时序特征提取算法在航空发动机性能模型构建中的应用.pdf

-53-CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2024中国科技信息 2024 年第 8 期航空航天时序特征提取算法能够从实际意义出发，高效分析时间序列特征模式，提取可辨识的时间序列特征，挖掘数据蕴涵的规律。随着物联网、大数据和人工智能等技术研究和应用的蓬勃发展，时序特征提取算法在环境、金融、天气预报、工业控制以及天文医学等领域的应用越来越广泛。本文在某型航空发动机数据处理过程中引入时序特征提取算法进行关键特征提取，深入处理分析后获得航空发动机的稳态运行规律，而后基于此完成航空发动机性能模型的轻量化构建。算法概述时间序列 T 可以表示为一组有序离散值集合的形式。T=（x1，（y1yj）1），（xi，（y1yj）i）其 中xi为时间序列，（y1yj）i是对应的标签。时间序列的特征主要分为基础特征，转换特征。基础特征包括均值、方差、极值、最值、斜率、自相关性等。对于难以直接发现的深层次信息就需要进行特征转换，如以 Box-Cox 变换为代表的统计转换特征，以格拉姆角场为代表的高维空间转换特征，以及以傅里叶转换为代表的频域转换特征分析。在大部分任务背景中，时序数据的稳态特征或者过渡态趋势变化特征更受关注，而长时序数据变化频繁，不能直接进行特征提取分析。此时需要对时序数据分段，方便以更细的颗粒度进行针对性分析，从而获取到时序数据的分段特征。时序数据的分段特征提取是指将原始时间序列数据按照图 1 所示的变化趋势割成子段，然后再进行特征提取。现有的时序分段算法总体思路为通过有限数量的线性分段实现对原始时序数据的最佳表示，使任意段的最大误差不超过指定的阈值误差。时序分段方法大致分为以下几种类型：（1）聚合近似分段（Piecewise Aggregate Approximation，PAA），此类算法需提前指定分段数，通过将时间序列平均划分为多个分段，然后每个分段用其对应的均值来表示，分段精度较为依赖分段数量，分段数越多，则能保留越多原始数据的信息，反之分段数较少时丢失的信息增多，分段效果下降；（2）符号化聚合近似（Symbolic Aggregate Approximation，SAX），SAX 算法的思想是首先通过 PAA 方法完成数据分段，再将分段转化成人为定义的符号，然后通过符号序列来表示原序列；（3）自顶向下分段（Top-Down），通过对时序数据进行递归分割，测试每次分割得到的两个子节，直到所有分段的逼近误差都低于设定阈值，图 2 和图 3说明了时序数据的自顶向下分段表示结果；（4）自下而上行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度时序特征提取算法在航空发动机性能模型构建中的应用王 鑫王 鑫中国飞行试验研究院随着航空发动机技术的进步，“可靠性、安全性、经济性”成为新一代航空发动机需要满足的技术指标，适应这种新的发展趋势产生了自适应智能控制、状态监控、健康管理、预测与诊断等技术需求，需要大量采集航空发动机的运行参数提供数据支撑。目前航空发动机的机载参数采集范围涵盖发动机主要气路部件（进气道、压气机、燃烧室、涡轮、尾喷管、混合室）及关键附件系统（滑油系统、燃油系统、控制系统、起动系统及功率负载系统）等，采集频率一般在 1 32Hz，采集到的数据具有时序性强、结构性明显、维度高的特点，基本包含了航空发动机的全部信息。因此如何从采集到的海量数据中高效准确地提取到工程师较为关心的航空发动机工作特性和性能特性信息，发挥其蕴涵的数据价值具有重要意义。