融合任务剖面与PCA-MD的飞机空调系统智能健康评价与退化预警方法

doi:10.7527/S1000-6893.2025.31604

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合任务剖面与PCA-MD的飞机空调系统智能健康评价与退化预警方法

陈嘉宇¹^,²(), 陆钦华¹, 王旭航¹, 石智龙³, 葛红娟¹, 谢旻²

^1.南京航空航天大学民航学院，南京 211106
^2.香港城市大学工学院系统工程系，香港 999077
^3.北京飞机维修工程有限公司杭州分部，杭州 310000

收稿日期:2024-12-03 修回日期:2024-12-18 接受日期:2025-03-03 出版日期:2025-03-13 发布日期:2025-03-12
通讯作者: 陈嘉宇 E-mail:jiayu_chen@nuaa.edu.cn
基金资助:
国家自然科学基金(52102474);国家自然科学基金(U2233205);国家自然科学基金(72371215);中国博士后科学基金(2023M731663);陆军装备预先研究项目(DCYY018);中央高校基本科研业务项目(XCXJH20240729);香港创新科技署

Intelligent health evaluation and degradation warning of aircraft air-conditioning systems: A method fusing mission profile and PCA-MD

Jiayu CHEN¹^,²(), Qinhua LU¹, Xuhang WANG¹, Zhilong SHI³, Hongjuan GE¹, Min XIE²

^1.College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China
^2.Department of Systems Engineering，City University of Hong Kong，Hong Kong 999077，China
^3.Aircraft Maintenance and Engineering CO. Ltd. Hangzhou Branch，Hangzhou 310000，China

Received:2024-12-03 Revised:2024-12-18 Accepted:2025-03-03 Online:2025-03-13 Published:2025-03-12
Contact: Jiayu CHEN E-mail:jiayu_chen@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(52102474);China Postdoctoral Science Foundation(2023M731663);Army Equipment Advance Research Program(DCYY018);Fundamental Research Funds for the Central Universities(XCXJH20240729);Hong Kong Innovation and Technology Commission, China

摘要/Abstract

摘要：

针对飞机空调系统健康状态评价中物理信息、任务过程和环境应力关联弱导致的参数表征不完整、特征提取不完善和健康评价不准确问题，提出一种融合任务剖面与主成分分析-马氏距离（PCA-MD）的智能健康评价与退化预警方法，为航空装备复杂系统的智能健康评价提供一套通用的解决方案。首先，分析空调系统的功能结构与典型故障，构建包含整机级和系统级的健康表征参数体系，捕捉系统间的耦合失效特点；其次，分析飞行任务对空调系统的影响，设计基于任务剖面的健康参数谱，充分表达不同任务阶段健康参数的差异；再次，构建基于欧几里得范数的健康基线模型，综合考虑维修定检与环境变化对健康基线的影响；然后，提出基于PCA-MD的健康评价与退化预警方法，通过引入PCA解决健康指标构建中协方差矩阵不可逆和基于健康参数谱矩阵维度不一致的问题，实现健康指标的高效构建、健康状态的准确评价和性能退化的预警识别；最后，针对1 474个实际A320飞机空调系统的数据样本开展应用验证研究，比较结果验证了所提方法的有效性、实用性与优越性。

关键词: 航空装备复杂系统, 智能健康管理, 任务要求, 环境应力, 主成分分析

Abstract:

To address the problems of incomplete parameter characterization， imperfect feature extraction and inaccurate health evaluation caused by the weak correlation of physical information， mission process and environmental stress in the health state evaluation of aircraft air-conditioning system， this paper proposes an intelligent health evaluation and degradation warning method fusing mission profile and Principal Component Analysis-Mahalanobis Distance （PCA-MD） to provide a set of general solutions for intelligent health evaluation of aviation equipment complex systems. First， this paper analyses the functional structure and typical failures of the air conditioning system， constructs a health characterization parameter system including the total level and the system level， and captures the coupled failure characteristics of the systems. Second， the impact of the flight mission on the air conditioning system is analyzed to design a health parameter spectrum based on the mission profile， which fully expresses the differences of the health parameters in the different mission phases. Third， a health baseline model based on Euclidean paradigm is constructed， which can comprehensively consider the influence of maintenance and inspection， as well as the environmental changes on the health baseline. Fourth， a health evaluation and degradation early warning method based on PCA-MD is proposed， which resolves the problem of the irreversibility of the covariance matrix in the construction of the health indexes and the inconsistency of the dimensions of the matrix based on the spectrum of the health parameters through the introduction of PCA， so as to achieve the efficient construction of health indexes， accurate evaluation of health state and early warning identification of performance degradation. Finally， this paper carries out an application validation study on the 1 474 practical data samples of the air conditioning system of a A320 airplane. The comparative results have validated the feasibility， practicability， and superiority of the proposed method.

