一种应用于发动机气路分析的气路测量参数选择方法

摘要

本发明公开了一种应用于发动机气路分析的气路测量参数选择方法。所述应用于发动机气路分析的气路测量参数选择方法包括：根据发动机工作状态，确定气路测量参数及健康参数；获取气路测量参数以及健康参数的第一敏感性影响系数矩阵H；并生成第二影响系数矩阵S；获取每个所述气路测量参数所对应的各个健康参数的敏感度；获得各个气路测量参数之间的模糊贴近度并形成测量参数贴近度矩阵R；计算总体相关性系数β；形成多组类组数据；并形成健康参数贴近度矩阵E；计算总体冗余度系数Ψ；筛选出最优类组数据；重复上述步骤，从而得到发动机在各个工作状态下的最优类组数据。通过该方法，可以快速地确定气路测量参数优化选取方案。

说明书

技术领域

本发明涉及发动机气路分析技术领域，特别是涉及一种应用于发动机气 路分析的气路测量参数选择方法。

背景技术

现有技术中，航空发动机气路分析的气路测量参数优化选择技术已在航 空发动机和燃气轮机领域取得了一定范围的应用，例如应用于克莱菲尔德大学 的PYTHIA气路分析软件(备注：大致于2009-2010年取得英国专利，但未检 索到专利号)以及GE90、Trent-800、Trent-900等发动机上。

目前存在的方法主要分为以下几个方面：基于影响系数的分析方法、基 于启发式/人工智能算法的优化方法和状态能观度分析方法。以上三种方法均 存在各自的缺点和不足：

(1)基于传统的影响系数矩阵的分析方法：

基于影响系数矩阵的方法首先由L.A.Urban提出，在此基础上，A. Stamatis和K.Mathioudakis分别提出了基于影响系数矩阵奇异值分解和条 件数分析的方法。M.S.Jasmani、YiguangLi以及唐海龙、陈敏等分别提出 了基于敏感性分析和相关性分析的方法。克莱菲尔德大学的专利就属于该类方 法。

该类方法科学可靠，便于理解和操作，但存在以下两点不足：首先，在 参数选取过程中，需要将经验对计算出的参数选择结果相结合，无法实现智能 优化，导致所选择的气路测量参数组合很可能并不是最优解；其次，该类方法 并没有考虑测量不确定性的影响。因此，以上两方面均在一定程度上影响了此 种方法的效率和精度。

(2)基于启发式/人工智能算法的优化方法：

此种方法通过启发式算法或人工智能方法对测量参数进行智能选择，姜 荣俊等利用模糊数学方法对气路测量参数的选择方法进行了改进；Sowers等 利用遗传算法实现了航空发动机的气路测量参数进行优化选择。

此类方法存在过程复杂、计算量大的缺点。

(3)状态能观度分析方法：

Provost和Borguet分别根据故障诊断系统的影响系数矩阵提出了状态 能观度分析方法,并应用该方法进行气路测量参数优化选择。在此基础上，Yim、 Ham和蒲星星等人对此展开了深入研究。该类方法大都只对稳态的能观度进行 分析，参数选择结果不一定适用于发动机的所有工作状态，有时可能存在不准 确现象，无法实现测量参数的动态选择。

综上所述，之前的气路测量参数选择方法往往存在如下的局限性：

(1)之前的此类方法，只基于某一方面或某几方面考虑(比如敏感性分 析)，没有综合考虑气路分析的各方面需求，无法实现基于数学算法的多目标 寻优，导致实际工程应用中出现结果失真、精确较低等现象；

(2)之前的此类方法由于没有实现测量参数的自动的动态智能选择，导 致很难融合于气路分析系统软件、健康管理系统等设计体系中；

(3)传统的方法往往只局限于发动机稳态下的气路测量参数选取，参数 选择结果不一定适用于发动机的所有工作状态。因此，往往造成较大的误差， 同时也不利于测量参数的动态智能优化选择；

(4)之前的此类方法，对测量参数的相关性分析和分类不够科学合理， 往往依赖于一定的人工的经验判断，没有充分利用人工智能进行优化选择，影 响了气路分析的效率和精度；

