民航发动机深度维修技术发展与展望

作者： 王者   王梦潇   丁坤英   来源： 航空维修与工程 年份： 2023 文献类型 ： 期刊 关键词： 民航发动机   维修技术   发展与展望  

描述： 民航发动机深度维修技术是目前民航维修领域的核心之一，是保障民航发动机运行安全的关键因素。本文以发动机关键零部件为线索，介绍了典型的发动机关键零部件损伤情况及其相应的深度维修技术，并对几种深度维修技术的发展现状和趋势进行了预测。在此基础上，提出了发展民航发动机深度维修技术的一些建议。0引言当前我国民用航空运输业正在从疫情中逐步恢复。随着C919的正式商业化运行，中国民航业正式迈向了一个新阶段，随之而来的是对航空器安全运行的高标准和高要求。民航发动机作为民用航空器最重要的系统，任何故障都有可能对航空器的安全造成重大影响，

基于部件特性图优化的民航发动机性能退化建模

作者： 郭庆   黄启廉   陈金亮   来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 民航发动机   缩放基准点优化   气路分析   部件级建模   曲面拟合  

描述： 为了从单元体层级给出民航发动机气路性能退化的理论依据，以CFM56/3发动机为研究对象，首先，在使用特性图缩放法获取部件特性方程的基础之上，优化了风扇通用特性图缩放基准点的选取过程，提出了特性图的曲面拟合方法，构建出稳态工况下符合特定转速条件的发动机部件级基准性能模型。然后通过引入故障因子生成故障系数矩阵，计算发动机监控参数随部件效率下降的偏离量，并与GE公司培训手册的指印图资料作对比，验证了融合风扇特性图缩放基准点优化及特性图曲面拟合方法的发动机稳态性能模型在气路性能退化分析中具有较好的精度和使用前景。

基于改进生成对抗网络与ConvLSTM的航空发动机剩余寿命预测方法

作者： 陈维兴   常东润   李宗帅   来源： 电子测量与仪器学报 年份： 2023 文献类型 ： 期刊 关键词： 梯度惩罚项   航空发动机   条件式生成对抗网络   Wasserstein距离   剩余寿命预测  

描述： 针对航空发动机运行周期内故障数据难以采集而造成的数据失衡等问题，提出一种基于Wasserstein距离与梯度惩罚措施的条件生成对抗网络与卷积长短时记忆网络相结合的预测模型。首先，使用WCGAN-GP模型学习预处理后的时序数据的深层分布特征；然后，利用生成器生成故障样本并与真实样本混合，作为训练集输入到基于ConvLSTM网络的预测模型中进行训练。基于C-MAPSS数据集开展验证比较，结果表明：与单一真实样本训练预测模型相比，使用混合数据时性能指标RMSE和Score平均下降了12.65%和48.95%。

基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法

作者： 胡立坤   何旭杰   殷林飞   来源： 计算机应用研究 年份： 2023 文献类型 ： 期刊 关键词： 长短期记忆网络   航空发动机   自动扩展   子模块级联   剩余寿命预测  

描述： 对航空发动机进行实时状态监测与健康管理可以有效降低发动机故障风险，确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段，其中长短期记忆(Long-Short Term Memory,LSTM)网络常被使用。但由于航空发动机复杂的机械结构与运行模式，使用传统的LSTM网络对航空发动机的剩余寿命进行单次预测后，所得预测结果的准确率不足以满足其寿命预测的精度要求。基于LSTM网络的广泛使用以及它对时间序列数据的有效预测能力，并考虑到采用多级预测的方法能够有效降低预测误差，提出了一种新型的可自动扩展的长短期记忆(AutomaticallyExpandableLSTM,AELSTM)预测模型。AELSTM模型依托多个子模块逐级连接的网络结构，不断地提取前一级模块的输出误差作为后一级模块的训练值，形成了误差的多级预测机制，有效降低了模型的预测误差，提升了预测结果的准确性。最后，基于美国国家航空航天局发布的C-MAPSS数据集的四个子集，对AELSTM模型的预测效果进行了测试。实验结果表明，与传统的LSTM网络相比，AELSTM模型在四个子集上的均方根误差平均减少了95.44%，同时它的预测效果也优于现有的一些先进算法。实验充分验证了AELSTM模型在提升航空发动机剩余寿命预测准确度方面的有效性与优势。

航空发动机状态监控和预测性维护应用研究

作者： 廖鹏程   李昂   王骁   来源： 测控技术 年份： 2023 文献类型 ： 期刊 关键词： 特征提取   深度学习   健康管理   剩余寿命预测   故障预测  

描述： 为了深化飞参数据的应用价值，通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等，为发动机保障决策和预测性维护提供参考。采用经验模态分解(EMD)结合相对向量机(RVM)、灰度模型(GM)用于发动机转动件、气路监测的状态监控和故障预测，选取波音某型飞机故障数据验证了模型的准确性，平均绝对百分比误差(MAPE)能达到8.46%;采用卡尔曼滤波(KF)结合梯度提升决策树(GBDT)的方法对数据进行降噪并预测剩余寿命，通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率；采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型，经过大量QAR数据验证和测试，预测相对误差为0.43%。针对基于数据挖掘的航空发动机故障诊断算法开展研究，设计了相应的算法，开展了实验验证，通过有效的数据预处理和模型参数调节，使得故障诊断性能达到较高水准，为航空发动机的预测性维护提供了重要参考。

基于ConvJANET的航空发动机剩余寿命预测及其不确定性量化

作者： 苗永浩   李晨辉   石惠芳   林京   来源： 中国科学:技术科学 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   极大似然估计   不确定性量化   卷积循环神经网络   剩余寿命预测  

描述： 航空发动机技术是衡量一个国家科技水平和工业实力的重要标志,健康状态监测和剩余使用寿命(remaining useful life, RUL)预测技术是航空发动机安全服役、经济运行的重要保障.针对航空发动机RUL预测精度较低、不确定性难以量化的问题,本文提出了一种数据驱动的航空发动机RUL区间预测方法.首先,在ConvJANET框架下构建新的卷积/卷积循环/全连接结构的深度学习模型,逐层提取航空发动机监测数据中的退化特征;其次,利用极大似然思想指导神经网络模型的优化求解,并基于损失函数形式变化的策略训练模型,实现对航空发动机RUL的高精度预测与不确定性量化.将所提出的方法用于分析航空发动机退化数据集,结果表明,对比传统基于蒙特卡洛的方法,本文提出的方法具有更高的RUL预测准确率和更好的置信区间预测性能.