Key words: aviation equipment complex systems, intelligent health management, mission requirements, environmental stress, principal component analysis

中图分类号:

陈嘉宇, 陆钦华, 王旭航, 石智龙, 葛红娟, 谢旻. 融合任务剖面与PCA-MD的飞机空调系统智能健康评价与退化预警方法[J]. 航空学报, 2025, 46(15): 231604.

Jiayu CHEN, Qinhua LU, Xuhang WANG, Zhilong SHI, Hongjuan GE, Min XIE. Intelligent health evaluation and degradation warning of aircraft air-conditioning systems: A method fusing mission profile and PCA-MD[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(15): 231604.

图/表 15

图 1

图 2

图 3

图 4

表1

空调系统常见故障及影响分析［4］

部件名		功能描述	常见故障模式	影响分析
流量控制活门（FCV）		FCV控制气源系统进入空调系统引气流量，引气通过FCV进入主热交换器	活门卡滞、阀门失效、制动组件故障	FCV故障影响空调系统进气口引气流量控制，或影响组件阀门关断功能
主热交换器		高温引气进入主热交换器，由冲压空气发生热交换散去热量，再进入ACM的压缩机部件	灰尘、风沙等污染物致使主热交换器污染、表面污垢	主热交换器效率降低影响空调系统整体制冷效果
次热交换器		经过压缩机增温增压的引气进入次热交换器与冲压空气热交换器进行散热	灰尘、风沙等污染物致使主热交换器污染、表面污垢	次热交换器效率降低影响空调系统整体制冷效果
空气循环机（ACM）	涡轮	经过2次热交换器降温后的气体，除水后进入ACM的涡轮部分，进一步降温	涡轮结冰故障、叶片剥落和裂纹、空气轴承磨损	降低涡轮转速，影响ACM空气循环机效率，从而影响制冷效果
	压气机	初步散热引气进入压缩机增温增压，目的是为了提高次热交换器效率	叶片剥落和裂纹等故障、空气轴承磨损	从压气机出去的气体增压效果不足，影响次热交换器工作效率，进而影响制冷效果
	风扇	排出热交换器中用来散热的冲压空气	叶片剥落、裂纹等故障	影响ACM空气循环机排气效果，进而影响制冷效果
水分离器		收集提取气流中水，并经过喷嘴喷出到冲压空气	喷水活门故障、结冰故障	水分离器故障会影响混合气体的除水效果，会引发涡轮内的结冰故障
温度控制活门		控制空调出口温度的主控活门	温度控制活门控制失效	无法调节PACK出口温度
冲压空气作动器		冲压空气作动筒控制进入冲压空气系统的气体流量	作动失效导致冲压空气门控制失效	影响冲压冷却空气进气量，进而影响系统制冷效果

