航空发动机气路部件性能与整机性能映射关系挖掘方法与流程

：
1.本发明涉及航空发动机气路部件维护维修技术领域，具体的说是一种能够解决现有航空发动机气路参数偏差值难以直接应用于发动机气路性能评估、显著提高航空发动机使用及维修效率的航空发动机气路部件性能与整机性能映射关系挖掘方法。


背景技术：

2.航空发动机作为航空飞行器的“心脏”，及时准确的评估其性能以保障飞行安全和制定合理的运维计划是有重要意义的。作为发动机健康管理中最重要的一环，发动机的性能监控与评估现仍依赖于发动机原始设备制造商，这使得各航空公司只能按照厂商制定的规则被动执行发动机运维管理。作为代表发动机气路部件性能状态的特征参数，根据指印图所示，气路参数偏差值不可避免的会受到非部件性能衰退和发动机运行状态的影响，导致数据中含有大量粗大误差与噪声。
3.发动机整机作为各主单元体以及子零部件的集合，其性能表现实际取决于各组成部件的性能。特别是在发动机进厂维修时的维修工作范围制定时，需要以整机的性能恢复量为目标制定各气路部件的维修工作范围，从而实现基于部件维修的发动机运维管理，但现行的整机性能评估方法主要采用基于整机性能指标自回归的方式实现发动机整机的性能评估，这忽视了部件性能对于整机性能的影响，使得整机的性能评估结果仅能用于发动机修前性能预警，而对发动机实际维修工作没有指导意义。因此，需要研究航空发动机气路部件性能与整机性能的映射关系，从而为实现发动机整机与部件的维修工作范围制定和修后性能评估提供技术支持。
4.航空发动机运维管理通常以机队为单位进行，同一机队中各台发动机的服役状态受到其性能衰退、寿命件、部件损伤和适航指令服务通告等因素的影响。因此，为了保障飞行任务、确保飞行安全和降低运维成本，需要综合考虑可能会对发动机正常服役造成干扰的因素以便对在役与待维修发动机进行运维规划。除基于寿命件、部件损伤和适航指令服务通告等因素的发动机维修预测因素，发动机的性能衰退评估能够对航空发动机维修工作提供相关支持。
5.起飞排气温度裕度(exhaust gas temperature margin,egtm)作为发动机整机最重要的性能指标，如图1所示，其定义为海平面标准天气条件下，发动机全推力起飞时排气温度(exhaust gas temperature,egt)与egt红线值的差值，egt红线值是由发动机oem厂商依据气路中燃烧室与涡轮部件制造材料的限制使用温度制定，为一定值。
6.如图2中所示，典型状态下，新发的性能衰退量几乎可以忽略不计，因而egtm留有很大的裕度，但在发动机服役过程中，随着发动机整机与各气路部件的协同性能衰退，egt缓慢上升，egtm缓慢下降。当egtm下降至egtm红线值附近时，此时发动机就需要拆发进厂送修，综合考虑维修成本与修后服役需求制定送修目标，即整机的性能恢复量。实际上，发动机整机的性能衰退是由其气路部件的性能衰退引起，因而维修时也以整机性能恢复量为指标指导各气路部件的维修，即基于送修目标，对发动机气路各部件采用不同工作范围的维
修，使得各气路部件性能得到恢复，进而使得整机的egtm恢复到可接受范围。
7.可见，在发动机实际维修过程中，发动机整机的性能恢复依赖于其气路部件的性能恢复，即整机性能与部件性能之间存在着某种依赖关系。这也就意味着，发动机的整机的性能实际上是其气路各部件性能基于某种映射关系下的集合。若能基于发动机气路多部件性能评估结果挖掘出发动机气路各部件性能与整机的性能映射关系，则会对发动机在实际运维中的修前整机性能预警，修中气路部件工作范围制定与修后整机性能评估有极大裨益。
8.而现行发动机整机性能评估主要是借助egtm的历史数据，按式(1)的思路，采用数据驱动的方法对egtm数据进行自回归，通过挖掘数据变化规律，预测egtm的走势，进而提前预知发动机的性能变化。
[0009][0010]
式中——egtm的预测值；
[0011]
τ——历史数据长度；
[0012]
yi——egtm的历史真实数据。
[0013]
该方法能较好预知发动机整机的长期性能趋势变化，以便提前制定维修计划，但却对实际维修过程中发动机气路部件维修工作范围的制定提供不了帮助。


技术实现要素：

[0014]
本发明针对现有技术中存在的缺点和不足，提出了一种能够解决现有航空发动机气路参数偏差值难以直接应用于发动机气路性能评估、显著提高航空发动机使用及维修效率的航空发动机气路部件性能与整机性能映射关系挖掘方法。
[0015]
本发明通过以下措施达到：
[0016]
一种航空发动机气路部件性能与整机性能映射关系挖掘方法，其特征在于，包括以下步骤：
[0017]
步骤1：数据采集以及预处理；
[0018]
步骤2：建立基于cbam的发动机气路多部件性能与整机性能回归模型，并进行训练：
[0019]
步骤2-1：基于已收集样本进行样本配对，采用格拉布斯准则与eemd-sg滤波算法对egtm数据进行降噪滤波；
[0020]
步骤2-2对数据集进行归一化处理，以滑动窗口的形式构建模型输入；
[0021]
步骤2-3以7:3的比例的划分模型训练集与测试集；
[0022]
步骤2-4构建基于cbam的发动机部件与整机的性能回归模型；
[0023]
步骤2-5设置模型超参数，使用adam算法结合损失函数训练模型；
[0024]
步骤2-6搜索待调节超参数最优值；
[0025]
步骤2-7固定超参数，训练最终模型；
[0026]
步骤3：应用基于cbam的发动机气路多部件性能与整机性能回归模型。
[0027]
本发明所述基于cbam的发动机气路多部件性能与整机性能回归模型中通过向由cnn-lstm构建的多元时间序列回归模型中，引入卷积注意力机制，构建了cba-lstm发动机
气路部件性能与整机性能多元时间序列回归模型，模型以时间长度为t，特征参数为5的发动机气路各部件性能衰退量作为模型输入，以同样时间长度的整机性能指标egtm作为模型的回归目标首先按式(7)，利用n个3
×
3的卷积核将单通道的输入特征线性映射到n个同输入特征尺度的不同通道上，并通过非线性激活函数进行非线性特征映射，这里采用首尾各填充1行0的方式，用于保证输入输出的参数维度一致；
[0028][0029]
式中x
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0030]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0031]
——待学习的第i个卷积核的第u行v列的权值；
[0032]
σc——非线性激活函数，采用relu函数；
[0033]
其次，将映射后的多通道特征输入cbam模块中，按式(4)和(6)获取经通道注意力与空间注意力加权后的带权映射特征然后，将带权映射特征x
″
再输入一个具有n个3
×
3的卷积核的卷积层中，进行特征压缩。
[0034]
