信息缺失的航空发动机传感器数据重构

doi:10.13700/j.bh.1001-5965.2015.0350

北京航空航天大学学报 ›› 2016, Vol. 42 ›› Issue (5): 891-898.doi: 10.13700/j.bh.1001-5965.2015.0350

信息缺失的航空发动机传感器数据重构

周媛^1,2, 左洪福², 何军¹

1. 南京信息工程大学电子与信息工程学院, 南京 210044;
2. 南京航空航天大学民航学院, 南京 210016

收稿日期:2015-05-29 出版日期:2016-05-20 发布日期:2015-09-17
通讯作者: 左洪福,Tel.:025-84891098 E-mail:rms@nuaa.edu.cn E-mail:rms@nuaa.edu.cn
作者简介:周媛女,博士研究生,讲师。主要研究方向:模式识别、航空发动机健康管理。Tel.:025-58731196 E-mail:zhouyuan@nuist.edu.cn;左洪福男,博士,教授,博士生导师。主要研究方向:可靠性工程、维修理论、故障诊断与监控等。Tel.:025-84891098 E-mail:rms@nuaa.edu.cn
基金资助:
国家自然科学基金(61203273,61402236,61079013)

Aeroengine sensor data reconstruction with missing data

ZHOU Yuan^1,2, ZUO Hongfu², HE Jun¹

1. College of Electronic and Information Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China;
2. College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China

Received:2015-05-29 Online:2016-05-20 Published:2015-09-17

摘要/Abstract

摘要： 为处理传感器数据缺失问题,利用子空间表示系统演化特征,提出了基于极化增量矩阵填充(PIMC)的航空发动机传感器数据的在线重构模型。该模型通过历史数据获得当前的数据特征表示,并用新增的数据不断更新子空间以跟踪并表示数据发展特征。将本文模型用于仿真数据进行验证,重构结果和无噪数据的归一化均方误差(MSE)均小于1×10^-5,实验结果显示本文模型对于航空发动机传感器数据重构有很好的应用价值,对缺失数据和噪声是鲁棒的。

关键词: 航空发动机, 信息缺失, 传感器数据重构, 子空间, 极化增量矩阵填充(PIMC)

Abstract: Aiming at handling incomplete sensor data, we propose an online-reconstruction model based on the polar incremental matrix completion (PIMC) algorithm for aeroengine sensor data, which can represent the evolving features of system by subspace. The model extracts the current data feature from the history data and updates the subspace to track the evolving features via new data. The proposed model was validated and compared on two simulated datasets and the normalized mean square errors (MSE) between the reconstruction by PIMC and the ground truth are all less than 1×10^-5. The experimental results show that the proposed model is practical for aeroengine sensor data reconstruction, which is robust to missing data and noise.

Key words: aeroengine, missing data, sensor data reconstruction, subspace, polar incremental matrix completion (PIMC)

中图分类号:

V239
TP274

周媛, 左洪福, 何军. 信息缺失的航空发动机传感器数据重构[J]. 北京航空航天大学学报, 2016, 42(5): 891-898.

ZHOU Yuan, ZUO Hongfu, HE Jun. Aeroengine sensor data reconstruction with missing data[J]. JOURNAL OF BEIJING UNIVERSITY OF AERONAUTICS AND A, 2016, 42(5): 891-898.

