[发明专利]航空发动机气路多部件性能评估方法

权利要求书

1.一种航空发动机气路多部件性能评估方法，其特征在于，包括以下步骤：

步骤一：建立非线性编码器模型，进行特征提取，所述非线性编码器由一维卷积神经网络和传统编码器组成，传统的1D-CNN通常包含卷积层(Convolutional Layers)，非线性激活层(Activation Layers)与池化层(Pooling Layers)3个基本单元，其中卷积层与非线性激活层共同作用用于提取参数特征，池化层用于实现模型参数降采样，由于采用自动编码器重构输入输出，需要确保重构前后的数据相一致，故需去除用于缩小模型参数的池化层，去除池化层后的1D-CNN提取特征过程如下：

以时间长度为T，特征参数为3的ΔD构建1D-CNN的输入特征面通过采用n个3×3的卷积核按式(5)对输入特征面进行卷积运算，再将卷积运算后的结果输入非线性激活层，输出n个卷积特征面Y_i；

由于采用了3×3的卷积核，故在不进行数据填充的情况下，输出特征面Y_i会相对于原始输入特征面X减少2个时间步，为了保证输入前后数据长度一致，故需在输入特征面X的首尾进行0填充，填充后的特征面

式中Y_i,j——第i个卷积特征面的第j个特征值,i∈(1,n)；

——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,T)；

——待学习的第i个卷积核的第u行v列的权值；

σ_c——非线性激活函数；

在卷积之后引入非线性激活函数，可将原线性映射特征面K_i*x_j映射到非线性空间，在映射后的非线性空间中，原线性不可分的线性映射特征将有机会找到一线性可分路径，从而解耦非线性耦合工作状态下的各气路部件性能衰退量H，采用ELU函数作为网络的非线性激活函数，如式(6)所示。

式中α——组合权重系数，取α＝1；

步骤二：进行非线性编码：

通过1D-CNN提取出特征后，以时间长度为T，特征个数为n的卷积特征面构建非线性编码器的输入将其通过由多层感知机(MultilayerPerceptron,MLP)构成的非线性编码器映射到用于表征解耦后各气路部件性能衰退量的隐藏层H上，其非线性映射关系如式(7)和(8)：

Z＝σ_e(YW′_e+b′_e) (7)，H＝ZW_e+b_e (8)

式中Z——编码器输入层的非线性输出，

H——编码器的输出，即解耦后气路部件性能衰退量，

W′_e——待学习的编码器输入层权重，

σ_e——编码器的非线性激活函数；

b′_e——待学习的编码器输入层偏置，

W_e——待学习的编码器输出层权重，

b_e——待学习的编码器输处层偏置，

步骤三：进行线性解码处理：

通过特征提取与非线性编码获得解耦后气路部件性能衰退量H后，可通过利用指印图中各气路部件单位性能衰退对气路参数偏差值的影响量为权重W_d构建的线性解码器重构气路参数偏差值线性解码方式如式(9)所示。

式中b_d——待学习的解码器偏置，

步骤四：参数寻优：由于非线性编码器模型以重构前后气路参数偏差值的重构误差最小为目标，故可采用如式(10)的均方差函数作为优化目标之一，

式中L₁——重构前后气路参数偏差值的均方差；

n——样本数；

θ——待学习的模型参数，θ＝{K_i,W′_e,b′_e,W_e,b_e,b_d}；

——重构后的第i个气路参数偏差值与基准的差值；

Δd_i——重构前的第i个气路参数偏差值与基准的差值；

此外，由于航空发动机作为高可靠性热力机械，各部件在非故障状态下的性能衰退应是缓慢且平稳的，结合各气路部件的协同工作特性，气路部件在服役过程中的性能衰退也应具有协同性，即各气路部件的性能衰退量应大致处于同一数量级内，但由于各气路部件单位性能衰退对航空发动机的影响力并不一致，即对气路参数偏差值的扰动程度不同，为了消除各气路部件影响力量纲不一致所造成的性能波动指标不具同一性，可借助各气路部件单位性能衰退对气路参数偏差值影响量W_d列向量的范数消除量纲影响，故可构造如式(11)所示的损失函数L₂以缩小最优参数搜索范围降低模型训练难度：

式中L₂——各气路部件性能衰退量损失函数；

η_i,j——第i个样本第j个气路部件的性能衰退量；

η_0,j——气路部件j的初始性能衰退量，取η_0,j＝0；

||w_j||₂——权重矩阵W_d第j列向量的欧式范数；

则发动机多气路部件性能评估模型的损失函数如式(12)所示：

2.根据权利要求1所述的一种航空发动机气路多部件性能评估方法，其特征在于，步骤一还包括在特征提取前对数据进行预处理，利用格拉布斯准则和EEMD-SG对气路参数偏差值进行预处理，有效消除了发动机非稳态工况对气路参数偏差值的影响，去除了数据中的粗大误差和降低了数据噪声，具体为：

