发动机性能退化趋势的监测参数，其他所筛选出的核心机转速、涡轮出口排气温度等参数也可作为衡量发动机性能退化的参数。这与航线实际常用的发动机性能退化监测参数（核心机转速、涡轮出口排气温度）基本相符。
表4
步骤S4：结合历史经验退化模型拟合的无迹粒子滤波发动机性能退化预测。
基于优选出的传感器，进行航空发动机性能退化预测。以历史全周期寿命监测数据进行退化轨迹的拟合分析，如图5部分发动机EGT变化趋势所示是已经完成了去噪声处理的部分历史全周期寿命发动机的涡轮出口排气温度参数。
根据公式（7）的经验模型，对筛选出的航空发动机状态监测参数随循环次数的变化规律进行拟合。利用不同经验模型对历史数据集中某台编号为11的发动机监测参数涡轮出口排气温度的变化趋势进行拟合，如图6性能退化经验多项式模型拟合、图7性能退化经验指数模型拟合所示。
（7）
为降低偶然性，选取了寿命周期跨度较大的四台数据集中的发动机，将涡轮出口排气总温参数随寿命循环次数变化的规律结合公式（8）进行拟合并做优劣程度对比。
（8）
由拟合优劣程度对比表4可知，除了一次函数模型，单指数模型，其余经验模型的拟合效果都较为出色，意味着这些退化经验模型能较为准确的来描述发动机状态监测参数随寿命循环的变化趋势，尤其以四次高阶，双指数退化轨迹能取得出色的拟合效果。通过对历史多台发动机状态监测数据的拟合分析发现，双指数模型无论是均方根误差，还是确定系数/>都为这些模型中最优，因此能较好的反映发动机性能衰退趋势。
步骤S5：进行退化轨迹相似性匹配。采用相对应的历史退化经验模型，进行接下来基于无迹粒子滤波算法的航空发动机性能退化预测。待预测样本1初步确定的退化方程及非时变参数为公式（9）、公式（10）。
（9）
（10）
待预测样本2初步确定的退化方程及非时变参数为公式（11）；
（11）
步骤S6：调整模型中的时变参数，使其能更好的符合预测样本的真实退化过程。
进行发动机的性能退化预测，如图8为1号待预测样本实时变化趋势与历史样本经验模型所示。初始化参数，粒子总数目设为1000，预测噪声协方差设为0.0001，观测噪声协方差为0.001，数据集中的涡轮出口排气温度红线值即失效阈值为1430摄氏度。
对比1号预测样本不同起始点性能退化预测，如图9为1号预测样本不同起始点性能退化预测中160cycle图，图10为1号预测样本不同起始点性能退化预测中180cycle图，图11为1号预测样本不同起始点性能退化预测中210cycle图所示。图12为1号预测样本时变参数a、b、c、d随时间更新过程图。图13为2号预测样本160cycle起始点性能退化预测图，图14为2号预测样本180cycle起始点性能退化预测图，图15为2号预测样本210cycle起始点性能退化预测图；相较于一般粒子滤波，通过无迹粒子滤波的状态估计及参数更新下的预测结果更符合实际。以待预测样本1为例如图9-图11所示，处于第210循环时，所预测的发动机的剩余寿命为48，发动机的实际RUL为46，预测误差仅为2。
在预测起点第210循环时，更新后的状态参数为公式（12）。
（12）
对于利用UPF追踪估计下性能退化预测结果的优劣，可以用预测误差，均方误差进行评价，发动机性能退化预测误差定义为，所预测的寿命值/>与真实寿命/>的绝对误差，如公式（13）所示。
（13）
性能退化预测结果在本质上取决于不同循环下剩余寿命循环的预测精度。从预测点开始向后预测次得到的预测值与真实值的误差距离，以均方误差作为评价指标，如公式（14）所示。
（14）
基于相似性匹配的无迹粒子滤波预测结果如表5为2个预测样本基于EGT的性能退化预测结果所示。
表5
基于同一个预测样本的同一个预测时间点，比较了不同模型之间的预测准确度对比，如表6不同预测方法之间预测误差对比所示。
表6
对比结果如表7PF与UPF预测误差对比所示。
表7
本发明所提出的预测模型，相较于单一的粒子滤波处理方法在在最终预测结果上，绝对误差减少11个周期，精度提高了5%，预测稳定性上提高了14%。以1号待预测样本为例，可采用箱形图方法来比较粒子滤波与无迹粒子滤波的发动机性能退化预测的不确定性分析，如图16为1号预测样本性能退化区间预测箱型图所示。通过包含了中位数以及上下四分位数与均值的箱形图可直观看出所预测的性能退化预测的分布。箱型图中箱型的上下界限分别表示上四分位数和下四分位数。其构成的剩余寿命区间，即表示航空发动机的剩余寿命预测区间估计。为分析预测的不确定性，在每个预测时间点，进行10次预测。
步骤S7：发动机剩余寿命分布函数的更新。
假设航空发动机监测参数性能退化过程服从双指数等式，如公式（15）所示。
（15）
公式（15）中，为发动机监测参数，/>为循环次数。/>为时变参数，含有噪声，则离散状态方程中的状态向量为公式（16）。
（16）
根据发动机的退化模型，设观测值与状态值/>存在线性关系，可将其状态方程和观测方程改写，如公式（17）所示。
（17）
状态方程通过观测方程不断迭代更新的实际意义，即为利用当前运行中发动机的性能退化监测数据以及无迹粒子滤波算法迭代更新状态向量中的四个时变参数。
假设航空发动机的大修阈值为，在/>循环时达到预测点，则发动机在第/>循环的RUL预测分布可以写成以下式子，其中/>表示经/>次迭代更新后第/>个粒子的状态方程时变参数，/>表示第/>个粒子的权值，/>为真实情况下终止剩余寿命循环，/>为/>时刻下预测的剩余寿命，如公式（18）、公式（19）所示。
（18）/>
（19）
步骤S8：无迹粒子滤波迭代更新参数，根据实时运行监测数据对发动机实现退化模型状态参数的估计与更新，得到更贴合发动机实际衰退情况的精确退化方程。
图17为历史数据库中8台经过去噪声预处理的发动机EGTM变化趋势（某机队EGTM全寿命运行数据），已知该型发动机的EGTM警戒值为0℃。由图可知EGTM在发动机的使用过程中呈现明显的下降趋势，经过拟合检验后发现与双指数退化模型最为吻合。图17中待预测样本1为正在运行中的航空发动机EGTM变化趋势（待预测样本EGTM运行数据），当前循环分别是2960。
