刘小峰,史长振,黄洪升,柏 林

(重庆大学机械与运载工程学院,重庆 400044)

1 引言

航空发动机的剩余寿命预测(remaining useful life,RUL)对于保障发动机运行安全可靠,降低其维修成本具有重要的意义[1].鉴于航空发动机性能衰退物理模型的复杂性,利用运行状态监测数据构建健康指数(health index,HI)并采用智能网外推HI至失效阈值(failure threshold,FT),逐渐成为其RUL预测主流研究方法.

为了从航空发动机监测数据中构建能够表征其性能退化状态的HI,许多国内外研究学者通过特征的优化选择以单值原始物理监测量(如EGTM,DEGT等)作为发动机的HI[2-3],或者通过状态监测量的降维约简、加权融合、距离度量等方法得到发动机的综合HI[4-5].这些方法亦或对监测参量进行人工主观筛选,亦或在HI构建中未加入与RUL相关的约束条件,无法保证HI与RUL的相关性.随着机器学习技术的发展,基于智能学习网络的HI构建方法及其RUL预测模型得到了长足的发展,如Babu等[6]建立的基于深度卷积神经网络,Nieto等[7]提出的粒子群优化SVM,Martha A等[8]采用的贝叶斯层次模型,Yang等[9]开发的量子行为算法优化的极限学习机,彭开香等[10]提出深度置信网络与隐马尔科夫融合模型,Yuan等[11]采用的长短期记忆神经网络算法等.要指出的是,实际的航空发动机运行任务剖面多杂,工况环境多变,在测试发动机与训练发动机退化过程差异性较大的情况下,预测得到的RUL误差往往较大.

目前基于HI外推的RUL预测研究中采用的失效阈值,大多采用的是人工经验法[12-13]、失效阈值分布统计方……