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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。