表1

表2

图 5

图 6

表3

图 7

图 8

表 4

图 9

表 5

图 10

参考文献 28

[1]	钱长林. 基于改进StemGNN的飞机空调系统故障分析研究［D］. 南京：南京航空航天大学， 2022.
	QIAN C L. Fault analysis of aircraft air conditioning system based on improved StemGNN［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2022 （in Chinese）.
[2]	石旭东，蒋贵嘉，张宇，等. 基于联合仿真的飞机空调系统故障影响［J］. 航空学报， 2020， 41（8）： 323647.
	SHI X D， JIANG G J， ZHANG Y， et al. Fault impact of aircraft air conditioning system based on joint simulation［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（8）： 323647 （in Chinese）.
[3]	陈妍宇. 飞机环控系统故障与健康状况预测方法研究［D］. 南京：南京航空航天大学， 2019.
	CHEN Y Y. Research on fault and health prediction of aircraft environmental control system［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2019 （in Chinese）.
[4]	李超役. 民用飞机空调系统健康评估与故障诊断方法研究［D］. 南京：南京航空航天大学， 2018.
	LI C Y. The research of health assessment and fault diagnosis method of civil aircraft air conditioning system［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2018 （in Chinese）.
[5]	孙见忠，解志峰，闫洪胜，等. 民机PHM预测维修模式在空调系统的应用［J］. 南京航空航天大学学报， 2021， 53（6）： 952-964.
	SUN J Z， XIE Z F， YAN H S， et al. Application of PHM predictive maintenance on aircraft air conditioning system［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2021， 53（6）： 952-964 （in Chinese）.
[6]	曹明，黄金泉，周健，等. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ：气路、机械和FADEC系统故障诊断与预测［J］. 航空学报， 2022， 43（9）： 625573.
	CAO M， HUANG J Q， ZHOU J， et al. Current status， challenges and opportunities of civil aero-engine diagnostics & health management Ⅰ： Diagnosis and prognosis of engine gas path， mechanical and FADEC［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625573 （in Chinese）.
[7]	曹明，王鹏，左洪福，等. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ：地面综合诊断、寿命管理和智能维护维修决策［J］. 航空学报， 2022， 43（9）： 625574.
	CAO M， WANG P， ZUO H F， et al. Current status， challenges and opportunities of civil aero-engine diagnostics & health management Ⅱ： Comprehensive off-board diagnosis， life management and intelligent condition based MRO［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625574 （in Chinese）.
[8]	孙见忠，左洪福，闫洪胜，等. 民用飞机预测维修技术研究进展［J］. 航空科学技术， 2024， 35（7）： 14-31.
	SUN J Z， ZUO H F， YAN H S， et al. Research progress in predictive maintenance technology of civil aircraft［J］. Aeronautical Science & Technology， 2024， 35（7）： 14-31 （in Chinese）.
[9]	ZHAO J， MA C， SHE Z. Research on health monitoring and prediction technology for civil aircraft environmental control systems： A review［C］∥Proceedings of the ASME International Mechanical Engineering Congress and Exposition. New York： ASME， 2023.
[10]	曹曦丹. 深度学习在B737引气系统健康管理中的应用研究［D］. 天津：中国民航大学， 2022.
	CAO X D. Application research of deep learning in health management of B737 pneumatic system［D］. Tianjin： Civil Aviation University of China， 2022 （in Chinese）.
[11]	KHAN S， YAIRI T. A review on the application of deep learning in system health management［J］. Mechanical Systems and Signal Processing， 2018， 107： 241-265.
[12]	陈志强，陈旭东， José Valente de Olivira，等. 深度学习在设备故障预测与健康管理中的应用［J］. 仪器仪表学报， 2019， 40（9）： 206-226.
	CHEN Z Q， CHEN X D， OLIVIRA J， et al. Application of deep learning in equipment prognostics and health management［J］. Chinese Journal of Scientific Instrument， 2019， 40（9）： 206-226 （in Chinese）.
[13]	CHE C C， WANG H W， FU Q， et al. Combining multiple deep learning algorithms for prognostic and health management of aircraft［J］. Aerospace Science and Technology， 2019， 94： 105423.
[14]	房红征，年夫强，罗凯，等. 基于机器学习建模的航天器健康管理平台研究［J］. 计算机测量与控制， 2022， 30（12）： 112-118.
	FANG H Z， NIAN F Q， LUO K， et al. Research of spacecraft health management platform based-on machine-learning modelling［J］. Computer Measurement & Control， 2022， 30（12）： 112-118 （in Chinese）.
[15]	张鲁晋. 复杂工况下行星齿轮箱健康状态评估与故障预警研究［D］. 南京：南京航空航天大学， 2022.
	ZHANG L J. Research on health state evaluation and failure early warning of planetary gearboxes under complicated working conditions［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2022 （in Chinese）.
[16]	李小宁，高朝晖，王爽，等. 飞机主电源系统关键器件健康状态评估研究［J］. 电气工程学报， 2023， 18（4）： 188-198.
	LI X N， GAO Z H， WANG S， et al. Research on health assessment method of key components in aircraft main power system［J］. Journal of Electrical Engineering， 2023， 18（4）： 188-198 （in Chinese）.
[17]	张旭东，黄亦翔，单增海. 基于主成分分析马氏距离的支腿控制阀健康评估［J］. 振动与冲击， 2020， 39（3）： 46-51.
	ZHANG X D， HUANG Y X， SHAN Z H. Health evaluation of a crane’s leg control valve based on PCA and Mahalanobis distance［J］. Journal of Vibration and Shock， 2020， 39（3）： 46-51 （in Chinese）.
[18]	王珂瑶，王惠文，赵青，等. 一种修正的马氏距离判别法［J］. 北京航空航天大学学报， 2022， 48（5）： 824-830.
	WANG K Y， WANG H W， ZHAO Q， et al. A modified Mahalanobis distance discriminant method［J］. Journal of Beijing University of Aeronautics and Astronautics， 2022， 48（5）： 824-830 （in Chinese）.
[19]	李荣辉. 基于改进局部线性嵌入的滚动轴承高维数据特征约简方法研究［D］. 成都：电子科技大学， 2020.
	LI R H. Research on improved local linear embedding method for high dimensional feature reduction of rolling bearing data［D］. Chengdu： University of Electronic Science and Technology of China， 2020 （in Chinese）.
[20]	REZAEIANJOUYBARI B， SHANG Y. Deep learning for prognostics and health management： State of the art， challenges， and opportunities［J］. Measurement， 2020， 163： 107929.
[21]	王冉. 基于QAR的航空发动机性能发展预测研究［D］. 天津：中国民航大学， 2020.
	WANG R. Research on prediction of aeroengine performance development based on QAR［D］. Tianjin： Civil Aviation University of China， 2020 （in Chinese）.
[22]	王奕首，余映红，卿新林，等. 基于KPCA和DBN的航空发动机排气温度基线模型［J］. 航空发动机， 2020， 46（1）： 54-60.
	WANG Y S， YU Y H， QING X L， et al. Exhaust gas temperature baseline model of aeroengine based on kernel principal component analysis and deep belief network［J］. Aeroengine， 2020， 46（1）： 54-60 （in Chinese）.
[23]	曾康，赖凤琴，周利敏，等. 民机整体驱动发电机典型故障分析与预防性维修策略优化［J］. 航空维修与工程， 2024（7）： 79-83.
	ZENG K， LAI F Q， ZHOU L M， et al. Analysis of typical faults and optimization of preventive maintenance strategy for IDG of civil aircraft［J］. Aviation Maintenance & Engineering， 2024（7）： 79-83 （in Chinese）.
[24]	刘博. 民航客机飞控系统健康管理关键技术研究［D］. 天津：中国民航大学， 2017.
	LIU B. Research on the key technology of civil aircraft flight control system health management［D］. Tianjin： Civil Aviation University of China， 2017 （in Chinese）.
[25]	蒋银，李军，汪志民. 多功能安全分析平台在A320液压系统健康状态感知领域的应用研究［J］. 航空维修与工程， 2023（3）： 56-58.
	JIANG Y， LI J， WANG Z M. Application research on multi-functional safety analysis platform in A320 hydraulic system health status sensing［J］. Aviation Maintenance & Engineering， 2023（3）： 56-58 （in Chinese）.
[26]	方正汉. 基于多特征的航电空调系统寿命预测研究［D］. 天津：中国民航大学， 2020.
	FANG Z H. Research on life prediction of avionics air conditioning system based on multi-feature［D］. Tianjin： Civil Aviation University of China， 2020 （in Chinese）.
[27]	陶言和，郭勤涛，周瑾，等. 观测不确定性下变分贝叶斯高效模型修正［J］. 航空学报， 2024， 45（19）： 229969.
	TAO Y H， GUO Q T， ZHOU J， et al. Efficient variational Bayesian model updating under observation uncertainty［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（19）： 229969 （in Chinese）.
[28]	邵怡韦，陈嘉宇，林翠颖，等. 小训练样本下齿轮箱故障诊断：一种基于改进深度森林的方法［J］. 航空学报， 2022， 43（8）： 625429.
	SHAO Y W， CHEN J Y， LIN C Y， et al. Gearbox fault diagnosis with small training samples： An improved deep forest based method［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 625429 （in Chinese）.