(5)之前的此类方法对测量参数选择结果对气路分析(主要是气路故障 诊断)的扩散效应(SmearingEffect)考虑不足，没有对此方面做深入的分 析，导致利用所选择的测量参数虽然满足精度要求，但气路分析结果存在较大 的扩散效应；

此外，此类方法通常需要以发动机性能仿真模型作为基础和前提，对仿 真模型的依赖程度较高，不同的仿真模型会导致结果和精度的较大差别，这给 国内对该项技术的引进和应用带来很大的困难。

因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述 缺陷。

发明内容

名词解释：

敏感性分析，即量化分析不同的气路测量参数对于健康参数变化的敏感 程度。

相关性分析：在健康参数发生相同的变化的情况下，不同的气路测量参 数变化之间的相似程度，并对其量化分析。

贴近度：贴近度为模糊数学中的概念，贴近度反映了两个向量之间的相 似程度。

测量冗余度：不同的健康参数偏差引起的气路测量参数变化的相似(贴 近)程度。从参数的影响系数矩阵出发，可理解为健康参数之间的总体相似性 评价指标(在气路故障诊断中，可以理解为故障的相似性系数)。在测量冗余 度较大的情况下，两个不同的健康参数变化(故障)可能引起相同或相似程度 较高的测量参数变化。

本发明的目的在于提供一种应用于发动机气路分析的气路测量参数选择 方法来克服或至少减轻现有技术的中的至少一个上述缺陷。

为实现上述目的，本发明提供一种应用于发动机气路分析的气路测量参 数选择方法,所述应用于发动机气路分析的气路测量参数选择方法包括如下步 骤：

步骤1：根据发动机工作状态，确定发动机在该状态下的待选的气路测量 参数，并确定健康参数；

步骤2：获取上述的气路测量参数以及健康参数的第一敏感性影响系数矩 阵H；通过公式以及第一敏感性影响系数矩阵H，生成第二影响系数矩阵S；

步骤3：通过所述第二敏感性影响系数矩阵S以及公式获取每个所述气 路测量参数所对应的各个健康参数的敏感度；

步骤4：通过公式以及所述第二敏感性影响系数矩阵S，获得各个气路测 量参数之间的模糊贴近度，从而形成测量参数贴近度矩阵R；

步骤5：通过公式以及所述测量参数贴近度矩阵R，计算总体相关性系数 β；

步骤6：利用模糊聚类分析方法，确定最佳阈值，从而将所述气路测量参 数分类，形成多组类组数据；

步骤7：通过公式计算各个健康参数之间的贴近度，并形成健康参数贴近 度矩阵E；

步骤8:根据所述健康参数贴近度矩阵E，通过公式计算总体冗余度系数 Ψ；

步骤9：通过遗传算法创建初始种群，并通过遗传算法将所有所述步骤6 中的气路测量参数的类组数据通过公式进行解算，从而筛选出最优类组数据；

步骤10：重复变换发动机工作状态，首先确定选择发动机在该状态下的 待选的气路测量参数；并重复所述步骤2至所述步骤9，从而得到发动机在各 个工作状态下的最优类组数据。

优选地，所述步骤2中的第一敏感性影响系数矩阵H通过如下公式获得： $h_{i,j}=\frac{\partial z_i/z_i}{\partial x_j/x_j}.$

优选地，所述步骤2中的第一敏感性影响系数矩阵H通过如下公式获得： $s_{i,j}=\frac{1}{{ϵ}_i\times 100}·h_{i,j}.$

优选地，所述用于获得每个所述气路测量参数所定影的各个健康参数的 敏感度采用如下公式：其中，s为健康参数的 敏感度。

优选地，所述步骤4中的通过公式以及所述第二敏感性影响系数矩阵S， 获得各个气路测量参数之间的贴近度中的公式如下：

${\sigma }_{i,j}({\overrightarrow{Z}}_i,{\overrightarrow{Z}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{Z}}_i·{\overrightarrow{Z}}_j\right|}{\left|\right|{\overrightarrow{Z}}_i\left|\right|·\left|\right|{\overrightarrow{Z}}_j\left|\right|}\right)}^{\kappa };$其中，$\kappa =[1+ln\left(\right|\left|{\overrightarrow{Z}}_i\right||/|\left|{\overrightarrow{Z}}_j\right|\left|\right)].$

