技术摘要：
本发明公开了一种民航发动机气路异常检测方法，属于航空发动机检测技术领域。本发明解决现有技术中采用单一特征参数对发动机进行异常检测存在片面性的问题，以及CNR报告中信息反馈存在滞后性无法满足早期预警需求的问题。本发明采取的技术方案包括将多维气路参数偏差值  全部
背景技术：
民航发动机是为飞机提供动力所需的重大产品，其一旦发生异常，必会引起不可 估量的损失。因此，在每次飞行任务前对民航发动机气路部件及单元体进行性能检测，对维 持发动机健康状态有着极为重要的作用。民航飞机在实际飞行过程中，由于民航发动机长 时间工作于高温高压环境中，极易导致叶片侵蚀、异物破坏、燃料喷嘴堵塞、腐蚀、涡轮叶片 间隙过大等问题，这使得发动机气路部件及单元体产生磨损与恶化，并使其性能随着工作 时间产生衰退，主要反映在气路参数偏差值，其变化趋势充分反映了发动机性能健康状态， 属于典型的时间序列数据。针对关键气路参数偏差值数据而言，其一旦出现异常极有可能 表征发动机关键气路部件的故障以及飞行人员违规或误操作等问题。 民航发动机气路参数偏差值属于典型的多维时间序列数据，其非平稳、非线性、相 关性、高维度等特征致使直接采用特征挖掘工具的效率变低且较难得到能够反映发动机气 路性能状态的显著特征。考虑到发动机气路部件及单元体性能衰退是一个复杂机械系统退 化过程，采用单一特征参数对发动机进行异常检测不可避免地存在片面性。考虑到部分特 征参数存在求解难度大，计算成本高，不适用于在线数据分析的问题，选择合适的特征参数 对于异常检测问题尤为关键。由于各时域特征参数在不同应用场景中表现出的适用性以及 敏感性会有所不同，而理想的特征参数应当具备抗干扰鲁棒性、失效共驱性、个体普适性以 及性能退化一致性等特点，仅通过考虑单一指标对特征参数的影响，进而评价优选的方法 难免存在片面性。目前针对民航发动机状态特征参数评价方法研究较少，且无法克服片面 性的缺陷。 工程实际中，各民航公司主要通过国外发动机制造商给出的CNR报告(Customer  Notification  Report，CNR)中获取发动机发生异常的原因、诊断依据、故障类型、发生时刻 以及表征发动机发生异常的各项气路性能参数变化情况。即异常发动机信息均来自于CNR 报告，报告中所列异常点均为发动机制造商的性能监控系统分析所得，仅当制造商判定发 动机出现异常时，才会进行异常记录，并以CNR报告形式反馈给航空公司，提供技术支持。然 而，发动机出现异常不是一蹴而就的，有时极有可能在制造商判定为异常点的前几个飞行 巡航就有明显异常征兆。其次，由于制造商与航空公司之间的信息反馈存在滞后性，极有可 能导致民航公司未及时检修，以至于后几个连续飞行巡航点仍存在异常。虽然CNR报告中也 能给出异常点，但是该点前后多个连续飞行巡航点的异常类别标签是模糊的。由此可见，航 空发动机制造商与航空公司之间的信息反馈存在滞后性的问题。 因此，现有技术中还没有实现民航发动机气路异常检测及早期预警的解决方案。
技术实现要素：
针对以上问题，本发明的目的是提供一种民航发动机气路异常检测方法，解决现 7 CN 111598438 A 说　明　书 2/18 页 有技术中采用单一特征参数对发动机进行异常检测存在片面性的问题，以及CNR报告中信 息反馈存在滞后性无法满足早期预警需求的问题。本发明在分析气路异常模式在多维气路 参数偏差值时间序列中表现规律的基础之上，确定时间序列子序列划分方法，通过分析趋 势特征，提取多种气路状态的末端特征参数，计算各特征参数的性能指标，然后利用熵值评 价法对气路形态特征进行评价及优选排序，进而确定气路异常检测特征矩阵，最后根据所 提取的多维气路参数偏差值特征参数矩阵，通过构建孤立森林模型，挖掘气路通道的潜在 异常模式，实现气路通道的早期故障预警。 