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。      

航空发动机机载实时自适应模型研究

航空发动机的性能蜕化会导致其可测参数的变化,因此传感器测量参数偏离正常工作情况下的变化量,可以表征发动机的性能蜕化程度。文中首先建立了包含发动机性能蜕化因素的状态变量模型,并将性能蜕化参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测的输出偏离量经滤波器状态估计得到发动机性能蜕化值,最后将性能蜕化值用于状态变量模型中不可测参数的修正,从而使机载模型适应发动机的非额定工作状况。     

基于混合卡尔曼滤波器组故障传感器定位方法

为了在发动机性能蜕化与传感器故障并存的情况下实现故障传感器的定位与部件蜕化情况的估计,并实现故障诊断基准数据的修正,构建了1种包含了机载模型与线性卡尔曼滤波器的组合结构混合卡尔曼滤波器组。该卡尔曼滤波器组能够在之前所描述的故障/蜕化耦合情况下定位故障传感器,并得到较为准确的部件蜕化估计结果。为了验证了混合卡尔曼滤波器组的有效性,进行了相关仿真。仿真结果表明:混合卡尔曼滤波器组能够在发动机动态过程中遭遇传感器故障与部件蜕化并存的情况下完成故障定位与蜕化估计。     

基于机载自适应模型的航空发动机控制

航空发动机的性能蜕化会导致其性能变差，传统的控制方法使其不能满足飞机的推力需求。机载的发动机自适应模型利用卡尔曼滤波器，能准确估计发动机的性能蜕化，对机载模型进行修正使其输出与真实发动机保持一致。建立了发动机机载自适应模型，并将其加入控制回路，形成推力闭环控制，消除发动机性能蜕化对飞机性能的影响。仿真结果表明，机载模型能准确估计发动机额定特性情况以及性能蜕化情况下的推力，对发动机推力的直接控制克服了性能蜕化带来的影响。     

涡扇发动机机载自适应建模技术研究

本文研究用涡扇发动机可测输出参数偏离变化来表征发动机的非额定工作特性,将它们做为增广的状态量,设计卡尔曼滤波器进行最优估计,将这些估计值用于修正对发动机不可测参数和性能量的计算,以形成机载自适应模型。仿真研究表明,采用该方法建立的机载模型对性能蜕化所致的发动机非额定工作具有很好的适应能力。      

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。     

基于混合卡尔曼滤波器的涡轴发动机模型自适应修正

针对因发动机个体性能差异和性能衰减引起的发动机模型与真实发动机之间的失配问题,提出一种基于混合卡尔曼滤波器的模型自适应修正方法。以MATLAB下封装的GasTurb模型为基础,将其输出作为卡尔曼滤波器的基准值,将发动机部件修正因子作为滤波器的增广状态变量进行估计,再将所得到的部件修正因子作为GasTurb模型输入对发动机个体性能进行计算。以涡轴发动机为应用对象,利用试验数据验证了该方法的有效性和工程实用性。     

航空发动机增强型机载自适应模型气路故障诊断方法

针对航空发动机在工程应用中气路健康状态的评估问题,提出一种基于增强型机载自适应模型的气路故障诊断方法。 该方法在机载模型中加入神经网络补偿算法,在线修正机载模型的输出误差,提高了卡尔曼滤波器估计精度,以此为基础建立了 发动机增强型自适应模型和性能基线模型。增强型自适应模型可实时评估健康参数状态,并指导性能基线模型跟踪发动机正常 性能降级趋势,确保剪裁精准的故障信息用于检测和诊断。基于发动机性能仿真模型模拟故障特征数据库,采用RBF神经网络训 练样本,完成了故障模式判定和故障隔离。通过构建某型涡轴发动机气路故障诊断平台进行仿真验证,结果表明：该方法能够有 效监视发动机在全包线、全寿命周期的气路健康状况,在实际工作流程中具备可行性。     

神经网络在发动机自适应建模中的应用研究

提出了一种新的基于神经网络的发动机自适应实时模型的建模方法。建模的思想是认为发动机的任何非额定工作都将导致其输出参数的变化,因而可以把这些参数偏离正常工作参数值的变化量,也就是输出偏离量,用来表征发动机的非额定工作情况。把它们作为增广的状态变量,设计卡尔曼滤波器对其进行最优估计,然后用这些输出偏离量的估计值,通过由BP神经网络训练出来的可测输出偏离量与未测输出偏离量的映射关系来校正机载发动机模型的计算输出,使之与真实发动机的输出一致,从而使实时机载模型获得对任何发动机非额定工况的自适应能力。      

一种考虑非线性余项的机载发动机自适应模型建立及其在寻优控制中的应用

为了解决传统的机载发动机分段稳态线化模型精度不足的问题,在发动机稳态线化模型中引入了模型各输出参数泰勒展开中的非线性余项,建立了考虑非线性余项的机载发动机稳态模型。为了估计真实发动机部件蜕化情况,建立了基于Kalman滤波的发动机部件性能蜕化估计模块。以考虑非线性余项的发动机稳态模型为核心,结合性能蜕化估计模块构建了机载发动机自适应模型。针对所建立的机载发动机自适应模型,进行了单部件及多部件蜕化参数估计以及最小油耗性能寻优控制模式的仿真。仿真结果表明,考虑非线性余项的机载发动机自适应模型误差在1%以内,且具有优化耗时少 ,建立模型样本数据需求量小的特点。     

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...     

机载实时模型稳态基准值的修正方法研究

发动机机载实时模型稳态基准值反映了当前发动机的工况,决定着实时模型的稳态精度。提出一种利用传感器测量数据修正机载实时模型稳态基准值的方法,具体采用多项式线性拟合技术、利用传感器近期测量数据修正机载实时模型的基准值,以适应发动机稳态特性的改变、提高模型稳态精度。针对某民用大涵道比涡扇发动机构建的在线故障诊断仿真系统研究表明,在发动机发生性能退化的情况下,修正后的机载实时模型的稳态误差降低近1.8%。     

基于改进平方根无迹卡尔曼滤波方法的涡扇发动机气路状态监控

针对涡扇发动机气路状态监控存在模型未知或不准确导致滤波效果下降甚至发散的问题,研究了一种融入高斯过程回归（GPR）的改进平方根无迹卡尔曼滤波（UKF）方法.该方法利用GPR对训练数据进行学习,建立发动机气路部件状态监控的GPR模型,替代UKF方法中的非线性系统模型;采用超球体单形采样和平方根滤波方法来提高滤波的计算效率和数值稳定性.仿真结果表明:训练的GPR模型解决了UKF方法对发动机原系统模型和噪声协方差矩阵依赖性的问题;与扩展卡尔曼滤波（EKF）和平方根UKF方法相比较,改进平方根UKF方法精度更高,对健康参数的估计精度达到99.9%,实现了对涡扇发动机单个和多个气路部件健系参数的有效跟踪.      

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。      

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。