同样的，这里也采用首尾各填充1行0的方式，用于保证输入输出的参数维度一致。
[0035][0036]
式中z
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0037]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0038]
——待学习的第i个卷积核的第u行v列的权值；
[0039]
σc——非线性激活函数，这里采用relu函数；
[0040]
接着，将压缩特征按时间顺序依次输入以0状态初始化h0和c0的lstm中，按式(9)-(13)获取时间序列特征值
[0041]ft
＝sigmoid(wf[h
t-1
；z
t
] bf)
ꢀꢀ
(9)
[0042]it
＝sigmoid(wi[h
t-1
；z
t
] bi)
ꢀꢀ
(10)
[0043]mt
＝sigmoid(wo[h
t-1
；z
t
] bo)
ꢀꢀ
(11)
[0044]ct
＝f
t
·ct-1
i
t
·
tanh(ws[h
t-1
；z
t
] bs)
ꢀꢀ
(12)
[0045]ht
＝m
t
·
tanh(c
t
)
ꢀꢀ
(13)
[0046]
式中wf，bf，wi，bi，wo，bo，ws，bs——模型待学习参数；
[0047]
[h
t-1
；z
t
]——将h
t-1
与zi拼接；
[0048]
最后，将时间序列特征值m通过全连接层，映射至非线性回归项
[0049][0050]
式中w
nl
,b
nl
——模型待学习参数；
[0051]
此外，作为非线性回归模型中的线性补充，在非线性映射模型之外直接附加线性
回归模型，用于获取模型的线性回归项
[0052][0053]
式中w
l
,b
l
——模型待学习参数；
[0054]
通过按式(16)组合非线性回归项与线性回归项获取cba-lstm
[0055]
回归模型的预测值
[0056][0057]
利用如式(17)所示的均方根误差作为模型的损失函数，检验模型预测值与回归目标间的误差；
[0058][0059]
本发明步骤2中基于cbam的发动机气路多部件性能与整机性能回归模型中双重注意力机制原理如下：
[0060]
通道注意力能较好的捕获气路各部件的性能协同性，即当前协同工作状态下气路各部件的工作状态，按式(3)，首先将气路部件性能衰退量映射后的输入特征分别进行通道(channel)均值池化与最大池化，以获取气路部件的均值性能隐状态与劣化性能隐状态然后将与输入一个共享参数的单隐层mlp中进行信息压缩，最后对压缩后的信息与进行求和并利用非线性映射函数进行激活以输出各通道的注意力权重，
[0061][0062]
式中σo——通道注意力非线性激活函数，这里采用sigmoid函数；
[0063]
σi——多层感知机非线性激活函数，这里采用relu函数；
[0064]
wi——mlp输入层权重；
[0065]
wo——mlp输出层权重。
[0066]
获取通道注意力权重后按式(4-4)，对气路部件性能衰退量映射后的输入特征分配通道注意力权重。
[0067][0068]
式中——对应元素相乘，
[0069]
空间注意力能较好的捕获气路各部件的时间与空间上的相关性，即何时哪一个部件的性能衰退及其对于其他气路部件性能造成的影响，其按式(5)，先将经通道注意力加权后的输入特征x
′
沿通道方向进行均值池化与最大池化，以获取气路部件的当前时空均值隐状态与时空劣化隐状态再将其沿通道方向拼接进行特征融合，后利用卷积层提取需关注的时刻与部件特征生成空间注意力。
[0070][0071]
式中σ——空间注意力非线性激活函数，这里采用sigmoid函数；
[0072]
convk——卷积核尺寸为k的卷积运算，
[0073]
获取空间注意力权重后按式(6)，对经通道注意力加权后的输入特征x
′
分配空间注意力权重，
[0074][0075]
式中——对应元素相乘。
[0076]
通过引入cbam，回归模型能更好的挖掘气路部件协同性能衰退量与整机性能egtm之间的时空状态关系。
[0077]
本发明步骤2中模型的时间步长t、cnn卷积核数量k和rnn隐神经元数量h为待调节模型超参数，采用网格搜索的方法进行超参数搜索，具体步骤如下：设时间步长t＝{10,15,20}、cnn卷积核数量n＝{32,64,128}和rnn隐神经元数量h＝{16,32}，每次实验取定的参数训练10次，取均方差的均值作为该组超参数的性能指标，选取均方差最小的超参数作为模型超参数，最终选定最优时间步长t＝15，cnn卷积核数量k＝128和rnn隐神经元数量h＝32。
[0078]
本发明中步骤1中的数据采集与数据预处理，具体包括以下步骤：
[0079]
步骤1-1：使用收集到的全寿命巡航数据进行气路多部件性能评估模型训练，利用训练好的模型进行样本配对数据的气路多部件性能评估；
[0080]
步骤1-2：进行数据配对，若以t时刻巡航数据中记录的气路参数偏差值作为气路多部件性能评估模型的输入，以模型的输出，即各部件性能衰退量作为cba-lstm发动机部件与整机性能多元时序回归模型的输入，则以t时刻紧临的下一时刻起飞数据中记录的egtm作为模型的回归目标，筛选数据集，丢弃失配的巡航/起飞数据；
[0081]
在进行数据配对后，由于起飞数据中记录的egtm数据与巡航数据中记录的气路参数偏差值物理采集方式相同，因此egtm数据中也存在着大量的噪声信号，故也需要对egtm数据进行降噪，采用粗大误差去除与eemd-sg滤波算法对egtm数据进行预处理；
[0082]
步骤1-3：进行样本配对后，采用如式(18)所示的线性函数归一化(min-max normalization)方法对数据进行归一化处理：
[0083][0084]
式中x——待预处理的数据；
[0085]
x
*
——经归一化处理后的数据；
[0086]
x
min
——待预处理的数据的最小值；
[0087]
x
max
——待预处理的数据的最大值。
[0088]
本发明中步骤1-1使用收集到的全寿命巡航数据进行气路多部件性能评估模型训练，具体包括以下步骤：
[0089]
步骤1-1-1：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：
[0090]
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(19)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yi；
[0091]
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yi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
[0092][0093][0094]
式中y