中国科技信息 2024 年第 8 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2024-54-航空航天图 3 自顶向下分段表示结果图 1 时序数据变化趋势图 2 原时序数据完成上述的时序分段后，按照飞机高度不变、飞机速度不变、飞机航向角不变三个准则进行数据段筛选，最终得到17 个数据子段，然后按照表 1 参数输出每一个子段的统计特征值，从而完成当前架次的时序特征提取。遍历整个数据库完成对所有飞行数据的时序特征提取后最终获得 2 052 个稳态飞行数据点，这些数据点的高度速度分布如图 5 所示。结果与分析目前航空发动机性能特性计算的基本方法主要包括压气机特性法、部件特性法和换算法等。其中压气机特性法假定压气机的性能对发动机性能影响最大，忽略其他部件特性的变化影响，在大部分工况下都能获得不错的精度；基于部件特性法是建立在准确模拟发动机各部件性能的基础上的性能计算方法，相当于在压气机特性法的基础上，考虑其他部件特性的影响，因此能够获得更高的精度，适用范围也更广。而换算法是直接根据航空发动机实际运行数据，基于相似原理的假设求得发动机性能特性的方法。换算法不需要部件特性，原理清晰，程序编制容易，运算速度快，同时又是建立在实际数据之上，可信度高，精度也有保证。由于本文已经基于时序特征提取算法获得了该型发动机的稳态飞行数据样本，因此可以直接换算法对稳态飞行数据进行处理，以此来获得该型航空发动机的稳态性能特性。由换算法原理可知，当发动机工作状态满足相似条件时，一系列相应的相似参数应该相等。以地面标准大气条件（T0=288.15K、P0=101.325kPa）为基准点，则可获得以下换算公式：()0288.15273.15corNgNgT=+（1）()00288.15101.325273.15fcorfPWWT=+（2）（Bottom-Up），首先创建时间序列的最佳可能拟合，即用 n/2 个片段来拟合长度为 n 的时间序列，通过不断合并满足设定阈值的相邻片段，最终获得时序数据的近似表示。对比分析上述四种分段方法可以发现，聚合近似分段需要人为指定分段数目，需要对原始时序数据有详细的了解，适用于特定专业，在工程应用中范围不广。符号化聚合近似分段方法能将时间序列转变为字符串序列，对于生活中难以量化的时间序列，符号化的表示方法就能发挥作用。而自顶向下和自底而上都是具有递归特质的全局算法，通过直接扫描整个数据集来给出满足设定精度的最优近似分段解，两者的空间复杂度和时间复杂度均相同，可实现的分段精度大抵相同。需要注意的是，自底向上算法实现需要满足初始分段两两连接的偶数限制，分段之前要对原时序数据进行预处理，增加算法复杂度，在大规模数据处理中对导致一定程度的效率损失，因此本文采用自顶向下的时序特征分段提取算法进行航空发动机的数据处理。算法应用本文所处理的航空发动机飞行数据均由某型直升机配装动力的机载测试设备采集，采集器频率为 8Hz，同一时刻采集器记录包含飞行速度高度、飞机姿态、控制逻辑离散量、发动机运转物理量、气路截面温度压力、燃滑油附件系统参数、健康状态监测量、振动告警信息等共计 635个数据，根据飞行时长，每架次的飞行数据采集量基本在300 500Mb 之间，每次航后都会进行数据的地面备份存储，至今已形成近 100Gb 的该型航空发动机工作数据库。为了尽可能发挥时序特征提取算法在大数据样本处理中的优势，高效快速地获取航空发动机在稳态运行过程中的性能特性，本文基于 C+开发了时序特征提取程序，程序总体思路如下。（1）应用自顶向下分段算法对原始飞行数据进行分段；（2）对分段特征满足飞机稳定平飞的数据段进行统计特征提取并输出；（3）最终遍历整个数据库完成对所有飞行数据的处理。其中采用飞机高度不变、飞机速度不变、飞机航向角不变来进行飞机稳定平飞的判定，对于通过稳定平飞条件判定的数据段进行表 1 所示参数的统计平均输出。图 4 为自顶向下分段算法在航空发动机数据处理中的应用结果，原始数据共有 75 000 行，包含了飞机起动、滑行、起飞、空中巡航、机动飞行以及降落等过程的航空发动机运行的全时段信息。