采用一组卡尔曼滤波器检测发动机传感器故障

在发动机全功能数字电子控制系统中,提高传感器工作的可靠性是十分重要的,除了不断对传感器本身的性能加以改进提高外,现在广泛地采用了余度技术。近二十年来对解析余度(Analyt ical Redundancy)进行了广泛的研究,解析余度(AR)方法是基于各状态变量之间存在的解析关系,在系统可观条件下,利用无故障的输出测量值去估计(构造)已故障传感器正常工作状态时的输出信息,从而实现对故障的检测、隔离与重构,保证控制系统具有预定的控制性能。      

基于健康蜕化的航空发动机传感器故障诊断(英文)

改进在线故障诊断算法使其能适应发动机健康蜕化是目前故障诊断所面临的困难,如果诊断算法没有自适应能力,在发动机健康蜕化后将失去其诊断功能。为了解决此问题,提出在线故障诊断算法,采用跟踪滤波器估计发动机的健康状况,机载模型根据跟踪滤波器的估计结果进行更新。更新后的机载模型能够与真实的发动机相匹配。这使得当发动机健康蜕化后在线故障诊断仍能保持其有效性。最后采用一组卡尔曼滤波器来对航空发动机传感器故障进行诊断与隔离。通过设计好的一组卡尔曼滤波器,能够诊断并隔离出故障。本文使用非线性发动机模型来验证此方法,仿真结果表明本文提出的在线诊断方法在发动机健康蜕化后仍能保持其有效性。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

基于自联想神经网络的发动机控制系统传感器故障诊断与重构

研究自联想神经网络及其在发动机控制系统传感器故障诊断及重构中的应用。自联想神经网络关键在于特征提取和噪声滤波。综合自联想网络的最优估计与故障诊断 ,自动区分估计误差和传感器故障。仿真结果表明这种方法不需要模型 ,能诊断传感器硬、软故障 ,当发动机性能蜕化时也能提供很好的解析余度。     

航空发动机传感器解析余度模型的建立方法

为了使用解析余度模型对传感器故障进行诊断,提出了1种基于K-均值聚类与改进微分进化算法优化的极端学习机(IDE-ELM)的发动机传感器解析余度模型建立方法。为避免求解ELM算法时H矩阵奇异,采用K-均值聚类对试验数据进行聚类处理,然后从每类数据中选取1组数据组成训练样本用于训练;利用IDE算法优化ELM的输入层权值和偏置,提高ELM的泛化能力。利用飞行试验数据进行了仿真验证。结果表明:基于K-均值聚类和IDE-ELM设计的传感器解析余度模型具有较高的精度,可用于FADEC系统双通道传感器的故障诊断。     

大涵道比涡扇发动机涡轮监视温度容错解析

提出了对大涵道比涡扇发动机涡轮监视温度的容错解析方法,以避免由于涡轮监视温度传感器故障造成的发动机控制降级,或未检测到故障导致发动机超温.解析方法包含两种:一种是基于涡轮排气总温的解析方法作为主解析方法;另一种是基于空气流量模型的解析方法作为余度解析方法,用于在主解析温度与测量温度差异较大时进行比较取真.使用发动机试车数据进行了方法验证,结果显示:主解析方法的稳态计算误差不超过0.33%;余度解析方法的稳态计算误差不超过0.8%.这表明两种解析方法都是有效的,可以用于发动机容错控制.      

基于GSPN的机载液压作动系统可靠性模型

机载液压系统具有余度降级、故障检测、隔离等动态时序过程,传统基于两元可靠性模型很难描述其动态行为和性能降级过程.针对这一问题,采用分层聚类和广义随机Petri网相结合建立了机载液压系统可靠性模型.利用该模型,详细分析了故障检测装置的故障检测率对系统可靠性的影响.分析结果表明,由于故障检测装置故障检测率的影响,机载液压作...     

飞行传感器的故障检测与识别

 飞行传感器是飞行控制和导航系统中的薄弱环节,它们的故障率一般是比较高的。为了提高系统的可靠性,对传感器的故障应能实时地检测和识别,并重构传感器所测量的信号(修正)。为此,在系统中常采用传感器的硬件余度和解析余度。本文介绍了飞行传感器硬件余度和解析余度的原理以及几种实用的余度方案,对解析余度中的统计决策原理和故障检测的鲁棒性问题也作了简单介绍。     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

基于几何模式识别的发动机传感器故障诊断

提出一种基于几何模式识别技术的发动机传感器故障诊断方法,以解决传感器缓慢漂移故障和由于安装制造差异和性能蜕化等造成的模型不匹配难以区分的问题。传感器测量值输入到自适应模型中,产生一组部件性能修正因子,作为故障模式来对传感器故障进行诊断,每种故障或性能蜕化都对应惟一的模式,采用几何模式识别技术隔离出传感器故障。以某型涡扇发动机为对象进行的仿真结果表明,该方法能诊断出传感器小漂移故障,并能对部件状态进行监控。     

