面向飞机辅助动力装置在翼状态评估及预测的感知参数优化建模方法

This work focuses on the optimization of on-wing and ground test run data for the Auxiliary Power Unit (APU) on-wing condition evaluation and fault prognostics, which are influenced by different working conditions, low dimension and small quantity. Firstly, the on-wing sensing data are influenced by the working conditions of temperature and pressure due to the flight mission of different zones with the aircraft. To deal this problem, the physical model will be formulated and the on-wing condition data will be optimized accordingly. The adaptive optimization of on-wing sensing parameters will be realized. Then, the fusion optimization of on-wing sensing parameters and heterogeneous ground test run data will be conducted by the transfer learning. The model parameters of APU health evaluation and fault prognostics will be determined. Finally, the experiment verification and application evaluation will be demonstrated by the APS3200 APU with A320 aircraft fleet and GTCP331-350 APU with A330 aircraft. These two types of APU are managed by China Southern Airlines Company Limited Shenyang Maintenance Base, which is the collaboration partner of this work. The main contribution and innovation of this work will be on the APU on-wing data modification optimization and the fusion optimization of heterogeneous data of ground test run.

针对飞机辅助动力装置（Auxiliary Power Unit, APU）在翼感知参数工况不同、维度低及样本量少，无法满足APU健康状态评估及故障预测的问题，开展在翼感知及地面试车测试数据优化方法研究。首先，针对APU随飞机跨地域执行飞行任务，受外部环境温度和气压等工况条件影响的问题，研究基于物理模型的在翼感知参数修正，实现复杂工况下的在翼感知参数自适应优化；其次，开展融合在翼感知参数和异构地面试车测试数据优化方法，重点研究基于迁移学习支撑构建APU健康状态评估及故障预测的模型参数；最后，通过合作研究单位南航沈阳飞机维修基地管理的A320机队APS3200型APU和A330机队GTCP331-350G型APU开展实验验证和应用评估。课题预期在APU在翼感知数据修正优化和融合异构地面试车测试数据优化两方面实现方法创新性研究。

飞机辅助动力装置（Auxiliary Power Unit, APU）是一个小型燃气涡轮发动机，除无法为飞机提供推力外，可替代发动机的全部功能。当飞机在空中发生紧急情况时，APU可为飞机提供必要的电源和气源，使飞机维持飞行姿态、航向等，其在翼状态在一定程度上决定了飞机的安全性和可靠性。. 本项目针对飞机APU健康状态评估及故障预测的问题，开展了四项基础性研究工作，以及一项面向合作单位中国南方航空股份有限公司的APU综合健康状态评估应用研究，具体包括：第一，针对仅采用数据驱动模型方法对APU性能参数估计性能不足的问题，提出了基于模型融合的估计方法，实现了性能参数估计准确性的提升；第二，针对基于数据驱动的APU故障预测难以获得较好预测结果的问题，提出了一种基于生成对抗网络的单维性能参数样本生成扩增方法，在一定程度丰富了数据样本；第三，针对APU原始排气温度受季节环境等因素影响，借鉴X11方法的分解思想并在变分模态分解的基础上，提出了一种面向APU排气温度数据的退化特征提取方法，为开展故障预测提供了有价值的参考信息；第四，针对APU数据驱动故障预测方法对数据的强依赖性，通过迁移学习利用地面测试数据增加方法训练的数据量，提升了故障预测方法的训练效果，实现了预测指标的进一步提升；最后，为了帮助航空公司运维人员及时掌握APU当前健康状态并快速方便地对状态监测数据进行管理及开展在翼健康状态评估，开发了APU综合健康状态估计软件。. 依托本课题的研究工作，项目组在飞机APU性能参数估计及健康状态评估方面取得了突破性研究进展，初步构建了面向在翼感知参数估计、退化特征提取、健康状态评估及预测的方法体系，为开展飞机发动机及旋转机械的状态评估提供了直接参考。