航空发动机运行失效模拟中的损伤传播模型研究

航空发动机运行失效模拟中的损伤传播模型 本文描述了 Remaining Useful Life Prediction and Fault Detection Using Machine Deep Learning 论文的翻译，旨在建立航空发动机运行失效模拟中的损伤传播模型。该模型可以预测航空发动机的剩余使用寿命，并检测其可能出现的故障。 损伤传播模型是基于发动机的热力学模拟模型（thermo-dynamical simulation model），该模型可以生成所有传感器的响应面。为了达到这个目的，模型从随机选择的初始恶化设定点（initial deterioration setpoint）开始，对每个数据集施加流量和效率损失的指数变化速率（An exponential rate of change）。流量和效率的变化率（The rate of change of the flow and efficiency）表达为一种影响日益恶化的未指明的错误。故障的变化率（The rates of change of the faults）被限制在一个上限之内，但是在其他方面是随机选择的。损伤传播会一直进行，直到达到失效准则。 健康指数（health index）定义为在任何给定时刻时多个叠加操作裕度（operational margins）的最小值，并在健康指数为零时达到失效准则。模型的输出是感知传感器测量的时间序列（周期）（the time series (cycles) of sensed measurements），通常可从航空燃气涡轮发动机获得。 生成的数据被用作 2008 年 PHM（Prognostic and Health Management）故障预测与健康管理（PHM）数据竞赛的竞赛数据。关键词：损伤模型（Damagemodeling），预测（Prognostics），C-MAPSS，涡轮发动机（Turbofan engines），性能评估（PerformanceEvaluation）。 数据驱动预测一直面临缺乏从运行到故障的数据集的挑战。在大多数情况下，现实世界的数据包含不断增长的故障的故障特征，但没有或只有很少有捕捉故障演化至故障发生之间的故障特征的数据。获取实际的系统故障连续数据（system fault progression data）通常是非常耗时和昂贵的。大多数时候，获取故障数据需要大量的时间和资源，然而，这些数据却是预测和健康管理不可或缺的。 航空发动机运行失效模拟中的损伤传播模型可以解决这个问题。该模型可以生成大量的故障数据，用于训练和测试预测模型，从而提高预测准确性和健康管理能力。同时，模型也可以帮助航空发动机的设计和制造，提高其可靠性和安全性。 航空发动机运行失效模拟中的损伤传播模型是一个非常重要的研究方向，能够解决航空发动机预测和健康管理中的挑战，并提高航空发动机的可靠性和安全性。