一种融合失效物理与数据驱动的燃油泵寿命预测方法技术

本发明专利技术提出了一种基于失效物理与数据驱动融合的燃油泵寿命预测方法，解决了燃油泵的失效寿命精准预测，为机载燃油泵的可靠性分析提供了可靠支撑；由于基于多项式逼近的性能退化阶段识别方法需要获取完整的退化过程数据才能进行退化阶段识别，无法像SKF方法那样进行在线退化阶段识别，因此，本发明专利技术选用SKF方法进行退化阶段的在线识别。本发明专利技术的目标是针对系统不同退化状态构建多个标准卡尔曼滤波器，分别计算每个时刻的退化数据对应的各个标准卡尔曼滤波器的概率，从而获得各退化阶段的置信度水平，根据概率大小确定其所处的退化阶段。段。段。

【技术实现步骤摘要】
一种融合失效物理与数据驱动的燃油泵寿命预测方法


[0001]本专利技术涉及一种融合失效物理与数据驱动的燃油泵寿命预测技术，属于装备的装备的在线寿命预测的


技术介绍

[0002]机载燃油泵是飞机燃油系统的重要组成部分，然而，由于其工作环境复杂多变，工作过程中会受到振动、过载、高低温转换、油液侵蚀等环境应力的影响，因此经常会出现磨损、腐蚀、裂纹等故障，造成燃油泵输送燃油能力下降，影响着飞行安全及作战任务的顺利完成；因此，有必要对其失效寿命进行预测；目前寿命预测方法主要包括失效物理方法和数据驱动方法；其中，失效物理方法具有预测精度高的优点，但其模型参数难以确定、不能充分利用设备的运维数据、无法反应设备的实际退化情况等问题大大限制了其工程应用；而数据驱动分析方法对信息依赖性比较高、且无法反应设备的失效物理过程。

技术实现思路

[0003]本专利技术提供了一种基于失效物理与数据驱动融合的燃油泵在线退化建模与寿命预测方法，即能反应设备的失效物理过程、又能充分利用设备运维数据，实现对设备剩余寿命的精确预测。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于失效物理与数据驱动融合的燃油泵寿命预测方法主要包含下面的步骤：1、通过开关卡尔曼滤波器(Switching Kalman Filter, SKF)对燃油泵退化阶段进行在线识别，确定快速退化阶段；2、建立描述快速退化阶段的失效物理与数据驱动融合退化模型；基于Archard模型的磨损公式为（1）表示磨损体积，表示磨损系数，表示接触对中较软材料的受压屈服极限，表示接触对中较软材料的硬度；利用双指数模型关系，上式可改写为：
（2）燃油泵性能退化规律符合轴承磨损退化规律，因此出口压力的退化模型为：（3）其中，为待拟合参数，为燃油泵出口压力；3、利用无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)对退化模型进行模型参数更新；基于UKF的模型参数更新步骤如表1所示，主要包括初始化、预测步和更新步；首先经过初始化步骤，获取初始sigma点；然后通过式和对初始sigma点进行处理获得下一时刻系统状态预测值和系统输出预测值，并根据预测值计算方差矩阵的值；最后根据预测值分别计算协方差、和卡尔曼增益并通过实际获取的退化数据对退化模型参数进行迭代更新，同时获取状态后验方差矩阵，用于下一时刻退化模型参数的更新；
4、利用更新后的模型预测设备失效寿命进行本专利技术为一种基于失效物理与数据驱动融合的燃油泵寿命预测方法，解决了燃油泵的失效寿命精准预测，为机载燃油泵的可靠性分析提供了可靠支撑；由于基于多项式逼近的性能退化阶段识别方法需要获取完整的退化过程数据才能进行退化阶段识别，无法像SKF方法那样进行在线退化阶段识别，因此，本专利技术选用SKF方法进行退化阶段的在线识别。本专利技术的目标是针对系统不同退化状态构建多个标准卡尔曼滤波器，分别计算每个时刻的退化数据对应的各个标准卡尔曼滤波器的概率，从而获得各退化阶段的置信度水平，根据概率大小确定其所处的退化阶段。
附图说明
[0005]图1是本专利技术的基于SKF的退化阶段识别示意图。
具体实施方式
[0006]下面结合附图及具体实施例对本专利技术作进一步说明。
[0007]本专利技术所述一种基于失效物理与数据驱动融合的燃油泵在线退化建模与寿命预测方法主要包含四个环节：1、通过开关卡尔曼滤波器(Switching Kalman Filter, SKF)对燃油泵退化阶段进行在线识别，确定快速退化阶段；具体见上一节2、建立描述快速退化阶段的失效物理与数据驱动融合退化模型；基于Archard模型的磨损公式为（1）表示磨损体积，表示磨损系数，表示接触对中较软材料的受压屈服极限，表示接触对中较软材料的硬度；利用双指数模型关系，上式可改写为：（2）燃油泵性能退化规律符合轴承磨损退化规律，因此出口压力的退化模型为：（3）其中，为待拟合参数，为燃油泵出口压力；3、利用无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)对退化模型进行模型参数更新；基于UKF的模型参数更新步骤如表1所示，主要包括初始化、预测步和更新步；首先经过初始化步骤，获取初始sigma点；然后通过式和对初始sigma点进行处理获得下一时刻系统状态预测值和系统输出预测值，并根据预测值计算方差矩阵的值；最后根据预测值分别
计算协方差、和卡尔曼增益并通过实际获取的退化数据对退化模型参数进行迭代更新，同时获取状态后验方差矩阵，用于下一时刻退化模型参数的更新；用于下一时刻退化模型参数的更新；4、利用更新后的模型预测设备失效寿命进行。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于基于失效物理与数据驱动融合的燃油泵寿命预测方法，其特征在于：包括以下步骤：步骤I、建立两个退化模型：分别构建一阶和二阶卡尔曼滤波器模型用于描述平稳退化过程和快速退化过程；步骤II、数据滤波处理：将实时获得的退化数据输入到各个滤波器模型，计算各滤波器对应的后验状态估计、后验估计协方差、测量残差和残差协方差；步骤III、退化阶段识别：计算各滤波器模型的概率，随着退化阶段的变化，各模型概率也会相应的发生变化，根据各模型概率的大小即可判断当前所处的退化阶段。2.根据权利要求1所述的基于长短周期记忆网络的寿命预测模型迁移方法，其特征在于：a、通过开关卡尔曼滤波器(Switching Kalman Filter, SKF)对燃油泵退化阶段进行在线识别，确定快速退化阶段；b、建立描述快速退化阶段的失效物理与数据驱动融合退化模型；基于Archard模型的磨损公式为（1）表示磨损体积...

【专利技术属性】
技术研发人员：崔展博，陈志明，王晨，薛智明，焦晓璇，任飞，郭金龙，雷春牛，周彦凯，赵新坤，李婷婷，王猛，王德辉，唐洪霞，王燕，李玉晓，魏娜，
申请(专利权)人：中国人民解放军第五七二一工厂，
类型：发明
国别省市：