基于改进L-SHADE算法的航空发动机性能退化评估

doi:10.7527/S1000-6893.2022.27926

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

基于改进L-SHADE算法的航空发动机性能退化评估

秦海勤, 赵杰, 任立坤(), 李边疆

海军航空大学青岛校区力学工程系，青岛 266000

收稿日期:2022-08-16 修回日期:2022-09-26 接受日期:2022-11-29 出版日期:2022-12-16 发布日期:2022-12-14
通讯作者: 任立坤 E-mail:renlikun1988@foxmail.com
基金资助:
山东省自然科学基金(ZR2021QE193)

Aero-engine performance degradation evaluation based on improved L-SHADE algorithm

Haiqin QIN, Jie ZHAO, Likun REN(), Bianjiang LI

Department of Mechanical Engineering，Qingdao Campus of Naval Aviation University，Qingdao 266000，China

Received:2022-08-16 Revised:2022-09-26 Accepted:2022-11-29 Online:2022-12-16 Published:2022-12-14
Contact: Likun REN E-mail:renlikun1988@foxmail.com
Supported by:
Natural Science Foundation of Shandong Province(ZR2021QE193)

摘要/Abstract

摘要：

针对航空发动机健康因子求解寻优精度差的问题，提出了一种基于改进L-SHADE算法的航空发动机性能退化评估方法。首先，采用多工作点分析方法拓展发动机健康因子估计的适应度函数，解决气路测量传感器数量不足的问题；其次，通过引入非线性种群缩减策略解决种群快速缩减的问题，同时通过改进的优化加权变异策略，改变不同迭代阶段贪婪算子的权值，增加算法的全局搜索和局部开发能力；最后，在30个经典基准函数上验证了改进算法的收敛精度和鲁棒性。对航空发动机性能退化评估的计算结果表明，改进L-SHADE算法增强了算法迭代前期的种群多样性和算法后期的开发能力，计算精度较标准L-SHADE算法平均提高了65.5%，能够满足工程精度要求，具有较强的工程适应性，能够应用于实际飞参数据，从而为发动机健康管理和性能监测提供理论依据。

关键词: 性能退化, 健康因子, 种群缩减, 加权变异, 性能监测

Abstract:

Aiming at the problem of poor optimization accuracy of the aero-engine health factor， an aero-engine performance degradation evaluation method based on the improved L-SHADE algorithm is proposed. Firstly， the fitness function of engine health factor estimation is expanded by the multi-operating point analysis method to solve the problem of insufficient number of gas path measurement sensors. Secondly， the problem of rapid population reduction is solved by introducing a nonlinear population reduction strategy. Meanwhile， through the improved optimized weighted mutation strategy， the weights of the greedy operators in different iteration stages are changed， which increases the global search and local development capabilities of the algorithm. Finally， the convergence accuracy and robustness of the improved algorithm are verified on 30 classic benchmark functions. The calculation results of the actual aero-engine performance degradation evaluation show that the improved L-SHADE algorithm enhances the population diversity in the early stage of the algorithm iteration and the development ability in the later stage of the algorithm. Compared with that of the standard L-SHADE algorithm， the calculation accuracy of the improved algorithm is improved by 65.5% on average. The calculation results satisfy the requirements of engineering accuracy with strong engineering adaptability. It can be applied to the flight parameter data， providing a theoretical basis for engine health management and performance monitoring.

Key words: performance degradation, health factor, population reduction, weighted mutation, performance monitoring

中图分类号:

V231.3

秦海勤, 赵杰, 任立坤, 李边疆. 基于改进L-SHADE算法的航空发动机性能退化评估[J]. 航空学报, 2023, 44(14): 227926-227926.

Haiqin QIN, Jie ZHAO, Likun REN, Bianjiang LI. Aero-engine performance degradation evaluation based on improved L-SHADE algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(14): 227926-227926.