从图中可以看出，运用时序特征提取程序后，原数据被分为 273 段，时序分段结果和原始数据贴合度很高，能够准确地反映原始数据的变化趋势。表 1 数据处理输出参数表序号参数名称参数标识1飞行高度 Hp/（m）2飞行速度 Vi/（km/h）3进气压力 P0/（kPa）4进气温度T0/（）5燃气发生器转速 Ng/（%）6动力涡轮转速 Np/（%）7动力涡轮输出扭矩 MKP/（Nm）8压气机压力 P3/（kPa）9排气温度 T5/（）10燃油流量 Wf/（Kg/h）-55-CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2024中国科技信息 2024 年第 8 期航空航天图 6 发动机换算性能无量纲分布图()00288.15273.15101.325corPSHPSHPT=+（3）其中Ngcor为燃气发生器换算转速，Wfcor为换算燃油流量，SHPcor为当量轴功率。SHP 为动力涡轮输出轴功率，与动力涡轮输出扭矩和动力涡轮转速相关，可表示为：0.233 3pSHPNMKP=（4）同时定义压气机压比 和涡轮相对排气温度 T5c 为：30PP=（5）550273.15cTTT=+（6）按公式（1）（6）处理获取到的稳态飞行数据，并进行无量纲化，得到如图 6 所示的燃气发生器换算转速、压气机压比、相对排气温度及当量轴功率随换算燃油流量变化的发动机换算性能无量纲分布图。从图中可以看出发动机压比、相对排气温度和当量轴功率均与换算燃油流量表现出明显的函数分布特征，而在动力涡轮换算转速中，大多数数据点的分布较为集中，少部分数据点出现发散，整体分布一致性稍弱。为了方便后续快速获取该型航空发动机的关键性能参数，本文对上述分布较好的换算性能参数进行了函数拟合，拟合多项式的 R 平方均大于 0.995，拟合结果如下所示：2340.02141 1.876 941.497 240.765 250.145 05fcorfcorfcorfcorWWWW=+图 4 自顶向下分段表示结果图 5 时序特征提取数据分布（按速度大小设置颜色）2530.059 090.708 920.364 080.164 64cfcorfcorfcorTWWW=+2430.012 01 0.427 464.638 215.021 951.881 99corfcorfcorfcorfcorSHPWWWW=+根据上述拟合表达式本文基于 C+开发了该型航空发动机的轻量化性能模型，模型的输入为航空发动机所处的飞行高度、飞行速度以及实时的燃油消耗量，模型输出为排气温度、压气机压力、动力涡轮输出扭矩等。具体步骤为：首先根据输入参数计算当前工况下的换算燃油流量，然后将当前工况下的换算燃油流量输入模型以获取发动机压比、相对排气温度和当量耗油率，然后按照公式（1）（6）进行反算，便可快速获得当前工况下航空发动机关键性能特征参数的实际预测值。结语本文提出了一种基于时序特征提取算法的航空发动机轻量级性能模型的构建方法。（1）通过对比分析不同时序数据分段特征提取方法的优劣后，选择应用自顶向下（Top-Down）方法来获取某型航空发动机的性能特性；以飞机稳定平飞时高度、速度和航向角均不变为稳态飞行数据的提取准则，遍历飞行数据库获得了 2 052 个稳态飞行数据样本点。（2）基于直接换算法进行数据处理分析，发现该型航空发动机的压比、相对排气温度以及当量耗油率与换算燃油流量呈现出良好的特征分布，并给出上述关键性能参数的函数拟合表达式。（3）基于函数拟合构建了该型航空发动机轻量化性能模型。模型以飞行高度、飞行速度和燃油流量为输入，得到当前工况下的压气机压力、排气温度、输出轴功率，实现了航空发动机关键性能参数的快速获取，精度要求满足工程要求。