基于相似性的发动机气路参数长期预测方法及系统技术方案

本发明专利技术涉及一种基于相似性的发动机气路参数长期预测方法及系统，其中方法包括：通过计算得到目标轨迹和各个历史轨迹之间的逐点距离特征的时间序列，并利用得到的逐点距离特征的时间序列评估目标轨迹与各个历史轨迹之间的统计距离利用得到的统计距离和历史轨迹样本，针对每个预测时间点上的单个特征元素，使每个历史轨迹样本都生成一个目标轨迹的假想的高斯函数形式的概率密度估计，成为一个假想高斯元集合；通过降序聚合方法对获得的假想高斯单元集合进行聚合，得到目标特征的高斯混合模型。本发明专利技术相对于自回归滑动平均、反向传播神经网络和传统的基于相似性的预测方法相比具有更高的预测精度。

Long term prediction method and system of engine gas path parameters based on similarity

The present invention relates to a similarity-based long-term prediction method and system for engine air path parameters. The method includes: calculating the time series of point-by-point distance features between the target trajectory and each historical trajectory, and evaluating the target trajectory and each historical trajectory by using the time series of the obtained point-by-point distance features. Statistical distances between two trajectories are used to generate a hypothetical Gaussian function form of probability density estimation for each trajectory sample, which is a hypothetical set of Gaussian elements, for a single feature element at each prediction time point. The hypothetical Gauss cell set is aggregated to get the Gauss mixture model of target characteristics. Compared with the autoregressive moving average, the back-propagation neural network and the traditional similarity-based prediction method, the invention has higher prediction accuracy.