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0095]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0096]
——待学习的第i个卷积核的第u行v列的权值；
[0097]
σc——非线性激活函数；
[0098]
在卷积之后引入非线性激活函数，可将原线性映射特征面ki*xj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(20)所示：
[0099][0100]
式中α——组合权重系数，取α＝1；
[0101]
步骤1-1-2：进行非线性编码：
[0102]
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(multilayer perceptron,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(21)和(22)：
[0103]
z＝σe(yw
′e b
′e)
ꢀꢀ
(21)，h＝zwe beꢀꢀ
(22)
[0104]
式中z——编码器输入层的非线性输出，
[0105]
h——编码器的输出，即解耦后气路部件性能衰退量，
[0106]w′e——待学习的编码器输入层权重，
[0107]
σe——编码器的非线性激活函数；
[0108]b′e——待学习的编码器输入层偏置，
[0109]
we——待学习的编码器输出层权重，
[0110]be
——待学习的编码器输处层偏置，
[0111]
步骤1-1-3：进行线性解码处理：
[0112]
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wd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(23)所示。
[0113][0114]
式中bd——待学习的解码器偏置，
[0115]
步骤1-1-4：参数寻优：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(24)的均方差函数作为优化目标之一，
[0116][0117]
式中l1——重构前后气路参数偏差值的均方差；
[0118]
n——样本数；
[0119]
θ——待学习的模型参数，θ＝{ki,w
′e,b
′e,we,be,bd}；
[0120]
——重构后的第i个气路参数偏差值与基准的差值；
[0121]
δdi——重构前的第i个气路参数偏差值与基准的差值；
[0122]
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wd列向量的范数消除量纲影响，故可构造如式(25)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：
[0123][0124]
式中l2——各气路部件性能衰退量损失函数；
[0125]
η
i,j
——第i个样本第j个气路部件的性能衰退量；
[0126]
η
0,j
——气路部件j的初始性能衰退量，取η
0,j
＝0；
[0127]
||wj||2——权重矩阵wd第j列向量的欧式范数；
[0128]
则发动机多气路部件性能评估模型的损失函数如式(26)所示：
[0129][0130]
本发明中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：
[0131]
步骤(1)：对于气路参数偏差值基于指印图的修正公式如下：
[0132][0133]
式中——i时刻未修正的原始气路参数偏差值；
[0134]
x
ij
——i时刻vsv、vbv的单位开合角度或单位引气泄露量；
[0135]
wj——指印图中xj对气路参数偏差值造成的偏移量；
[0136]
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：
[0137]
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(28)和(29)计算该组数据的均值μ与标准差σ，
[0138][0139]
步骤(2-2)：将该组数据按式(30)照升序排列：d
(1)
＜d
(2)
＜
…
＜d
(n)
ꢀꢀ
(30)；
[0140]
步骤(2-3)：按式(31)计算排序后该组数据对应的统计量g(i)：
[0141]
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；
[0142]
步骤(2-4)：为了保证数据的完整性，被剔除数据di采用(32)的插值方式补齐数据：
[0143][0144]
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：
[0145]
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：
[0146]
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，
[0147]
步骤(3-1-2)：按式(33)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ni，得到的新信号记为，得到的新信号记为
[0148]
步骤(3-1-3)：利用emd对新信号进行分解，按式(34)将其分解为n个本征模态分量i
i,j
和1个残差分量ri：
[0149]
步骤(3-1-4)：重复m次步骤3-1-2和步骤3-1-3，按式(35)和(36)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ij和残差分量r：
[0150][0151]
数据噪声主要包含在高频本征模态分量ih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ih的处理；
[0152]
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：
[0153]
步骤(3-2-1)：按式(37)计算累计imf分量is：
[0154][0155]
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is的均值；
[0156]
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(38)计算统计量，并进行双侧检验：
[0157][0158]
式中k——is的样本数；
[0159]
σ
is
——is的标准差；
[0160]