优选地，所述步骤5中计算总体相关性系数β时所用的公式为： $\beta =f\left(R\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\theta }_{i,j}·r_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{r}_{i,j}.$

优选地，所述步骤7中计算各个健康参数之间的贴近度的公式为： ${\sigma }_{i,j}({\overrightarrow{X}}_i,{\overrightarrow{X}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{X}}_i·{\overrightarrow{X}}_j\right|}{\left|\right|{\overrightarrow{X}}_i\left|\right|·\left|\right|{\overrightarrow{X}}_j\left|\right|}\right)}^{\kappa },$其中，$\kappa =[1+ln\left(\right|\left|{\overrightarrow{Z}}_i\right||/|\left|{\overrightarrow{Z}}_j\right|\left|\right)].$其中，为 向量。

优选地，所述步骤8中的计算总体冗余度系数Ψ的公式为： $\psi =f\left(E\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\mu }_{i,j}·e_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{e}_{i,j}.$

优选地，所述步骤9具体为：

选取一组类组数据，以及选取的类组数据所对应的第二敏感性影响系数 矩阵S中的行向量，通过函数公式创建遗传算法的解的初始种群；

将其他组类组数据以及其对应的第二敏感性影响系数矩阵S中的行向 量分别带入至上述的遗传算法中，从而分别求解，从而获得最优类组数据。

优选地，所述步骤9中的函数公式具体为： 其中，在所述OF_Optimal＝min{OF₁…OF_n}时， 所对应的类组数据为最优类组数据。

本发明的应用于发动机气路分析的气路测量参数选择方法，该方法克服了 传统方法的局限性，解决了以下问题，具体如下：

(1)该方法考虑了传统敏感性分析并未涉及的测量不确定性，提出了一 种新的敏感性分析方法；

(2)该方法提出了一种新的参数相关性分析方法和新的测量参数子集划 分方法；

(3)该方法首次提出了测量冗余度的概念和相应的参数选取准则，并分 析了不同的测量参数选择对气路故障诊断的辨识能力和扩散效应(Smearing Effect)的影响；

(4)该方法首次利用遗传算法对测量参数选择策略进行全局寻优，实现 了测量参数的自动的选择和智能优化；

因此，通过该方法，更加全面的综合考虑各个方面的影响，可以快速地确 定气路测量参数优化选取方案，有效的提高气路分析(包括气路故障诊断和性 能趋势分析)结果的有效性，更为科学合理的对气路测量参数进行动态智能优 化选择。

利用该方法，可以实现对航空发动机的气路测量参数进行智能优化选择。 该方法考虑了测量不确定性对测量参数选取结果的影响；首次利用贴近度，提 出了更为科学合理的敏感性分析和相关性分析方法；首次提出并利用了测量冗 余度的衡量方法；将模糊数学理论与气路分析需求和经验相结合，并利用遗传 算法实现了参数选择的动态智能优化。

该方法能够有效的提高气路测量参数选择的效率，显著的提高气路分析的 精度，有效的减少气路分析结果的扩散效应(SmearingEffect)，保证气路故 障诊断和性能趋势分析对气路部件的定位结果更加准确。

与此同时，在本发明涉及的测量参数的动态的智能优化选择方法基础上， 能够实现以下功能：在发动机仿真计算模型的基础上，进行程序的二次开发， 将该方法的程序嵌入到发动机仿真模型中，将智能优化选择后的结果直接用于 气路分析，包括气路故障诊断、性能趋势预测等。通过这种方式，可实现对发 动机多状态下的气路测量参数动态智能优化选择。例如，通过将该方法与发动 机自适应模型相结合，将智能优化的测量参数选取结果。

该方法克服了只基于某一稳态下的传统方法的缺陷，从而实现多状态下的 气路参数的自动的动态智能选取，非常适合与发动机性能计算模型进行兼容， 为搭建机载气路故障诊断系统和健康管理系统提供了有利条件。

