技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种发动机引气系统故障指标预测方法、系统及存储介质  >  正文

一种发动机引气系统故障指标预测方法、系统及存储介质

  • 国知局
  • 2024-11-06 14:42:46

本发明属于计算机,尤其是涉及一种发动机引气系统故障指标预测方法、系统及存储介质。

背景技术:

1、从上世纪90年代至今,航空装备技术飞速发展,致使飞机地面保障的要求越来越高,而保障发动机引气系统在其中是最为根本的因素之一。科技的飞速发展对发动机引气系统的保障以及故障预测提出了更高的要求。但是在长期的发展中,发动机引气系统的保障技术总是落后于其他航空装备的技术。原有的发动机引气系统保障体系在新装备条件下面临巨大的挑战,而对其保障的不到位,会大大降低飞机的完好率。

2、发动机引气系统的故障预测缺乏量化分析,且在实际使用及维护过程中积累的经验和数据没能与设计很好的结合分析,造成理论和实际的脱离。发动机引气系统发生故障时没有预警机制,机务外场设备维护人员对发动机引气系统故障很难做到心中有数,预见性不足,且过度检修和检修不足的现象并存,导致发动机引气系统可靠性下降。

3、当发动机引气系统发生故障时,机务外场维护人员很难针对故障现象及可靠性数据、指标数据等综合分析,进行明确的故障诊断,从而很难找到最优的故障预测方法,进行部件的维修和更换。这使得维修成本增大。

4、发动机引气系统的故障预测是评判系统健康状态的基础,它时刻影响着飞机运行效率和维修保障效率。所以,在大力发展航空科技的同时,如何为发动机引气系统提供准确的故障预测也是地面保障领域中亟待解决的技术问题。

技术实现思路

1、有鉴于此,本发明旨在克服现有技术中上述问题的不足之处,提出一种发动机引气系统故障指标预测方法、系统及存储介质。

2、为达到上述目的,本发明的技术方案是这样实现的:

3、本发明第一方面提供了一种发动机引气系统故障指标预测方法,包括:

4、s1:获取飞机的若干发动机引气系统参数所组成的数据集;

5、s2:根据若干发动机引气系统参数构建时序数据集;

6、s3:确定训练集、验证集和测试集的比例,确定与故障相关的参数,并通过arima模型进行数据预处理;

7、s4:构建cnn-bilstm-att-xgboost故障指标预测模型,包括确定模型的输入参数、输出参数、输出参数样本以及输入参数样本;

8、s5:将预处理后的数据集通过cnn-bilstm-att-xg boost模型得到与故障相关参数的结果值,与阈值对比确定是否发生故障。

9、进一步的,所述步骤1中,若干发动机引气系统参数包括:大气温度、标准大气压下的飞行高度、马赫数、左侧发动机n1转速、右侧发动机n1转速、左侧发动机实际n2转速、右侧发动机实际n2转速、左侧发动机导流管压力、右侧发动机导流管压力、左侧发动机预冷器出口温度、右侧发动机预冷器出口温度、左组件活门流量控制开关、右组件活门流量控制开关、机翼防冰控制开关、左侧发动机罩防冰开关、右侧发动机罩防冰开关。

10、进一步的,对获取飞机的若干发动机引气系统参数所组成的数据集进行划分,采用8:1:1比例,划分为训练集、验证集、测试集。

11、进一步的,确定与故障相关的参数,根据若干所述发动机引气系统参数之间的相关性分析,确定飞机预冷器出口温度参数与飞机引气温度高/低这类故障类型相关性强。

12、进一步的,所述步骤3中,对数据进行预处理包括异常值剔除、缺失数据填充、归一化处理、平稳性检验、构建arima模型获得残差序列作为新的参数,与原有基本数据组合在一起。

13、进一步的,对时序数据集使用adf方法进行平稳性检验,确定一个时间序列是否适合进行时间序列预测,若为非平稳序列,则进行差分处理,将非平稳的原始序列转化为平稳序列。

14、进一步的,所述cnn-bilstm-att-xgboost输入参数包括cnn神经元个数为64,卷积核大小为1,激活函数为relu;bilstm神经元个数为64;att模型的激活函数为softmax;xgboost决策树数量为20,目标函数为sigmoid。

15、进一步的,所述输入参数样本包括飞机发动机状态参数曲线、外界环境参数、预冷器出口压力曲线、各种阀门的状态,每隔一秒取一条数据,将各类曲线离散为点作为输入样本。

