基于Lasso變量選擇的航空發動機相似性剩余壽命預測

李彥岑

摘要：輕質耐高溫鈦合金（含鈦鋁系合金）是提高先進航空發動機推重比的關鍵材料，隨著新型鈦合金用量的不斷增大，鈦火安全問題更加突出并成為困擾設計選材的難題。阻燃鈦合金是為了應對鈦火安全隱患而研制的結構功能一體化的高溫鈦合金材料，其在先進航空發動機上的應用成為鈦火防控技術體系的重要組成部分。根據阻燃機理可將阻燃鈦合金分為不同的材料體系，譬如美國和俄羅斯先后研制出Ti?V?Cr系及Ti-Cu-Al系阻燃鈦合金，其中Ti?V?Cr系阻燃鈦合金較為成熟，已在國外F119等先進航空發動機上得到應用。

關鍵詞：預測與健康管理;航空發動機;Lasso;相似性;剩余壽命

引言

航空發動機是高度復雜和精密的熱力機械，其狀態好壞直接決定了飛機的性能。發動機的實際使用環境及工作狀態惡劣且多變，對發動機的性能將會產生較大的影響，在使用過程中發動機會逐漸偏離其出廠狀態，在保證安全的前提下，對發動機的使用及維護要盡可能的降低成本，航空公司大都采用視情維修的方式，對發動機的性能進行評估，在性能接近紅線時提供預警，方便及時的制定運行維護方案。隨著近些年信息測量及數據處理技術的發展，發動機的監測數據越來越多，如何利用積累的發動機歷史數據逐漸成為研究的熱點。

1航空發動機相似性剩余壽命預測

剩余壽命（RemainingUsefulLife，RUL）預測是PHM的核心內容。將航空發動機的壽命預測方法分為基于模型驅動與基于數據驅動的方法。模型驅動采用以模型為主導的方法，但針對復雜的設備，構建較為完備的物理模型非常困難，而且不定期的停機檢查會影響工作進程，甚至引起不必要的設備磨損。數據驅動方法即有效利用歷史或實時數據構建數學模型，從而進行剩余壽命預測。作為一種有效的數據驅動方法，提出的基于相似性的剩余壽命預測方法，有效使用了航空發動機系統中大量從正常運行到故障的設備數據。在距離發生故障失效相對較遠的情況下，基于相似度的剩余壽命預測具有長期預測的能力，同時減輕了構建復雜設備退化模型的難度。

2基于Lasso的相似性壽命預測方法

2.1預測模型

支持向量機對Ti?V?Cr系阻燃鈦合金力學性能的預測過程主要包括三個步驟：輸入輸出參數的確定與預處理、模型的學習與驗證、性能預測與成分優化。第一步是選取室溫拉伸性能作為輸出參數，以及影響室溫拉伸性能的主要合金化元素作為輸入參數，并對輸入輸出參數進行歸一化處理;第二步是計算機識別并儲存大量的訓練數據，利用支持向量機算法尋找數據中的內在聯系，建立合金化元素與力學性能之間的映射模型，并對模型的預測精度進行驗證;在最后一步中，根據所建立的支持向量機模型進行逆向設計，優化Ti?V?Cr系阻燃鈦合金力學性能所對應的成分范圍。本研究收集獲得12組不同成分的Ti?V?Cr系阻燃鈦合金室溫拉伸性能數據，將這12組數據組成數據集。將合金化元素V、Al、Si和C的含量作為模型的輸入參數，將室溫抗拉強度、屈服強度、延伸率和斷面收縮率作為輸出參數。

2.2實測數據分析

利用前面介紹的基于時序的卷積神經網絡搭建性能預測模型，以某型雙軸渦扇發動機的長試數據作為訓練及驗證數據，建立基于數據驅動的發動機性能預測模型。利用該預測模型，比較預測的性能參數與實際性能參數的變化趨勢，探究根據實際數據訓練的預測模型的準確性。在某型號的單臺份發動機長試數據測量中，受限于傳感器的布置局限，測量參數包括高低壓轉速、發動機進口總溫總壓、風扇出口總壓、壓氣機出口總壓、低壓渦輪出口總溫總壓、推力及耗油率。在500h的長試過程中，表征發動機的性能的主要參數推力、耗油率及渦輪出口溫度都出現了明顯的退化，且測量參數沒有突變的異常值，因此可以認為發動機沒有出現明顯的故障情況，是逐漸發生退化的。一般推力、耗油率及低壓渦輪出口溫度可以用來表征發動機的運行及健康狀態。

2.3卷積神經網絡處理序列

一個卷積神經網絡由若干卷積層、池化層、全連接層組成，可以利用這些子結構構造不同的卷積神經網絡。卷積神經網絡能夠進行卷積運算，從局部輸入圖塊中提取特征，因此在計算機視覺問題上表現出色。卷積神經網絡的特性使其在空間問題上特別擅長，時間實際上也可以看作一個空間維度，就像二維圖像的高度和寬度，不包含RGB通道值，被稱為一維卷積神經網絡。對于分類和時間序列預測等簡單任務，小型的一維卷積神經網絡已經可以媲美RNN，并且計算代價通常要小很多。一維卷積層可以識別序列中的局部模式，從序列中提取局部的子序列，但其對整體時間步并不敏感（整體時間步是指遠大于子序列時間步），可將許多卷積層和池化層堆疊起來以學習更長的時間步。如果所處理任務的序列數據整體順序非常重要，例如溫度的連續預測，CNN稍顯力不從心，此時最好采用循環神經網絡用以捕獲更長序列的潛在信息。但分析討論內容，航空發動機喘振故障往往只依賴于前面較短時間步的信息，故障的發生往往是瞬時的，僅在故障發生前的極小段時間內已可見端倪，只不過人類無法定義這種變化，但使用神經網絡來學習并不困難。因此可以使用一維卷積網絡來處理所涉及的時間序列數據，相較于循環神經網絡，卷積神經網絡計算代價要小得多，在序列問題的整體順序不重要時可以替代循環神經網絡。

結束語

綜上所述，本文結合2008PHMDataChal?lenge挑戰賽數據集，提出了基于Lasso變量選擇與相似性融合的壽命預測方法。與傳統的方法相比，在三種運行周期內，預測精度都得到了提高。并在篩選變量的過程中提供了有力的理論支撐，合理補充了選取變量的理論依據，從而在真正意義上實現變量的降維。

參考文獻：

[1]曹惠玲，徐文迪，湯鑫豪，崔科璐，王冉.航空發動機基線挖掘方法對比分析[J].中國民航大學學報，2019，37（06）：12-17.

[2]劉帥，王金環，白杰，戴士杰.基于改進滑模趨近律的航空發動機控制器設計[J].科學技術與工程，2019，19（34）：408-413.

[3]劉敏，劉長生.基于多元退化的航空機電系統的剩余壽命預測[J].電腦知識與技術，2019，15（31）：229-230.