基于数据驱动的涡扇发动机剩余寿命预测

发布时间：2021-10-20 03:21

　　涡扇发动机是一种高度精密的热力机械。这种机械系统结构复杂,经常在极端环境下工作,极易发生故障造成不可挽回的损失。为了保障系统安全可靠运行,降低事故发生概率,预测它的剩余寿命具有十分重要的意义。由于发动机系统工况复杂,基于物理模型的方法过于依赖先验知识,建模困难且适用性差。针对这些问题,采用基于数据驱动的方法,利用安装在机械设备上传感器监测到的数据对机械设备的退化过程进行建模,从而实现发动机剩余使用寿命的预测。研究具体内容如下:将一种改进的梯度提升决策树（GBDT）引入发动机剩余寿命预测领域,该算法适合于构建较高特征维度的模型。将现代机器所记录的飞机发动机性能数据进行归一化处理后用于改进的GBDT的训练与测试,从而达到合理预测发动机剩余寿命的目的。与经典算法如支持向量回归机（SVR）、卷积神经网络（CNN）以及基于卷积神经网络和长短时记忆网络（CNN-LSTM）相比,改进后模型的性能评测指标有明显提升。设计并开发了基于MFC的余寿预测平台。将传感器采集到的数据无线传输至服务器,后台技术人员从服务器获取数据后,基于本文建立的模型,实现发动机剩余使用寿命预测。上述研究结果表明,本文提出的改进... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

发动机仿真模型

第2章涡扇发动机剩余使用寿命预测理论基础-13-表2-4故障类型信息Table2-4Failuretypeinformation数据集故障类型操作模态数故障数目1高压压气机故障112高压压气机故障613高压压气机和风扇故障124高压压气机和风扇故障622.3剩余使用寿命预测函数飞机机械结构中最为复杂的便是发动机。发动机的工作强度高、工作时长大、工作持续性强，极易发生意外。发动机一旦发生故障，极易导致空难事故的发生，从而危害人身和财产安全，造成心灵上的创伤。及时提醒发动机的安全工作时间，也就是剩余寿命对于避免意外发生有着很大的帮助。从当前点到设备失效的这段时间则定义为设备的剩余寿命（RemainingUsefulLife，RUL）[39]。Bucknam定义的发动机剩余寿命如下：(),RUL0,cxxcxxc=(2-1)式中：x是给定数据点所处循环数目，c是给定单元的最大循环数。也就是说，本文定义每个单元的最大循环数目为最后的周期数目。最大周期数为每个单元最后一个周期数量，最小周期数定为1。为了更为方便的计算，默认简化为给定单元的循环数反转并减1，RUL函数随循环数增加如图2-4所示。图中单位为循环次数。图2-4RUL目标函数Fig.2-4RULobjectivefunction

哈尔滨理工大学工学硕士学位论文-14-最初，剩余寿命预测领域由于认知有限，通常选取单调递减的一元函数作为余寿预测的目标函数。由于机械设备在正常工作时常常会有损耗，对设备的运行状态造成影响，造成设备性能的线性下降。然而，最初的预估忽略了机械设备损耗与时间的关系。机械设备刚开始工作时损耗较小可以忽略不计，可以近似认为机械设备工作在健康状态。随着设备工作时间的累积，到了一个临界点时，机械设备的磨损就不可忽略，设备损耗逐渐增加。因此，我们采用了分段函数进行余寿预测。本文所使用地剩余寿命估计目标函数如图2-5所示。图2-5剩余寿命估计目标函数Fig.2-5Remainingusefullifeofobjectivefunction分段函数也被称为截断函数（Kinkedfunction），这个该函数是由Heimes最初在竞赛中定义的一种极其常用且有效的目标函数。由于飞机涡轮发动机初始工作在健康状态下，接下来会有较长的一段时间处于平稳性能状态。在经过大量工作时间后会逐渐进入性能衰退过程。所以我们在周期较晚的时候定义了实际的发动机剩余使用寿命。也就是说，将我们的关注点放在性能逐渐衰退的过程。本文定义的发动机剩余寿命如下：()()130,_intRUL130-_int,_intxkneepoxxkneepoxkneepo=(2-2)式中：knee_point=c130，knee_point为拐点，x为给定数据点所处循环数目，c是给定单元的最大循环数。本小节以运行寿命周期为192的发动机运行单元衰退过程为例。这个例子也是我们FD001数据集中的一个真实运行寿命周期。在阅读大量文献后，本文将最长使用寿命设定为130，故而拐点被设置在62，62后性能开始线性衰减直


本文编号：3446147