[发明专利]基于相似性的发动机气路参数长期预测方法及系统

说明书

本发明涉及一种基于相似性的发动机气路参数长期预测方法及系统，其中方法包括：通过计算得到目标轨迹和各个历史轨迹之间的逐点距离特征的时间序列，并利用得到的逐点距离特征的时间序列评估目标轨迹与各个历史轨迹之间的统计距离利用得到的统计距离和历史轨迹样本，针对每个预测时间点上的单个特征元素，使每个历史轨迹样本都生成一个目标轨迹的假想的高斯函数形式的概率密度估计，成为一个假想高斯元集合；通过降序聚合方法对获得的假想高斯单元集合进行聚合，得到目标特征的高斯混合模型。本发明相对于自回归滑动平均、反向传播神经网络和传统的基于相似性的预测方法相比具有更高的预测精度。

技术领域

本发明涉及航空发动机性能预测技术领域，尤其涉及一种基于相似性的发动机气路参数长期预测方法及系统。

背景技术

作为一类高价值、高可靠性复杂装备，航空发动机的工作性能随着新的技术的应用而得到不断提升，相应的，其结构复杂度、采购价格和维护价格也水涨船高。为了适应新时代的航空业发展需求，航空发动机又面临着来自经济性和安全性方面的压力。与此同时，当今的能效管理与环境保护标准也对发动机的性能水平和可靠性水平也提出了更高的要求。为了应对维护难度、维修成本、运营性能等因素给发动机维修方面所带来的多重压力，学者们提出了视情维修(Condition Based Maintenance,CBM)和预测与健康管理(Prognostic and Health Management,PHM)的理念。这些理念旨在利用机内测试传感器所提供的数据特征来进行异常探测、故障诊断和性能衰退趋势预测，以此实现预防性维修，降低预计外故障的发生概率。顾名思义，对发动机衰退特征趋势的预测是PHM中的一项重要内容，这项技术对预防性维修的实施具有决定性意义，是PHM领域的研究热点之一。

一般情况下，发动机的性能状态特征具有多元时间序列的形式。现今，能够适用于多元参数时间序列预测的理论框架有很多，例如滑动自组织平均模型(Auto-RegressiveMoving Average,ARMA)、灰色模型(Grey Model,GM)、蒙特卡洛类方法、模糊逻辑、人工神经网络(Artificial Neural Network,ANN)、卡尔曼滤波(Kalman Filter,KF)类方法。这些方法有的具有确定形式的输出，有的具有概率形式的输出，在实际的性能状态短期预测实验当中都体现出了较高的精度和鲁棒性。然而，不同于短期预测领域的繁荣，针对发动机乃至于广义的复杂设备的性能状态的长期预测的研究和理论却极为有限。虽然具有不同的侧重点，和短期预测一样，长期预测对于设备的PHM同样具有重要意义：一方面，因为几乎所有的维护维修计划都需要在得知设备尽可能远的预期性能的前提下进行制定，长期预测给出的设备性能长期变化趋势对维修范围制定环节提供了不可或缺的信息支撑；另一方面，因为发动机的长期的性能衰退受到更多的随机事件的影响(例如小范围的维修调整，以及微小结构损伤)，算法输出的预测结果应该具有概率形式，以实现预测结果的置信程度的准确表达。然而，上述所提到的方法的长期预测性能远远不能满足实用要求，而且大多数的方法只能够给出确定性的预测结果，难以支撑后续的管理决策环节。即使部分算法，如粒子滤波和卡尔曼滤波器能够给出性能特征的长期分布，但是这些方法仍然不能提供性能特征在未来各个时间点的概率密度函数的准确估计。因此，作为一种非线性、动态的、高度随机的过程，性能参数的长期衰退趋势预测一直被各种预测类研究当作一件在讨论范围之外的议题而被避而不谈。

着眼于这个问题，有研究学者提出了基于相似性的预测(Similarity BasedPrediction,SBP)理论，进而发展出了一系列的适用于长期性能预测的方法。SBP提出了一种假设，这种假设规定若待预测衰退样本的历史特征轨迹与某些历史样本的对应时间段的轨迹相似，那么其以后的发展趋势一定与这部分历史样本的后续发展轨迹相似。基于这个假设，SBP首先评估待预测轨迹与历史数据库中各样本轨迹的相似性，而后利用得到的相似程度和历史轨迹的后续发展轨迹实现待预测轨迹在未来各个时间点的概率密度函数的重构。这个技术框架使SBP能够有效地利用历史样本提供的同构信息进行目标样本未来发展趋势的刻画，而且，只要目标样本的待预测时间点能够被历史样本的长度所覆盖，SBP便能够对其进行预测。