图/表 10

表 1

图 1

图 2

表 2

表2

图 3

表 3

表 4

参考文献 29

1	黄金泉，王启航，鲁峰. 航空发动机气路故障诊断研究现状与展望［J］. 南京航空航天大学学报， 2020， 52（4）： 507-522.
	HUANG J Q， WANG Q H， LU F. Research status and prospect of gas path fault diagnosis for aeroengine［J］. Journal of Nanjing University of Aeronautics and Astronautics， 2020， 52（4）： 507-522 （in Chinese）.
2	TAHAN M， TSOUTSANIS E， MUHAMMAD M， et al. Performance-based health monitoring， diagnostics and prognostics for condition-based maintenance of gas turbines： A review［J］. Applied Energy， 2017， 198： 122-144.
3	VOLPONI A. Gas turbine engine health management： Past， present and future trends［J］. Journal of Engineering for Gas Turbines and Power， 2013， 136（5）： 051201.
4	林京，张博瑶，张大义，等. 航空燃气涡轮发动机故障诊断研究现状与展望［J］. 航空学报， 2022， 43（8）： 626565.
	LIN J， ZHANG B Y， ZHANG D Y， et al. Research status and prospect of fault diagnosis for gas turbine aeroengine［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 626565 （in Chinese）.
5	SAXENA A， GOEBEL K， SIMON D， et al. Damage propagation modeling for aircraft engine run-to-failure simulation［C］∥ 2008 International Conference on Prognostics and Health Management. Piscataway： IEEE Press， 2008： 1-9.
6	车畅畅，王华伟，倪晓梅，等. 基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测［J］. 机械工程学报， 2021， 57（14）： 304-312.
	CHE C C， WANG H W， NI X M， et al. Residual life prediction of aeroengine based on 1D-CNN and Bi-LSTM［J］. Journal of Mechanical Engineering， 2021， 57（14）： 304-312 （in Chinese）.
7	LIN L， LIU J， GUO H， et al. Sample adaptive aero-engine gas-path performance prognostic model modeling method［J］. Knowledge-Based Systems， 2021， 224： 107072.
8	WANG C S， ZHU Z H， LU N Y， et al. A data-driven degradation prognostic strategy for aero-engine under various operational conditions［J］. Neurocomputing， 2021， 462： 195-207.
9	URBAN L A. Gas path analysis applied to turbine engine condition monitoring［J］.Journal of Aircraft， 1973， 10（7）： 400-406.
10	SAMPATH S， OGAJI S， SINGH R， et al. Engine-fault diagnostics： An optimisation procedure［J］. Applied Energy， 2002， 73（1）： 47-70.
11	LU F， JU H F， HUANG J Q. An improved extended Kalman filter with inequality constraints for gas turbine engine health monitoring［J］. Aerospace Science and Technology， 2016， 58： 36-47.
12	PANT M， ZAHEER H， GARCIA-HERNANDEZ L， et al. Differential evolution： A review of more than two decades of research［J］. Engineering Applications of Artificial Intelligence， 2020， 90： 103479.
13	TANABE R， FUKUNAGA A. Success-history based parameter adaptation for differential evolution［C］∥ 2013 IEEE Congress on Evolutionary Computation. Piscataway： IEEE Press， 2013.
14	TANABE R， FUKUNAGA A S. Improving the search performance of SHADE using linear population size reduction［C］∥ 2014 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2014.
15	朱昱雯，肖健梅，王锡淮. 基于改进SHADE算法的船舶电力系统推力分配［J］. 中国舰船研究， 2020， 15（4）： 173-182.
	ZHU Y W， XIAO J M， WANG X H. Thrust distribution of marine power system based on improved SHADE algorithm［J］. Chinese Journal of Ship Research， 2020， 15（4）： 173-182 （in Chinese）.
16	BISWAS P P， SUGANTHAN P N， AMARATUNGA G A J. Minimizing harmonic distortion in power system with optimal design of hybrid active power filter using differential evolution［J］. Applied Soft Computing， 2017， 61： 486-496.
17	ZEDDA M， SINGH R. Gas turbine engine and sensor fault diagnosis using optimization techniques［J］. Journal of Propulsion and Power， 2002， 18（5）： 1019-1025.
18	STAMATIS A， MATHIOUDAKIS K， BERIOS G， et al. Jet engine fault detection with discrete operating points gas path analysis［J］. Journal of Propulsion and Power， 1991， 7（6）： 1043-1048.
19	DIAKUNCHAK I S. Performance deterioration in industrial gas turbines［J］. Journal of Engineering for Gas Turbines and Power， 1992， 114（2）： 161-168.
20	SALLAM K M， ELSAYED S M， CHAKRABORTTY R K， et al. Improved multi-operator differential evolution algorithm for solving unconstrained problems［C］∥2020 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2020.
21	TANOVOV V， AKHMEDOVA S， SEMENKIN E. NL-SHADE-RSP algorithm with adaptive archive and selective pressure for CEC 2021 numerical optimization［C］∥ 2021 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2021.
22	ZHANG J Q， SANDERSON A C. JADE： Adaptive differential evolution with optional external archive［J］. IEEE Transactions on Evolutionary Computation， 2009， 13（5）： 945-958.
23	AWAD N H， ALI M Z， SUGANTHAN P N. Ensemble of parameters in a sinusoidal differential evolution with niching-based population reduction［J］. Swarm and Evolutionary Computation， 2018， 39： 141-156.
24	MOHAMED A W， HADI A A， MOHAMED A K， et al. Evaluating the performance of adaptive GainingSharing knowledge based algorithm on CEC 2020 benchmark problems［C］∥ 2020 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2020.
25	BREST J， MAUČEC M S， BOŠKOVIĆ B. Single objective real-parameter optimization： Algorithm jSO［C］∥ 2017 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2017.
26	SURJANOVIC S， BINGHAM D. Virtual library of simulation experiments： Test functions and datasets［EB/OL］. （2013）［2022-08-16］..
27	AWAD N H， ALI M Z， SUGANTHAN P N. Ensemble sinusoidal differential covariance matrix adaptation with Euclidean neighborhood for solving CEC2017 benchmark problems［C］∥ 2017 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2017.
28	MOHAMED A W， HADI A A， FATTOUH A M， et al. LSHADE with semi-parameter adaptation hybrid with CMA-ES for solving CEC 2017 benchmark problems［C］∥ 2017 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2017.
29	MOLINA D， LATORRE A， HERRERA F. An insight into bio-inspired and evolutionary algorithms for global optimization： Review， analysis， and lessons learnt over a decade of competitions［J］.Cognitive Computation， 2018， 10（4）： 517-544.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