【技术实现步骤摘要】
基于相似性的发动机气路参数长期预测方法及系统
本专利技术涉及航空发动机性能预测
，尤其涉及一种基于相似性的发动机气路参数长期预测方法及系统。
技术介绍
作为一类高价值、高可靠性复杂装备，航空发动机的工作性能随着新的技术的应用而得到不断提升，相应的，其结构复杂度、采购价格和维护价格也水涨船高。为了适应新时代的航空业发展需求，航空发动机又面临着来自经济性和安全性方面的压力。与此同时，当今的能效管理与环境保护标准也对发动机的性能水平和可靠性水平也提出了更高的要求。为了应对维护难度、维修成本、运营性能等因素给发动机维修方面所带来的多重压力，学者们提出了视情维修(ConditionBasedMaintenance,CBM)和预测与健康管理(PrognosticandHealthManagement,PHM)的理念。这些理念旨在利用机内测试传感器所提供的数据特征来进行异常探测、故障诊断和性能衰退趋势预测，以此实现预防性维修，降低预计外故障的发生概率。顾名思义，对发动机衰退特征趋势的预测是PHM中的一项重要内容，这项技术对预防性维修的实施具有决定性意义，是PHM领域的研究热点之一。一般情况下，发动机的性能状态特征具有多元时间序列的形式。现今，能够适用于多元参数时间序列预测的理论框架有很多，例如滑动自组织平均模型(Auto-RegressiveMovingAverage,ARMA)、灰色模型(GreyModel,GM)、蒙特卡洛类方法、模糊逻辑、人工神经网络(ArtificialNeuralNetwork,ANN)、卡尔曼滤波(KalmanFilter,KF)类方法。这些方法有的具有确定形式的输出，有的具有概率形式的输出，在实际的性能状态短期预测实验当中都体现出了较高的精度和鲁棒性。然而，不同于短期预测领域的繁荣，针对发动机乃至于广义的复杂设备的性能状态的长期预测的研究和理论却极为有限。虽然具有不同的侧重点，和短期预测一样，长期预测对于设备的PHM同样具有重要意义：一方面，因为几乎所有的维护维修计划都需要在得知设备尽可能远的预期性能的前提下进行制定，长期预测给出的设备性能长期变化趋势对维修范围制定环节提供了不可或缺的信息支撑；另一方面，因为发动机的长期的性能衰退受到更多的随机事件的影响(例如小范围的维修调整，以及微小结构损伤)，算法输出的预测结果应该具有概率形式，以实现预测结果的置信程度的准确表达。然而，上述所提到的方法的长期预测性能远远不能满足实用要求，而且大多数的方法只能够给出确定性的预测结果，难以支撑后续的管理决策环节。即使部分算法，如粒子滤波和卡尔曼滤波器能够给出性能特征的长期分布，但是这些方法仍然不能提供性能特征在未来各个时间点的概率密度函数的准确估计。因此，作为一种非线性、动态的、高度随机的过程，性能参数的长期衰退趋势预测一直被各种预测类研究当作一件在讨论范围之外的议题而被避而不谈。着眼于这个问题，有研究学者提出了基于相似性的预测(SimilarityBasedPrediction,SBP)理论，进而发展出了一系列的适用于长期性能预测的方法。SBP提出了一种假设，这种假设规定若待预测衰退样本的历史特征轨迹与某些历史样本的对应时间段的轨迹相似，那么其以后的发展趋势一定与这部分历史样本的后续发展轨迹相似。基于这个假设，SBP首先评估待预测轨迹与历史数据库中各样本轨迹的相似性，而后利用得到的相似程度和历史轨迹的后续发展轨迹实现待预测轨迹在未来各个时间点的概率密度函数的重构。这个技术框架使SBP能够有效地利用历史样本提供的同构信息进行目标样本未来发展趋势的刻画，而且，只要目标样本的待预测时间点能够被历史样本的长度所覆盖，SBP便能够对其进行预测。观察SBP的技术框架可以看出，SBP的预测性能取决于其在相似性评估步骤所采用的度量方法和概率密度函数重构步骤所采用的重构方法。SBP首次被提出时，见文献1“J.Liu,D.Djurdjanovic,J.Ni,N.Casoetto,J.Lee,Similaritybasedmethodformanufacturingprocessperformancepredictionanddiagnosis,Computersinindustry,58(2007)558-566”，衰退轨迹之间的相似程度是用维度的匹配矩阵来度量的，匹配矩阵所包含的元素是两个衰退序列之间的逐点交叉计算得到的Mahalanobis距离。其中Tobjective表示目标轨迹的长度，表示第i个历史轨迹的长度。匹配矩阵法有效地解决了计算两个不同长度的时间序列之间的相似程度的度量问题，但是如果衰退轨迹的长度达到数千或者更长，那么其计算负担将会达到不可接受的程度。文献2“A.Bleakie,D.Djurdjanovic,Analyticalapproachtosimilarity-basedpredictionofmanufacturingsystemperformance,ComputersinIndustry,64(2013)625-633”选择对等长的多元时间序列进行相似性评估，并对逐点计算得到的Mahalanobis距离进行平均，凭此提高了计算速度。文献3“T.Wang,Trajectorysimilaritybasedpredictionforremainingusefullifeestimation,UniversityofCincinnati,2010”进一步改进了相似性评估的方法，其加入了时间迟滞和时间放缩因子的考量，比较适用于具有不同衰退速率和衰退起始点的轨迹之间的相似性的对比，但是这种方法的迟滞因子和放缩因子的搜索速度较慢，不适用于具有较多预测参数和预测样本点的预测过程。上述文献2和文献3同时还加入了时间久远程度的考量，在距离加权平均的过程中降低了距当前时刻较远的逐点Mahalanobis距离的权重，以加强距离较近的数据对模型的影响。所有传统的SBP方法对应于不同的状态参数(即归一化之前的特征元素)都应用了统一的协方差矩阵，对所获得的逐点距离都进行了加权平均，且都选择了通过soj＝exp(-βdoj)形式的指数映射实现距离到相似度的转化。在实际应用场合中，这些运算过程将带来有不可忽视的隐患：统一的协方差矩阵对于样本轨迹噪声大小的差异性的区分能力不足，对逐点距离的加权平均运算消除了两条轨迹之间的不相似程度的统计性信息，而相似度转换过程引入了主观因素，容易造成对原始信息的扭曲。因此，上述所提到的相似程度度量方法极易造成对轨迹相似程度的误判。对于概率密度函数估计环节，文献1和文献2采用了GMM、加权似然估计方法(WeightedLikelihoodEstimation,WLE)、期望最大算法(Expectation-Maximization,EM)算法，而文献3采用了核密度估计(KernelDensityEstimation,KDE)方法。WLE能够使目标轨迹的预期发展趋势向具有更高相似度的历史轨迹的方向偏离，从而有效地提高了预测结果的可靠性。但是值得注意的是，WLE和KDE并没有考虑到离群样本的预测情况，而当随着性能状态特征维度的升高，离群样本在整个样本群体中所占的比例会显著提升。本文档来自技高网...

