基于數(shù)據(jù)驅(qū)動的航空發(fā)動機狀態(tài)監(jiān)測關(guān)鍵技術(shù)研究.pdf

1、隨著傳感器技術(shù)的快速發(fā)展、在飛機上應(yīng)用的擴大以及移動終端的普及，可獲取的關(guān)于飛機的數(shù)據(jù)越來越多，類型也越來越豐富，如QAR數(shù)據(jù)、ACARS數(shù)據(jù)、維修報告、航空各業(yè)務(wù)系統(tǒng)數(shù)據(jù)等等，我們迎來了民航大數(shù)據(jù)時代——利用民航大數(shù)據(jù)來提高發(fā)動機的安全性、可靠性和經(jīng)濟性，這是民航大數(shù)據(jù)帶來的機遇和挑戰(zhàn)，是一個值得研究的課題。目前用于航空發(fā)動機狀態(tài)監(jiān)測的多數(shù)方法在處理大數(shù)據(jù)時因為無法處理多種類型的數(shù)據(jù)或者分析大數(shù)據(jù)耗時等原因，已不能適應(yīng)民航大數(shù)據(jù)的處理

2、、分析需求。本論文基于數(shù)據(jù)驅(qū)動方法，深入研究了面向民航大數(shù)據(jù)的航空發(fā)動機狀態(tài)監(jiān)測中的數(shù)據(jù)重構(gòu)、狀態(tài)監(jiān)視、發(fā)動機退化模式識別以及面向大數(shù)據(jù)的系統(tǒng)構(gòu)架和數(shù)據(jù)質(zhì)量管理問題，主要工作和創(chuàng)新點具體如下：
　?。?）實際應(yīng)用中因為漏采或傳感器故障等問題，航空公司獲得的發(fā)動機監(jiān)測數(shù)據(jù)會存在數(shù)據(jù)缺失，需要對這些缺失的數(shù)據(jù)進(jìn)行恢復(fù)，我們才能充分使用這些監(jiān)測參數(shù)進(jìn)行后續(xù)數(shù)據(jù)分析等工作。為了在隨機數(shù)據(jù)缺失情況下重構(gòu)出發(fā)動機監(jiān)測數(shù)據(jù)，本論文提出了一種基于

3、子空間的在線發(fā)動機數(shù)據(jù)重構(gòu)模型。該模型采用極化增量分解獲得低秩子空間，利用低秩子空間來表示高維發(fā)動機數(shù)據(jù)的演化特征，根據(jù)發(fā)動機的歷史監(jiān)測數(shù)據(jù)提取當(dāng)前發(fā)動機的數(shù)據(jù)特征（低秩子空間），通過新采集的監(jiān)測數(shù)據(jù)更新子空間以跟蹤發(fā)動機演化特征，并且通過最新子空間可實現(xiàn)發(fā)動機傳感器數(shù)據(jù)的在線重構(gòu)。通過仿真數(shù)據(jù)和實際數(shù)據(jù)案例驗證，表明本論文模型在隨機缺失數(shù)據(jù)和噪聲干擾情況下，對發(fā)動機數(shù)據(jù)數(shù)據(jù)重構(gòu)具有良好的魯棒性。
　?。?）實際情況中的發(fā)動機健康

4、狀態(tài)數(shù)據(jù)多、退化/故障數(shù)據(jù)少，針對這種數(shù)據(jù)分布不均衡情況下識別兩種健康和退化兩種狀態(tài)的需求，本論文提出了一種解決不均衡數(shù)據(jù)聚類的新算法——特征加權(quán)的模糊緊致散布聚類算法。該算法考慮到數(shù)據(jù)各維特征對聚類的影響，將特征加權(quán)引入到目標(biāo)函數(shù)，通過特征加權(quán)解決了高維數(shù)據(jù)的特征選擇問題。以特征加權(quán)的模糊緊致散布聚類算法為基礎(chǔ)，本論文進(jìn)一步提出了一種航空發(fā)動機在線狀態(tài)監(jiān)視的模型，該模型由兩部分組成：一個是離線學(xué)習(xí)模塊，在該模塊中通過歷史發(fā)動機監(jiān)測數(shù)據(jù)

5、迭代計算出發(fā)動機各特征參數(shù)的權(quán)重、健康狀態(tài)和退化狀態(tài)的聚類中心；另一個是在線監(jiān)視模塊，在該模塊計算出實時的監(jiān)測數(shù)據(jù)和健康狀態(tài)以及退化狀態(tài)聚類中心的加權(quán)距離，根據(jù)“最近鄰”思想，距離最近的即為當(dāng)前發(fā)動機狀態(tài)所述類別。同時，實時監(jiān)測數(shù)據(jù)又被輸入到離線模塊繼續(xù)參與模塊參數(shù)（特征的權(quán)重、健康狀態(tài)和退化狀態(tài)的聚類中心）更新。通過仿真數(shù)據(jù)和真實數(shù)據(jù)的實驗，證明該方法用于發(fā)動機狀態(tài)監(jiān)視有很高的魯棒性和泛化能力，對不確定性發(fā)動機數(shù)據(jù)有很好的實用性。

6、r>　?。?）發(fā)動機的性能退化有正常性能退化和因故障引起的退化，對于相同退化模式不同的發(fā)動機表現(xiàn)不一樣，如因為工作環(huán)境不同，發(fā)動機的退化速度各不相同等，因此對每臺發(fā)動機的退化過程進(jìn)行準(zhǔn)確建模是非常困難的。一臺發(fā)動機的退化數(shù)據(jù)包含了發(fā)動機各狀態(tài)間的過渡信息，所有發(fā)動機的這些數(shù)據(jù)構(gòu)成了退化樣本庫，然而這些信息并沒有被好好用于發(fā)動機退化模式識別。本論文提出了一種基于相關(guān)時間規(guī)整的多參數(shù)發(fā)動機退化模式識別模型，該模型能夠?qū)⒍嘣磾?shù)據(jù)投射到統(tǒng)一的特

7、征空間，并在時間軸上將待識別數(shù)據(jù)和退化樣本對齊以進(jìn)行退化模式識別，從而提高了發(fā)動機退化模式識別的準(zhǔn)確性和靈活性。仿真數(shù)據(jù)和實際案例數(shù)據(jù)實驗證明本文模型能夠正確區(qū)分發(fā)動機正常性能退化和故障引起的退化，對發(fā)動機本體并發(fā)故障退化和單故障退化模式定位到了部件級。
　?。?）本文基于國際通用的OSA-CBM層次和大數(shù)據(jù)處理流程，提出了面向大數(shù)據(jù)的發(fā)動機健康管理與維修決策支持系統(tǒng)（EHM&MDSS）架構(gòu)，該架構(gòu)主體分為物理層、數(shù)據(jù)層和應(yīng)用層三