基于飞行包线划分的航空发动机T-S模糊模型辨识

针对航空发动机在建立Takagi-Sugeno(T-S)模糊模型时运算耗时长和过分依赖学习数据的问题,提出了一种基于飞行包线划分的航空发动机T-S建模方法.通过飞行包线划分和标称点求取确定T-S模型的前件结构;计算各标称点的状态空间模型,将其作为T-S模型的后件;最后通过对航空发动机发参数据的机器学习完成对模型前件参数的辨识.仿真对比结果表明:该方法缩短了航空发动机T-S模糊模型的建模时间,并使得高压转子和低压转子转速的绝对误差分别小于0.25%,0.10%,保持了辨识精度.      

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于模糊Takagi-Sugeno模型的发动机转速鲁棒控制

基于某航空用二冲程活塞式发动机的非线性模型, 利用扇形非线性特性得到了发动机模糊Takagi-Sugeno(T-S)模型;基于该T-S模型, 采用系统增广的方法研究了无静态误差转速控制器;设计中考虑了鲁棒H∞性能, 使得该非线性系统的模糊控制器具有较好干扰抑制性能, 并在Lyapunov稳定性理论基础上建立了该系统渐进稳定的线性矩阵不等式条件;最后通过系统仿真算例验证了所设计控制器的有效性.      

航空发动机整机振动故障模糊信息熵诊断方法

为了获得航空发动机整机振动故障征兆与故障原因之间难以确定的复杂隶属关系,提高故障诊断的准确率,基于模糊数学理论和信息熵理论,提出了基于模糊信息熵的发动机整机振动故障融合诊断方法。通过建立模糊信息熵融合诊断的数学模型,使定量分析与专家经验和定性分析相结合,并应用于某型航空发动机整机振动故障诊断。实际应用表明,基于模糊信息熵融合的诊断模型较单一的模糊诊断模型准确率明显提高,验证了该方法用于航空发动机整机振动故障诊断是有效的。     

基于灰色神经网络的航空发动机振动故障诊断方法研究

针对某型双转子航空涡扇发动机台架试车中出现的振动异常现象,提出了一种基于灰色神经网络的航空发动机故障诊断方法,该方法不仅具有灰色关联度故障诊断方法计算量小、准确率高等优点,同时具备了神经网络强大的并行处理能力和良好的容错性。实例证明,该方法能够简单有效地诊断出航空发动机台架试车中出现的常见故障,为航空发动机故障诊断提供了一个新的途径。     

基于T-S模糊模型的航空发动机模型辨识

提出了一种航空发动机的Takagi-Sugeno(T-S)模糊模型辨识方法,该方法通过最小二乘法辨识模糊模型的后件参数,通过反向传播法辨识模糊模型的前件参数,并实现了模糊模型结构的自适应优化。以航空发动机机载记录数据为依据,通过对输入输出数据的学习建立了航空发动机的T-S模糊辨识模型,通过该模型对机载记录数据的辨识,结果表明该模糊辨识模型具有辨识精度高、鲁棒性强、容错性好等特点。     

基于LPV模型的航空发动机控制器Kalman滤波器设计

针对航空发动机LPV模型,设计了1种改进Kalman滤波器设计方法,并应用于某型涡扇发动机控制系统中。涡扇发动机宽工况变化过程的仿真结果表明,该滤波器可实现对系统输出和状态的有效跟踪和滤波,较好地检验了该方法的有效性。     

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

航空发动机部件性能故障融合诊断方法研究

提出一种对航空发动机部件性能蜕化进行融合诊断的模糊决策融合机制,以改善单独采用基于模型和基于数据的部件性能故障诊断的漏诊与误诊的问题.传感器测量值同时输入到基于自适应模型的和基于数据的诊断模块中,分别利用卡尔曼滤波算法和最小二乘支持向量机(LSSVM)对主要部件故障性能参数估计,再利用模糊逻辑调整决策权重以进行D-S(Dempster-Shafer)证据理论的决策融合诊断.以某型涡扇发动机为对象进行单部件和双部件蜕化仿真研究表明,与单独使用基于模型和基于数据的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度.      

基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制

提出了一种基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制方法.该方法通过给误差变量赋予不同权值因子提高LS-SVM的鲁棒性,采用修剪算法提高LS-SVM的稀疏性;该方法从某涡扇发动机输入输出空间中建立其正常模型,采用阈值判别法对传感器故障进行实时监视与诊断,并用模型输出值代替故障传感器测量值反馈回闭环控制系统,实现对发动机的自适应重构控制.仿真结果表明,该方法能及时准确地定位故障,并进行有效的自适应重构控制.      