步骤(3-2-4)：确定p值和做出推断结论：根据式(38)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is通过0均值t检验；若p＜α则接受h1，累计imf分量is未通过0均值t检验，当通过检验的累计imf分量为id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；
[0161]
步骤(4)：利用savitzky-golay滤波器平滑高频imf信号具体步骤如下：
[0162]
步骤(4-1)：对于高频imf分量ih内一等长有重叠滑动窗口内对应的2m 1个连续值xi，i∈(-m,m)，通过按式(39)构造一k阶多项式(k≤2m 1)拟合该组数据。
[0163][0164]
式中aj——多项式待定系数；
[0165]
步骤(4-2)：确定多项式待定系数aj，可按式(40)通过最小二乘法拟合数据与原数据的残差e：
[0166][0167]
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，
[0168]
[0169]
解得：
[0170][0171]
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ih的即可完成信号平滑处理，得到重构后的高频imf信号i
′h；
[0172]
步骤(5)：重构降噪后的气路参数偏差值：按式(43)，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
′
。
[0173][0174]
式中i
′i——经sg滤波器处理的高频imf分量；
[0175]ii
——未经sg滤波器处理的低频imf分量；
[0176]
r——eemd分解所得的残差分量。
[0177]
本发明通过构建回归模型挖掘航空发动机气路部件性能与整机性能的映射关系，通过向基于cnn-lstm构建的多元时间序列回归模型中加入卷积注意力机制，构建了cba-lstm发动机气路部件性能与整机性能多元时间序列回归模型，通过向模型中并入传统线性回归模型，提升了该模型对于输入参数线性变化的敏感性，该模型可基于指印图与气路参数偏差值的航空发动机气路多部件性能评估结果回归预测整机性能指标egtm，从而为发动机在实际运维中修前整机性能预警，修中气路部件工作范围制定与修后整机性能评估提供帮助。
附图说明：
[0178]
附图1是本发明中egtm计算方法曲线图。
[0179]
附图2是本发明中发动机egt与egtm数据示意图。
[0180]
附图3是cbam模型结构示意图。
[0181]
附图4为通道注意力结构示意图。
[0182]
附图5为空间注意力结构示意图。
[0183]
附图6是本发明中基于cbam的发动机气路部件与整机性能回归模型结构示意图。
[0184]
附图7是本发明中预处理后的整机性能指标egtm。
[0185]
附图8是本发明中不同超参数对在测试集上的均方差。
[0186]
附图9是cfm56-5b2/3型航空发动机的结构示意图。
[0187]
附图10是本发明实施例中自动编码器的模型示意图。
[0188]
附图11是本发明实施例中发动机气路多部件性能评估模型结构示意图。
[0189]
附图12是实施例中76台发动机飞行任务频次统计图。
[0190]
附图13是实施例中不同超参数在测试集上的均方差。
[0191]
附图14是实施例中发动机在役期间气路部件性能衰退示意图。
[0192]
附图15是实施例中模型重构输入输出对比示意图。
具体实施方式：
[0193]
下面结合附图和实施例，对本发明做进一步的说明。
[0194]
面向发动机实际运维过程中对于性能评估的需求，本发明通过构建发动机气路部件性能衰退量与整机性能指标egtm之间的时序映射回归模型，挖掘发动机气路多部件性能与整机性能的映射关系：
[0195][0196]
发动机气路性能衰退机械理复杂，整机与部件间的工作状态耦合，因此难以通过构建传统的机理模型分析发动机部件与整机间的关联关系，而一般的多元线性回归模型又难以捕获隐藏在时间序列中的特征演化趋势，进而容易导致回归模型精度不高，复杂映射关系挖掘困难等问题。
[0197]
通过深度学习技术构建的时序回归模型能够依靠神经网络的强大非线性映射能力，自主学习发动机气路部件的性能衰退特征建立与整机性能指标egtm间的非线性映射函数，进而实现发动机气路多部件性能与整机性能的映射关系挖掘。
[0198]
本发明首先通过向由cnn-lstm构建的多元时间序列回归模型中，引入卷积注意力机制，构建了cba-lstm发动机气路部件性能与整机性能多元时间序列回归模型。
[0199]
卷积注意力机制包含在卷积注意力模块
[53]
(convolutional block attention module,cbam)中，其与挤压和激发网络
[54]
(squeeze-and-excitation networks,senet)和选择性内核网络
[55]
(selective kernel networks,sknet)类似，都是一种卷积注意力机制。
[0200]
如图3所示，相较于senet与sknet，cbam包含了空间与通道上的双注意力(dual attention,da)，在该双注意力机制的辅助下卷积神经网络在训练过程中可以做到关注重要特征并抑制非必要特征，从而提高模型精度。
[0201]
cbam中的双重注意力机制原理如下：
[0202]
(1)通道注意力(channel attention,ca)
[0203]
通道注意力能较好的捕获气路各部件的性能协同性，即当前协同工作状态下气路各部件的工作状态，其按式(3)，首先将气路部件性能衰退量映射后的输入特征分别进行通道(channel)均值池化与最大池化，以获取气路部件的均值性能隐状态与劣化性能隐状态然后将与输入一个共享参数的单隐层mlp中进行信息压缩，最后对压缩后的信息与进行求和并利用非线性映射函数进行激活以输出各通道的注意力权重。
[0204][0205]
式中σo——通道注意力非线性激活函数，这里采用sigmoid函数；
[0206]
σi——多层感知机非线性激活函数，这里采用relu函数；
[0207]
wi——mlp输入层权重；
[0208]
wo——mlp输出层权重。
[0209]
获取通道注意力权重后按式(4)，对气路部件性能衰退量映射后的输入特征
分配通道注意力权重。
[0210][0211]
式中——对应元素相乘。
[0212]
(2)空间注意力(spatial attention,sa)
[0213]
空间注意力能较好的捕获气路各部件的时间与空间上的相关性，即何时哪一个部件的性能衰退及其对于其他气路部件性能造成的影响，其按式(5)，先将经通道注意力加权后的输入特征x
′
