一种分阶段的航空发动机性能衰退模式挖掘方法技术

本发明专利技术涉及航空发动机性能评估方法技术领域，具体的说是一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于包括以下步骤：进行性能参数预处理，具体包括粗大误差处理、降噪处理；进行性能衰退模式挖掘，包括快速衰退阶段模式挖掘和正常衰退阶段模式挖掘，本发明专利技术通过挖掘出发动机的长期衰退模式，为航空发动机的稳定运行和高效率维护提供了保证。

A staged aero engine performance degradation model mining method

The invention relates to the technical field of aeroengine performance evaluation method, in particular to a mining method of aero engine performance decline stage mode, which comprises the following steps: the performance parameters of pretreatment, including gross error processing, noise reduction processing; performance decline pattern mining, including rapid decline stage and normal pattern mining the recession phase pattern mining, the long-term decline of motivation pattern mining, provide a guarantee for the stable operation and high efficiency of aero engine maintenance.

【技术实现步骤摘要】
一种分阶段的航空发动机性能衰退模式挖掘方法
：本专利技术涉及航空发动机性能评估方法
，具体的说是一种分阶段的航空发动机性能衰退模式挖掘方法。
技术介绍
：民航发动机的性能随着使用时间的增长而逐渐衰退。获得其性能衰退规律对于航空发动机的寿命预测、维修时机优化都有重要意义。当前对民航发动机性能衰退模式挖掘的方法可分为基于物理模型的挖掘和基于数据的挖掘两类。基于物理模型的方法需要根据航空发动机的工作原理建立数学模型，然后采用参数估计技术对模型参数进行估计进而进行趋势预测。如利用非线性模型，分析航空发动机涡轮组件在不同应力下的衰退规律。利用卡尔曼滤波器对航空发动机的排气温度进行了预测，并探讨了该方法与贝叶斯方法相结合的可能性。利用概率方法计算设备在各时刻的可靠度概率分布，给出具有概率意义的设备剩余使用寿命。由于不掌握设计模型，国内航空公司难以采用该方法对民航发动机性能衰退进行预测。基于数据的方法则是从航空发动机的历史性能参数中挖掘其中的衰退规律，并预测其未来的变化趋势。常用的数据预测方法有回归分析法、神经网络和支持向量机等。研究发现，民航发动机性能衰退非常缓慢。因此，在基于性能衰退确定发动机的维修时机时，提高长期预测的精度更有实际意义。为此，在分析民航发动机性能衰退趋势特点的
技术实现思路
：本专利技术针对现有技术中存在的缺点和不足，提出了一种分阶段的航空发动机性能衰退模式挖掘方法。本专利技术通过以下措施达到：一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于包括以下步骤：步骤1：进行性能参数预处理，具体包括粗大误差处理、降噪处理；步骤2：进行性能衰退模式挖掘，包括快速衰退阶段模式挖掘和正常衰退阶段模式挖掘，其中所述快速衰退阶段模式挖掘具体包括以下步骤：Step1按照式计算各样本点之间的距离，确定样本邻近数K，初始化每个样本点xi的类别Ci＝-1(表示样本未分配)；Step2计算每个样本点的局部密度ρi和距离δi，确定样本点的γi值，绘制γ决策图，据此确定出聚类中心集合CI；Step3根据式确定离群点集合Outlier；Outlier＝{o|kdist(o)＞threshold}Step4对除聚类中心点之外的非离群点采用分配策略一进行处理；Step5对经分配策略一未分配的非离群点和离群点集合Outlier中的样本点采用分配策略二进行处理；Step6经上述步骤未分配的样本点标记为噪声点；其中上述样本分配策略一的详细步骤如下所述：Step1从聚类中心集合CI中选择一个新的聚类中心