数控系统传感器故障检测隔离及适应技术

介绍一种发动机传感器故障的检测、隔离及适应方法,并给出某型涡轴发动机的数字仿真实例,说明该方法的有效性和实用性。     

发动机性能量与输入量的相关性研究

展开了相关性研究，讨论了一种相关性分析的算法，并在此基础上进行了大量的数字仿真实验，结果表明通过相关性分析不但可减少计算工作量，而且即使在传感器有限的情况下，模型也可很好的跟踪发动机，两者的匹配效果较好     

航空涡轮发动机建模技术研究

航空发动机模型对于发动机研究的许多领域有着极其重要的意义，其中非实时模型用于发动机性能分析和故障诊断，实时模型通常用于发动机控制规律研究和作为机载模型来提供传感器解析冗余等。对当前发动机非实时模型和实时模型的建立方法进行综述。     

Analytical redundancy of variable cycle engine based on variable-weights neural network

In this paper, variable-weights neural network is proposed to construct variable cycle engine’s analytical redundancy, when all control variables and environmental variables are changing simultaneously, also accompanied with the whole engine’s degradation. In another word, variable-weights neural network is proposed to solve a multi-variable, strongly nonlinear, dynamic and time-varying problem. By making weights a function of input, variable-weights neural network’s nonlinear expressive capability is increased dramatically at the same time of decreasing the number of parameters. Results demonstrate that although variable-weights neural network and other algorithms excel in different analytical redundancy tasks, due to the fact that variable-weights neural network’s calculation time is less than one fifth of other algorithms, the calculation efficiency of variable-weights neural network is five times more than other algorithms. Variable-weights neural network not only provides critical variable-weights thought that could be applied in almost all machine learning methods, but also blazes a new way to apply deep learning methods to aeroengines.     

燃气涡轮发动机地面试验传感器数据确认概念与方法研究

本文介绍了燃气涡轮发动机传感器数据确认系统的研究与应用现状,详细阐述了基于发动机和试验系统物理模型的解析冗余检验相关多传感器信号有效性方法,以及基于信号序列统计与时频特征分析的单传感器通道信号有效性的确认方法,提出了传感器数据有效性确认系统的研究框架。     

带连续爆震加力燃烧室的涡轮发动机循环及推进性能研究

为进一步提升现有涡轮喷气发动机推进性能,可以采用连续爆震加力燃烧室,针对此,本文首先建立考虑了三种耦合热力过程的连续爆震燃烧室热力过程分析模型,通过与传统涡轮发动机性能分析模型相耦合,分析了带连续爆震加力燃烧的涡轮发动机推进性能及加力燃烧室部件特性。结果表明,由于连续爆震燃烧室具有自增压特性,当将其替代传统加力燃烧室可以显著提升加力时涡轮发动机性能;但另一方面,作为加力燃烧室,由于涡轮后气流温度过高,导致连续爆震加力燃烧室增压比的降低,通过对发动机循环参数的选择可以得到改善;同时,连续爆震加力燃烧室部件特性还受到燃烧室进气损失、反应物填充速度及反应物提前燃烧比例影响。     

一种针对液体火箭发动机可靠性的双线评估方法

针对液体火箭发动机可靠性评估过程中试验数据利用不充分、主观性强、与设计改进关联不足等现状,给出了一种可靠性双线评估方法,在有限试车条件下提升可靠性评估结果的准确性,并从风险控制角度识别出发动机的薄弱环节。该方法采用两条主线开展可靠性评估,第一条线以发动机部组件试验数据为输入,以发动机工作时序为线索,识别发动机故障模式,建立可靠性模型,将部组件故障模式的发生概率带入可靠性模型中,采用不确定性传播算法,得到发动机可靠性先验分布。第二条线以发动机整机试验数据为输入,采用威布尔可靠性评估方法,得到发动机可靠性追加信息;随后采用贝叶斯方法进行双线融合,计算发动机可靠性的后验分布。通过可靠性双线评估方法,扩充了可靠性评估的数据来源,并从风险控制角度辨识了发动机的关键部组件及其故障模式,提升了可靠性评估的工程应用价值。     

贝叶斯假设理论检测发动机传感器故障

贝叶斯多重假设检验是将被检测传感器的M个可能状态,作相应M个假设H_i,其先验概率分别为P(H_i)(i=1,2,…,M),故障决策就是从给定观测量M,寻求H_j为真,由贝叶斯风险函数H_i(i=1,2,…,M,i≠j)个假设中的最小值确定最可能发生的假设H_l。      

Fast Online Approximation for Hard Support Vector Regression and Its Application to Analytical Redundancy for Aeroengines

The hard support vector regression attracts little attention owing to the overfitting phenomenon. Recently, a fast offline method has been proposed to approximately train the hard support vector regression with the generation performance comparable to the soft support vector regression. Based on this achievement, this article advances a fast online approximation called the hard support vector regression (FOAHSVR for short). By adopting the greedy stagewise and iterative strategies, it is capable of online estimating parameters of complicated systems. In order to verify the effectiveness of the FOAHSVR, an FOAHSVR-based analytical redundancy for aeroengines is developed. Experiments on the sensor failure and drift evidence the viability and feasibility of the analytical redundancy for aeroengines together with its base-FOAHSVR. In addition, the FOAHSVR is anticipated to find applications in other scientific-technical fields.