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

编号	健康表征参数	编号	健康表征参数
1	大气总温	7	PACK2压气机出口空气温度
2	引气流量	8	PACK1空气流量
3	引气压力	9	PACK2空气流量
4	PACK1旁通活门位置	10	PACK1出口温度
5	PACK2旁通活门位置	11	PACK2出口温度
6	PACK1压气机出口空气温度	12	飞行阶段

时间	故障描述	故障处理
2019.07.14	PACK1 FCV未打开	更换FCV
2019.07.31	PACK2地面出口温度高	更换冷凝器
2019.08.21	航前有空气调节系统故障，后舱调节活门警告	航前时间不足，故障保留；航后重置跳开关，测试正常，撤下保留。
2019.08.22	后半舱空调无法调节，起飞后特别冷	后客舱配平空气活门故障，重置跳开关
2019.11.08	PACK1空气调节器故障	更换FCV（23HB）
2020.01.13		更换电子仓通风风扇
2020.03.28	热空气故障	测试温控测试，检查正常
2020.03.29	PACK1空气调节器故障	更换FCV1
2020.03.30	为确认PACK1常规故障	对倒本机ALSC1和2，测试正常
2020.03.30	PACK1 FCV 故障
2020.08.18		更换前货舱配平活门，故障依旧
2020.08.18	PACK2空气调节器故障	更换PACK2传感器32HH
2020.08.25	前货仓配平空气活门故障	更换前货仓配平活门，测试正常，关闭保留
2020.11.28	发动机关车后出现某项警告过大约1 min后消失
2020.12.16	PACK2压气机出口温度异常指示	更换PACK2压气机出口温度传感器