沿通道方向进行均值池化与最大池化，以获取气路部件的当前时空均值隐状态与时空劣化隐状态再将其沿通道方向拼接进行特征融合，后利用卷积层提取需关注的时刻与部件特征生成空间注意力。
[0214][0215]
式中σ——空间注意力非线性激活函数，这里采用sigmoid函数；
[0216]
convk——卷积核尺寸为k的卷积运算。
[0217]
获取空间注意力权重后按式(6)，对经通道注意力加权后的输入特征x
′
分配空间注意力权重。
[0218][0219]
式中——对应元素相乘。
[0220]
通过引入cbam，回归模型能更好的挖掘气路部件协同性能衰退量与整机性能egtm之间的时空状态关系。
[0221]
本发明通过向两层嵌套的cnn结构中引入cbam模块，进而通过卷积层识别隐藏在气路部件性能衰退量中的时序短期特征、气路部件性能协同性和时空相关性，再将提取出的特征项送入长短期记忆网络中(long short-term memory,lstm)挖掘长期趋势项，结合线性回归模型构建cba-lstm的发动机气路部件性能与整机性能的映射回归模型，如图6所示。
[0222]
该模型以时间长度为t，特征参数为5的发动机气路各部件性能衰退量作为模型输入，以同样时间长度的整机性能指标egtm作为模型的回归目标首先按式(4-7)，利用n个3
×
3的卷积核将单通道的输入特征线性映射到n个同输入特征尺度的不同通道上，并通过非线性激活函数进行非线性特征映射。这里采用首尾各填充1行0的方式，用于保证输入输出的参数维度一致。
[0223][0224]
式中x
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0225]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0226]
——待学习的第i个卷积核的第u行v列的权值；
[0227]
σc——非线性激活函数，这里采用relu函数。
[0228]
其次，将映射后的多通道特征输入cbam模块中，按式(4)和(6)获取经通道注意力与空间注意力加权后的带权映射特征
[0229]
然后，将带权映射特征x
″
再输入一个具有n个3
×
3的卷积核的卷积层中，进行特征压缩。同样的，这里也采用首尾各填充1行0的方式，用于保证输入输出的参数维度一致。
[0230][0231]
式中z
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0232]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0233]
——待学习的第i个卷积核的第u行v列的权值；
[0234]
σc——非线性激活函数，这里采用relu函数。
[0235]
接着，将压缩特征按时间顺序依次输入以0状态初始化h0和c0的lstm中，按式(9)～(13)获取时间序列特征值
[0236]ft
＝sigmoid(wf[h
t-1
；z
t
] bf)
ꢀꢀ
(9)
[0237]it
＝sigmoid(wi[h
t-1
；z
t
] bi)
ꢀꢀ
(10)
[0238]mt
＝sigmoid(wo[h
t-1
；z
t
] bo)
ꢀꢀ
(11)
[0239]ct
＝f
t
·ct-1
i
t
·
tanh(ws[h
t-1
；z
t
] bs)
ꢀꢀ
(12)
[0240]ht
＝m
t
·
tanh(c
t
)
ꢀꢀ
(13)
[0241]
式中wf，bf，wi，bi，wo，bo，ws，bs——模型待学习参数；
[0242]
[h
t-1
；z
t
]——将h
t-1
与zi拼接。
[0243]
最后，将时间序列特征值m通过全连接层，映射至非线性回归项
[0244][0245]
式中w
nl
,b
nl
——模型待学习参数。
[0246]
此外，作为非线性回归模型中的线性补充，在非线性映射模型之外直接附加线性回归模型，用于获取模型的线性回归项
[0247][0248]
式中w
l
,b
l
——模型待学习参数。
[0249]
通过按式(16)组合非线性回归项与线性回归项获取cba-lstm
[0250]
回归模型的预测值
[0251][0252]
利用如式(17)所示的均方根误差作为模型的损失函数，检验模型预测值与回归目标间的误差。
[0253][0254]
实施例：
[0255]
本例的研究对象为cfm56-5b2/3型航空发动机，其采用模块化设计，包含3个主单
元体以及6个主要气路部件，发动机具体结构如图9所示，为典型的双转子涡扇航空发动机。
[0256]
基于指印图的属性与功能，其在发动机气路部件性能评估过程中是重要理论依据和诊断工具。例如：hpt叶片与机匣摩擦，导致叶尖间隙增加，进而导致hpt工作效率下降，最后反映在发动机排气温度偏差值δegt异常增加。由于指印图可以用来解释不同气路部件工作效率衰退或故障下发动机气路参数偏差值的小偏差量，因此，可将指印图作为机理知识用来评估发动机气路部件的老化或损坏。
[0257]
若将气路部件的工作效率下降视为气路部件的性能衰退，则根据指印图所示，cfm56-5b2/3型航空发动机发生不同故障或性能衰退的症候在气路参数偏差值上的表现形式不同。在进行气路单部件性能评估时，通常只需要依据待评估时刻气路参数偏差值di与某一基准气路参数偏差db之间的差值δd与指印
[0258]
图上所示各气路部件单位工作效率下降对气路参数偏差值影响量w之间的线性关系，如式(1)就可判断发动机待评估气路部件的性能衰退量。
[0259][0260]
式中——i时刻未修正的原始气路参数偏差值；
[0261]
x
ij
——i时刻vsv、vbv的单位开合角度或单位引气泄露量；
[0262]
wj——指印图中xj对气路参数偏差值造成的偏移量。
[0263]
当r＝1时代表待评估气路部件性能衰退引起的气路参数偏差值偏移量与理论单位性能衰退所导致的气路参数偏差值偏移量一致，即该气路部件性能衰退了1％；当r∈(0,1)或r＞1时，分别代表实际性能衰退比理论单位性能衰退轻或严重。
[0264]
实际上，在发动机实际运行过程中，发动机气路部件与部件，部件与整机的工作状态非线性耦合，多部件的性能衰退与单部件的性能衰退可能在δd上表现形式一致，此时若直接利用指印图进行气路单部件性能评估，异常检测或故障诊断时就会发生评估失效的状况。
[0265]
此外，利用指印图对气路多部件性能评估时，若将气路参数偏差值视为各气路部件性能衰退所造成影响量的集合，则按指印图所示，可构建式(2)所示的欠定方程组。
[0266]
h＝w
d-1
(δd-b)
ꢀꢀ
(2)
[0267]
式中b——偏置系数，b＝[b
δegt
,b
δff
,b
δn2
]
t
；
[0268]
h——发动机气路部件性能衰退量，h＝[η
fan
,η
lpc
,η
hpc
,η
hpt
,η
lpt
]
t
；
[0269]