为实现上述发明目的，本发明具体通过以下技术方案实现。 一种民航发动机气路异常检测方法，包括： 步骤1、将采集到的多维气路参数偏差值时间序列划分为子序列；多维气路参数偏 差值时间序列包括排气温度偏差值时间序列、燃油流量偏差值时间序列和高压转子转速偏 差值时间序列； 步骤2、将多维气路参数偏差值时间序列划分得到的子序列二次划分，采用双段直 线拟合子序列，得到第一段直线和第二段直线，获取每段直线的斜率特征； 步骤3、在备选特征参数中筛选显著性特征参数，确定异常检测特征矩阵；相对于 没有被筛选出的其他备选特征参数，显著性特征参数影响排气温度偏差值、燃油流量偏差 值、高压转子转速偏差值的显著性程度更高；所述筛选通过计算各备选特征参数的性能指 标，然后采用熵值法对备选特征参数进行评价及优选排序实现； 步骤4、采用孤立森林异常检测算法实现气路异常检测和早期预警。 优选地，步骤1中，采用等长有重叠滑动窗口划分方法，将原始多维气路参数偏差 值时间序列划分为子序列，以固定长度的窗口段表示；具体包括以下步骤： 步骤1.1将多维气路参数偏差值时间序列样本集合记作X＝{XDEGT,XDFF,XDN2}，其中 XDEGT ,XDFF及XDN2分别是单个长度为T的排气温度偏差值时间序列、燃油流量偏差值时间序 列、高压转子转速偏差值时间序列； XDEGT可表示为 表示DEGT在 第i时刻的数值，R表示实数域； 步骤1.2通过等长有重叠滑动窗口划分方法对XDEGT进行分段，具体划分表示如公 式(1)所示； 8 CN 111598438 A 说　明　书 3/18 页 式中： ——代表划分后第i个时间序列片段； w——代表滑动窗口长度； s——代表滑动步长； d——代表划分后时间序列的片段总数，d＝(T-w)/s 1。 优选地，步骤2具体包括： 假设时间序列 是时间序列 的第i个 子序列； 获取子序列模式斜率特征，即利用最小二乘法拟合当前子序列，获取该段子序列 的趋势特征，计算方法如公式(2)： 式中： ——代表第i个子序列拟合直线的斜率； ——代表第i个子序列拟合直线的截距； N——代表监测点数； 采用双段直线拟合当前子序列，进而获取更能表征发动机气路异常模式的末端斜 率特征，采用基于分段最优化的子序列二次划分方法。 优选地，所述基于分段最优化的子序列二次划分方法如下： 设置拟合优度初值R0及初始节点i0，采用循环遍历的方法，利用最小二乘拟合并求 取第一段子序列区间拟合回归平方和SSR1与残差平方和SSE1，第二段子序列区间拟合回归 平方和SSR2与残差平方和SSE2，获取总体拟合优度R，并判断其是否是全局最大，若满足条件 则输出拟合节点i，将子序列进一步划分为X[0:i]与X[i:n]，循环结束，式中SSR，SSE和R的 计算方法如公式(3)～公式(5)所示。 式中：m——代表两段区间的划分点； n——代表拟合样本总数； ——分别第i段区间的样本均值； 9 CN 111598438 A 说　明　书 4/18 页 式中：——代表样本拟合值； 优选地，步骤3中，采用相关性指标、单调性指标、离散性指标、鲁棒性指标作为各 特征参数的评价指标，各评价指标的计算方法如公式(6)～(9)： 相关性指标Corr： 式中：X＝(x1,x2,...,xN)——代表某一时域特征参数序列； T＝(t1,t2,...,tN)——代表特征参数序列对应时刻的时间序列； N——代表监测点数； 单调性指标Mon： 式中：δ(x)——代表单位阶跃函数； 离散性指标D： 式中：xmax——代表特征参数序列的最大值； xmin——代表特征参数序列的最小值； σ(x)——代表特征参数序列的标准差； ——代表特征参数序列的均值； 鲁棒性指标Rob： 式中： ——代表特征参数序列的趋势序列； 获取子序列各末端特征，并利用评价指标计算公式(6)～(9)，分别对提取的末端 特征参数进行评价。 