航空发动机在线综合诊断结构设计及仿真验证

随着机载航空电子设备的快速发展,使得传统地面系统承担的发动机诊断任务可以在线实现。实时数据的使用,可以在线监测发动机性能退化,减少故障检测和隔离的潜伏期,增加间歇性故障的检测率。为此,提出并设计了一种用于航空发动机气路故障检测和隔离、健康监测及参数估计的在线综合诊断结构。基于xPC Target 原理搭建了硬件实时仿真平台,对该结构进行了仿真验证。仿真结果表明,该结构中的机载自适应模型对发动机健康参数、可测参数和不可测参数的估计误差在0.5%以内;气路故障诊断系统采用实时数据,可以更早地检测和隔离包含间歇性故障在内的各种气路故障。     

基于NN-PSM的航空发动机机载自适应稳态模型

为建立一种适用于大包线、变状态的高精度、高实时性航空发动机机载自适应稳态模型，提出一种基于神经网络和推进系统矩阵相融合（NN-PSM）的机载自适应稳态模型建模方法。该方法基于小偏差线性化方法对发动机进行线性化来提取推进系统矩阵，用于表征机载模型与发动机之间的输出偏差量。基于神经网络建立发动机基线模型，用于映射飞行条件与发动机输出量之间的关系，利用神经网络的强拟合能力提高机载模型的稳态精度；设计卡尔曼滤波器实时估计发动机健康参数，提高模型的自适应能力。在大包线、变状态的飞行条件下进行仿真验证，并与传统的复合推进系统模型（CPSM）进行对比，结果表明:NN-PSM模型的平均精度在0.66%以内，而CPSM的平均精度为2.07%以内，运行时间仅为CPSM的1/10，且具有数据存储量少的特点。      

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

涡轴发动机自适应混合诊断模型高斯加权聚类方法

针对整个飞行包线内涡轴发动机健康参数估计问题,提出基于高斯加权聚类的机载自适应混合模型建立方法.机载自适应混合模型由卡尔曼滤波器和神经网络组成,由于飞行数据样本庞大,采用高斯加权模型对涡轴发动机飞行数据进行实时聚类,利用聚类数据更新神经网络权重,并实现自适应混合模型工作范围的自动扩展.仿真结果表明了该方法的有效性,采用...     

航空燃气涡轮发动机气路故障诊断进展

航空发动机健康管理是提高当代先进航空发动机安全性、可靠性以及经济可承受性的关键技术,是实现发动机视情维 修的重要方法之一。航空发动机气路故障诊断作为健康管理系统的重要支撑技术,在先进航空发动机发展过程中具有重要的研 究价值与前景。基于航空发动机气路故障诊断50余年的发展成果,梳理了航空发动机气路故障诊断的总体实施流程,包括气路 测量参数的选择及参数预处理方法、基线值的计算及基线模型的构建方法;介绍了基于模型和数据驱动的气路故障诊断方法的基 本原理和典型成果并对不同方法的特点进行了评述;对气路故障诊断未来发展方向,包括性能预测、在线气路故障诊断、信息融合 以及过渡态气路故障诊断的基本思想和研究现状进行了分析。国内外研究表明：航空发动机气路故障诊断已经形成了以基于模 型和基于数据驱动为基础的诊断方法体系,得到了较全面且系统的发展。中国在已有研究成果的基础上,应进一步完善航空发动 机全寿命周期数据的收集与整理,建立航空发动机健康管理系统的设计体系,增强产、学、研、用等多方协作,为先进航空发动机健 康管理系统提供有力技术支撑。     

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。     

涡扇发动机气路部件故障增益调度容错控制

针对涡扇发动机气路部件故障导致控制性能下降甚至影响安全性的问题,提出了一种增益调度容错控制器设计方法。在全飞行包线内对发动机不同的工作点,基于部件线性化方法建立高精度的带健康参数的发动机线性化模型,并设计相应的卡尔曼滤波器构建气路部件故障诊断模块,估计出反映发动机气路部件故障程度的健康参数;针对不同工作点处正常状态和部件故障状态的线性化模型,分别设计一系列的鲁棒控制器,并根据调度参数和健康参数对发动机进行增益调度控制,以某型民用涡扇发动机为对象实现控制器的仿真验证。仿真结果表明：通过引入健康参数这一新的调度变量实现了增益调度容错控制,改善了原控制系统在气路部件发生故障导致部件流量和效率较大变化时的控制效果,保证了系统的稳定性;同时,在全飞行包线范围内有效地实现了气路部件故障下控制指令跟踪,达到了期望响应性能,控制误差、超调量和调节时间都很小,符合发动机控制系统技术要求。     

基于快速原型的涡扇发动机气路部件在线健康监控系统设计

为实现涡扇发动机全包线范围内具有较高精度的快速实时仿真,结合快速原型技术和发动机非线性模型设计了一种气路部件在线健康监控系统。该系统采用涡扇发动机非线性模型模拟真实发动机进行实时计算,并将基于优化拟合法获得最优的发动机线性化模型融入扩展Kalman滤波算法,对气路部件健康参数进行实时跟踪,将该跟踪方法运用于基于CompactDAQ和CompactRIO平台设计的发动机在线故障诊断原型系统进行仿真试验验证。仿真结果表明,基于快速原型技术与发动机非线性模型构建的在线健康监控系统能够实现对气路部件故障的有效诊断,平均正确率达到98.28%。     

航空发动机气路故障诊断的SANNWA-PF算法

针对航空发动机非线性、非高斯的特点，提出一种用于航空发动机气路故障诊断的自适应神经网络权值调整粒子滤波（SANNWA PF）算法。该算法根据粒子分布情况确定分裂和调整的粒子数目，进而根据粒子权重采用正态分布的方式进行分裂，采用反向传插(BP)神经网络进行权值调整，缓解了粒子的退化和贫化，具有更强的自适应性能和跟踪能力。通过一维非线性跟踪模型和航空发动机气路故障诊断仿真研究表明:SANNWA PF算法具有良好的非高斯性能，相对粒子滤波一维非线性追踪模型估计精度提高约21%，航空发动机气路故障诊断在高斯噪声和非高斯噪声下分别提高约30%和26%，诊断速度分别提高约7倍和10倍。      

粗糙集与神经网络在航空发动机气路故障诊断中的应用

提出了一种基于粗糙集理论和神经网络集成的发动机智能故障诊断方法,首先对测量数据进行离散处理,并运用粗糙集理论建立故障决策表,进而约简属性和提取规则,对航空发动机气路部件的几种典型故障进行隔离。然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出发动机气路相关部件的故障程度。最后,还验证了粗糙集神经网络故障诊断系统的抗噪性能。研究表明,该系统能够正确而且高效地诊断出发动机故障的严重程度,并具备良好的抑制噪声的能力。