步骤S9：根据无迹粒子滤波实时更新后的退化方程，在预测点处设立大修阈值进行剩余寿命计算，得到距离大修时刻的剩余寿命预测值。根据相关系数来衡量序列之间的相似程度，分别应用历史样本8与历史样本1的退化轨迹方程，经过计算相似程度大小如表8序列之间相似程度所示。
表8
待预测样本1退化方程及非时变参数更新为公式（20）、公式（21）。
（20）
（21）
以实时监测参数作为输入，依据无迹粒子滤波算法，迭代更新退化方程时变参数，最后得到待预测样本距离下次大修的剩余循环，预测结果如图18待预测样本12960循环大修时刻预测结果。两台测试样本预测结果的平均相对误差是6.35%，误差可以控制在10%以内，如表9基于EGT动态匹配的大修时刻预测结果所示。对于相同样本，采用基于EGT衰退率的大修时刻预测方法，预测剩余循环将达到5640循环，远超实际剩余循环。
表9
步骤S10:发动机预测性维修方案制定。基于改进相似性匹配算法对应的预测信息进行预测性维修规划，得到航空发动机***的维修规划，其中，维修规划包括：维修时间和维修等级。为了使得维修人员前往现场能够尽可能地解决多个航空发动机的维修任务，在一定程度上降低人工成本，在本申请实施例中，得到航空发动机的维修规划之后，还包括：获取航空发动机全寿命周期内的维修规划，并基于所有维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合。
例如，为A维修人员分配了第一维修规划、第二维修规划和第三维修规划，其中，第一维修规划的维修时间为2月2日，第二维修规划的维修时间为2月5日，第三维修规划的维修时间为2月10日，然而，综合维修人员的工作效率和每一维修规划需要的处理时长等多种情况，确定A维修人员能够在一天内完成第一维修规划、第二维修规划和第三维修规划，因而，调整维修任务，确定维修人员的维修工作安排为：2月2日完成第一维修规划、第二维修规划和第三维修规划。其中，维修规划组合由相同维修等级的至少一个维修规划构成；针对每一维修规划组合，基于维修规划组合的维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员；基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作。基于维修规划进行维修费用计算，得到维修费用和维修耗时；基于成本进行更换费用计算，得到更换费用和更换耗时；基于维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
设备的维修费用和更换费用进行大小比较，并将设备的维修耗时和更换耗时进行大小比较，得到比较结果；若比较结果为维修费用高，且维修耗时长，则确定设备的处理方式为更换；若比较结果为更换费用高，且更换耗时长，则确定设备的处理方式为维修。一般而言，维修人员会基于维修能力进行等级划分，航空发动机的故障也会基于性能退化严重程度进行维修等级划分，维修等级越高的故障也需要维修能力越高的维修人员进行处理，因而，基于维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合中维修规划的维修等级相同。所提出的预测模型，能准确跟踪描述航空发动机性能退化变化规律且相较于传统的预测方法，具有更高的预测精度，在大修时刻预测中，可以为航空公司在翼运行发动机的大修计划安排，提供理论科学依据。
如上所示，如图19本发明实施例提供的基于监测数据的民机***性能退化预测方法原理，本发明提出的动态匹配预测模型不会受到退化轨迹模型不一致所带来的预测结果不稳定，结果精度较低等问题。在应对复杂多变的退化轨迹时能有更佳的跟踪预测效果，因此能更好的满足航空公司预测需求，并且在一定周期内随着历史数据库可对照的样本数量越多，对于在翼发动机的寿命预测就会越准确。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于监测数据的民机***性能退化预测方法，其特征在于，该方法包括：
S1、对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；
S2、对民机发动机***多特征数据降噪及标准化处理；
S3、对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子选取参数；
S4、通过传感器监测参数数据，构建民机发动机***退化模型；
S5、结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
S6、应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
S7、更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；
S8、根据机队历史参数，得到多组民机发动机***性能退化轨迹；
S9、选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
S10、以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
2.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S2中，对民机发动机***多特征数据降噪及标准化处理，包括：
S201、数据清洗处理：基于加权移动平均的五点均值平滑降噪方法，根据检测随机过程中信号均值、方差样本数据的最小偏移量来监测参数的变化，对监测参数进行降噪清洗；
S202、无量纲处理：将不同单位、不同变化范围的数据变换到同一区间。