索引	1	2	…	H
M_CR	M_CR，1	M_CR，2	…	M_CR，_H
M_F	M_F，1	M_F，2	…	M_F，_H

函数	优化结果	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE
F1Powellsum	平均值	5.64×10^-12		1.46×10^-12	1.92×10^-14
	标准差	1.54×10^-11		2.27×10^-12	4.54×10^-14
	最小值	8.00×10^-14		1.42×10^-14	1.47×10^-16
	最大值	8.49×10^-11		1.07×10^-11	2.35×10^-13
	运行时间/s	4.25×10^-2	8.14×10^-2	7.42×10^-2	4.78×10^-2
F2 Sphere	平均值	2.12	1.70	5.89	4.70×10^-1
	标准差	2.65	2.06	6.58	5.68×10^-1
	最小值	6.65×10^-1	3.53×10^-1	1.57	9.58×10^-2
	最大值	1.15×10¹	6.27	1.37×10¹	1.65
	运行时间/s	2.29×10^-2	6.15×10^-2	5.42×10^-2	2.50×10^-2
F3 Sum squares	平均值	3.00×10^-1	2.88×10¹	6.16×10^-3	8.33×10^-2
	标准差	3.52×10^-1	3.29×10¹	8.24×10^-3	1.01×10^-1
	最小值	7.45×10^-2	5.56	8.70×10^-4	1.65×10^-2
	最大值	9.39×10^-1	6.87×10¹	2.65×10^-2	2.87×10^-1
	运行时间/s	3.35×10^-2	7.43×10^-2	6.83×10^-2	3.75×10^-2