wd——基于指印图提取各气路部件单位性能衰退对气路参数偏差值的影响量权重，如式(3)所示。
[0270][0271]
该方程组在求解的过程中，存在两个困难：1)wd不为方阵，故难以求解该矩阵的逆矩阵，2)该欠定方程组未知量(各气路部件性能衰退量)为5个大于3个已知量(气路参数偏差值)，且无法通过引入其他相关条件再构建2个约束等式进行求解，故无法直接利用指印图与气路参数偏差值实现协同工作状态下的气路多部件性能评估。
[0272]
为此，可借助数据驱动的方法，采用深度学习技术学习气路多部件性能h
[0273]
与发动机预处理后的气路参数偏差值d与该型号发动机气路参数偏差值基准db差值δd之间的非线性映射关系，如式(4)所示，再结合指印图验证学习到的气路部件性能衰退量h是否准确，即能否借助指印图还原气路参数偏差值的偏移量。
[0274]
h＝f(δd)＝f(d-db)
ꢀꢀ
(4)
[0275]
式中 f——气路参数偏差值的偏移量δd与气路多部件性能衰退h之间的非线性映射函数。
[0276]
如上所述，可认为预处理后的气路参数偏差值d与某一基准时刻气路参数偏差db之间的差值δd的数据波动是由发动机非线性耦合工作状态下的各气路部件性能衰退造成的。又如指印图所示，若已知各气路部件的性能衰退量h，可通过指印图线性重构δd。因此，本例借助如图2所示的自动编码器，提出如图3所示的发动机气路多部件性能评估模型。
[0277]
图3的模型将各气路部件的性能衰退量h视为中间隐变量，即编码目标，以预处理后的气路参数偏差值d相对于基准db间差值δd作为模型输入，通过编码器(encoder)的非线性映射能力挖掘解耦的各气路部件的性能衰退量，再利用以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wd构建的线性解码器(decoder)近似重构差值δd为以最小化重构前后δd和的损失函数l为目标，通过反向传播算法训练编解码器的网络模型参数θ，从而借助训练后的编码器实现发动机气路多部件性能评估。
[0278]
此外，由于发动机各气路部件的协同工作特性，故各气路部件的衰退过程会在其服役期间保持一种动态平衡的缓慢衰退特征，而该特征隐藏在具有一维时间序列特征的气路参数偏差值中。在对非线性编码器的构建过程中，仅使用传统编码器构建的非线性编码器往往无法充分提取隐藏特征，考虑到以权值共享，局部连接为特征的卷积神经网络(convolutional neural networks,cnn)具有强大数据特征提取能力，故可针对性的采用一维卷积神经网络(1d-cnn)辨识发动机的衰退特征，再将提到的衰退特征输入传统编码器中，从而构建更为强大的非线性映射编码器用于挖掘隐藏在发动机气路参数偏差值中的各气路部件性能衰退量。
[0279]
本例中发动机气路多部件性能评估的详细步骤如下：
[0280]
(1)特征提取
[0281]
该模型的非线性编码器主要由一维卷积神经网络和传统编码器组成。
[0282]
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。由于本发明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：
[0283]
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(3-5)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yi。
[0284]
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yi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
[0285][0286][0287]
式中y
i,j
——第i个卷积特征面的第j个特征值,i∈(1,n)；
[0288]
——第j行所对应卷积区域的的第u行v列的输入值，j∈(1,t)；
[0289]
——待学习的第i个卷积核的第u行v列的权值；
[0290]
σc——非线性激活函数。
[0291]
在卷积之后引入非线性激活函数，可将原线性映射特征面ki*xj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。常用的非线性激活函数有sigmoid函数、tanh函数和relu函数。使用过程中，sigmoid函数和tanh函数存在梯度弥散的问题，relu函数会因负梯度置0导致神经元“坏死”。为此，本发明采用elu函数作为网络的非线性激活函数，如式(6)所示。
[0292][0293]
式中α——组合权重系数，取α＝1。
[0294]
该函数融合了sigmoid函数和relu函数，使得网络对于输入特征具有较强的鲁棒性。
[0295]
(2)非线性编码
[0296]
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(multilayer perceptron,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)。
[0297]
z＝σe(yw
′e b
′e)
ꢀꢀ
(7)
[0298]
h＝zwe beꢀꢀ
(8)
[0299]
式中 z——编码器输入层的非线性输出，
[0300]
h——编码器的输出，即解耦后气路部件性能衰退量，
[0301]w′e——待学习的编码器输入层权重，
[0302]
σe——编码器的非线性激活函数；
[0303]b′e——待学习的编码器输入层偏置，
[0304]
we——待学习的编码器输出层权重，
[0305]be
——待学习的编码器输处层偏置，
[0306]
(3)线性解码
[0307]
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wd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。
[0308][0309]
式中 bd——待学习的解码器偏置，
[0310]
(4)参数寻优
[0311]
由于该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。
[0312][0313]
式中 l1——重构前后气路参数偏差值的均方差；
[0314]
n——样本数；
[0315]
θ——待学习的模型参数，θ＝{ki,we′
,be′
,we,be,bd}；
[0316]
——重构后的第i个气路参数偏差值与基准的差值；
[0317]
δdi——重构前的第i个气路参数偏差值与基准的差值。
[0318]
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wd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。