参考文献

[1] 唐雅娟.发动机试验传感器数据证实的软计算方法与系统实现研究[D].长沙:国防科学技术大学,2007:1. TANG Y J.Study on methods and system realization of sensor data validation by soft computing technique for engine test[D].Changsha:National University of Defense Technology,2007:1(in Chinese).
[2] 黄向华,孙建国.基于自联想网络的发动机传感器解析余度技术[J].航空动力学报,1999,14(4):433-436. HUANG X H,SUN J G.Analytical redundancy based on autoassociative neural network for aeroengine sensors[J].Journal of Aerospace Power,1999,14(4):433-436(in Chinese).
[3] 单晓明,宋云峰,黄金泉,等.基于神经网络和模糊逻辑的航空发动机状态监视[J].航空动力学报,2009,24(10):2356-2361. SHAN X M,SONG Y F,HUANG J Q,et al.Condition monitoring of aero-engine based on neural network and fuzzy logic[J].Journal of Aerospace Power,2009,24(10):2356-2361(in Chinese).
[4] 仇小杰,黄金泉,鲁峰,等.基于云关联度的航空发动机传感器、部件故障识别系统设计[J].航空动力学报,2012,26(11):2584-2592. QIU X J,HUANG J Q,LU F,et.al.Fault diagnosis system design for the sensors and components of aircraft engine based on cloud relational analysis[J].Journal of Aerospace Power,2012,26(11):2584-2592(in Chinese).
[5] 任淑红.民航发动机性能可靠性评估与在翼寿命预测方法研究[D].南京:南京航空航天大学,2010:19-20. RENG S H.Research on methods of performance reliability assessments and life on wing prediction for civil aeroengine[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2010:19-20(in Chinese).
[6] MOULINES E,DUHAMEL P,CARDOSO J F,et al.Subspace methods for the blind identification of multichannel FIR filters[J].IEEE Transactions on Signal Processing,1995,43(2):516-525.
[7] KRIM H,VIBERG M.Two decades of array signal processing research:The parametric approach[J].IEEE Signal Processing Magazine,1996,13(4):67-94.
[8] AUDETTE M A,FERRIE F P,PETERS T M.An algorithmic overview of surface registration techniques for medical imaging[J].Medical Image Analysis,2000,4(3):201-217.
[9] 栗茂林,梁霖,王孙安.基于稀疏表示的故障敏感特征提取方法[J].机械工程学报,2013,49(1):73-80. LI M L,LIANG L,WANG S A.Sensitive feature extraction of machine faults bsed on sparse representation[J].Journal of Mechanical Engineering,2013,49(1):73-80(in Chinese).
[10] 耿宏,李萍萍,刘家学,等.基于压缩感知的QAR数据重构[J].计算机测量与控制,2013,21(5):1351-1353. GENG H,LI P P,LIU J X,et.al.QAR data sapling and reconstructruction based on compressive sensing[J].Computer Measurement and Control,2013,21(5):1351-1353(in Chinese).
[11] NEEDELL D,TROPP J A.CoSaMP:Iterative signal recovery from incomplete and inaccurate samples[J].Applied and Computational Harmonic Analysis,2009,26(3):301-321.
[12] HE J,BALZANO L,LUI J.Online robust subspace tracking from partial information[J].Mathmatics,2011:arXiv:1109.3827.
[13] KENNEDY R,TAYLOR C J,BALZANO L.Online Completion of Ⅲ-conditioned low-rank matrices[C]//IEEE Global Conference on Signal and Information Processing (GlobalSIP).Piscataway,NJ:IEEE Press,2014:507-511.
[14] MATHIOUDAKIS K,KAMBOUKOS P,STAMATIS A.Gas turbine component fault detection from a limited number of measurements[J].Proceedings of the Institution of Mechanical Engineers,Part A:Journal of Power and Energy,2004,218(8):609-618.
[15] BALZANO L,NOWAK R,RECHT B.Online identification and tracking of subspaces from highly incomplete information[C]//201048th Annual Allerton Conference on Communication,Control,and Computing (Allerton).Piscataway,NJ:IEEE Press,2010:704-711.
[16] BRAND M.Incremental singular value decomposition of uncertain data with missing values[M]//Computer Vision-ECCV 2002.Berlin:Springer,2002:707-720.
[17] BUNCH J R,NIELSEN C P.Updating the singular value decomposition[J].Numerische Mathematik,1978,31(2):111-129.

信息缺失的航空发动机传感器数据重构

Aeroengine sensor data reconstruction with missing data

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	叶宇隆, 金捷, 刘睿, 高翔, 王方. 直连式甩油盘非均匀流动特性[J]. 北京航空航天大学学报, 2019, 45(8): 1560-1568.
[2]	吴诗彤, 闫勇, 钱相臣. 静电传感器测量固体颗粒质量流量实验研究[J]. 北京航空航天大学学报, 2019, 45(8): 1575-1581.
[3]	谭治学, 钟诗胜, 林琳. 多源数据融合的民航发动机修后性能预测[J]. 北京航空航天大学学报, 2019, 45(6): 1106-1113.
[4]	单睿斌, 李秋红, 何凤林, 冯海龙, 管庭筠. 基于ADMM算法的航空发动机模型预测控制[J]. 北京航空航天大学学报, 2019, 45(6): 1240-1247.
[5]	李超, 金福艺, 张卫浩. 航空发动机转子结构布局优化设计方法[J]. 北京航空航天大学学报, 2019, 45(2): 266-276.
[6]	张振良, 刘君强, 黄亮, 张曦. 基于半监督迁移学习的轴承故障诊断方法[J]. 北京航空航天大学学报, 2019, 45(11): 2291-2300.
[7]	潘慕绚, 曹良进, 黄金泉. 基于增益调度的航空发动机分散鲁棒控制[J]. 北京航空航天大学学报, 2018, 44(9): 1964-1973.
[8]	金海, 刘继兴, 张大义, 洪杰. 连接界面变形对转子动力特性影响的力学模型[J]. 北京航空航天大学学报, 2018, 44(6): 1294-1302.
[9]	车畅畅, 王华伟, 倪晓梅, 洪骥宇. 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018, 44(3): 621-628.
[10]	何大伟, 彭靖波, 胡金海, 宋志平. 改进BA优化的MKSVDD航空发动机工作状态识别[J]. 北京航空航天大学学报, 2018, 44(10): 2238-2246.
[11]	张建, 李艳军, 曹愈远, 张丽娜. 免疫支持向量机用于航空发动机磨损故障诊断[J]. 北京航空航天大学学报, 2017, 43(7): 1419-1425.
[12]	刘成川, 许全宏, 于博文. 一级旋流偏置对双旋流杯下游流场的影响[J]. 北京航空航天大学学报, 2016, 42(6): 1244-1249.
[13]	刘传凯, 李圆圆, 李艳茹, 姜宏超, 丁水汀. 涡轮轴断裂条件下空气系统强瞬变过程分析[J]. 北京航空航天大学学报, 2016, 42(1): 47-53.
[14]	刘桂桂, 林宇震, 胡好生, 王晓峰, 张弛. 旋流杯一级旋流数变化对点火性能的影响[J]. 北京航空航天大学学报, 2015, 41(6): 1117-1121.
[15]	范俊, 尹泽勇, 王建军, 米栋, 闫成. 轮盘概念设计中拓扑和形状同时优化方法[J]. 北京航空航天大学学报, 2015, 41(3): 456-465.