基于遗传算法的发动机性能监控与故障诊断

利用综合加权法计算表征发动机整体性能的综合指数时，各参数的权系数难于确定。利用遗传算法确定各参数的权系数，使所得到的综合指数值比采用专家调查法所得综合指数值更能灵敏、准确地反映发动机整体性能的变化情况，提高了发动机性能正常与否的识别率，并以此来发现发动机潜在早期故障，防止故障的扩大。通过对某涡扇发动机进行监控，证明该方法确实有效。     

基于改进粒子群算法的航空发动机性能综合评价

针对基于单参数评估发动机性能能力不足的问题,研究了利用多参数综合评估发动机性能的方法;通过对某型发动机台架试车数据分析,确定了使用综合加权法评估发动机性能比算术加权平均法更具合理性;分别利用改进的遗传算法和粒子群优化算法计算多参数的权值,对比结果表明:使用改进的粒子群算法在计算精度和速度上均优于遗传算法。同时还计算了各翻修次数下发动机的性能指标。     

基于信息熵-模糊理论的航空发动机性能评估

航空发动机性能评估可以分析发动机健康状况,预测潜在故障。传统评估方法主要通过计算发动机排气温度和燃油流量的变化进行评价,该方法反映的发动机特征信息不够全面。运用信息熵理论和模糊数学理论,通过对某型发动机典型故障进行故障树分析,计算故障征兆及原因的信息熵权值,建立了一个多参数的发动机性能评估模型,并对发动机各类故障原因对整体性能的影响进行定量分析,从而为发动机可靠性控制提供量化参考指标。     

航空发动机性能趋势监控定量化的方法研究

通过对某型飞机飞行参数记录系统记录信息的破译、分析和处理,对得到的与发动机性能相关的数据在航空发动机性能趋势监控中的应用进行了较为深入的研究。提出了如何利用这些数据得到综合参数,并采用综合参数作为评判发动机性能状况的量化指标以及在此基础上建立发动机预警信号系统的实现方法。最后,利用实际的发动机数据进行了验证。      

一种航空发动机性能监控的免疫神经网络模型

提出了一种基于免疫神经网络的航空发动机性能监控与故障检测模型.利用人工免疫系统的识别机理,并结合人工神经网络,确定发动机性能偏离正常值的程度(异常度),实现发动机性能趋势的监控.该方法能够灵敏、准确地反映发动机整体性能的变化情况,提高发动机性能正常与否的识别率,并以此来发现发动机潜在早期故障,防止故障的扩大.通过对某型涡扇发动机进行监控,证明该方法确实有效.      

基于RCM 和模糊综合评判的航空发动机附件维修决策分析

针对RCM理论在定量决策中的不足引入模糊综合评判方法,分析影响航空发动机附件功能的因素,采用层次分析法确定了各因素的权重,再通过专家调查表确定了各因素隶属度,进行了定量计算,确定了航空发动机附件的维修方式。根据使用中对安全性、任务性、经济性的不同要求,建立了基于可靠性的维修间隔期模型。通过收集燃油增压泵的外场故障数据并进行分布拟合,得到故障数据服从2参数威布尔分布;最后应用维修间隔期数学模型进行计算,确定其定时维修间隔期为2000 h。     

参数小偏差对某高推重比航空发动机性能的影响分析

依据小偏差法原理,针对涡扇发动机的工作特点,计算并分析了发动机过程参数及评定发动机各主要部件损失的系数等14个参数的小偏差对某高推重比航空发动机性能的影响,为某高推重比航空发动机设计过程中,如何调整某些参数补偿某另一参数的偏差对发动机性能的影响提供依据,同时为航空发动机的技术发展提供定量的指导作用。      

基于模糊信息熵的航空发动机性能评估和可靠性分析

以航空发动机为研究对象,利用发动机测量参数变化评估发动机综合性能。将多个测量参数通过模糊信息熵方法转化成1维参数,克服了1个参数不能全面反映发动机性能的缺点;结合性能退化可靠性理论和随机过程方法,通过分析发动机性能退化过程,运用威布尔分布建立了基于随机过程的性能退化过程中的发动机性能可靠性模型。结果表明：通过模糊信息熵方法得到的性能参数能较好地反映发动机性能状况及可靠性程度。     

某航空涡轴发动机健康状况监视与分析

为了及时掌握某涡轴发动机的健康状况，设计了机载发动机参数监视仪，发动机的热力参数，滑油参数及振动参数进行了监视，编制了地面分析软件，给出了用于诊断发动机单元体故障的测量参数和部件性能评估参数，探讨了利用故障因子概念诊断单元体故障的方法，运用发动机的实际无故障数据和模拟故障数据进行了仿真，结果表明，诊断结论可信，该系统在对役涡轴发动机的健康监视具有实用性。     

传感器故障下的航空发动机机载自适应模型重构

利用航空发动机测量参数偏离正常工作情况下的变化量,可以估计发动机的非额定工作状况,并以此对机载模型进行校正,使其与真实发动机工作状况保持一致。建立了包含发动机性能蜕化因素的状态变量模型并对其进行了增广,设计了卡尔曼滤波器,根据可测输出偏离量对发动机性能蜕化值进行了估计,并将性能蜕化值用于修正发动机不可测输出参数。考虑了当某一传感器发生故障后,利用一簇卡尔曼滤波器对发生故障的传感器进行诊断并隔离,并依据剩余非故障传感器的信息对自适应模型进行重构。仿真结果表明,重构的自适应模型能够满足精度及实时性要求。      

