【技术实现步骤摘要】
本申请属于飞机维护，特别涉及一种基于飞行参数的发动机故障预测方法及装置。
技术介绍
1、航空发动机是航空器的核心部件，为飞机提供推进力，保障飞行的安全和稳定性。然而，航空发动机也存在着故障和损坏的风险，一旦发生故障，会对航班的安全造成威胁。因此，航空发动机的故障诊断和维修处理技术显得异常重要。
2、现有技术中，发动机故障种类繁多，在飞机因发动机故障而进行维修时，往往需要拆解发动机以确定故障原因，维护周期较长。
技术实现思路
1、为了解决上述问题，本申请提供了一种基于飞行参数的发动机故障预测方法及装置，用于快速识别发动机故障。
2、本申请第一方面提供了一种基于飞行参数的发动机故障预测方法，主要包括：
3、步骤s1、获取故障前的一次飞行历程中的各个按照时间采集的发动机参数序列；
4、步骤s2、对各所述发动机参数序列进行突变值统计计算，获取各发动机参数的突变值数量；
5、步骤s3、获取飞机的多个飞行参数；
6、步骤s4、以各发动机参数突变值数量及飞行参数作为输入，基于预先训练好的发动机故障类型预测算法确定发动机故障类型。
7、优选的是，步骤s1中，所述发动机参数包括各时刻采集的高低压涡轮转速、高低压涡轮进出口温度，以及高低压涡轮的按时间序列的各分钟振动次数，步骤s3中，所述飞行参数包括速度最大值、速度平均值、高度最大值、发动机接通加力的次数、飞机执行预设机动动作的数量；步骤s4中，发动机故障类型包括稳定性
8、优选的是，步骤s2进一步包括：
9、步骤s21、对每一个发动机参数序列，通过以下公式，确定前六个参数的修正值：
10、
11、步骤s22、基于前六个参数的修正值，通过以下公式迭代计算后续参数的修正值：
12、
13、其中，yi为第i个发动机参数的原值，为第i个发动机参数的修正值；
14、步骤s23、基于发动机参数的原值与发动机参数的修正值确定各发动机参数的原值是否为突变值：
15、
16、其中，e为恒定设定值。
17、优选的是，步骤s4中，发动机故障类型预测算法为bp神经网络算法，训练所述bp神经网络算法包括：
18、以历次发动机故障前的飞行历程中的各发动机参数突变值数量及飞行参数作为输入参数，通过所述bp神经网络算法计算获得发动机故障类型；
19、将历次发动机故障按照稳定性故障、气路故障、振动故障、磨损和疲劳结构故障、控制系统故障进行分类，并将分类后的发动机故障作为期望输出，与计算的发动机故障类型进行误差均方差计算；
20、以误差均方差小于设定值或达到最大训练次数为目标，训练修改所述bp神经网络算法的各输入参数的偏置与权重。
21、优选的是，所述bp神经网络算法包含一层隐藏层，所述隐藏层的节点数量s为：
22、s＝(m+n)0.5+a；
23、其中，m为bp神经网络算法的输入参数数量，n为bp神经网络算法的输出参数数量，a为调整参数，取值在1-10之间。
24、本申请第二方面提供了一种基于飞行参数的发动机故障预测装置，主要包括：
25、发动机参数采集模块，用于获取故障前的一次飞行历程中的各个按照时间采集的发动机参数序列；
26、发动机参数突变值统计模块，用于对各所述发动机参数序列进行突变值统计计算，获取各发动机参数的突变值数量；
27、飞行参数采集模块，用于获取飞机的多个飞行参数；
28、发动机故障类型预测模块，用于以各发动机参数突变值数量及飞行参数作为输入，基于预先训练好的发动机故障类型预测算法确定发动机故障类型。
29、优选的是，所述发动机参数包括各时刻采集的高低压涡轮转速、高低压涡轮进出口温度，以及高低压涡轮的按时间序列的各分钟振动次数，所述飞行参数包括速度最大值、速度平均值、高度最大值、发动机接通加力的次数、飞机执行预设机动动作的数量；发动机故障类型包括稳定性故障、气路故障、振动故障、磨损和疲劳结构故障、控制系统故障。
30、优选的是，所述发动机参数突变值统计模块包括：
31、第一修正值计算单元，用于对每一个发动机参数序列，通过以下公式，确定前六个参数的修正值：
32、
33、第二修正值计算单元，用于基于前六个参数的修正值，通过以下公式迭代计算后续参数的修正值：
34、
35、其中，yi为第i个发动机参数的原值，为第i个发动机参数的修正值；