附图说明

图1是根据本发明一实施例的计算引入航空发动机内引气流量的方法的 流程示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实 施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中， 自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的 元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通 过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对 本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合 附图对本发明的实施例进行详细说明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、 “后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方 位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和 简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定 的方位构造和操作，因此不能理解为对本发明保护范围的限制。

为了叙述方便，表1中汇总了本申请所需的符号以及其相应的含义，以方 便查找。

表1数学变量的含义

图1是根据本发明一实施例的计算引入航空发动机内引气流量的方法的 流程示意图。

如图1所示的应用于发动机气路分析的气路测量参数选择方法，包括如下 步骤：

步骤1：根据发动机工作状态，确定发动机在该状态下的待选的气路测量 参数，并确定健康参数；

步骤2：获取上述的气路测量参数以及健康参数的第一敏感性影响系数矩 阵H；通过公式以及第一敏感性影响系数矩阵H，生成第二影响系数矩阵S；

步骤3：通过所述第二敏感性影响系数矩阵S以及公式获取每个所述气 路测量参数所对应的各个健康参数的敏感度；

步骤4：通过公式以及所述第二敏感性影响系数矩阵S，获得各个气路测 量参数之间的模糊贴近度，从而形成测量参数贴近度矩阵R；

步骤5：通过公式以及所述测量参数贴近度矩阵R，计算总体相关性系数 β；

步骤6：利用模糊聚类分析方法，确定最佳阈值，从而将所述气路测量参 数分类，形成多组类组数据；

步骤7：通过公式计算各个健康参数之间的贴近度，并形成健康参数贴近 度矩阵E；

步骤8:根据所述健康参数贴近度矩阵E，通过公式计算总体冗余度系数 Ψ；

步骤9：通过遗传算法创建初始种群，并通过遗传算法将所有所述步骤6 中的气路测量参数的类组数据通过公式进行解算，从而筛选出最优类组数据；

步骤10：重复变换发动机工作状态，首先确定选择发动机在该状态下的 待选的气路测量参数；并重复所述步骤2至所述步骤9，从而得到发动机在各 个工作状态下的最优类组数据。

在本实施例中，步骤2中的第一敏感性影响系数矩阵H通过如下公式获 得：

$h_{i,j}=\frac{\partial z_i/z_i}{\partial x_j/x_j}.$

在本实施例中，步骤2中的第一敏感性影响系数矩阵H通过如下公式获 得：

$s_{i,j}=\frac{1}{{ϵ}_i\times 100}·h_{i,j}.$

在本实施例中，用于获得每个气路测量参数所定影的各个健康参数的敏感度采 用如下公式：$s=\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{0.83}^2+{(-2.7)}^2+...+{(-5.6)}^2},$其中，s为敏感度。

在本实施例中，步骤4中的通过公式以及第二敏感性影响系数矩阵S， 获得各个气路测量参数之间的贴近度中的公式如下：

${\sigma }_{i,j}({\overrightarrow{Z}}_i,{\overrightarrow{Z}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{Z}}_i·{\overrightarrow{Z}}_j\right|}{\left|\right|{\overrightarrow{Z}}_i\left|\right|·\left|\right|{\overrightarrow{Z}}_j\left|\right|}\right)}^{\kappa };$其中，$\kappa =[1+\ln \left(\right|\left|{\overrightarrow{Z}}_i\right||/|\left|{\overrightarrow{Z}}_j\right|\left|\right)].$

在本实施例中，所述步骤5中计算总体相关性系数β时所用的公式为： $\beta =f\left(R\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\theta }_{i,j}·r_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{r}_{i,j}.$

在本实施例中，所述步骤7中计算各个健康参数之间的贴近度的公式为： ${\sigma }_{i,j}({\overrightarrow{X}}_i,{\overrightarrow{X}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{X}}_i·{\overrightarrow{X}}_j\right|}{\left|\right|{\overrightarrow{X}}_i\left|\right|·\left|\right|{\overrightarrow{X}}_j\left|\right|}\right)}^{\kappa },$其中，$\kappa =[1+ln\left(\right|\left|{\overrightarrow{Z}}_i\right||/|\left|{\overrightarrow{Z}}_j\right|\left|\right)].$

