基于特征评价的发动机寿命预测方法研究

2020-03-18谷广宇刘建敏乔新勇姜红元

汽车工程 2020年1期

谷广宇，刘建敏，乔新勇，姜红元，杨浩

（1.陆军装甲兵学院车辆工程系，北京 100072； 2.73089部队保障部，徐州 221004）

前言

近年来随着PHM技术和“视情维修”的发展，装甲车辆发动机状态评估和剩余寿命预测越来越受到业界人士的关注［1-2］。由于发动机性能随使用年限逐渐退化是一个复杂机械系统退化过程［3］，采用单一特征参数预测发动机剩余寿命都不可避免地存在片面性［4］。另一方面随着现代检测技术的发展，发动机检测信号中能够提取的特征参数也在不断增多，基于多维特征的发动机状态评估与预测［5-6］成为装甲车辆发动机状态评估和剩余寿命预测的必然趋势。因此在众多特征参数中，如何选取以及选取哪些有效信息，是开展技术状况评估及剩余寿命预测之前需要解决的一个问题。

为解决提取有效信息，减少评估子集的问题，目前主流的手段有特征提取与特征选择两种［7］，由于各种特征在发动机状态评估和预测过程中的作用和地位不同，有必要保留原始特征的物理意义，因此本文中提出一种基于特征评价的发动机寿命预测方法，以研究在多种评价指标下，对特征参数的客观定量评价方法，并给出依据该评价结果进行发动机使用寿命的预测方法。

1 发动机状态特征参数

发动机技术状况检测参数的确定原则为：①反映发动机的性能，评估发动机的技术状况；②反映发动机技术状况变化过程，评估发动机的使用时间和剩余寿命；③在技术上能实现实车不解体检测［8］。根据上述原则，对某型装甲车辆发动机进行测试试验，提取了缸压峰值、缸压平均幅值、缸压峭度、空挡加速时间等12个可检测的特征量作为评估发动机技术状况的具体参数［9］。为保证样本充分，试验在使用时间0～550 h内尽可能均匀地选择了多台装甲车辆进行实车检测，部分测试结果如表1所示。

表1 发动机状态特征参数

2 特征参数多指标综合评价方法

2.1 特征参数的评价指标

由于各特征参数在不同应用场景中表现出的敏感性和适用性不同，而理想的状态特征参数应具备同类个体普适性、性能退化一致性、失效共趋性和干扰鲁棒性等属性，因此以单一指标对特征参数进行评价优选难免存在片面性。目前针对车辆发动机状态特征参数定量评价指标的研究很少，本文在相关研究的基础上［10］，提出以下指标建立装甲车辆发动机特征参数评价指标体系：

（1）相关性指标（Corr）

式中：X＝（x1，x2，…，xN）为某一特征参数序列；T＝（t1，t2，…，tN）为相应时刻的时间序列；N为相应的监测点数。

（2）单调性指标（Mon）

式中ε（x）为单位阶跃函数。

（3）离散性指标（D）

式中：xmax为特征参数监测的最大值；xmin为特征参数监测的最小值；σ（X）为检测过程中特征参数的标准差为特征参数的均值。

（4）鲁棒性指标（Rob）

根据以上评价指标，分别评价试验车辆发动机中提取的12种特征参数，结果如表2所示。

表2 特征参数评价指标

2.2 基于熵权理想点的多指标综合评价方法

在状态参数的评价及优选过程中，各指标的地位和权重缺乏统一的标准，本文中从信息量的角度出发，定义评判指标在状态参数评价中的作用。

“熵”是信息论中最重要的基本概念，它表示从一组不确定事务中提供信息量的数量［11］。一般在决策中某指标提供的信息量越大，意味着不同状态特征之间所表现的差异度越大，该指标也就越容易区分不同状态特征的优劣，因此指标在优选排序中所起作用越大，权重应越大；反之则该指标的权重也应越小。

理想点法最初是由C.L.Hwang改进M.Zeleny关于妥协解应与理想解距离最近的概念所发展出的一种多目标决策方法［12］。该方法通过构造多目标决策问题的理想点和负理想点，并以距离理想解和负理想解的远近来评价各个方案的好坏，得出一个评估结果。

以指标的熵权构建特征参数的理想点决策矩阵，能够有效评判指标的客观权重，从而确定各指标在综合评判中的地位。另一方面，由于各种特征参数在不同应用场景中表现出的敏感性和适用性不同，本文中针对具体场景对其进行了修正，具体过程如下：

（1）建立标准化决策矩阵

为消除各指标因量纲不同、数量级不同对决策结果的影响，应对决策矩阵进行规范化处理得出归一化矩阵R，根据本文中评价指标的属性，第j个特征的第i个指标值zij标准化参数为