ci，然后将ci从CI中删除，Step2将ci点的K邻近集合KNN(ci)中的样本点并入ci所在的类别，初始化队列Vq，并将KNN(ci)中的样本点依次加入队列Vq，Step3将Vq中的首个样本点q取出，并将q从Vq中删除；对于集合KNN(q)中的每个样本r，如果满足条件：a)Cr＝-1，b)不属于离群点集，c)dq,r≤mean({dq,j|xj∈KNN(r)})，则将样本r属于q所在的类别，并将样本点r放入队列Vq的末尾，Step4判断Vq是否为空，若为空，则继续，否则跳转至Step3，Step5判断CI是否为空，若为空，则结束策略一，否则跳转至Step1；上述样本分配策略二的详细步骤如下所述：Step1确定识别矩阵S：初始化未分配样本集合Un，对Un中的每个元素ui，统计KNN(ui)中属于类别c(c＝1,2,···,|CI|)的样本数Nc(ui)，得到一个1×|CI|的向量N(ui)，则Un中的全部元素构成一个|Un|×|CI|的识别矩阵S，其中s(i,j)＝Nj(i)，i＝1,2,···,|Un|，j＝1,2,···,|CI|；Step2执行样本分配：从矩阵S中选择出将被分配的样本p(矩阵S中元素最大值对应的样本)，即Nk(p)＝max{Nj(i)|i＝1,2,···,|Un|；j＝1,2,···,|CI|}，对样本点p按照如下方式分配：a)如果Nk(p)＝K，则将矩阵S中最大值为K的全部样本分配到最大值所对应的类别，继续Step3；b)如果0＜Nk(p)＜K，则从矩阵S中随机选择一个最大值为Nk(p)的样本点，将该样本点分配到最大值所对应的类别，标记被分配样本为p，继续Step3；c)否则结束策略二；Step3更新识别矩阵S：对于KNN(p)中没有分配的样本q，令Nk(q)＝Nk(q)+1，并将该样本点对应向量N(p)从S中删除；Step4更新集合Un，判断Un是否为空，若为空，则结束策略二，否则跳转至Step2。按照上述方法进行聚类处理，可获得EGTM时序数据分类结果，将每一类中的数据分别采用适合的多项式函数进行拟合，即可获得快速衰退阶段的性能衰退模式。本专利技术步骤2所述正常衰退阶段模式挖掘具体通过线性回归模型描述发动机在该阶段的性能衰退模式。本专利技术所述步骤1中粗大误差处理采用箱型图法对发动机的性能参数进行粗大误差的处理，箱形图法依据时序数据的四分位数和四分位距建立数据的置信区间，超出这个置信区间的数据被识别为异常点，具体为：将一组数据按照从大到小的顺序排列，根据排序后数列的上下四分位计算出数列的置信区间，在该区间内的数据点为正常值，超出该范围的数据点为异常值，该置信区间的表达式如式3-1所示：式中Q1——数列的下四分位；Q2——数列的上四分位；QD——数列的四分位距，QD＝Q2-Q1；——常数，与该数列的测量精度有关；由上述分析，箱形图法进行误差判别的关键在于四分位数的确定，下面给出四分位数的计算步骤：Step1确定样本数列的数据个数n，并按照从小到大的顺序排序，Step2确定上下四分位数在数列中的位置，设下四分位数Q1在数列中的位置为上四分位数Q2在数列中的位置为可分别由式3-2和式3-3计算确定：Step3根据四分位数的位置来确定四分位数；当和为整数时，四分位数的数值即为数列中相应位置的数值，当和不为整数时，相应的四分位数是与其左右相邻的两个位置上的数值的加权平均数，如式3-4所示：式中左侧位置的数值；右侧位置的数值；ai——的小数部分；由此即可判别出时序数列中的粗大误差点，对识别出的粗大误差点用该点左右相邻的两个数据点的平均值替代，在实际判别时，首先将时序数据分为若干组，分别对每组数据进行处理。本专利技术步骤1中所述降噪处理采用EMD对发动机性能参数进行降噪处理，EMD可将复杂信号分解为若干个本征模函数，给定一个时序数据x(t)，EMD处理结果可以用式3-5所示：噪声信号的IMFi的能量密度Ei和与其相对应的平均周期的乘积是一个常数，如式3-6所示；式3-7和3-8分别为能量密度和平均周期的计算公式。式中Count(Optimai)——IMFi的极值点总数；为了获得信号降噪的最佳分解级数，选取式3-9作为评判标准；式中ETk——Ek和AvgT的乘积；根据式3-6和3-9计算Rk≥C(k≥2，C通常取2～3)时阈值k的取值，阶数小于k的IMFi为噪声主导模态，选用Savitzky-Golay滤波器进行降噪处理；阶数大于等于k的IMFi为信号主导模态，将降噪处理后的噪声主导模态和信号主导模态进行重构，即可得到降噪后的信号。本专利技术通过挖掘出发动机的长期衰退模式，为航空发动机的稳定运行和高效率维护提供了保证。附图说明：附图本文档来自技高网...