3.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S4中，通过传感器监测参数数据，构建民机发动机***退化模型，包括：
根据民机发动机***性能退化过程中监测参数的变化规律，选择经验退化模型，计算公式为：
；
式中，为民机发动机***的状态监测参数，/>为民机发动机***监测参数性能退化模型的拟合方程第一未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第二未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第三未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第四未知量系数，/>为性能退化循环次数，/>通过最小二乘法拟合大量历史运行数据确定初步取值。
4.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S5中，结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数，包括：采用Pearson相关系数度量所述民机发动机***实时运行数据集与历史全周期寿命数据片段之间的相似匹配程度；设时间序列长度为的民机发动机***实时运行状态监测参数/>，在长度与参数相同的第/>台民机发动机***历史样本为/>，计算公式如下所示：
；
；
；
；
；
式中，为当前时刻监测参数，/>为历史样本参数，/>为Pearson相关系数计算公式，/>为实时运行数据相对应序列片段的平均值，/>为历史全周期数据相对应序列片段的平均值，/>为实时预测样本和第/>台历史样本/>之间的Pearson相关系数，/>为预测样本退化模型，/>为第/>台民机发动机***实时运行参数，/>为发动机编号；
实时预测样本和第个历史样本/>之间的Pearson相关系数/>最大，说明两序列的相似程度最大，预测样本退化模型/>选用实时运行参数/>的退化经验模型。
5.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S6中，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新，包括：
S601、***状态观测方程初始化，完成***状态的初始化，从初始分布采样个粒子生成原始粒子集，且每个粒子/>对应的权重系数/>，当时刻/>时，令/>，经迭代得到一组新的粒子集/>；
；
；
；
；
式中，为时间参数，/>为当前更新后粒子集，/>为0时刻随机抽样，/>为矩阵运算中转置的单位矩阵，/>为当前粒子集，/>为矩阵运算中转置，/>为更新粒子集，/>为0时刻更新参数样本，/>为初始粒子集，/>为过程噪声的方差，/>为观测噪声的方差；
S602、重要性分布采样，基于无迹粒子滤波算法的重要性分布采样，使用卡尔曼滤波算法计算粒子集中所有粒子的均值和协方差矩阵/>，具体运算过程如下：
建立Sigma点矩阵及相对应权值，计算个Sigma采样点和相应权值，/>为状态向量维数；
；
式中，为总体滤波采样点，/>为两阶段滤波采样点总和，/>为/>状态向量维度，/>为/>状态向量维度，/>为当前时刻参数，/>为/>时刻/>维度下预测采样点，为/>时刻/>维度下预测采样点，/>为/>时刻/>维度下相关权重粒子概率密度函数，/>为/>时刻/>维度下相关权重粒子概率密度函数，/>为缩放比，/>为采样点的分布状态，/>；
将粒子取样点代入状态方程，得到取样点集合：
；
式中，为/>时刻预测采样点，/>为状态方程，/>为/>时刻预测采样点；
利用预测采样点计算均值/>和方差/>，并结合新的Sigma点矩阵代入最新的观测方程，/>由基于Sigma点矩阵的观测预测值，通过加权求和得到的***预测均值及协方差；
S603、重新采样更新粒子，根据高斯分布得到密度函数中的取样粒子，表达式为：
；
根据当前新测量值利用高斯分布粒子密度函数更新各个粒子权值：
；
；
；
式中，为重要性密度函数，/>为后验概率密度函数，/>为狄拉克函数，/>为当前时刻的循环次数，/>；根据权值归一化处理并按重要性高低重排粒子，对粒子点集进行复制与淘汰，将处理后的粒子映射为等权重的/>个粒子；/>为/>时刻/>维度下状态方程权重，为/>时刻/>维度下状态方程权重，/>为密度函数中的取样粒子，/>为/>时刻状态方程监测参数，/>为/>的先验历史样本，/>为/>的先验历史样本矩阵，/>为/>时刻监测参数矩阵中第/>个采样粒子，/>为/>时刻监测参数矩阵中第/>个采样粒子，/>为/>时刻监测参数矩阵中采样粒子估计，/>为/>时刻监测参数矩阵中第/>个采样粒子的估计值，/>为/>时刻监测参数矩阵中采样粒子估计，/>为/>时刻监测参数矩阵中第/>个采样粒子的估计值，/>为/>时刻先验样本值，/>为/>监测参数矩阵中第/>个采样粒子的估计值；
S604、更新状态估计值，输出更新后的估计值与协方差矩阵，表达式为：
；
；
式中，为/>时刻状态方程监测参数，/>为协方差矩阵。
6.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S7中，更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值，包括：
根据民机***的退化模型，设观测值与状态值/>存在线性关系，将状态方程和观测方程改写为：
；