式中：i＝1，2，…，m，m为指标数量；j＝1，2，…，n，n为特征数量。

（2）计算第i项指标的输出熵

（3）根据输出熵计算第i项指标的客观权重

（4）修正指标熵权

式中vi为第i项指标的修正系数。

以式（5）～式（7）处理表2评价指标，可得输出熵H及相应客观权重w：

同时由数名专家对2.1节确定的4项指标在车辆发动机状态评估与预测中的重要性进行打分，确定各指标的修正系数v：

从而获得修正指标熵权W：

（5）根据前文归一化决策矩阵R和各指标熵权W，构建加权决策矩阵

（6）计算理想点与负理想点

以修正熵权重加权归一化矩阵，构建加权决策矩阵，可算得理想点P＋和P-分别为

（7）计算相似度

若第 j个特征参数的决策向量 Pj＝（p1j，p2j，…，pmj），则该特征参数的相似度为

显然，Tj∈［0，1］，相似度 Tj越大说明方案 Pj越接近理想点，当Tj＝1时，方案为理想方案；当Tj＝0时方案为负理想方案。因此可由相似度Tj对各方案进行排序，Tj较大者相对较优。

针对本文中研究对象，计算特征参数与理想点的相似度，并按从大到小顺序进行优选排序，结果见表3。

3 发动机状态预测特征参数选择

根据表3评价结果，为确定发动机状态评估与预测过程中特征参数的最佳数量，本文中通过选择不同数量特征参数对发动机状态进行多参数预测，并以预测效果为依据，确定发动机状态预测特征参数优选的最终结果。

表3 特征参数评价结果及优选排序

3.1 预测参数预处理

由于现有预测方法多采用单参数预测［13］，需对特征参数进行预处理。

首先以综合评价结果的相似度为权重对各特征参数进行加权融合，以获得新的能反映发动机技术状况变化的特征量，作为预测参数，加权及融合方法为

式中：q为参加融合的特征数量；oj为第j个特征的权重；Tj为第j个特征的相似度；yk为预测参数的第k个样本值；ujk为第j个特征的第k个样本归一化参数。ujk的计算方法如下。

对于增长型特征：

对于衰减型特征：

式中：xjk为第k个样本的第j个特征值；xjmax为第j个特征参数监测的最大值；xjmin为第j个特征参数监测的最小值。

按表3优选顺序分别选取2～12种特征参数融合后的预测参数如表4所示。

表4 不同数量特征参数融合的预测参数

其次由于样本量不足且样本间隔不均匀，本文中采用基于小子样统计方法的等距插值法，以10 h为间隔，将300～500 h的6个原始样本扩展为20个训练样本，500～550 h的3个原始样本扩展为5个测试样本。

3.2 建立预测模型

由于传统的参数预测方法只考虑了发动机性能参数值的变化，而忽略了退化过程中的时间累计效应造成的趋势变化，因此本文中采用一种改进的模糊规则算法［14］，以连续函数为输入输出建立过程模糊规则（progress fuzzy rule，PFR）预测模型，如图1所示。

图1 过程模糊规则模型建立方法

调整模糊规则数量，使预测模型平均相对误差达到最小时，采用表4中不同数量特征参数进行预测的结果如图2所示。随着评价较高特征参数的依次加入，预测误差首先呈明显下降趋势，之后由于评价较低参数带来的冗余和干扰信息的增加，使预测误差略有上升，符合特征参数优化选取的一般规律。当选用6个特征时预测的平均相对误差达到最小，最小误差2.2%，此时选取的特征参数为供油提前角、发动机减速时间、发动机加速时间、燃油流量、振动能量和振动方差。

图2 RBF神经网络预测效果

4 发动机剩余寿命预测

已知该型装甲车发动机在使用550 h后进入大修期，选取5台临近大修的发动机，以Bootstrap小子样统计方法［15］分析融合参数分布，得到融合参数服从N（0.091 7，0.001 1）的正态分布。假设该型发动机融合特征参数进入大修期的概率大于50%时，判定此发动机需要进厂大修，则融合参数的阈值为0.091 7。

图3 发动机融合参数预测结果

经试验测得某台发动机使用300～500 h内的融合特征如图3（a）中样本值所示，使用前文建立的PFR预测模型对发动机使用500 h以后的融合特征参数进行多步预测，预测结果如图3（a）预测值，该发动机在使用达557 h后，融合预测参数将低于大修期阈值。继续使用该发动机，当使用时间到达559 h，检测到融合参数低于大修期阈值，如图3（b）所示。以此方法对技术状况不同的多台发动机进行寿命预测，预测寿命和实际寿命如表5所示。根据表5所示预测误差可知，使用本文中提供的融合参数，对使用300 h以上的发动机进行寿命预测时，预测误差小于7%，并且随着大修期临近，预测误差逐渐减小。