【技术保护点】
1.一种基于相似性的发动机气路参数长期预测方法，其特征在于，包括以下步骤：统计距离计算步骤、通过计算得到目标轨迹和各个历史轨迹之间的逐点距离特征的时间序列，并利用得到的逐点距离特征的时间序列评估目标轨迹与各个历史轨迹之间的统计距离；高斯元生成步骤、利用得到的统计距离和历史轨迹样本，针对于每个预测时间点上的单个特征元素，使每个历史轨迹样本都生成一个目标轨迹的假想的高斯函数形式的概率密度估计，成为一个假想高斯元集合；降序聚合步骤、通过降序聚合方法对获得的假想高斯单元集合进行聚合，得到目标特征的高斯混合模型。

【技术特征摘要】
1.一种基于相似性的发动机气路参数长期预测方法，其特征在于，包括以下步骤：统计距离计算步骤、通过计算得到目标轨迹和各个历史轨迹之间的逐点距离特征的时间序列，并利用得到的逐点距离特征的时间序列评估目标轨迹与各个历史轨迹之间的统计距离；高斯元生成步骤、利用得到的统计距离和历史轨迹样本，针对于每个预测时间点上的单个特征元素，使每个历史轨迹样本都生成一个目标轨迹的假想的高斯函数形式的概率密度估计，成为一个假想高斯元集合；降序聚合步骤、通过降序聚合方法对获得的假想高斯单元集合进行聚合，得到目标特征的高斯混合模型。2.根据权利要求1所述的基于相似性的发动机气路参数长期预测方法，其特征在于，所述统计距离计算步骤包括：(1)通过以下公式计算目标轨迹和各个历史轨迹之间的逐点距离特征的时间序列：其中，为距离特征量，Φ(Xo,Xi)为距离特征的时间序列；其中M维的目标轨迹和第i个历史轨迹样本分别为和分别为和的第p个特征元素，和分别为高斯分布的标准差；(2)将Φ(Xo,Xi)作为服从M自由度的非中心卡方分布，通过求解以下非中心卡方分布的概率密度函数中作为统计距离：式中，z为时间序列的长度，v为卡方分布的自由度，,λ为表示所有高斯元平方和的卡方分布非中心参数,Iv/2-1(·)表示修正的第一类贝塞尔函数。3.根据权利要求2所述的基于相似性的发动机气路参数长期预测方法，其特征在于，所述统计距离计算步骤中通过以下公式求解统计距离式中，L(Φ|M,λ)′为经样本权重重新分配后的对数似然函数，为距离特征，wt为的权重，M为自由度。4.根据权利要求1所述的基于相似性的发动机气路参数长期预测方法，其特征在于，所述高斯元生成步骤中通过以下函数生成目标轨迹的假想的高斯函数形式的概率密度估计：其中，为样本i生成的假想估计；和分别为成对的两个高斯元；和分别表示两个高斯元和的权重；N(·)表示高斯函数，为样本i的第p个元素，为的标准差，为根据Xi所获取的的标准差。5.根据权利要求4所述的基于相似性的发动机气路参数长期预测方法，其特征在于，所述降序聚合步骤包括：(1)将高斯元生成步骤中所获得的序列按照与目标轨迹的统计距离进行降序排列；(2)初始化，令i＝1；(3)分别计算各个和相对应的排除自身的混合高斯估计(4)分别计算相容系数：(5)根据相容系数更新成对高斯元的权重：(6)重复步骤(3)至(5)直到所有被...

【专利技术属性】
技术研发人员：钟诗胜，谭治学，林琳，付旭云，
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