函数	优化结果	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE
F9 Exponential	平均值	7.92×10^-5	1.00	9.92×10^-7	1.95×10^-5
	标准差	8.82×10^-5	1.00	1.09×10^-6	2.27×10^-5
	最小值	2.73×10^-5	1.00	3.41×10^-7	4.46×10^-6
	最大值	2.03×10^-4	1.00	2.58×10^-6	5.61×10^-5
	运行时间/s	2.30×10^-2	5.91×10^-2	5.58×10^-2	2.52×10^-2
F10 Leon	平均值	2.90×10^-9	4.59×10^-4	3.42×10^-8	5.91×10^-9
	标准差	1.14×10^-8	1.35×10^-3	6.57×10^-8	1.34×10^-8
	最小值	6.92×10^-12	1.81×10^-8	2.42×10^-12	3.10×10^-11
	最大值	7.83×10^-8	8.50×10^-3	2.35×10^-7	5.73×10^-8
	运行时间/s	2.31×10^-2	6.55×10^-2	5.13×10^-2	2.46×10^-2
F11 Matyas	平均值	1.71×10^-13	9.19×10^-15	3.48×10^-14	3.10×10^-15
	标准差	3.85×10^-13	1.84×10^-14	5.55×10^-14	1.45×10^-14
	最小值	5.85×10^-16	1.94×10^-16	3.30×10^-16	2.14×10^-17
	最大值	1.82×10^-12	9.18×10^-14	1.92×10^-13	1.00×10^-13
	运行时间/s	2.24×10^-2	6.72×10^-2	5.21×10^-2	2.40×10^-2
F12 Schaffern N.2	平均值	1.80×10^-5	4.99×10^-7	1.75×10^-6	3.64×10^-7
	标准差	9.82×10^-5	1.27×10^-6	5.56×10^-6	9.87×10^-7
	最小值	4.00×10^-9	2.93×10^-9	4.28×10^-10	5.18×10^-11
	最大值	6.90×10^-4	6.98×10^-6	3.68×10^-5	5.75×10^-6
	运行时间/s	2.26×10^-2	6.48×10^-2	5.15×10^-2	2.41×10^-2

函数	优化结果	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE
F18 Xinsheyang N.1	平均值	1.38×10^-2		1.57×10^-4	8.17×10^-4
	标准差	4.89×10^-2		7.22×10^-4	4.26×10^-3
	最小值	1.74×10^-4		8.87×10^-7	1.84×10^-5
	最大值	3.23×10^-1		4.50×10^-3	3.00×10^-2
	运行时间/s	4.35×10^-2	8.62×10^-2	7.84×10^-2	4.90×10^-2
F19 Bohachevsky N.2	平均值	3.69×10^-11	2.31×10^-13	1.30×10^-11	4.26×10^-13
	标准差	6.35×10^-11	4.45×10^-13	2.07×10^-11	7.32×10^-13
	最小值	8.50×10^-14	1.11×10^-16	2.86×10^-13	7.83×10^-15
	最大值	1.95×10^-10	1.83×10^-12	7.66×10^-11	3.14×10^-12
	运行时间/s	2.26×10^-2	6.46×10^-2	5.16×10^-2	2.42×10^-2
F20 Holder table	平均值	1.51×10^-6		2.38×10^-5	2.71×10^-6
	标准差	2.74×10^-6		5.29×10^-5	7.56×10^-6
	最小值	2.49×10^-14		2.60×10^-11	1.11×10^-12
	最大值	1.09×10^-5		2.28×10^-4	3.81×10^-5
	运行时间/s	2.30×10^-2	6.53×10^-2	5.14×10^-2	2.46×10^-2
F21 Levi N.13	平均值	2.47×10^-12	5.86×10^-12	1.15×10^-12	4.05×10^-13
	标准差	5.00×10^-12	1.77×10^-11	2.77×10^-12	8.24×10^-13
	最小值	3.71×10^-15	3.16×10^-14	4.23×10^-15	2.62×10^-16
	最大值	2.62×10^-11	9.56×10^-11	1.67×10^-11	4.42×10^-12
	运行时间/s	2.31×10^-2	6.83×10^-2	5.82×10^-2	2.46×10^-2

函数	优化结果	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE
F27 Bohachevsky	平均值	1.73×10^-10	3.07×10^-12	2.24×10^-10	6.70×10^-12
	标准差	3.17×10^-10	6.06×10^-12	3.95×10^-10	1.15×10^-11
	最小值	7.55×10^-13	4.66×10^-15	1.53×10^-12	1.95×10^-14
	最大值	1.32×10^-9	3.40×10^-11	1.84×10^-9	5.67×10^-11
	运行时间/s	2.28×10^-2	6.58×10^-2	5.10×10^-2	2.45×10^-2
F28 Dropwave	平均值	7.22×10^-5	1.29×10^-3	8.09×10^-8	5.08×10^-5
	标准差	1.82×10^-4	1.93×10^-3	3.68×10^-7	1.25×10^-4
	最小值	2.44×10^-10	1.50×10^-5	9.56×10^-12	1.23×10^-7
	最大值	8.62×10^-4	5.80×10^-3	2.48×10^-6	7.41×10^-4
	运行时间/s	2.24×10^-2	6.34×10^-2	5.09×10^-2	2.40×10^-2
F29 Griewank	平均值	8.89×10^-1	1.40×10^-1	1.05	5.14×10^-1
	标准差	9.00×10^-1	1.59×10^-1	1.05	5.45×10^-1
	最小值	4.36×10^-1	2.90×10^-2	1.01	1.76×10^-1
	最大值	1.05	4.26×10^-1	1.11	8.83×10^-1
	运行时间/s	3.00×10^-2	7.12×10^-2	6.94×10^-2	3.28×10^-2
F30 Rothyp	平均值	1.46×10¹	3.52×10¹	1.84×10¹	3.82
	标准差	1.66×10¹	4.14×10¹	2.10×10¹	5.09
	最小值	2.94	7.23	2.99	5.95×10^-1
	最大值	3.74×10¹	9.55×10¹	4.18×10¹	2.13×10¹
	运行时间/s	2.73×10^-2	7.00×10^-2	5.84×10^-2	2.98×10^-2