故障日期	可靠性监控结果
2019年07月14日	在7月11日预计了空调系统性能降低，并在7月14日再次确定空调性能下降
2019年07月31日	在7月30日准确识别空调性能下降
2019年08月21日—2019年08月22日	在8月21日的3个航班都指示系统性能下降
2019年11月08日	在11月8日的2个航班都准确识别系统性能下降，且表明系统发生较严重故障
2020年01月13日	在1月12日的4个航班都预计系统性能下降较大
2020年03月28日	在3月28日识别系统性能下降，且表明系统发生严重故障
2020年03月29日	在3月28到29日的航班准确识别系统性能下降，且表明系统发生严重故障
2020年03月30日	在3月30日的2个航班准确识别系统性能下降，且表明系统发生严重故障

故障日期	性能退化预警结果
2020年08月18日	在8月17日准确识别了空调系统性能下降，达到预警
2020年08月25日	在8月25日准确识别了空调系统性能下降，达到预警
2020年11月28日	在11月28日准确识别了空调系统性能下降，超过预警0.5倍
2020年12月16日	在12月15日准确识别了空调系统性能下降，超过预警0.2倍

融合任务剖面与PCA-MD的飞机空调系统智能健康评价与退化预警方法

Intelligent health evaluation and degradation warning of aircraft air-conditioning systems: A method fusing mission profile and PCA-MD

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 28

相关文章 14

编辑推荐

Metrics

本文评价

[1]	余婧, 蒋安林, 刘亮, 吴晓军, 桂业伟, 刘深深. 基于PCA降维的气动外形参数化方法[J]. 航空学报, 2024, 45(10): 129125-129125.
[2]	张效溥, 任枫, 徐鹏里, 李志敏, 宿彩虹. 基于故障分辨能力的火箭发动机测量参数选择方法[J]. 航空学报, 2023, 44(22): 128522-128522.
[3]	贺媛媛, 杨炫, 韩慧, 王琦琛, 张航. 基于蜻蜓翅几何及刚度相似性的仿生扑翼结构[J]. 航空学报, 2023, 44(14): 227987-227987.
[4]	尧少波, 蒋励剑, 赵文文, 卢铮, 吴昌聚, 陈伟芳. 耦合聚类的数据驱动稀薄流非线性本构计算方法[J]. 航空学报, 2022, 43(S2): 40-53.
[5]	邵怡韦, 陈嘉宇, 林翠颖, 万程, 葛红娟, 石智龙. 小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法[J]. 航空学报, 2022, 43(8): 625429-625429.
[6]	奚之飞, 徐安, 寇英信, 李战武, 杨爱武. 基于PCA-MPSO-ELM的空战目标威胁评估[J]. 航空学报, 2020, 41(9): 323895-323895.
[7]	张瞩熹, 朱熙, 朱少川, 张明远, 杜文博. 基于核主成分分析的空域复杂度无监督评估[J]. 航空学报, 2019, 40(8): 322969-322969.
[8]	刘芳, 王洪娟, 黄光伟, 路丽霞, 王鑫. 基于自适应深度网络的无人机目标跟踪算法[J]. 航空学报, 2019, 40(3): 322332-322332.
[9]	王志平, 徐天杰, 苏景新. 基于数据模型的某型民用飞机货舱区域腐蚀影响因素研究 [J]. 航空学报, 2012, (5): 940-948.
[10]	杨建;张广军;江洁. P向量实现快速星图识别的方法[J]. 航空学报, 2007, 28(4): 897-900.
[11]	杨梅;金栋平;胡海岩. 基于时-频分析的机载武器振动环境应力研究[J]. 航空学报, 2004, 25(3): 263-266.
[12]	孙春林;范作民. 发动机故障诊断的主成分算法[J]. 航空学报, 1998, 19(3): 342-345.
[13]	刘小冬;申正金. 多参数空测数据的统计分析和疲劳载荷状态的确定[J]. 航空学报, 1994, 1(1): 36-40.
[14]	刘小冬;申正金. 多参数空测数据的统计分析和疲劳载荷状态的确定[J]. 航空学报, 1994, 15(1): 36-40.