36、突变值判别单元，用于基于发动机参数的原值与发动机参数的修正值确定各发动机参数的原值是否为突变值：
37、
38、其中，e为恒定设定值。
39、优选的是，在所述发动机故障类型预测模块中，发动机故障类型预测算法为bp神经网络算法，训练所述bp神经网络算法包括：
40、训练输入参数获取单元，用于以历次发动机故障前的飞行历程中的各发动机参数突变值数量及飞行参数作为输入参数，通过所述bp神经网络算法计算获得发动机故障类型；
41、训练输出参数统计单元，用于将历次发动机故障按照稳定性故障、气路故障、振动故障、磨损和疲劳结构故障、控制系统故障进行分类，并将分类后的发动机故障作为期望输出，与计算的发动机故障类型进行误差均方差计算；
42、模型训练单元，用于以误差均方差小于设定值或达到最大训练次数为目标，训练修改所述bp神经网络算法的各输入参数的偏置与权重。
43、优选的是，所述bp神经网络算法包含一层隐藏层，所述隐藏层的节点数量s为：
44、s＝(m+n)0.5+a；
45、其中，m为bp神经网络算法的输入参数数量，n为bp神经网络算法的输出参数数量，a为调整参数，取值在1-10之间。
46、本申请能够快速诊断发动机故障类型，为飞机定向维护提供参考意见。
本文档来自技高网...【技术保护点】
1.一种基于飞行参数的发动机故障预测方法，其特征在于，包括：
2.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤S1中，所述发动机参数包括各时刻采集的高低压涡轮转速、高低压涡轮进出口温度，以及高低压涡轮的按时间序列的各分钟振动次数，步骤S3中，所述飞行参数包括速度最大值、速度平均值、高度最大值、发动机接通加力的次数、飞机执行预设机动动作的数量；步骤S4中，发动机故障类型包括稳定性故障、气路故障、振动故障、磨损和疲劳结构故障、控制系统故障。
3.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤S2进一步包括：
4.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤S4中，发动机故障类型预测算法为BP神经网络算法，训练所述BP神经网络算法包括：
5.如权利要求4所述的基于飞行参数的发动机故障预测方法，其特征在于，所述BP神经网络算法包含一层隐藏层，所述隐藏层的节点数量S为：
6.一种基于飞行参数的发动机故障预测装置，其特征在于，包括：
7.如权利要求6所
8.如权利要求6所述的基于飞行参数的发动机故障预测装置，其特征在于，所述发动机参数突变值统计模块包括：
9.如权利要求6所述的基于飞行参数的发动机故障预测装置，其特征在于，在所述发动机故障类型预测模块中，发动机故障类型预测算法为BP神经网络算法，训练所述BP神经网络算法包括：
10.如权利要求9所述的基于飞行参数的发动机故障预测装置，其特征在于，所述BP神经网络算法包含一层隐藏层，所述隐藏层的节点数量S为：
...【技术特征摘要】
1.一种基于飞行参数的发动机故障预测方法，其特征在于，包括：
2.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤s1中，所述发动机参数包括各时刻采集的高低压涡轮转速、高低压涡轮进出口温度，以及高低压涡轮的按时间序列的各分钟振动次数，步骤s3中，所述飞行参数包括速度最大值、速度平均值、高度最大值、发动机接通加力的次数、飞机执行预设机动动作的数量；步骤s4中，发动机故障类型包括稳定性故障、气路故障、振动故障、磨损和疲劳结构故障、控制系统故障。
3.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤s2进一步包括：
4.如权利要求1所述的基于飞行参数的发动机故障预测方法，其特征在于，步骤s4中，发动机故障类型预测算法为bp神经网络算法，训练所述bp神经网络算法包括：
5.如权利要求4所述的基于飞行参数的发动机故障预测方法，其特征在于，所述bp神经网络算法包含一层隐藏层，所述隐藏层的节点数量s为：
...
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。