在本实施例中，所述步骤8中的计算总体冗余度系数Ψ的公式为： $\psi =f\left(E\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\mu }_{i,j}·e_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{e}_{i,j}.$

在本实施例中，所述步骤9具体为：

选取一组类组数据，以及选取的类组数据所对应的第二敏感性影响系数 矩阵S中的行向量，通过函数公式创建遗传算法的解的初始种群；

将其他组类组数据以及其对应的第二敏感性影响系数矩阵S中的行向 量分别带入至上述的遗传算法中，从而分别求解，从而获得最优类组数据。

在本实施例中，所述步骤9中的函数公式具体为： 其中，在所述OF_Optimal＝min{OF₁…OF_n}时， 所对应的类组数据为最优类组数据。

为了方便理解，下面进一步对上述的各个步骤做进一步解释。 通过在第一敏感性影响系数矩阵H基础上，其中第一敏感性影响系数矩阵H 的公式为基于各个测量参数的传感器测量精度(即通过试验的 方式得到气路测量参数)，从而获得第二敏感性测量参数的敏感性系数：

$s_{i,j}=\frac{1}{{ϵ}_i\times 100}·h_{i,j}=\frac{1}{{ϵ}_i\times 100}·\frac{\partial z_i/z_i}{\partial x_j/x_j};$……①

其中i＝1,2,…,m和j＝1,2,…,n，ε_i为测量参数z_i对应的传感器 测量精度。进而形成m×n的第二敏感性影响系数矩阵S，其中，m为测量参 数的个数，n为健康参数的个数：

在本实施例中，在第二敏感性系数影响矩阵S中，如果s_i,j≤1，则表明测量 参数z_i对于健康参数x_j不敏感，sⁱ_,j为测量参数z_i对于健康参数x_j的敏感性， 为测量参数z_i对应的总体敏感性。

在本实施例中，所采用的贴近度公式为：

${\sigma }_{i,j}({\overrightarrow{Z}}_i,{\overrightarrow{Z}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{Z}}_i·{\overrightarrow{Z}}_j\right|}{\left|\right|{\overrightarrow{Z}}_i\left|\right|·\left|\right|{\overrightarrow{Z}}_j\left|\right|}\right)}^{\kappa };$……②

式中，为与两个向量的二范数相关的函数，代表两个向量相 关的程度，s_ik为第二敏感性系数矩阵S中对应的元素，n为健 康参数个数。

在本实施例中，上述的步骤4具体为：

结合第二敏感性系数矩阵S和上述的贴近度公式②，基于模糊贴近度的 测量参数相关性分析方法，而后基于模糊聚类分析的测量参数子集划分方法 具体步骤如下：

4.1求各测量参数之间的贴近度

基于第二敏感性系数矩阵S，利用上述的贴近度公式②，求解各个测量 参数向量之间的贴近度，形成测量参数的m×m的对称的测量参数之间的 相关性系数矩阵R，如下述公式所示，即模糊聚类分析中的标定过程，其中测 量参数之间的相关性系数

在本实施例中，步骤5中的计算测量参数的总体相关性系数：

即通过以下公式计算测量参数组合对应测量参数的总体相关性系数β：

$\beta =f\left(R\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\theta }_{i,j}·r_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{r}_{i,j}.$……④

其中，${\theta }_{i,j}=\left(\begin{array}{cc}a,& e_{i,j}\in [0.7,1]\\ b,& e_{i,j}\in [0.4,0.7)\\ c,& e_{i,j}\in [0,0.4)\end{array}\right),$其中a,b,c∈[0,1]。

在本实施例中，基于模糊聚类分析，进行测量参数的子集划分具体为：

根据气路分析的实际需求(按照具体试验要求)，利用模糊聚类分析方法， 对模糊贴近度矩阵R进行模糊聚类分析，确定最佳阈值λ，将测量参数区分为 彼此之间有足够类间距的若干类，从而确定测量参数的子集划分。更具体地， 举例来说：实例中有11个健康参数，那么这里就需要利用模糊聚类分析，对 26个待选测量参数进行处理，在他们中划分出至少11个类别。

在本实施中，最佳阈值是利用模糊聚类分析来确定的；具体的方法有很 多，但这些方法统称为模糊聚类分析方法；最佳阈值代表着最合理的分类标准， 可以理解为数学上的一个数值，不过这个数值是通过模糊聚类分析方法计算得 到的。

