基于发动机性能的传感器故障隔离方法研究

对处于研制阶段的航空发动机整机试验用传感器故障隔离进行了研究。分析了研制阶段发动机试验传感器的故障特点,基于这些特点和发动机自适应模型,建立了多种基于发动机性能模型的故障隔离算法,分别研究了3种不同的隔离指标;分析了发动机故障与传感器故障之间的影响和关系,在发动机故障程度较为严重条件下,建立了改善传感器故障隔离效果的加权方法;并对所建立的算法进行了带有噪声的数值试验。结果表明:采用自适应收敛判断量作为隔离指标,隔离效果最为良好。     

基于GA-AANN神经网络的SDQ算法的航空发动机传感器数据预处理

为实现对输入健康管理系统的航空发动机传感器数据进行数据鉴定、故障诊断以及去除噪声信号干扰,提出了一种航空发动机传感器数据预处理方法。针对双通道传感器航空涡扇发动机,搭建了以合理性检验模块和解析冗余检验模块为主要内容的SDQ算法模型,利用遗传算法优化的AANN神经网络实现传感器的解析冗余检验。采用蒙特卡罗仿真方法,将改进的SDQ算法与一种基于最小二乘法的SDQ算法进行对比仿真验证。结果表明,本文提出的SDQ算法在发动机稳态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了1.7%和19.1%,在发动机动态条件下对阶跃故障和漂移故障隔离的平均正确率分别提高了12.5%和33.8%。且在多传感器故障诊断和除噪方面性能优异,处理后的传感器信号平均信噪比提高了8.27dB。     

子空间辨识方法的改进

针对现代航空发动机的自适应控制和故障监控领域建立物理意义明确的系统动态模型的需要，基于数字子空间状态空间系统辨识（N4SID）方法，提出并推导了指定状态为量的子空间辨识方法，并在某些双转子涡喷发动机气动热力学模型上进行了仿真实验，说明通过指定状态变量的子空间辨识方法可以得到较好的辨识结果。     

发动机故障诊断主因子模型故障相关性准则的研究

】主因子模型是发动机状态诊断（基于故障方程的故障诊断）理论的一个新进展。故障相关性准则的正确选取是主因子模型的核心问题。本文给出三种建立故障相关性准则的途径，即利用线性回归分析、时序分析和系统辨识理论中的定阶准则建立故障相关性准则，以及利用数理统计中的线性模型线性假设显著性检验理论和区间预测理论建立故障相关性准则。文中对所得到的１１个准则进行了比较。研究结果表明，利用线性模型线性假设显著性检验理论建立的两个准则（变量显著性准则ＶＳＣ和子集显著性准则ＳＳＣ）要比近代回归分析、系统辨识或时序分析中通常采用的选择最优变量子集的定阶准则具有更强的故障辨识能力和鉴别线性模型多重共线性的能力。     

发动机故障隔离技术的主特征量模型

本文提出了发动机气路分析故障隔离技术的主特征量模型。主特征量模型的基本原理如下:发动机征兆量和发动机特征量之间存在着特殊的函数关系,即 n 个征兆量小偏差方程可以被少于 n 的 t 个故障量偏差所满足。利用这一特性可以对多于征兆量数目的 m 个特征量进行故障隔离。与目前广泛采用的影响系数矩阵法比较,主特征量模型不仅具有更广泛的实用意义,而且数学模型更加严格,并且能提供较多的故障诊断信息。文中给出了主持征量模型的两种求解方法,即最小征兆量偏差残差模法和最小特征量偏差法。文中还给出了主特征量模型的计算例题,并对计算结果进行了分析。     

基于SVR的X型发动机传感器故障诊断研究

利用基于回归型支持向量机(SVR)的诊断方法,设计了某型涡扇发动机传感器常见故障诊断系统,实现了传感器故障隔离与信号重构.通过发动机试车数据对SVR进行训练,以传感器的偏置故障、冲击故障和漂移故障为例,用MATLAB语言进行了计算机仿真验证.结果表明:基于SVR的传感器故障诊断具有精确度高,实时性强的特点,是一种很好的传感器故障诊断方法.      