式中，为***监测参数性能退化模型的拟合方程第一未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第二未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第三未知量系数状态值，/>为***监测参数性能退化模型的拟合方程第四未知量系数状态值；/>为服从高斯分布的递推函数，/>表示/>中的方差，/>表示/>中的方差，表示/>中的方差，/>表示/>中的方差；/>为噪声系数；/>为前一时刻***监测参数性能退化模型的拟合方程第一未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第二未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第三未知量系数状态值，/>为前一时刻***监测参数性能退化模型的拟合方程第四未知量系数状态值；/>表示方程改写后的观测值，/>为当前时刻参数；
离散状态方程中的状态值为***在/>时刻的时变参数向量/>，利用当前运行中***的性能退化状态监测参数以及无迹粒子滤波算法迭代更新四个时变参数，并预测下一时刻的运行状态，实现对民机***状态的实时更新预测；
从循环往后/>步的预测写成：
；
；
式中，为实时***运行状态/>时刻预测值，/>为/>下条件概率密度函数，/>为实时***运行状态/>时刻每个预测值，/>为/>时刻/>维度下状态方程权重，/>为狄拉克函数，/>为实时***运行状态/>时刻第/>个预测值；
***剩余寿命阈值为，***在第/>时刻的剩余寿命预测分布写成以下表达式：
；
；
式中，为真实情况下终止剩余寿命循环，/>为/>时刻下预测的剩余寿命，/>为经/>次迭代更新后第/>个粒子的状态方程时变参数，/>为***监测参数性能退化模型的拟合方程第一未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第二未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第三未知量系数/>次迭代后的状态值，/>为***监测参数性能退化模型的拟合方程第四未知量系数/>次迭代后的状态值，/>为第/>个粒子的权值，/>为/>时刻下所预测的距离大修剩余时间，为/>时刻下所实际的距离大修剩余时间，/>为狄拉克函数。
7.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S8中，根据机队历史参数，得到多组民机发动机***性能退化轨迹，包括：
设民机发动机***的一组性能退化时间序列数据为：；式中，/>表示观测时间，/>表示性能退化数据；在函数/>中求函数：
；
；
式中，为最小二乘解，/>为第/>个函数；/>为/>中的未知参数，/>；/>为最小二乘解与性能退化数据的差值，/>；
将函数拟合已知性能退化数据的最小二乘解，求解/>，其中/>，使得/>满足下式：
；
式中，为函数/>拟合已知性能退化数据的最小二乘解，/>为/>的最小二乘解，则/>是上式取得极小值的点，为使/>取极小值，对/>求偏导，将性能退化数据/>代入，得知未知参数/>；
相似性对比匹配，对比待预测样本与历史样本库中发动机EGTM参数退化序列之间的相似程度，使用相关性系数来衡量序列之间的相似程度，按照相似大小进行排序，选取相似性最大的历史样本退化方程。
8.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S9中，选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，包括：
民机发动机***监测参数性能退化过程服从双指数等式：
；
离散状态方程中的状态向量为：
；
根据***的退化模型，设观测值与状态值/>在线性关系；
式中，为民机发动机***的状态监测参数，/>为民机发动机***监测参数性能退化模型的拟合方程第一未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第二未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第三未知量系数，/>为民机发动机***监测参数性能退化模型的拟合方程第四未知量系数，/>为当前时刻参数，为矩阵运算中转置，/>为当前时刻下民机发动机***监测参数性能退化模型的拟合方程第一未知量系数，/>为当前时刻下民机发动机***监测参数性能退化模型的拟合方程第二未知量系数，/>为当前时刻下民机发动机***监测参数性能退化模型的拟合方程第三未知量系数，/>为当前时刻下民机发动机***监测参数性能退化模型的拟合方程第四未知量系数。
9.根据权利要求1所述的基于监测数据的民机***性能退化预测方法，其特征在于，在步骤S10中，确定发动机预测性维修方案后，还包括：
获取民机发动机***全寿命周期内的维修规划，并基于所有维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合；
针对每一维修规划组合，基于维修规划组合的维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员；基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作；
基于所述维修规划进行维修费用计算，得到维修费用和维修耗时；基于成本进行更换费用计算，得到更换费用和更换耗时；基于所述维修费用、更换费用、所述维修耗时和所述更换耗时，综合确定设备的处理方式；