发动机亚定故障方程组整体优化解分布函数模型

提出了求解发动机亚定故障方程组整体优化解的分布函数模型.该模型利用一种可以控制自变量数值在整体解中分布的分布函数与亚定故障方程组的残差平方和构成复合目标函数,同时以物理合理性准则作为约束条件,构成一个非线性规划问题.分布函数模型可以在小于、等于特别是大于故障方程个数的各种复杂情况下给出全面的故障诊断信息,从而为目前迫切需要解决的发动机性能监控与故障诊断中在测量参数不足的情况下,对发动机进行全面性能诊断的技术难题提供出一种切实可行而又十分有效的数学模型.首次提出了作为评价发动机全面性能诊断算法有效性指标的相似度的概念,并且以JT9D发动机全面性能诊断问题为例,利用Monte Carlo随机模拟方法确定了分布函数模型可以达到的相似度值.研究结果表明,分布函数模型的相似度可达0.9以上.还利用JT9D发动机的实际故障样本对分布函数模型进行了检验.     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

发动机全面性能诊断的随机搜索模型

提出了求解发动机亚定故障方程组整体优化解的随机搜索模型。该数学模型可以在同时发生的故障模式的数目小于、等于、特别是大于测量参数个数的各种复杂情况下给出全面的故障诊断信息。以JT9D发动机全面性能诊断问题为例,利用随机模拟样本对随机搜索模型的诊断有效性进行了评估,并且利用JT9D发动机的24个实际故障样本对随机搜索模型进行了检验。研究结果表明,利用4个测量参数可以对发动机主要部件同时发生的6～10个故障进行诊断。诊断有效性指标可达0.89～0.94.     

某型发动机性能衰退的统计分析和预测

本文根据500多台次经过0～3次翻修的同一型号发动机的台架性能,运用统计和综合分析的方法对发动机性能衰退进行了分析。提出了反映发动机整体性能的总体性能指数的概念。建立了翻修性能衰退的数学模型,并对性能衰退的发展趋势进行了预测。其结果与实际情况较为吻合,从而为发动机的使用和寿命研究提供了依据。      

涡扇发动机部件特性自适应模拟

发展了一种预测发动机部件特性的自适应模型方法，该方法以通用特性为基础，运用单纯型优化方法，以发动机主要性能参数和过程参数偏差函数最小为优化目标，以部件特性耦合因子为被优参数，预测出不同飞行条件下的涡扇发动机的风扇、压气机、燃烧室、高、低压涡轮等部件特性。运用该模型对某涡扇发动机性能的计算结果表明，发动机主要性能参数和过程参数的计算偏差均在0．5％之内，对发动机各截面总温、总压计算偏差均在1％之内。预测出的部件特性已成功用于发动机故障诊断方程的建立。     

发动机故障诊断主状态量模型合理解的选择

主状态量模型是基于发动机故障方程的发动机故障诊断的一种十分有效的方法,它在发动机故障诊断上的成功应用已为大量实例所证实。发动机故障诊断主状态量模型的一个技术关键就是合理解的选择问题。本文给出了选择合理解的基本原则。这些原则可以有效地提高合理解选择的确定性和故障诊断的故障分辨率。对于JT9D发动机的大量故障实例利用主状态量模型(加权最小二乘法)进行了检验。故障诊断的成功率达90%以上,并且得到了许多有用的信息,文中给出了24个实例的故障诊断结果以及故障趋势分析的典型例子。     

关联维数和Kolm ogorov熵在航空发动机故障诊断中的应用

总结了关联维数和Kolmogorov熵的计算方法,给出详细的计算步骤,并通过对某型发动机在不同状态下关联维数和Kolmogorov熵的计算和混沌特性分析,提出一种将关联维数和Kolmogorov熵结合使用的新的故障诊断手段。实验结果表明:由于不同故障的动力学产生机制不同,通常也具有不同的关联维数和Kol-mogorov熵,故关联维数和Kolmogorov熵可用于故障的特征提取。      

Aircraft engine fault detection based on grouped convolutional denoising autoencoders

Many existing aircraft engine fault detection methods are highly dependent on performance deviation data that are provided by the original equipment manufacturer. To improve the independent engine fault detection ability, Aircraft Communications Addressing and Reporting System (ACARS) data can be used. However, owing to the characteristics of high dimension, complex correlations between parameters, and large noise content, it is difficult for existing methods to detect faults effectively by using ACARS data. To solve this problem, a novel engine fault detection method based on original ACARS data is proposed. First, inspired by computer vision methods, all variables were divided into separated groups according to their correlations. Then, an improved convolutional denoising autoencoder was used to extract the features of each group. Finally, all of the extracted features were fused to form feature vectors. Thereby, fault samples could be identified based on these feature vectors. Experiments were conducted to validate the effectiveness and efficiency of our method and other competing methods by considering real ACARS data as the data source. The results reveal the good performance of our method with regard to comprehensive fault detection and robustness. Additionally, the computational and time costs of our method are shown to be relatively low.