[0319][0320]
式中l2——各气路部件性能衰退量损失函数；
[0321]
η
i,j
——第i个样本第j个气路部件的性能衰退量；
[0322]
η
0,j
——气路部件j的初始性能衰退量，取η
0,j
＝0；
[0323]
||wj||2——权重矩阵wd第j列向量的欧式范数。
[0324]
综上，发动机多气路部件性能评估模型的损失函数如式(12)所示。
[0325][0326]
本例通过采用自适应矩估计(adaptive momentum estimation,adam)算法对经模型正向传播(forward propagation)计算所得的损失函数l利用误差反向传播(back propagation,bp)更新参数θ，从而获得最优多气路部件性能评估模型。
[0327]
实验验证：
[0328]
首先进行数据选取与预处理：
[0329]
以从某航空公司收集到的76台不同编号的cfm56-5b2/3型航空发动机全寿命运行监控数据，共计510000余条，作为模型验证的数据基础。通过分析发现，收集的运行数据中
包含发动机起飞和巡航数据。巡航数据的采集要求飞机与发动机稳定运行5分钟以上，且机载传感器12秒内无数据变化，故本章采用这种具有一定稳定性的监控数据对发动机气路部件长期且缓慢的性能衰退进行分析。
[0330]
针对原始运行数据中存在的各种“瑕疵”，对气路参数偏差值进行预处理，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，未预处理的部分气路参数偏差值如表2所示。
[0331]
表2 cfm56-5b2/3型航空发动机气路参数偏差值
[0332][0333]
此外，各气路参数偏差值的计算方式并不相同，故导致预处理后的各气路参数偏差值之间量纲不同。对此，可借助列向量的欧式范数按式(13)对其进行标准化处理。
[0334][0335]
式中di——单位量纲的气路参数偏差值；
[0336]
——经预处理后的气路参数偏差值；
[0337]
||wi||2——权重矩阵wd第i行向量的欧式范数。
[0338]
性能评估模型基准确立：
[0339]
由于制造水平的差异即使是同一型号的发动机出厂性能也会略有不同，但如研究现状中所述，传统综合评价方法仅能体现同一台发动中不同时刻的气路部件性能差异，无法针对该型号的所有发动机给出统一的评价基准，即某一型号下不同编号发动机所对应不同时刻的部件性能相对于该型号某一基准性能的变化，故需合理选取该型号发动机的一组气路参数偏差值作为该型发动机部件性能评估的基准db。
[0340]
为此，可将该型号发动机出厂刚服役一段周期内的新机所产生的气路参数偏差值进行统计分析，根据实际需求确定一组气路参数偏差值作为发动机部件性能评估的基准。
[0341]
通过对未修正的发动机运行数据进行统计分析，76台发动机的单日飞行任务频次如图3-4所示，其中不同色层对应该型号下不同编号的发动机。可见对于一台发动机而言，单日飞行任务频次一般小于6次，其中单日2次的飞行任
[0342]
务频率最高，故基础数据分组为2个点为一组。
[0343]
为了避免新发刚服役期间可能面临的控制参数微调对气路参数偏差值的影响，选取每台新发服役的前两周，即14天共计2156个数据点，按式(14)和(15)计算该型发动机气
路参数偏差值的最劣初始性能点d
worst
与平均初始性能点d
average
作为发动机部件性能评估的基准d
average
。
[0344]dworst
＝max(d)
ꢀꢀ
(14)
[0345][0346]
式中n——样本数据量，n＝2156。
[0347]
通过求解，cfm56-5b2/3型航空发动机气路参数偏差值的最劣初始性能点d
worst
与平均初始性能点d
average
所对应的气路参数偏差值如式(16)和(17)
[0348]
所示。
[0349]dworst
＝[-57.3590,2.9160,-9.8380]
t
ꢀꢀ
(16)
[0350]daverage
＝[-27.3598,2.2572,-4.7204]
t
ꢀꢀ
(17)
[0351]
模型训练与超参调节：
[0352]
基于指印图与气路参数偏差值的发动机气路多部件性能评估模型训练步骤如下所示：
[0353]
(1)对气路参数偏差值d进行数据预处理和标准化处理；
[0354]
(2)选取某一初始性能点作为基准，以气路参数偏差值d相对于基准db的差值δd构建模型数据集；
[0355]
(3)结合1dcnn与ae构建基于指印图与气路参数偏差值的航空发动机气路多部件性能评估模型；
[0356]
(4)以7:3的比例的划分模型训练集与测试集；
[0357]
(5)按照表3设置模型超参数，其中时间步长t与卷积核数量n为待调节超参数；
[0358]
(6)使用adam算法结合损失函数训练模型，搜索待调节超参数最优值；
[0359]
(7)确定超参数，训练最终模型；
[0360]
(8)利用训练好的非线性编码器进行气路多部件性能评估；
[0361]
(9)将气路部件性能评估结果与维修报告对比，验证模型评估的准确性。
[0362]
时间步长t与卷积核数量n为待调节模型超参数，参数搜索具体步骤如下：
[0363]
设时间步长取值集合t＝{10,20,30},卷积核数量n＝{32,64,128},使用网格搜索的方法，以模型训练完成后测试集上的均方差确定超参数的取值。为了避免神经网络随机性和初始化方式不同对模型训练结果的干扰，对每次实验取定的参数训练10次，取10次均方差的均值作为该组参数的均方差，选取均方差最小的那组参数作为待调节超参数最优值。网格搜索结果如图5所示，综合考虑网络模型参数与训练精度，选取最优时间步长t＝20，卷积核数量n＝64。
[0364]
表3模型超参数
[0365][0366]
多气路部件性能评估应用实例：
[0367]
受限于篇幅限制，这里仅以cfm56-5b2/3型下某台发动机从出厂服役到第一次大修间的全寿命巡航状态下的气路参数偏差值为例进行多气路部件性能评估，通过训练后模型的非线性编码器所解耦出的各气路部件在服役期间的性能衰退如图6基于气路部件性能评估结果所重构的模型输出与输入如图7其中上标a表示该数据经预处理和标准化处理。可见，解耦后的各气路部件性能已能借助指印图近似重构模型的输入参数。
[0368]
该台发动机出厂气路部件性能、大修前气路部件性能和各气路部件性能量如表3-4所示，可见在大修之前该发动机的气路部件中以hpt性能衰退最为严重为0.6150％。
[0369]
表4该台发动机气路部件性能
[0370][0371]
