李彦岑

摘要：轻质耐高温钛合金（含钛铝系合金）是提高先进航空发动机推重比的关键材料，随着新型钛合金用量的不断增大，钛火安全问题更加突出并成为困扰设计选材的难题。阻燃钛合金是为了应对钛火安全隐患而研制的结构功能一体化的高温钛合金材料，其在先进航空发动机上的应用成为钛火防控技术体系的重要组成部分。根据阻燃机理可将阻燃钛合金分为不同的材料体系，譬如美国和俄罗斯先后研制出Ti−V−Cr系及Ti-Cu-Al系阻燃钛合金，其中Ti−V−Cr系阻燃钛合金较为成熟，已在国外F119等先进航空发动机上得到应用。

关键词：预测与健康管理;航空发动机;Lasso;相似性;剩余寿命

引言

航空发动机是高度复杂和精密的热力机械，其状态好坏直接决定了飞机的性能。发动机的实际使用环境及工作状态恶劣且多变，对发动机的性能将会产生较大的影响，在使用过程中发动机会逐渐偏离其出厂状态，在保证安全的前提下，对发动机的使用及维护要尽可能的降低成本，航空公司大都采用视情维修的方式，对发动机的性能进行评估，在性能接近红线时提供预警，方便及时的制定运行维护方案。随着近些年信息测量及数据处理技术的发展，发动机的监测数据越来越多，如何利用积累的发动机历史数据逐渐成为研究的热点。

1航空发动机相似性剩余寿命预测

剩余寿命（RemainingUsefulLife，RUL）预测是PHM的核心内容。将航空发动机的寿命预测方法分为基于模型驱动与基于数据驱动的方法。模型驱动采用以模型为主导的方法，但针对复杂的设备，构建较为完备的物理模型非常困难，而且不定期的停机检查会影响工作进程，甚至引起不必要的设备磨损。数据驱动方法即有效利用历史或实时数据构建数学模型，从而进行剩余寿命预测。作为一种有效的数据驱动方法，提出的基于相似性的剩余寿命预测方法，有效使用了航空发动机系统中大量从正常运行到故障的设备数据。在距离发生故障失效相对较远的情况下，基于相似度的剩余寿命预测具有长期预测的能力，同时减轻了构建复杂设备退化模型的难度。

2基于Lasso的相似性寿命预测方法

2.1预测模型

支持向量机对Ti−V−Cr系阻燃钛合金力学性能的预测过程主要包括三个步骤：输入输出参数的确定与预处理、模型的学习与验证、性能预测与成分优化。第一步是选取室温拉伸性能作为输出参数，以及影响室温拉伸性能的主要合金化元素作为输入参数，并对输入输出参数进行归一化处理;第二步是计算机识别并储存大量的训练数据，利用支持向量机算法寻找数据中的内在联系，建立合金化元素与力学性能之间的映射模型，并对模型的预测精度进行验证;在最后一步中，根据所建立的支持向量机模型进行逆向设计，优化Ti−V−Cr系阻燃钛合金力学性能所对应的成分范围。本研究收集获得12组不同成分的Ti−V−Cr系阻燃钛合金室温拉伸性能数据，将这12组数据组成数据集。将合金化元素V、Al、Si和C的含量作为模型的输入参数，将室温抗拉强度、屈服强度、延伸率和断面收缩率作为输出参数。

2.2实测数据分析

利用前面介绍的基于时序的卷积神经网络搭建性能预测模型，以某型双轴涡扇发动机的长试数据作为训练及验证数据，建立基于数据驱动的发动机性能预测模型。利用该预测模型，比较预测的性能参数与实际性能参数的变化趋势，探究根据实际数据训练的预测模型的准确性。在某型号的单台份发动机长试数据测量中，受限于传感器的布置局限，测量参数包括高低压转速、发动机进口总温总压、风扇出口总压、压气机出口总压、低压涡轮出口总温总压、推力及耗油率。在500h的长试过程中，表征发动机的性能的主要参数推力、耗油率及涡轮出口温度都出现了明显的退化，且测量参数没有突变的异常值，因此可以认为发动机没有出现明显的故障情况，是逐渐发生退化的。一般推力、耗油率及低压涡轮出口温度可以用来表征发动机的运行及健康状态。

2.3卷积神经网络处理序列

一个卷积神经网络由若干卷积层、池化层、全连接层组成，可以利用这些子结构构造不同的卷積神经网络。卷积神经网络能够进行卷积运算，从局部输入图块中提取特征，因此在计算机视觉问题上表现出色。卷积神经网络的特性使其在空间问题上特别擅长，时间实际上也可以看作一个空间维度，就像二维图像的高度和宽度，不包含RGB通道值，被称为一维卷积神经网络。对于分类和时间序列预测等简单任务，小型的一维卷积神经网络已经可以媲美RNN，并且计算代价通常要小很多。一维卷积层可以识别序列中的局部模式，从序列中提取局部的子序列，但其对整体时间步并不敏感（整体时间步是指远大于子序列时间步），可将许多卷积层和池化层堆叠起来以学习更长的时间步。如果所处理任务的序列数据整体顺序非常重要，例如温度的连续预测，CNN稍显力不从心，此时最好采用循环神经网络用以捕获更长序列的潜在信息。但分析讨论内容，航空发动机喘振故障往往只依赖于前面较短时间步的信息，故障的发生往往是瞬时的，仅在故障发生前的极小段时间内已可见端倪，只不过人类无法定义这种变化，但使用神经网络来学习并不困难。因此可以使用一维卷积网络来处理所涉及的时间序列数据，相较于循环神经网络，卷积神经网络计算代价要小得多，在序列问题的整体顺序不重要时可以替代循环神经网络。

结束语

综上所述，本文结合2008PHMDataChal‑lenge挑战赛数据集，提出了基于Lasso变量选择与相似性融合的寿命预测方法。与传统的方法相比，在三种运行周期内，预测精度都得到了提高。并在筛选变量的过程中提供了有力的理论支撑，合理补充了选取变量的理论依据，从而在真正意义上实现变量的降维。

参考文献：

[1]曹惠玲，徐文迪，汤鑫豪，崔科璐，王冉.航空发动机基线挖掘方法对比分析[J].中国民航大学学报，2019，37（06）：12-17.

[2]刘帅，王金环，白杰，戴士杰.基于改进滑模趋近律的航空发动机控制器设计[J].科学技术与工程，2019，19（34）：408-413.

[3]刘敏，刘长生.基于多元退化的航空机电系统的剩余寿命预测[J].电脑知识与技术，2019，15（31）：229-230.