[发明专利]一种航空发动机修后排气温度裕度预测方法

说明书

一种航空发动机修后排气温度裕度预测方法，本发明涉及航空发动机修后排气温度裕度预测方法。本发明为了解决现有技术航空发动机修后排气温度裕度预测误差较大的的缺点。本发明包括：一：采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取，得到送修前性能参数特征向量矩阵；二：采用堆叠自编码深度学习网络对航空发动机单元体维修深度进行特征提取，得到单元体维修深度特征向量矩阵；三：将送修前性能参数特征向量和单元体维修深度特征向量进行合并，得到修后性能特征向量；四：利用修后性能特征向量和每个维修案例对应的修后性能参数序列，采用BP神经网络建立航空发动机修后性能预测模型；本发明用于发动机的维修维护领域。

技术领域

本发明涉及航空发动机维修优化技术领域，具体涉及航空发动机修后排气温度裕度预测方法。

背景技术

航空发动机是在民航飞机等飞行器的主要动力来源和引气装置，其工作环境复杂且可靠性要求较高。因此，航空发动机在全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列，其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中，目前尚缺乏能够同时处理这两类参数的方法和模型。

对于同一台航空发动机，其送修前后的性能状态可视为两个具有一定差异的相似非线性系统。两系统之间的差异主要是由维修工作造成的。在航空发动机的修后性能预测中，需要同时考虑两个非线性系统的“相似性”和“差异度”，其中发动机送修前性能参数可用来表征“相似性”，而“差异度”可用维修深度进行表征。但在实际运维中，修后性能与影响因素的映射关系尚不明确，需要对修后性能预测模型进行进一步研究。

预测模型总体上可分为：数据驱动模型、物理数学模型以及混合模型。但某些复杂装备由于缺少精确的物理数学模型，限制了物理模型及混合模型在预测问题上的应用。航空发动机在运行过程中积累了大量的运维数据，这些数据可为数据驱动模型的研究提供重要基础。因此，本发明以航空发动机实际运维数据为基础，建立其修后性能预测模型。

在航空发动机修后性能预测模型中，发动机的性能状态可用性能参数时间序列进行表征。发动机时序性能参数的预测方法已有一定研究基础。但在修后性能预测模型中还需考虑航空发动机的维修深度，而维修深度需用离散量进行表示。因此，传统的时序参数预测方法不能够完全适用于航空发动机的修后性能预测。

航空发动机是航空器的主要动力来源和引气装置。航空发动机也是工作在高温、高速环境中的复杂热力机械。为保证航空发动机运行可靠性，在其全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列，其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中，目前尚缺乏能够同时处理这两类参数的方法和模型。

发明内容

本发明的目的是为了解决现有技术航空发动机修后排气温度裕度预测误差较大的的缺点，而提出一种航空发动机修后排气温度裕度预测方法。

一种航空发动机修后排气温度裕度预测方法包括以下步骤：

步骤一：采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取，得到s×c维的送修前性能参数特征向量矩阵P_s×c；所述x_s,m为第s个发动机维修案例(发动机维修一次即为一个维修案例)送修前第m个飞行循环的排气温度裕度值，c为送修前性能参数特征向量矩阵P_s×c的列数(s为行数)；

步骤二：采用堆叠自编码深度学习网络对航空发动机单元体维修深度原始信息矩阵进行特征提取，得到s×d维的单元体维修深度特征向量矩阵R_s×d；