基于退化模型匹配的涡轮发动机剩余寿命的预测方法

摘要

基于退化模型匹配的涡轮发动机剩余寿命的预测方法，涉及涡轮发动机剩余寿命预测方法，它为了解决现有涡轮发动机剩余寿命的预测采用通用RUL预测模型的预测效果无法达到预测要求的问题，它包括具体步骤如下：步骤一、数据预处理：从采集到的数据提取运行状态变量；从传感器采集到特征向量；由运行状态变量与特征向量融合得到健康因子；步骤二、建立退化模型库：利用健康因子建立退化模型；多个退化模型组成退化模型库；步骤三、相似性评估：将退化轨迹与模型库中的模型匹配，每个模型给出一个RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型匹配程度，采用相似度加权，融合得到最终的剩余寿命预测值。适用于涡轮发动机剩余寿命预测。

主权项

基于退化模型匹配的涡轮发动机剩余寿命的预测方法，它包括具体步骤如下：步骤一、数据预处理：从采集到的原始数据中提取出决定涡轮发动机运行状态变量：c₁为高度、c₂为马赫数和c₃为油门角度；所述运行状态变量的数值组成集合c＝(c₁,c₂,c₃)^T；c_i表示c在时刻t_i对应的高度、马赫数和油门角度的值，c_i＝(c_1i,c_2i,c_3i)^T，其中i为正整数；从21个位于涡轮发动机不同位置的传感器采集到能表征涡轮发动机退化过程的数值，所述数值组成21维特征向量：x＝(x₁,x₂,...,x₂₁)^T，x_i表示x在时刻t_i对应21个传感器采集到的发动机不同点的温度、压力和速度值；在时刻t_i由所述运行状态变量c_i与特征向量x_i，得到测量周期的三元组(c_i,x_i,t_i)；由c_i和x_i融合得到健康因子z_i；步骤二、建立退化模型库：利用融合而成能表征系统退化趋势的健康因子z_i为相应的训练实体建立退化模型；所述建立的多个退化模型组成退化模型库；步骤三、相似性评估：将某测试涡轮发动机的健康因子序列与模型库中所有的模型进行相似匹配，每个模型都给出一个对该测试涡轮发动机的RUL估计；步骤四、RUL融合：根据测试涡轮发动机与模型库中模型匹配程度的高低，采用相似度加权的方法融合得到最终的剩余使用寿命的RUL预测值，其特征在于,步骤一数据预处理具体过程为：步骤一一、对决定涡轮发动机运行状态变量的集合c＝(c₁,c₂,c₃)^T采用K‑means算法聚类得到p类运行状态Ω＝{O₁,O₂,...,O_p}，p为正整数；步骤一二、对提取的每个训练实体中传感器的读数按p类运行状态Ω进行划分，共划分为p组；步骤一三、检测所有训练实体中每个传感器的读数在每个运行状态下随时间变化的情况，选择出在所有运行状态下读数均具有一致性单调趋势的传感器集合Α＝{X₁,X₂,...,X_m}，其中m为正整数；步骤一四、某组训练实体对选出的传感器集合Α的读数按有限的运行状态Ω进行划分，并按照进行线性回归得到p组健康因子时间序列；步骤一五、p组健康因子时间序列按状态划分前的时间排序后，还原成完整的一组健康因子时间序列X₀＝{X₀(k)|k＝1,2,……,n}，其中n为正整数；步骤一六、确定反映系统退化行为特征的健康因子时间序列X₀为参考序列，影响系统行为的传感器时间序列X_i＝{X_i(k)|}为比较序列，i＝1,2,……,m；步骤一七、采用初值化对参考序列和比较序列进行无量纲化处理，用原始数列的所有数据除以序列的第一个值，即步骤一八、计算经过无量纲化处理后的参考序列x₀和比较序列x_i之间的点关联系数为$r(x_0\left(k\right),x_i\left(k\right))=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\zeta \underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\zeta \underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|},$其中ζ∈(0,∞)称为分辨系数，取ζ＝0.5；步骤一九、计算参考序列和比较序列间的关联度，用参考序列和比较序列在各个时刻的关联系数之平均值表示，即：步骤一十、计算点关联序数序列的稳定度步骤一十一、计算改进后的灰色关联度步骤一十二、对计算得到的关联度从大到小进行排序；步骤一十三、对所有训练实体重复步骤一四至步骤一十二，得到所有训练涡轮发动机中各个传感器读数与相应健康因子关联度排序的统计信息，选出关联度高的传感器子集B＝{X₁,X₂,...,X_t}。