其中，处理方式包括：维修和更换；将维修费用和更换费用进行大小比较，并将所述维修耗时和所述更换耗时进行大小比较，得到比较结果；若比较结果为维修费用高，且维修耗时长，则确定发动机的处理方式为更换；若比较结果为更换费用高，且更换耗时长，则确定发动机的处理方式为维修；若比较结果为维修费用高，但更换耗时长，则计算所述维修耗时和所述更换耗时之间的差值，得到耗时差值，并基于维修或更换计划方案和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；当所述耗时差值成本和所述更换费用的总和高于所述维修费用时，则确定发动机的处理方式为维修，否则，确定设备的处理方式为更换；若比较结果为更换费用高，但维修耗时长，则计算所述维修耗时和所述更换耗时之间的差值，得到耗时差值，并基于维修或更换计划方案和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；当所述耗时差值成本和所述维修费用的总和高于所述更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修；
基于改进相似性匹配算法对应的预测信息进行预测性维修规划，得到航空发动机***的维修规划，其中，维修规划包括：维修时间和维修等级。
10.一种基于监测数据的民机***性能退化预测***，其特征在于，该***通过权利要求1至9任意一项所述的基于监测数据的民机***性能退化预测方法实现，该***包括：
民机发动机***退化模型构建模块，用于对传感器监测参数进行基于统计学的特征分析，获取传感器监测参数数据的均值、变化范围以及数据集的分布情况；对民机发动机***多特征数据降噪及标准化处理；对降噪及标准化处理后的监测参数进行平滑趋势分析，并以相关性、单调性、离散性和鲁棒性指标构建健康因子，选取参数；通过传感器监测参数数据，构建民机发动机***退化模型；
剩余寿命函数构建模块，用于结合相似性匹配拟合所述民机发动机***退化模型的参数，构建剩余寿命函数；
发动机***退化模型状态参数估计更新模块，用于应用无迹粒子滤波算法调整所述民机发动机***退化模型中的时变参数，根据实时运行监测数据对所述民机发动机***退化模型状态参数进行估计与更新；
发动机大修时刻预测模块，用于更新民机发动机***剩余寿命函数，并在预测点处设立大修阈值；根据机队历史参数，得到多组民机发动机***性能退化轨迹；选取发动机机队实际运营数据，经降噪预处理后得到退化轨迹，进行相似性匹配，根据最佳匹配模型预测大修时刻；
发动机预测性维修方案确定模块，用于以民机发动机***的可用度为基础，根据不同的维修等级数据、维修人员数据及维修费用数据综合衡量权重，确定预测性维修方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323159.0A CN117932361B (zh) | 2024-03-21 | 2024-03-21 | 基于监测数据的民机***性能退化预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323159.0A CN117932361B (zh) | 2024-03-21 | 2024-03-21 | 基于监测数据的民机***性能退化预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117932361A CN117932361A (zh) | 2024-04-26 |
| CN117932361B true CN117932361B (zh) | 2024-05-28 |
Family
ID=90761178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410323159.0A Active CN117932361B (zh) | 2024-03-21 | 2024-03-21 | 基于监测数据的民机***性能退化预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117932361B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808957A (zh) * | 2016-03-15 | 2016-07-27 | 清华大学 | 航空发动机剩余寿命预测方法 |
| CN108646199A (zh) * | 2018-08-23 | 2018-10-12 | 广西艾盛创制科技有限公司 | 一种动力电池soc估算方法和*** |
| CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
| CN111783307A (zh) * | 2020-07-07 | 2020-10-16 | 哈尔滨工业大学 | 一种高超声速飞行器状态估计方法 |
| CN113625182A (zh) * | 2021-07-23 | 2021-11-09 | 北京理工大学 | 一种对电池状态进行在线估计的方法 |
| CN114423037A (zh) * | 2022-03-28 | 2022-04-29 | 国网浙江省电力有限公司信息通信分公司 | 基于5g电力虚拟专网的通信终端无线质量检测方法及装置 |
| CN116007940A (zh) * | 2022-12-28 | 2023-04-25 | 昆明理工大学 | 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法 |
-
2024
- 2024-03-21 CN CN202410323159.0A patent/CN117932361B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808957A (zh) * | 2016-03-15 | 2016-07-27 | 清华大学 | 航空发动机剩余寿命预测方法 |
| CN108646199A (zh) * | 2018-08-23 | 2018-10-12 | 广西艾盛创制科技有限公司 | 一种动力电池soc估算方法和*** |
| CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
| CN111783307A (zh) * | 2020-07-07 | 2020-10-16 | 哈尔滨工业大学 | 一种高超声速飞行器状态估计方法 |
| CN113625182A (zh) * | 2021-07-23 | 2021-11-09 | 北京理工大学 | 一种对电池状态进行在线估计的方法 |
| CN114423037A (zh) * | 2022-03-28 | 2022-04-29 | 国网浙江省电力有限公司信息通信分公司 | 基于5g电力虚拟专网的通信终端无线质量检测方法及装置 |
| CN116007940A (zh) * | 2022-12-28 | 2023-04-25 | 昆明理工大学 | 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "RUL Prediction and Uncertainty Management for Multisensor System Using an Integrated Data-Level Fusion and UPF Approach";Heng Zhang等;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20210731;第17卷(第7期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117932361A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yip et al. | Predicting the maintenance cost of construction equipment: Comparison between general regression neural network and Box–Jenkins time series models | |
| Kaiser et al. | Predictive maintenance management using sensor-based degradation models | |
| AU2019337807B2 (en) | Aircraft engine maintenance system and method | |
| CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
| JP5916069B2 (ja) | ターボ機械のハイブリッドリスクモデリングのシステム及び方法 | |
| CN112179655B (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
| CN109523171B (zh) | 一种基于svdd的燃气轮机进气***健康度评估方法 | |
| Garg et al. | A two-phase approach for reliability and maintainability analysis of an industrial system | |
| CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、***及应用 | |
| AU2003268888A1 (en) | A method for the estimating of the residual service life of an apparatus | |
| WO2018169722A1 (en) | Fatigue crack growth prediction | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| CN115718880A (zh) | 一种复杂装备退化阶段的预测方法 | |
| Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN116957331A (zh) | 风险旅客流量范围预测方法和装置 | |
| CN117932361B (zh) | 基于监测数据的民机***性能退化预测方法及*** | |
| CN117851908A (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| CN117592736A (zh) | 一种运维部门用工单紧急智能排序优先级管理*** | |
| Goyal | Development of a survival based framework for bridge deterioration modeling with large-scale application to the North Carolina bridge management system | |
| CN115204425B (zh) | 一种基于bim的可视化运维的方法及*** | |
| Alozie et al. | An adaptive model-based framework for prognostics of gas path faults in aircraft gas turbine engines | |
| Hanachi | Gas turbine engine performance estimation and prediction | |
| CN113010981B (zh) | 一种飞机发动机低压引气活门的维修决策方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |