【技术实现步骤摘要】
本专利技术涉及航空发动机维护，具体涉及一种基于失效概率预测的航空发动机维护决策设计方法。
技术介绍
1、由于航空航天系统结构复杂，部件数量众多，在实际运行中易受到系统或部件磨损、老化、功能设计缺陷等内部因素和辐射、冲击、高低温等外部因素的影响，系统故障是不可避免的。轻微故障可能影响系统的稳定运行，而严重故障则可能导致巨大经济损失和严重人员伤亡。除了考虑可靠性和安全性，当前航空航天系统运营保障的经济性也日益凸显。不合理的维护活动安排或不当的维护资源管理可能影响整个航空航天系统的生产运营过程，并导致维护成本的巨大浪费。因此，如何采取适当的维护保障措施，从而提升系统的可靠性、安全性和经济可承受性，是航空航天系统在发展和应用中所面临的重大挑战。
2、目前，基于机器学习和深度学习的剩余寿命预测方法已有广泛研究。然而，关于如何利用预测的剩余寿命信息来规划包括维护资源管理在内的维护活动的研究较为有限。现有研究利用随机滤波理论推导了系统的剩余寿命概率分布，通过考虑时间相关性和不完全维护效果，开发了以预防性维护阈值和预防性更换阈值为决策变量的维护优化模型；基于wiener过程考虑了不完全维护对系统退化率和退化量的双重影响，推导了剩余寿命概率分布，构建了不完全维护优化模型，确定了最优的检测间隔和预防性维护阈值；考虑了数据驱动预测到维护决策的一个完整过程，利用lstm网络估计了系统在不同时间窗口内的故障概率，并基于估计的故障概率设计了包含维护决策和库存决策在内的两个决策规则。尽管机器学习或深度学习技术在故障预测与健康管理系统中不断发展和改
技术实现思路
1、本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于失效概率预测的航空发动机维护决策设计方法，可以实现对航空发动机的维修决策，能够最大限度地延长系统寿命并降低维护成本。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种基于失效概率预测的航空发动机维护决策设计方法，包括以下步骤：
4、s1、获取多传感器采集的航空发动机历史运行数据；
5、s2、基于多传感器采集的航空发动机历史运行数据，进行退化特征提取与筛选；
6、s3、基于筛选到的退化特征，通过单步迭代的方式，预测未来不同时间窗口的失效概率；
7、s4、基于失效概率预测结果，在线评估维护成本，确定进行预测维护的最佳时间。
8、为优化上述技术方案，采取的具体措施还包括：
9、上述的多传感器包括在航空发动机系统上安装的振动、温度、压力传感器。
10、上述的s2对应航空发动机历史运行数据，采用滑动平均获得退化特征，根据退化特征计算相关性指标，根据相关性指标计算一致性指标，根据相关性指标以及一致性指标筛选退化特征，当退化特征满足以及时，予以保留，否则去除，其中，表示设置的相关性阈值。
11、上述的退化特征如下：
12、；
13、其中，表示传感器采集运行数据的时刻，表示在时刻传感器采集的运行数据，为滑动窗口大小，为传感器采集的运行数据的序列长度。
14、上述的相关性指标如下：
15、；
16、其中，表示每个退化特征和采集数据时刻之间的秩差，为传感器采集的运行数据的序列长度。
17、上述的一致性指标如下：
18、；
19、其中，表示运行数据样本数，为退化特征在第个运行数据样本内的相关性指标，范围为-1到1；
20、。
21、上述的s3将通过传感器采集的长度为、起始时刻为、结束时刻为的退化特征时间序列运行数据，作为基于lstm网络的退化趋势预测模型的输入，得到退化特征在下一步时刻的预测值为；将预测值添加进原始序列，去除起始的值，得到输入时间序列，并再次作为预测模型的输入，以得到输出预测值；重复以上步骤，直到获得退化特征未来步的预测值，从而实现对退化特征的未来退化趋势预测；以步骤s2筛选的所有退化特征的未来退化趋势作为基于lstm网络的失效预测模型的输入，实现对未来不同时刻的失效概率的预测。
22、上述的基于lstm网络的退化趋势预测模型、基于lstm网络的失效预测模型分别由多变量lstm回归器、多变量lstm分类器训练得到。
23、上述的s4所述预测维护的最佳时间为：
24、；
25、其中，为检查间隔，为第检查期的预防性维护成本，为第检查期的不执行预防性维护成本，表示取下确界，表示未来时刻满足预防性维护成本不执行预防性维护成本条件的所有检查期，表示当前时刻。
26、上述的为：
27、；
28、其中，表示在第检查期内第类与预防性维护措施相关的成本，表示与预防性维护措施相关成本的总类别；
29、上述的为：；
30、其中，表示在第检查期内第类与修复性维护措施相关的成本，表示与修复性维护措施相关成本的总类别，表示系统在第检查周期内的失效概率，表示第检查周期内系统的实际剩余寿命。
31、本专利技术具有以下有益效果：
32、本专利技术的步骤s2中，通过相关性指标反映了特征和观测时间之间的线性相关性，通过一致性指标反映了特征在所有样本中的一致性趋势，最终提取了有贡献性的重要特征，去除了不相关或冗余特征，达到了改善数据质量的目的，从而提升了步骤s3的建模精度和效率；本专利技术通过步骤s3，精确地预测了提取的退化特征的退化趋势，并基于预测的退化趋势实现了对系统未来不同时刻的失效概率的准确预测，步骤s3不依赖于从做出预测时刻到实际失效时刻的预测范围，有利于限制系统在早期退化阶段的错误决策，从而提高了步骤s4的维护决策的可靠性；步骤s4考虑了预防性维护成本和不执行预防性维护成本，提出了基于成本评估的预测维护策略，并基于此策略给出了系统的准确维护时间，解决了即时决策问题，可最大限度地延长系统寿命并降低维护成本。
本文档来自技高网...【技术保护点】
1.一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述多传感器包括在航空发动机系统上安装的振动、温度、压力传感器。
3.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述S2对应航空发动机历史运行数据，采用滑动平均获得退化特征，根据退化特征计算相关性指标，根据相关性指标计算一致性指标，根据相关性指标以及一致性指标筛选退化特征，当退化特征满足以及时，予以保留，否则去除，其中，表示设置的相关性阈值。
4.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述退化特征如下：
5.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述相关性指标如下：
6.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述一致性指标如下：
7.根据权利要求1所述的一种基于失效概率预测的
8.根据权利要求7所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述基于LSTM网络的退化趋势预测模型、基于LSTM网络的失效预测模型分别由多变量LSTM回归器、多变量LSTM分类器训练得到。
9.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，S4所述预测维护的最佳时间为：
10.根据权利要求9所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述为：
...【技术特征摘要】
1.一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述多传感器包括在航空发动机系统上安装的振动、温度、压力传感器。
3.根据权利要求1所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述s2对应航空发动机历史运行数据，采用滑动平均获得退化特征，根据退化特征计算相关性指标，根据相关性指标计算一致性指标，根据相关性指标以及一致性指标筛选退化特征，当退化特征满足以及时，予以保留，否则去除，其中，表示设置的相关性阈值。
4.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述退化特征如下：
5.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述相关性指标如下：
6.根据权利要求3所述的一种基于失效概率预测的航空发动机维护决策设计方法，其特征在于，所述一致性指标如下：
7.根据权利要求1所述的一种基于失效概...
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。