在本实施例中，对于冗余度系数的计算，具体方法如下：

首先通过步骤7计算健康参数之间的贴近度：

利用上述的公式②中的贴近度公式，计算健康参数向量 ${\overrightarrow{x}}_i=\left\{\begin{array}{cccc}{s}_{1i},& s_{2i},& ...& s_{mi}\end{array}\right\}$之间的贴近度：

${\sigma }_{i,j}({\overrightarrow{X}}_i,{\overrightarrow{X}}_j)\stackrel{def}{\to }{\left(\frac{\left|{\overrightarrow{X}}_i·{\overrightarrow{X}}_j\right|}{\left|\right|{\overrightarrow{X}}_i\left|\right|·\left|\right|{\overrightarrow{X}}_j\left|\right|}\right)}^{\kappa },$……⑤

式中，为第二敏感性影响系数矩阵S中与健康参数x_j对应的列向量， s_k,i为第二敏感性影响系数矩阵S中对应的元素，n为健康参 数个数；

形成健康参数的贴近度矩阵E，其为对称矩阵，使即：

计算总体测量冗余度ψ：

即通过以下公式计算总体测量冗余度ψ：

$\psi =f\left(E\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{\mu }_{i,j}·e_{i,j}/\underset{i=1}{\overset{n}{\Sigma }}\underset{i>j}{\overset{n}{\Sigma }}{e}_{i,j}$……⑥

其中，${\mu }_{i,j}=\left(\begin{array}{cc}1,& e_{i,j}\in [0.7,1]\\ 0.5,& e_{i,j}\in [0.4,0.7)\\ 0,& e_{i,j}\in [0,0.4)\end{array}\right).$可以理解的是，该举例只适用于本实施例， 本领域技术人员可以想到的是，上述的取值范围可以任意。例如，e_i,j取值为 [0,0.4],(0.4,0.8],(0.8,1]。即只要e_i,j的取值范围在0至1之间即可。

在本实施例中，上述的步骤9具体为：

根据上述的类组数据，随机选取其中一个类组数据中的参数，并选取该 参数集合对应的第二敏感性影响系数矩阵为S^C，所选参数集合对应的贴进度 矩阵为R^C，所选参数对应的健康参数模糊贴近度矩阵为E^C；

目标函数如下：

$OF=F(S^C,R^C,E^C)=\beta ·\psi /\sqrt{\underset{i=1}{\overset{L}{\Sigma }}{s}_i^2}$……⑦

然后利用遗传算法对测量参数组合进行全局寻优。当目标函数达到最小 值时，即OF_Optimal＝min{OF₁…OF_n}，对应的测量参数组合为最优的测量参数 选取策略。

下面以举例的方式对本申请做进一步解释，可以理解的是，下述举例并 不构成对本申请的任何限制。

下述叙述中，以某发动机为例，首先，通过试验或者其他方式确定发动 机在某一工作状态下的待选的气路测量参数以及健康参数。其中，气路测量参 数图下表2，健康参数如下表3。

表2气路测量参数

符号 含义 单位 T13 风扇外涵出口总温 K

T2 发动机进口总温 K T21 风扇内涵出口总温 K T24 增压级出口增温 K T25 高压压气机进口总温 K T3 高压压气机出口总温 K T4 燃烧室出口总温 K T41 高压涡轮导向器出口总温 K T45 低压涡轮进口总温 K T5 低压涡轮出口总温 K T6 内涵出口喷管总温 K P1 进气道进口总压 kPa P13 风扇外涵出口总压 kPa P16 外涵道出口总压 kPa P2 发动机进口总压 kPa P21 风扇内涵出口总压 kPa P24 增压级出口总压 kPa P25 高压压气机进口总压 kPa P3 高压压气机出口总压 kPa P4 燃烧室出口总压 kPa P44 高压涡出口总压 kPa P45 低压涡轮进口总压 kPa P5 低压涡轮出口总压 kPa P6 内涵喷管出口总压 kPa N1 低压转子转速 rpm N2 高压转子转速 rpm