优选地，在评价结果的基础上，分别对提取的末端特征参数进行评价根据以下公 式(10)～(12)，得到各指标权重w＝{wCorr,wMon,wD,wRob}，从而对各特征参数进行评价及优选 10 CN 111598438 A 说　明　书 5/18 页 排序； 首先，计算第j项指标下第i个特征参数占该指标的比重： 其次，计算第j项指标的输出熵： 然后，根据输出熵Hj，计算相应的权值： 优选地，异常检测特征矩阵采用末端特征来代替全局特征，多维气路参数偏差值 时间序列子序列Xi的特征参数矩阵表示为式(13)， 式中： ——代表子序列末端斜率特征； ——代表子序列末端峭度特征； ——代表子序列末端方根幅值特征； ——代表子序列末端均值特征。 优选地，步骤4包括： 定义气路参数偏差值特征参数集合F，存在一棵具有N个节点的二叉树iTree，每个 节点Nijr或Nijl代表F的子集，其中i代表二叉树iTree的层数，j代表上一层从左至右的第j个 节点，l与r分别是同层的左右节点；针对某层所包含的特征参数子集Xij，随机选择样本属性 q及其值域的空间取值p划分X(i 1)j*l与X(i 1)(j* 1)r，对应节点集N(i 1)j*l与N(i 1)(j* 1)r，小于等 于p的数据划分至N(i 1)j*l，相反划分至N(i 1)(j* 1)r，其中j*代表第i 1层从左至右的第j*个节 点；当树的深度达到事先预设的最大值或者Nij包含仅且包含一个特征点或所包含的特征点 相同时，隔离气路异常点，实现早期预警； 针对样本x，遍历每一个iTree并计算x的平均高度，平均高度越小，则表示异常程 度越高，越易被检测出来； 针对气路参数偏差值特征集合F，构建孤立森林并对其进行异常检测，对每一个特 征点x重复上述步骤。 优选地，所述备选特征参数包括：均值、平均幅值、方根幅值、峭度、峭度指标、峰 11 CN 111598438 A 说　明　书 6/18 页 值、峰值指标、峰峰值、裕度指标、脉冲指标、波形指标、均方根值、斜率。 优选地，所述多维气路参数偏差值时间序列采集自发动机制造商给出的CNR报告； 所述异常包括EGT指示异常、VBV系统异常以及低压涡轮间隙控制系统异常。 相较于现有技术，本发明取得以下显著的有益效果： 本发明通过等长有重叠滑动窗口划分方法实现子序列方法，在保留原有时间序列 更丰富的形态特征的同时，保持时间序列在时间上的依赖性；通过采取基于分段最优拟合 的子序列二次划分方法，实现时间序列末端特征提取与其相应性能指标计算，利用熵值评 价法对末端特征进行评价及优选排序，为气路异常检测提供基础；针对飞行数据类别标签 难获取的问题，本发明采用基于孤立森林的无监督异常检测方法捕获气路异常状态独有的 数据模式，进而实现民航发动机气路异常检测及早期预警，提高性能监控稳定性和可靠性。 本发明能够较好地实现气路异常检测，对工程实际应用有深远的指导意义。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使 用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还 可以根据这些附图获得其他的附图。 图1是气路演化异常模式示意图； 图2是气路突变异常模式示意图； 图3是#699833民航发动机气路演化异常斜率特征提取结果； 图4是#699640民航发动机气路突变异常斜率特征提取结果； 图5是基于分段最优化的子序列二次划分方法流程图； 图6是孤立森林算法流程图； 图7是基于孤立森林的民航发动机气路异常检测方法； 图8是实施例二八组对比实验对应的混淆矩阵； 图9是实施例二五台发动机四种对比实验对应的混淆矩阵； 图10是实施例二各台发动机发生异常的前后10个连续飞行巡航点的预测类别结 果。