【技术保护点】
一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于包括以下步骤：步骤1：进行性能参数预处理，具体包括粗大误差处理、降噪处理；步骤2：进行性能衰退模式挖掘，包括快速衰退阶段模式挖掘和正常衰退阶段模式挖掘，其中所述快速衰退阶段模式挖掘具体包括以下步骤：Step1按照式

【技术特征摘要】
1.一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于包括以下步骤：步骤1：进行性能参数预处理，具体包括粗大误差处理、降噪处理；步骤2：进行性能衰退模式挖掘，包括快速衰退阶段模式挖掘和正常衰退阶段模式挖掘，其中所述快速衰退阶段模式挖掘具体包括以下步骤：Step1按照式计算各样本点之间的距离，确定样本邻近数K，初始化每个样本点xi的类别Ci＝-1(表示样本未分配)；Step2计算每个样本点的局部密度ρi和距离δi，确定样本点的γi值，绘制γ决策图，据此确定出聚类中心集合CI；Step3根据式确定离群点集合Outlier；Step4对除聚类中心点之外的非离群点采用分配策略一进行处理；Step5对经分配策略一未分配的非离群点和离群点集合Outlier中的样本点采用分配策略二进行处理；Step6经上述步骤未分配的样本点标记为噪声点；其中上述样本分配策略一的详细步骤如下所述：Step1从聚类中心集合CI中选择一个新的聚类中心ci，然后将ci从CI中删除，Step2将ci点的K邻近集合KNN(ci)中的样本点并入ci所在的类别，初始化队列Vq，并将KNN(ci)中的样本点依次加入队列Vq，Step3将Vq中的首个样本点q取出，并将q从Vq中删除；对于集合KNN(q)中的每个样本r，如果满足条件：a)Cr＝-1，b)不属于离群点集，c)dq,r≤mean({dq,j|xj∈KNN(r)})，则将样本r属于q所在的类别，并将样本点r放入队列Vq的末尾，Step4判断Vq是否为空，若为空，则继续，否则跳转至Step3，Step5判断CI是否为空，若为空，则结束策略一，否则跳转至Step1；上述样本分配策略二的详细步骤如下所述：Step1确定识别矩阵S：初始化未分配样本集合Un，对Un中的每个元素ui，统计KNN(ui)中属于类别c(c＝1,2,…,|CI|)的样本数Nc(ui)，得到一个1×|CI|的向量N(ui)，则Un中的全部元素构成一个|Un|×|CI|的识别矩阵S，其中s(i,j)＝Nj(i)，i＝1,2,…,|Un|，j＝1,2,…,|CI|；Step2执行样本分配：从矩阵S中选择出将被分配的样本p(矩阵S中元素最大值对应的样本)，即Nk(p)＝max{Nj(i)|i＝1,2,…,|Un|；j＝1,2,…,|CI|}，对样本点p按照如下方式分配：a)如果Nk(p)＝K，则将矩阵S中最大值为K的全部样本分配到最大值所对应的类别，继续Step3；b)如果0＜Nk(p)＜K，则从矩阵S中随机选择一个最大值为Nk(p)的样本点，将该样本点分配到最大值所对应的类别，标记被分配样本为p，继续Step3；c)否则结束策略二；Step3更新识别矩阵S：对于KNN(p)中没有分配的样本q，令Nk(q)＝Nk(q)+1，并将该样本点对应向量N(p)从S中删除；Step4更新集合Un，判断Un是否为空，若为空，则结束策略二，否则跳转至Step2。按照上述方法进行聚类处理，可获得EGTM时序数据分类结果，将每一类中的数据分别采用适合的多项式函数进行拟合，即可获得快速衰退阶段的性能衰退模式。2.根据权利要求1所述的一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于步骤2所述正常衰退阶段模式挖掘具体通过线性回归模型描述发动机在该阶段的性能衰退模式。3.根据权利要求1所述的一种分阶段的航空发动机性能衰退...

【专利技术属性】
技术研发人员：付旭云，钟诗胜，林琳，张永健，王琳，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37