航空发动机故障诊断装置硬件在环实时仿真平台

硬件在环仿真是将算法由理论转为实际应用的重要步骤,而针对航空发动机故障诊断算法的硬件在回路仿真平台的研制目前还处于初级阶段。基于已有的民用大涵道比涡扇发动机非线性模型,利用基于x PC的自动代码生成技术,搭建了基于工控机与DSP的故障诊断装置硬件在回路实时仿真系统,并对平台的性能参数、使用流程进行了说明。提出了1种故障诊断算法并进行了硬件在回路验证。针对搭建的平台,提出1种故障诊断算法的评价标准。     

航空发动机故障诊断算法测试平台

在MATLAB/Simulink环境下搭建航空发动机故障诊断算法测试平台。利用已有的民用大涵道比涡扇发动机非线性模型进行仿真得到航空发动机故障数据,数据既可以用于故障诊断算法的开发,也可以用于故障诊断算法的验证。对用户提供的故障诊断算法按照统一的评价标准进行分析,得出诊断算法优良性的量化值,使得不同结构、不同平台的诊断算法能直接作出比较。通过故障诊断算法的诊断结果进行分析,得到的评价结果可全面反映故障诊断算法的性能。     

航空发动机故障诊断算法性能分析及参数优化

基于航空发动机故障诊断测试平台,通过蒙特卡洛仿真得到涡扇发动机部件、传感器及执行机构典型故障数据,经过参数换算、趋势监测、异常检测等过程进行故障诊断,采用加权最小二乘法实现故障隔离.利用故障诊断测试平台中的评估指标准则对诊断算法性能做出定量评估,采用遗传算法对虚警率、漏报率和Kappa系数等关键参数进行优化.     

航空发动机部件性能参数融合预测

为了改善目前单独采用基于模型和数据驱动的部件健康参数预测精度,提高数据驱动方法的故障诊断的泛化能力,提出一种自调整决策融合机制,对航空发动机部件性能蜕化在连续蜕化空间进行融合诊断。传感器测量值同时输入到机载自适应模型和数据驱动的诊断模块中,分别利用卡尔曼滤波算法和自适应遗传算法优化的支持向量回归机(AGA-SVR)对主要部件性能进行预测,再利用自调整决策权重的量子粒子群寻优(QPSO)进行决策级融合诊断。以某型涡扇发动机为对象进行气路部件蜕化的仿真研究表明,与单独使用基于模型和数据驱动的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度。     

并行鲁棒观测器对发动机减小转速信号的故障分离

通过对减小转速故障信号产生机理的研究 ,提出了一种基于多重模型假设下的并行鲁棒观测器残差输出的故障分离方法 ,建立了实际系统的正常工作状态和 4种故障工作模式 ,将该方法应用于某型航空涡扇发动机导致减小转速信号产生的传感器的故障检测与分离。数字仿真和误差分析结果显示 ,文中提出的方法可靠性高 ,故障定位准确 ,对发动机减小转速信号的故障分离行之有效。      

逆波兰式优化算法在航空发动机测试系统中的应用

为了适应新一代航空发动机测试系统的发展要求,提高测试系统对计算参数的处理能力,结合航空发动机测试系统的自身特点,将逆波兰式算法应用到测试系统的参数计算中,并对逆波兰式算法进行改进和优化。结果表明:逆波兰式算法可提高发动机测试系统代码的可移植性与重复性,优化后的逆波兰式算法可提高测试系统的容错性、计算结果准确性,从计算程序的运行时间来看,优化后的算法较未优化算法的计算效率提高20%~40%。     

面向对象的涡扇发动机及控制系统仿真平台

研究了面向对象的航空发动机数值仿真平台实现机理, 构建了涡扇发动机及其控制系统模型库, 采用面向对象方法完成了模型库及辅助类库的代码实现;研究了交互式仿真界面及模块化构建仿真系统的关键技术, 在此基础上结合模型库、辅助类库构建了涡扇发动机及其控制系统通用仿真平台, 仿真结果表明, 该平台可计算发动机从零加速到最大状态的全程实时动态仿真, 动态误差小于8%, 控制系统响应快, 超调小, 能够满足发动机控制仿真的需求.