摘要
航空发动机作为飞机的主要动力来源，其安全性和可靠性对于保障航空安全至关重要。建立有效的航空发动机预测与健康管理机制对保障其安全性和经济性有着重大意义。剩余寿命预测是预测与健康管理技术的重要一环，得益于近年来传感器技术和数据挖掘技术的快速发展，基于数据驱动的航空发动机剩余寿命预测的研究方兴未艾。为了有效地监控航空发动机的健康状态，往往使用传感器对多个关重件的性能参数进行监测，基于数据驱动的航空发动机剩余寿命预测方法通常融合多个性能参数的监测数据来实现剩余寿命的准确预测。但由于传感器众多且存在噪声、运行工况波动、多失效模式耦合等因素，多个性能参数的监测数据存在大量冗余性和不相关性，将严重影响航空发动机剩余寿命预测结果的准确性。因此，针对这些影响因素开展航空发动机剩余寿命预测相关工作，对优化维修策略和预防事故发生有着重要意义。 论文以航空发动机为研究对象，以航空发动机退化过程中多个性能参数的监测数据为源信息载体，研究了航空发动机性能参数选择方法，改进了基于退化轨迹相似性的航空发动机剩余寿命预测方法，提出了考虑多工况的基于混合神经网络模型的航空发动机剩余寿命预测方法，并在NASA公开的C-MAPSS数据集上验证了所提方法的有效性。论文的具体研究内容如下： （1）提出了一种基于信息熵理论的航空发动机性能参数选择方法。由于航空发动机性能参数的监测数据往往存在大量的冗余信息和不相关信息，若直接使用原始数据进行RUL预测将导致过拟合，严重影响预测结果的准确度。因此，本文基于信息熵理论，比较各性能参数监测数据的信息熵、排列熵和互信息，以此衡量数据所含退化信息量、数据变化趋势以及数据相关程度，从而选择出能有效地表征航空发动机健康状态的性能参数监测数据，减小数据的冗余性和不相关性。 （2）提出了一种基于退化轨迹相似性的剩余寿命预测改进方法。退化轨迹相似性方法可以避免失效阈值设定不准确而影响预测结果的问题，通过将同类设备的历史监测数据与服役设备在线监测数据进行相似性匹配，从而准确评估设备剩余寿命。然而传统方法中的相似性匹配仅从局部分析退化轨迹之间的相似性，未考虑退化轨迹整体长度不等的情况。本文利用动态时间弯曲法和欧氏距离分别从整体和局部进行相似性度量，通过改进的相似性匹配方法提升了基于退化轨迹相似性的航空发动机剩余寿命预测结果的准确性。 （3）提出了一种循环神经网络模型与退化轨迹相似性方法结合的剩余寿命预测方法。由于退化轨迹相似性方法存在对退化过程前中期的退化信息不敏感以及对自身历史数据利用不充分的局限，造成前中期预测结果与真实剩余寿命偏差较大。针对上述问题，利用循环神经网络中对长时间序列处理能力较强的长短期记忆神经网络模型，对退化过程前中期的退化轨迹进行纵向挖掘，预测退化轨迹的后续变化，将预测序列与原始序列结合以增加退化轨迹包含的退化信息，最后以组合序列进行相似性匹配，从而提高退化过程前中期剩余寿命预测结果的准确性。 （4）提出了一种考虑多工况的基于混合神经网络模型的剩余寿命预测方法。针对传统方法建模过程复杂和动态工况下监测数据波动剧烈的问题，为进一步提升剩余寿命预测结果的准确性和鲁棒性，提出了一种基于堆叠降噪自编码器和双向长短期记忆神经网络的混合模型。利用堆叠降噪自编码器提取经过工况划分和归一化处理后的性能参数监测数据的隐含特征，实现数据降维和数据融合；将融合后的数据作为双向长短期记忆神经网络模型的输入，从而实现多工况下航空发动机剩余寿命预测。
NETL