基于多任务学习的发动机健康状态评估方法技术

本发明专利技术涉及航空发动机技术领域，尤其涉及一种基于多任务学习的发动机健康状态评估方法

【技术实现步骤摘要】
基于多任务学习的发动机健康状态评估方法


[0001]本申请涉及航空发动机
，尤其涉及基于多任务学习的发动机健康状态评估方法
。

技术介绍

[0002]航空发动机作为飞机的“心脏”，其可靠性和安全性至关重要
。
然而航空发动机是一种非常复杂的气动热旋转机械，零部件众多，许多零部件工作在高温高压
、
高速
、
强振动和复杂的环境条件下，经常处于高负荷和热冲击下，工作环境异常恶劣，因此容易发生故障，并具有故障模式多，以及多模式复合失效的其他重要特征
。
此外，随着近年来对发动机性能要求的提高，航空发动机推重比增大，压气机增压比和涡轮前温度进一步提高，加剧了一些重要零部件工作环境的恶劣程度和对其性能的苛刻要求
。
这些都使得发动机的可靠性和安全性问题越来越突出
。
健康状态划分与寿命预测是健康状态评估的两项核心技术，是连接机载状态监视
、
故障诊断与地面运行规划
、
维修保障的重要纽带
。
[0003]相关技术中，对于发动机的健康状态评估主要根据设备工作环境和载荷
、
状态监视传感器信息等，结合物理失效模型
、
历史性能退化数据
、
故障诊断信息，评估部件的健康状态或者系统的剩余使用寿命，从单维度为维修保障和运行规划提供决策支持
。
[0004]然而，传统的健康状态评估都是对于单任务的研究，没有考虑来自其他任务的相关信息，这种学习方式造成了一定的资源浪费
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足与缺陷，提供了一种基于多任务学习的发动机健康状态评估方法，实现对于发动机健康状态的多维度确定，该方法包括：获取与目标发动机对应的发动机工况数据集，发动机工况数据为在目标发动机工作过程中，与目标发动机连接的至少一个传感器采集得到的数据，发动机工况数据集中包括至少两项发动机工况数据；对发动机工况数据集中的发动机工况数据进行筛选，得到发动机参考工况数据集；基于发动机参考工况数据集确定与目标发动机对应的发动机融合特征；将发动机融合特征输入发动机健康状态评估模型，输出得到与目标发动机对应的状态评估结果，状态评估结果包括发动机健康状态子结果
、
寿命预测子结果以及可靠性评估子结果
。
[0006]在一个可选的实施例中，发动机工况数据是以目标发动机的工作时刻为基准采集得到的
。
[0007]在一个可选的实施例中，对发动机工况数据集中的发动机工况数据进行筛选，得到发动机参考工况数据集，包括：判断发动机工况数据的单调性；
将存在单调性的发动机工况数据进行组合，生成发动机参考工况数据集
。
[0008]在一个可选的实施例中，发动机融合特征为高维特征；基于发动机参考工况数据集确定与目标发动机对应的发动机融合特征，包括：基于发动机参考工况数据集确定与发动机融合特征对应的维度数量；根据维度数量，对应发动机参考工况数据集确定发动机融合特征
。
[0009]在一个可选的实施例中，发动机工况数据包括风扇入口总温度数据
、
低压压气机出口总温度数据
、
高压压气机出口总温度数据
、
低压涡轮出口总温度数据
、
风扇入口压力数据
、
外涵总压数据
、
高压压气机出口总压数据
、
风扇物理转速数据
、
核心机物理转速数据
、
发动机压比数据
、
高压压气机出口静压数据
、
燃油流量与
P30
比值数据
、
风扇换算转速数据
、
核心机换算转速数据
、
涵道比数据
、
燃烧室燃气比数据
、
引气焓值数据
、
设定风扇转速数据
、
设定核心机换算转速数据
、
高压涡轮冷却引气流量数据以及低压涡轮冷却引气流量数据；发动机参考工况数据集中的发动机工况数据包括低压压气机出口总温度数据
、
高压压气机出口总温度数据
、
低压涡轮出口总温度数据
、
高压压气机出口总压数据
、
风扇物理转速数据
、
核心机物理转速数据
、
高压压气机出口静压数据
、
燃油流量与
P30
比值数据
、
风扇换算转速数据
、
核心机换算转速数据
、
涵道比数据
、
引气焓值数据
、
高压涡轮冷却引气流量数据以及低压涡轮冷却引气流量数据