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

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。     

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T-S模糊KPCA模型的分布式控制系统传感器故障诊断

为减小航空发动机多工况的工作特性和分布式控制系统非线性网络环境对故障诊断系统的影响,针对航空发动机分布式控制系统,提出一种基于T-S模糊KPCA模型的传感器故障诊断方法。首先采用C均值模糊聚类法,以油门杆角度为样本标签,对样本空间进行模糊分类,再通过模糊相似矩阵剔除各样本子空间的野值点;其次建立标称工况的KPCA模型,并利用训练样本对非标称工况的隶属度函数进行辨识,得到全工况T-S模糊KPCA模型;最后利用统计量T 2和SPE对传感器故障进行检测,并采用数据重构方法对故障传感器进行隔离定位。仿真结果表明该方法对发动机的任意稳定工况具有自适应能力,能够在非线性网络环境下对正常样本和故障样本保持较低的虚警率和漏报率。当多个传感器同时发生故障时,能够准确找到故障源,实现对故障传感器的隔离。     

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。     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。     

基于对传过程神经网络的航空发动机转子仿真故障诊断研究

为更好地解决动态模式识别及故障诊断问题,将过程神经元引入传统对传神经网络的竞争层,提出一种对传过程神经网络模型。并将所提出的网络模型及其学习算法用于航空发动机转子仿真故障诊断中,并得到了满意的结果。     

神经网络在液体火箭发动机故障检测中的应用 (Ⅱ)模式识别技术

基于模糊超球神经网络,提出了一种液体火箭发动机故障的实时检测系统。它采用模式识别技术,在建立正常工作状态的样板模式之后,把当前样本与样板模式进行比较,进而判断发动机工作状态。发动机试车数据分析表明：模糊超球神经网络对输入样本非常敏感。     

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.      

基于模式识别的航空发动机燃油控制系统传感器故障诊断

航空发动机燃油控制系统执行机构故障有可能导致参数测量传感器出现较大偏差,而采用传统的传感器故障诊断方法易误诊为传感器故障。为此,引入修正因子作为传感器故障模式样本,通过聚类分析获得样本的特征向量;按照卡洛南—路伊变换(K—L变换)原理,对传感测量信息进行变换,构成了新的正交变换矩阵,减弱了各特征向量的相关性,突出了差异性,加强了对故障传感器和发动机燃油控制系统执行机构故障的特征识别能力;利用多组学习训练样本,设计了发动机不同参数测量传感器故障模式的判别函数。经仿真试验验证,该方法可以有效识别、诊断传感器故障。     

航空发动机碰摩故障识别可视化技术

通过将计算机图形可视化技术引入碰摩故障识别,进行航空发动机碰摩故障识别技术研究。对航空发动机转子叶片和机匣等关键部件进行可视化建模,根据转子和机匣的振动位移,进行转静碰摩部位检测,对碰摩时产生的火花进行模拟,以直观展现碰摩故障。利用有限元碰摩故障仿真实验,进行航空发动机转静碰摩故障识别和模拟验证,结果表明了方法可以有效地识别出碰摩故障,并直观地显示出碰摩效果。     

基于免疫理论的航空发动机磨损故障智能诊断

针对航空发动机磨损故障诊断技术智能化、精确化的发展要求,以传统油液监测技术为基础,结合人工免疫系统(AIS)具有的自适应特性、学习记忆特性及识别特性等优点,提出了一种航空发动机磨损故障的智能诊断方法。该方法首先利用人工免疫理论的反面选择原理生成检测器,优化后的检测器生成算法提高了初始检测器的代表性及覆盖性;然后利用故障样本训练出成熟的检测器,使航空发动机典型的磨损状态信息存储在检测器中,实现对故障模式的有效学习和记忆;最后通过检测器的激活发现航空发动机的磨损故障。对油样数据的实例分析结果表明,该方法对航空发动机磨损故障具有较强的识别能力,对磨损状态有很好的监测效果。     

应用人工神经网络技术对波音747—200型飞机发动机故障诊断研究

用人工神经网络技术,对波音７４７－２００型飞机的ＪＴ９Ｄ发动机的故障诊断进行了研究,并构成了诊断装置。该研究使用北京飞机维修工程有限公司提供的发动机性能监控数据央脱机后根据性能排队情况艇经验推定法,对发动机的一些常见故障和突发性故障进行了诊断。在诊断过程中,首先搜集发动机的故障状态数据,并对这些数据进行归纳选择,制成了诊断用的教师信号“故障模型”,通过神经网络系统对教师信号的学习,在一定范围内,对     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。