表3健康参数

含义 符号 风扇流量 W_Fan风扇外涵效率 η_Fan风扇内涵+增压级流量 W_IPC风扇内涵+增压级效率 η_IPC高压压气机流量 W_HPC高压压气机效率 η_HPC燃烧室效率 η_COMB高压涡轮流量 W_HPT高压涡轮效率 η_HPT低压涡轮流量 W_LPT低压涡轮效率 η_LPT

首先按照步骤2，计算出第一敏感性影响影响系数矩阵H，矩阵元素为无量纲 系数，由得出。例如：

根据各个测量参数的测量精度，基于影响系数矩阵H的结果，利用公式 生成第二敏感性影响系数矩阵S。测量精度，往往取决于 传感器规格等，当测量环境和测量装置固定时，测量精度通常为定值，例如， 传感器的精度为0.3％。得到第二敏感性影响系数矩阵S为如下形式：

利用第二敏感性影响系数矩阵S的结果，计算例如 得到每个气路测量参数对应的所有健康参 数的敏感度。

根据步骤4，结合第二敏感性影响系数矩阵S，并利用上述的公式②计算各个 气路测量参数之间的贴近度，其中为敏感性系数矩阵中 测量参数对应的行向量，其行向量的维数与健康参数个数相同，该实例中为如 下形式：11维向量，[1.02，2.52，…，-2.37]。

通过贴近度计算结果，形成气路测量参数的模糊贴近度矩阵R，R的大 小为m×m的对称矩阵(m为测量参数个数，本实例中为26)，其中主对角线 上的元素全为1，其他元素取值范围为[0,1)，例如：

根据矩阵R的结果，利用上述的公式④计算总体相关性系数β，β为[0,1] 的实数。该实例中，β＝0.365，其中θ_i,j的取值为：${\theta }_{i,j}=\left(\begin{array}{cc}1,& e_{i,j}\in [0.7,1]\\ 0.5,& e_{i,j}\in [0.4,0.7)\\ 0,& e_{i,j}\in [0,0.4)\end{array}\right).$

根据步骤6，基于矩阵R，利用模糊聚类分析方法，将测量参数分为彼此 之间有足够类间距的若干类。根据实际需求，测量参数最佳分类数目为11类。 利用F统计量法确定最佳阈值λ＝0.78。本实例中采用编网法求动态聚类图， 从而确定测量参数的类组数据分类如以下形式：{T13，T2，P13，P16}，{P2， T21,T24,T25}……。

根据步骤7，利用上述的公式⑤计算健康参数之间的贴近度，并形成健康 参数的模糊贴近度矩阵E。E为n×n的对称矩阵，主对角元素为1，其他元素 为[0,1)之间的贴近度系数。该实例中E为11×11的对称矩阵，例如：

根据步骤8，根据矩阵E的结果，利用上述公式⑥计算总体冗余度系数ψ， ψ为[0,1]的实数。该实例中，ψ＝0.297，其中μ_i,j的取值为：

${\mu }_{i,j}=\left(\begin{array}{cc}1,& e_{i,j}\in [0.7,1]\\ 0.5,& e_{i,j}\in [0.4,0.7)\\ 0,& e_{i,j}\in [0,0.4)\end{array}\right)$

根据步骤9，利用目标函数公式⑦，结合(7)中的对测量参数的类组数 据：{T13，T2，P13，P16}，{P2，T21,T24,T25}，……，每个测量参数子集 中随机选取一个参数，将选取的该参数对应的第二敏感性影响系数矩阵中的行 向量，创建遗传算法中的解的初始种群，例如利用上述 的目标函数公式⑦进行筛选，从而筛选出最优类组数据。

根据步骤10，从而得到发动机在各个工作状态下的最优类组数据。

可以理解的是，在上述的描述中，任何字母下的角标不具有其特殊含义， 仅指代在本实施例中某个参数。例如，s_T2，仅为T₂这个参数的敏感度。并不 特指任何其他含义。

可以理解的是，上述的字母与上述的字母中的角标可以单独脱离使用。 例如，S指代敏感度，而非一定要以s_T2的形式出现。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人 员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对 其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本发明各实施例技术方案的精神和范围。