步骤1：对于气路参数偏差值基于指印图的修正公式如下：

式中——i时刻未修正的原始气路参数偏差值；

x_ij——i时刻VSV、VBV的单位开合角度或单位引气泄露量；

w_j——指印图中x_j对气路参数偏差值造成的偏移量；

步骤2：采用格拉布斯准则对分组后的气路参数偏差值进行粗大误差去除，步骤2具体步骤如下：

步骤2-1：对于一组服从高斯分布的修正后气路参数偏差值可按式(2)和(3)计算该组数据的均值μ与标准差σ，

步骤2-2：将该组数据按式(4)照升序排列：d₍₁₎＜d₍₂₎＜…＜d_(n) (4)；

步骤2-3：按式(5)计算排序后该组数据对应的统计量g_(i)：

若数据点d_(i)对应的统计量g_(i)＞g₍₀₎(n,α)，则该点为粗大误差，需要将其从该组数据中去除，其中g₍₀₎(n,α)为重复测量次数为n，置信概率为α时的统计量临界值，通过查阅格拉布斯临界值表获取；

步骤2-4：为了保证数据的完整性，被剔除数据d_i采用(6)的插值方式补齐数据：

步骤3：采用EEMD-SG对经粗大误差去除后的气路参数偏差值D进行滤波降噪:具体步骤如下：

步骤3-1：基于EEMD分解气路参数偏差值，步骤3-1具体包括以下步骤：

步骤3-1-1：设定叠加高斯白噪声的重复次数m和白噪声相对于原始信号标准差的幅值α，

步骤3-1-2：按式(8)在经粗大误差去除后的气路参数偏差值D中叠加幅值α的高斯白噪声N_i，得到的新信号记为

步骤3-1-3：利用EMD对新信号进行分解，按式(9)将其分解为n个本征模态分量I_i,j和1个残差分量R_i：

步骤3-1-4：重复m次步骤3-1-2和步骤3-1-3，按式(10)和(11)计算所获得的各IMF分量和残差分量的均值作为气路参数偏差值D的分解后的本征模态分量I_j和残差分量R：

数据噪声主要包含在高频本征模态分量I_h中，视为含噪分量，而信号趋势主要体现在低频本征模态分量I_l和残差分量R中，可视为演化分量，所以数据降噪主要依赖于对高频本征模态分量I_h的处理；

步骤3-2：采用单样本T检验对IMF分量累计之和进行0均值检验来区分高、低频IMF，通过检验的为高频IMF，未通过检验的为低频IMF，具体步骤如下：

步骤3-2-1：按式(12)计算累计IMF分量I_s：

步骤3-2-2：建立检验假设和确定检验水准：设检验均值μ＝0，原假设H0：μ_Is＝μ,备择假设H1：μ_Is≠μ，显著性水准α＝0.05，其中μ_Is为累计IMF分量I_s的均值；

步骤3-2-3：选定检验方法和计算检验统计量：利用单样本T检验公式(13)计算统计量，并进行双侧检验：

式中k——I_s的样本数；

σ_Is——I_s的标准差；

步骤3-2-4：确定P值和做出推断结论：根据式(13)计算所得t_α,k-1值，查阅T分布表得出P值，若P＞α则接受H0，累计IMF分量I_s通过0均值T检验；若P＜α则接受H1，累计IMF分量I_s未通过0均值T检验，当通过检验的累计IMF分量为I_d时，IMF分量中j＜d的IMF分量为高频信号，j＞d的IMF分量为低频信号；

步骤4：利用Savitzky-Golay滤波器平滑高频IMF信号具体步骤如下：

步骤4-1：对于高频IMF分量I_h内一等长有重叠滑动窗口内对应的2m+1个连续值x_i，i∈(-m,m)，通过按式(14)构造一k阶多项式(k≤2m+1)拟合该组数据。

式中a_j——多项式待定系数；

步骤4-2：确定多项式待定系数a_j，可按式(15)通过最小二乘法拟合数据与原数据的残差E：

步骤4-3：为使残差E最小，需令E对各多项式待定系数的倒数为0，

解得：

利用拟合后的多项式计算该窗口的中心点估计值，再使用等长有重叠滑动窗口遍历任意时间步的高频本征模态分量I_h的即可完成信号平滑处理，得到重构后的高频IMF信号I′_h；

步骤5：重构降噪后的气路参数偏差值：按式(18)，将经SG滤波器平滑后得到的高频IMF分量I′_h、低频IMF分量I_l和残差分量R加和，即可得到重构后的气路参数偏差值D′。

式中I′_i——经SG滤波器处理的高频IMF分量；

I_i——未经SG滤波器处理的低频IMF分量；

R——EEMD分解所得的残差分量。