基于改进L-SHADE算法的航空发动机性能退化评估

Aero-engine performance degradation evaluation based on improved L-SHADE algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 29

相关文章 7

编辑推荐

Metrics

本文评价

健康因子	算例1					算例2
健康因子	植入退化	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE	植入退化	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE
平均误差/%		0.011	0.050	0.037	0.001		0.027	0.016	0.031	0.012
SE12	0.98	0.979 43	0.979 62	0.978 29	0.980 03	0.99	0.990 83	0.989 88	0.990 23	0.989 82
SW12	0.99	0.989 95	0.990 74	0.990 22	0.990 00	0.97	0.970 09	0.970 17	0.970 48	0.970 05
SE2	0.98	0.979 84	0.979 54	0.980 13	0.980 01	0.99	0.990 14	0.989 78	0.989 89	0.990 15
SW2	0.99	0.989 93	0.990 21	0.989 61	0.989 99	0.97	0.970 14	0.970 32	0.970 10	0.969 89
SE26	0.96	0.960 22	0.960 52	0.959 81	0.960 01	0.99	0.990 26	0.989 87	0.989 12	0.989 83
SW26	0.99	0.989 96	0.989 31	0.989 81	0.990 01	0.97	0.970 23	0.970 04	0.970 49	0.970 09
SE41	0.98	0.979 80	0.979 86	0.980 21	0.979 97	0.99	0.989 59	0.990 18	0.990 23	0.990 17
SW41	1.02	1.019 94	1.019 58	1.019 96	1.020 00	1.03	1.030 46	1.029 71	1.030 17	1.030 18
SE46	0.98	0.980 29	0.978 71	0.979 70	0.979 99	0.99	0.989 8	0.990 11	0.990 16	0.990 08
SW46	1.02	1.019 96	1.020 12	1.019 71	1.020 01	1.03	1.029 99	1.029 98	1.030 19	1.030 02

算例	平均误差/%				较标准L-SHADE算法的提高精度/%
算例	L-SHADE	L-SHADE-cnEpSin	L-SHADE-SPACMA	改进L-SHADE	较标准L-SHADE算法的提高精度/%
算例1	0.013	0.046	0.034	0.003	76.9
算例2	0.024	0.020	0.033	0.011	54.2

[1]	程晖, 樊新田, 徐冠华, 杨语, 王岚. 航空复合材料结构精密干涉连接技术综述[J]. 航空学报, 2021, 42(10): 524876-524876.
[2]	钱超, 张子剑, 李大伟. 平台式惯性导航系统在线可靠性评估技术[J]. 航空学报, 2017, 38(9): 321259-321259.
[3]	骆燕燕, 蔡明, 于长潮, 王彪. 振动对电连接器接触性能退化的影响[J]. 航空学报, 2017, 38(8): 220936-220936.
[4]	李大伟, 张志华, 钟强晖, 李万. 复杂退化系统的组合维修策略优化[J]. 航空学报, 2015, 36(3): 872-880.
[5]	刘强;黄秀平;周经伦;金光;孙权. 基于失效物理的动量轮贝叶斯可靠性评估[J]. 航空学报, 2009, 30(8): 1392-1397.
[6]	范作民;孙春林. 发动机全面性能诊断的随机搜索模型[J]. 航空学报, 1997, 18(3): 267-271.
[7]	王仲生. 燃料泵的性能监测与故障诊断[J]. 航空学报, 1993, 14(6): 263-267.