由于真实的发动机气路部件性能衰退量需要通过物理实验测得，而本发明的研究过程中不具备该实验条件，故为了验证评估结果的准确性，这里通过查阅该发动机的修理工作包(engine repair work-scope)的诊断结果得知该发动机的拆发原因为hpt前缘烧蚀。这与模型的评估结果相一致，这从侧面上证明该模型能较好的评估发动机气路部件性能衰退。
[0372]
本发明面向航空公司对发动机的气路多部件性能衰退评估需求，基于指印图与气路参数偏差值，结合深度学习方法，提出了航空发动机气路多部件性能评估模型。该模型将各气路部件性能衰退量视为隐变量，首先以经预处理和标准化处理后的气路参数偏差值与该型号发动机气路参数偏差值基准间的差值作为模型输入；接着借助由1dcnn和mlp构建的非线性编码器，解耦隐藏在气路参数偏差值中的各气路部件性能衰退量；然后利用基于指印图提取当初气路部件单位性能衰退对气路参数偏差值的影响量作为权重构建线性解码器，借助该线性解码器重构输入；再以输入输出间差异最小化为目标，训练该神经网络模型，以获得最优解码器参数；最后通过训练好的解码器对气路部件进行性能衰退量评估并通过实验验证性能评估结果中性能衰退最为严重的气路部件与发动机的修理工作包中记录拆发原因相一致，从侧面验证了该模型的模型评估结果的有效性。
[0373]
发动机巡航数据的采集有着较为严苛的要求，而对于起飞数据的采集仅建议在最接近该型号发动机起飞egt峰值时采集，实际上其可在任何环境温度下的全推力或减推力起飞时测量。发动机气路多部件性能评估模型依赖的气路参数偏差值由巡航数据记录，但代表整机性能的egtm却又由起飞数据记录，因此，气路多部件性能评估结果与整机性能指标egtm间存在样本失配的问题，数据失配比例约为1:1.2。
[0374]
为了保证气路多部件性能评估结果的准确性，解决气路多部件性能与整机性能映射回归样本失配的问题，本发明对所采集的数据集进行如下的调整：
[0375]
(1)使用收集到的全寿命巡航数据进行气路多部件性能评估模型训练，利用训练好的模型进行样本配对数据的气路多部件性能评估。
[0376]
(2)进行数据配对，若以t时刻巡航数据中记录的气路参数偏差值作为气路多部件性能评估模型的输入，以模型的输出，即各部件性能衰退量作为cba-lstm发动机部件与整机性能多元时序回归模型的输入，则以t时刻紧临的下一时刻起飞数据中记录的egtm作为模型的回归目标，筛选数据集，丢弃失配的巡航/起飞数据。
[0377]
在进行数据配对后，由于起飞数据中记录的egtm数据与巡航数据中记录的气路参数偏差值物理采集方式相同，因此egtm数据中也存在着大量的噪声信号，如图2中所示，故也需要对egtm数据进行降噪。仍以气路多部件性能评估的该台发动机为例，采用粗大误差去除与eemd-sg滤波算法对egtm数据进行预处理，预处理前后的egtm数据如图7所示。进行样本配对后，气路多部件性能衰退量与预处理后的egtm数据如表(1)所示。
[0378]
表1气路多部件性能衰退量与预处理后的egtm数据
[0379][0380]
考虑到数据间的量纲差异和各自的分布特征，采用如式(18)所示的线性函数归一化(min-max normalization)方法对数据进行归一化处理。
[0381][0382]
式中x——待预处理的数据；
[0383]
x
*
——经归一化处理后的数据；
[0384]
x
min
——待预处理的数据的最小值；
[0385]
x
max
——待预处理的数据的最大值。
[0386]
基于cbam的发动机气路多部件性能与整机性能回归模型训练步骤如下所示：
[0387]
1)基于已收集样本进行样本配对，采用格拉布斯准则与eemd-sg滤波算法对egtm数据进行降噪滤波；
[0388]
2)对数据集进行归一化处理，以滑动窗口的形式构建模型输入；
[0389]
3)以7:3的比例的划分模型训练集与测试集；
[0390]
4)构建基于cbam的发动机部件与整机的性能回归模型；
[0391]
5)按表4-2设置模型超参数，使用adam算法结合损失函数训练模型；
[0392]
6)搜索待调节超参数最优值；
[0393]
7)固定超参数，训练最终模型；
[0394]
8)进行实验对比，验证模型先进性。
[0395]
时间步长t、cnn卷积核数量k和rnn隐神经元数量h为待调节模型超参数，与第三章中类似，采用网格搜索的方法进行超参数搜索，具体步骤如下：设时间步长t＝{10,15,20}、cnn卷积核数量n＝{32,64,128}和rnn隐神经元数量h＝{16,32}，每次实验取定的参数训练10次，取均方差的均值作为该组超参数的性能指标，选取均方差最小的超参数作为模型超参数。网格搜索结果如图4-8a)和4-8b)所示，最终选定最优时间步长t＝15，cnn卷积核数量k＝128和rnn隐神经元数量h＝32。
[0396]
表2模型超参数
[0397][0398]
为了验证本发明所提出方法对气路多部件性能与整机性能映射关系挖掘的先进性，分别采用多元线性回归(multiple linear regression,mlr)、bp神经网络(back propagation neural network,bpnn)、长短时记忆网络回归(long-short term memory,lstm)、时域卷积网络
[58]
(temporal convolutional network,tcn)、lstnet和tpa-lstm的回归结果作为对比实验，各模型的超参数设置尽可能保持一致。
[0399]
使用均方根误差(root mean square error,rmse)、平均绝对误差(mean absolute error,mae)、平均绝对百分比误差(mean absolute percentage error,mape)、对称平均绝对百分比误差(symmetric mean absolute percentage error,smape)、决定系数(r-square,r2)和校正决定系数(adjusted r-square,adjusted r2)作为模型性能评估指标评估映射关系挖掘效果，如公式(19)～(23)所示，其中rmse、mape、smape越小越好，r2和adjusted r2越接近1越好。
[0400][0401][0402]
[0403][0404][0405]
式中yi——egtm的真实值；
[0406]
——egtm的样本均值；
[0407]
n——样本数；
[0408]
p——特征数。
[0409]
同样的，为了避免单次实验中神经网络初始化和随机性对实验的干扰，每个实验做10次，取各评价指标的均值作为该方法的评价结果，对比实验结果如表3所示。
[0410]
表3不同回归方法的评价指标
[0411][0412]
可见，基于卷积注意力机制构建的发动机气路部件与整机性能映射回归模型相较于其他时序回归模型，在模型的各评价指标上都具有一定优势，即基于本发明提出的cba-lstm利用发动机气路部件性能衰退量对整机性能egtm的拟合效果更好。