16、进一步的,所述输出参数样本包括发动机引气系统预冷器出口温度曲线,并将温度曲线离散为温度值点。

17、进一步的,所述输出参数包括mae、rmse、r2,作为cnn-bilstm-att-xgboost故障指标预测模型的评价指标。

18、本发明第二方面提供了一种发动机引气系统故障指标预测系统,包括:

19、第一模块,用于获取飞机的若干发动机引气系统参数所组成的数据集;

20、第二模块,用于根据若干发动机引气系统参数构建时序数据集;

21、第三模块,用于确定训练集、验证集和测试集的比例,确定与故障相关的参数,并通过arima模型进行数据预处理;

22、第四模块,用于构建cnn-bilstm-att-xgboost故障指标预测模型,包括确定模型的输入参数、输出参数、输出参数样本以及输入参数样本;

23、第五模块,用于将预处理后的数据集通过cnn-bilstm-att-xg boost模型得到与故障相关参数的结果值,与阈值对比确定是否发生故障。

24、本发明第三方面提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现上述的一种发动机引气系统故障指标预测方法。

25、相对于现有技术,本发明所述的一种发动机引气系统故障指标预测方法、系统及存储介质具有以下优势:

26、本发明的方法可有效预测发动机引气系统的故障情况,实现设备故障预测预警,能够大大减少因为突发故障导致的设备停机停产;维修保养工作亦可根据模型预测结果提前进行设备检修维护,降低维保成本,减少维保时间,提高设备利用率。

技术特征:

1.一种发动机引气系统故障指标预测方法,其特征在于:包括:

2.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述步骤1中,若干发动机引气系统参数包括:大气温度、标准大气压下的飞行高度、马赫数、左侧发动机n1转速、右侧发动机n1转速、左侧发动机实际n2转速、右侧发动机实际n2转速、左侧发动机导流管压力、右侧发动机导流管压力、左侧发动机预冷器出口温度、右侧发动机预冷器出口温度、左组件活门流量控制开关、右组件活门流量控制开关、机翼防冰控制开关、左侧发动机罩防冰开关、右侧发动机罩防冰开关。

3.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述步骤3中,对数据进行预处理包括异常值剔除、缺失数据填充、归一化处理、平稳性检验、构建arima模型获得残差序列作为新的参数,与原有基本数据组合在一起。

4.根据权利要求3所述的一种发动机引气系统故障指标预测方法,其特征在于:对时序数据集使用adf方法进行平稳性检验,确定一个时间序列是否适合进行时间序列预测,若为非平稳序列,则进行差分处理,将非平稳的原始序列转化为平稳序列。

5.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述cnn-bilstm-att-xgboost输入参数包括cnn神经元个数为64,卷积核大小为1,激活函数为relu;bilstm神经元个数为64;att模型的激活函数为softmax;xgboost决策树数量为20,目标函数为sigmoid。

6.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述输入参数样本包括飞机发动机状态参数曲线、外界环境参数、预冷器出口压力曲线、各种阀门的状态,每隔一秒取一条数据,将各类曲线离散为点作为输入样本。

7.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述输出参数样本包括发动机引气系统预冷器出口温度曲线,并将温度曲线离散为温度值点。

8.根据权利要求1所述的一种发动机引气系统故障指标预测方法,其特征在于:所述输出参数包括mae、rmse、r2,作为cnn-bilstm-att-xgboost故障指标预测模型的评价指标。

9.一种发动机引气系统故障指标预测系统,其特征在于:包括:

10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质内存储有计算机指令集,计算机指令集被处理器执行时实现如权利要求1~8任一项所述的一种发动机引气系统故障指标预测方法。

技术总结本发明公开了一种基于发动机引气系统故障指标预测方法、系统及存储介质,方法包括获取飞机的若干发动机引气系统参数所组成的数据集;根据若干发动机引气系统参数构建时序数据集;确定训练集、验证集和测试集的比例,确定与故障相关的参数,并通过ARIMA模型进行数据预处理;构建CNN‑BiLSTM‑Att‑XGBoost故障指标预测模型,确定模型的输入参数、输出参数、输出参数样本、输入参数样本;将预处理后的数据集通过CNN‑BiLSTM‑Att‑XG Boost模型得到与故障相关参数的结果值,与阈值对比确定是否发生故障。本发明可以有效预测发动机引气系统的健康状况,避免在实际飞行中因不确定的故障造成严重的后果。技术研发人员:王轩,田彬受保护的技术使用者:中国民航大学技术研发日:技术公布日:2024/11/4

本文地址:https://www.jishuxx.com/zhuanli/20241106/323684.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。