。
[0010]在一个可选的实施例中，发动机健康状态评估模型为基于专家序列混合模型（
Mixture of Sequential Experts
，
MoSE
）和双向循环神经网络模型（
Bi
‑
Gate Neural Network,Bi
‑
GRU
）的人工智能模型；方法还包括：获取与发动机健康状态子结果对应的至少三个健康状态标签以及健康状态对应关系，健康状态对应
。
[0011]在一个可选的实施例中，发动机健康状态评估模型具有基于损失函数主动调整自身模型参数的功能
。
[0012]在一个可选的实施例中，发动机健康状态子结果
、
寿命预测子结果以及可靠性评估子结果均实现为标签形式；该方法还包括：获取初始发动机健康状态评估模型；获取与发动机健康状态子结果对应的发动机健康阶段划分规则；基于发动机健康阶段划分规则确定健康阶段标签；根据发动机健康状态子结果与寿命预测子结果的关联，构建与寿命预测子结果对应的寿命预测标签；通过逻辑回归模型构建与可靠性评估子结果对应的可靠性标签；通过健康阶段标签
、
寿命预测标签以及可靠性标签对初始发动机健康状态评估模型进行输出量调整，得到发动机健康状态评估模型
。
[0013]本申请至少包括如下有益效果：在对于发动机的健康状态进行预测的过程中，对于发动机进行多维度的数据获取以及特征融合，并将融合后的特征输入模型当中进行预测，以得到具有可健康阶段
、
寿命预测以及可靠性结果的多维度检测结果，以实现对于发动机健康状态的多维度状态获取
。
附图说明
[0014]附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但并不构成对本专利技术的限制
。
在附图中：图1示出了本申请一个示例性实施例提供的一种基于多任务学习的发动机健康状态评估方法的流程示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多任务学习的发动机健康状态评估方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：获取与目标发动机对应的发动机工况数据集，所述发动机工况数据为在目标发动机工作过程中，与所述目标发动机连接的至少一个传感器采集得到的数据，所述发动机工况数据集中包括至少两项发动机工况数据；对所述发动机工况数据集中的发动机工况数据进行筛选，得到发动机参考工况数据集；基于所述发动机参考工况数据集确定与所述目标发动机对应的发动机融合特征；将所述发动机融合特征输入所述发动机健康状态评估模型，输出得到与所述目标发动机对应的状态评估结果，所述状态评估结果包括发动机健康状态子结果
、
寿命预测子结果以及可靠性评估子结果
。2.
根据权利要求1所述的方法，其特征在于，所述发动机工况数据是以目标发动机的工作时刻为基准采集得到的
。3.
根据权利要求2所述的方法，其特征在于，对所述发动机工况数据集中的发动机工况数据进行筛选，得到发动机参考工况数据集，包括：判断所述发动机工况数据的单调性；将存在单调性的所述发动机工况数据进行组合，生成所述发动机参考工况数据集
。4.
根据权利要求1所述的方法，其特征在于，所述发动机融合特征为高维特征；所述基于所述发动机参考工况数据集确定与所述目标发动机对应的发动机融合特征，包括：基于所述发动机参考工况数据集确定与所述发动机融合特征对应的维度数量；根据所述维度数量，对应所述发动机参考工况数据集确定所述发动机融合特征
。5.
根据权利要求3所述的方法，其特征在于，所述发动机工况数据包括风扇入口总温度数据
、
低压压气机出口总温度数据
、
高压压气机出口总温度数据
、
低压涡轮出口总温度数据
、
风扇入口压力数据
、
外涵总压数据
、
高压压气机出口总压数据
、
风扇物理转速数据
、
核心机物理转速数据
、
发动机压比数据
、
高压压气机出口静压数据
、
燃油流量与
P30
比值数据
、
风扇换算转速数据
、
核心机换算转速数据
、
涵道比数据
...

【专利技术属性】
技术研发人员：袁烨，金骏阳，覃斌，何心，张永，王茂霖，
申请(专利权)人：华中科技大学无锡研究院，
类型：发明
国别省市：