航空发动机PHM中的数据挖掘机遇与挑战

J4 ›› 2012, Vol. 34 ›› Issue (4): 88-93.

航空发动机PHM中的数据挖掘机遇与挑战

尉询楷1,2，朱纪洪2，陈良峰1，冯悦1，杨立1

（1.北京航空工程技术研究中心，北京 100076;2.清华大学计算机科学与技术系智能系统与技术国家重点实验室，北京 100084）

收稿日期:2011-11-05 修回日期:2012-02-10 出版日期:2012-04-26 发布日期:2012-04-25
基金资助:
总装维修预研项目（51327030101）

The Opportunities and Challenges of Data Mining in Gas Turbine Engine Prognostics and Health Management

WEI Xunkai1,2，ZHU Jihong2，CHEN Liangfeng1，FENG Yue1，YANG Li1

（1.Beijing Aeronautical Engineering Technology Research Center,Beijing 100076;2.State Key Laboratory of Intelligent Technologies and Systems,Department of Computer Science and Technology,Tsinghua University,Beijing 100084,China）

Received:2011-11-05 Revised:2012-02-10 Online:2012-04-26 Published:2012-04-25

摘要/Abstract

摘要：

预测与健康管理（PHM）是未来先进航空发动机确保飞行安全、实现二级视情维修的关键使能技术。数据挖掘是PHM实现发动机健康状态评估、诊断以及剩余寿命预测的核心技术。本文首先从军事需求入手，简要分析了PHM技术的作用和意义，阐述了数据挖掘在PHM技术中发挥的重要作用，简要分析了国内外在航空发动机PHM中数据挖掘的差距。接着，详细分析了在航空发动机PHM技术中的关键数据挖掘问题，指出了数据挖掘问题的难点和技术挑战。最后，提出了集计算机、航空宇航两大学科之力推动发动机PHM技术成熟的建议。

关键词: 预测与健康管理, 视情维修, 数据挖掘, 机遇与挑战

Abstract:

Prognostics and health management is an enabled supporting key technology for ensuring flight safety and twolevel conditionbased maintenance. Data mining is the core implementation technology for engine health status assessment, diagnostics and remaining useful life prediction. First, the military needs and the significance of the PHM technology accompanying with the role of data mining in PHM are briefly reviewed. Then, the key data mining problems and challenges in gas turbine PHM are detailed. Finally, it is argued that the maturing of PHM should be under the collaboration of the computer subject and the aerospace subject.

Key words: prognostics and health management;condition based maintenance;data mining;opportunities and challenges

尉询楷1,2，朱纪洪2，陈良峰1，冯悦1，杨立1. 航空发动机PHM中的数据挖掘机遇与挑战[J]. J4, 2012, 34(4): 88-93.

WEI Xunkai1,2，ZHU Jihong2，CHEN Liangfeng1，FENG Yue1，YANG Li1. The Opportunities and Challenges of Data Mining in Gas Turbine Engine Prognostics and Health Management[J]. J4, 2012, 34(4): 88-93.

[1]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(03): 535-544.
[2]	雷轩, 程光, 张玉健, 郭靓, 张付存. 基于电力网络态势感知平台的告警信息关联分析[J]. 计算机工程与科学, 2023, 45(07): 1197-1208.
[3]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(01): 136-144.
[4]	程小刚, 郭韧, 周长利, . 基于理性密码学的分布式隐私保护数据挖掘框架[J]. 计算机工程与科学, 2022, 44(10): 1781-1787.
[5]	王文涛, 马慧芳, 舒跃育, 贺相春. 基于上下文表示的知识追踪方法[J]. 计算机工程与科学, 2022, 44(09): 1693-1701.
[6]	刘云, 肖添. 网络日志数据中条件因果挖掘算法的优化研究[J]. 计算机工程与科学, 2021, 43(09): 1584-1590.
[7]	文凯, 许萌萌, 张许红, . 基于列表结构的加权可擦除项集挖掘算法[J]. 计算机工程与科学, 2021, 43(09): 1676-1683.
[8]	熊中敏, 汪博, 陶然, 郑宗生, 陈明, . 一种基于主属性判定的关联规则挖掘约简算法[J]. 计算机工程与科学, 2021, 43(04): 738-745.
[9]	藏润强, 左美云, 郭鑫鑫. 基于Doc2Vec和BiLSTM的老年患者疾病预测研究[J]. 计算机工程与科学, 2020, 42(12): 2273-2279.
[10]	何望1,2，林果园1,2. 基于FP-Growth改进算法的云服务器故障数据分析[J]. 计算机工程与科学, 2020, 42(05): 770-775.
[11]	谭胜昔，贾金萍，赵斌，吉根林. 动态空间网络中的黑洞模式挖掘算法[J]. 计算机工程与科学, 2020, 42(02): 325-333.
[12]	何登平1，2，3，何宗浩1,2，李培强1,2. 基于Spark的并行化高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(10): 1723-1730.
[13]	陈胜发，贾瑞玉. 基于密度权重Canopy的改进K-medoids算法[J]. 计算机工程与科学, 2019, 41(10): 1823-1828.
[14]	何登平1,2,3，何宗浩1,2. 基于R-list的Top-K高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(07): 1318-1324.
[15]	陈倩,刘云,高钰莹. 并行动态位向量频繁闭合序列模式挖掘算法[J]. 计算机工程与科学, 2018, 40(10): 1717-1725.