基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DERLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.     

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.     

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。     

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.     

基于Boosting-SVM算法的航空发动机故障诊断

提出了一种利用支持向量机(SVM)作为弱基分类器、Boosting算法进行加权融合的航空发动机故障诊断算法.该算法具有支持向量机的强分类能力,又具有Boosting算法适合不均衡数据集的特点.为验证算法的有效性,采用外场实测的滑油光谱分析数据针对传动系统的轴承、减速齿轮和滑油系统3类故障进行了验证.为去除实测数据之间的冗余、降低特征维数,提高算法执行效率,采用主元分析(PCA)和粗糙集理论(RST)进行故障特征压缩和提取.利用实测数据构造了Boosting支持向量机分类器.最后,实验结果表明Boosting-SVM算法可以显著提高SVM分类器的推广性能.针对实测数据,3种故障平均识别准确率由79.4%提高到了85.7%.     

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

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.     

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择；训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

基于遗传算法的航空发动机机载模型支持向量机修正方法

航空发动机的实时模型与发动机的匹配精度直接影响着航空发动机故障诊断的精度.提出了基于自适应遗传算法的最小二乘支持向量回归机(AGA-LSSVR)方法对航空发动机机载实时模型进行修正,有效的提高了模型的匹配精度.分析了最小二乘支持向量机中的参数的选取对模型修正的影响,在参数的选取空间里采用自适应遗传算法搜索最优参数.最后,比较了Back propagation(BP)神经网络、支持向量回归机、AGA-LSSVR等方法在机载模型中的修正效果.结果表明:提出的AGA-LSSVR具有很好的修正精度,验证了修正模型的有效性.     

航空发动机的支持向量机自适应PID控制

首先介绍了支持向量机(SVM)的原理,建立了支持向量机回归(SVMR)模型.将SVMR与基于支持向量机的控制器相结合,组成自适应PID支持向量机控制(SVMC)系统.最后用于某型航空发动机,通过在选定的设计点处进行控制系统的设计,利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,使控制系统在发动机偏离设计点工作时控制系统仍保持很好的性能.为通用非线性控制提供了一种新的控制思路.     

航空发动机双重传感器故障诊断逻辑研究

针对航空发动机控制系统的双重传感器故障,提出了一种采用双路容错设计的卡尔曼滤波器故障检测隔离系统.故障检测隔离系统由一系列卡尔曼滤波器组成,每个滤波器都假定2路传感器故障,而以故障支路外的测量值作为输入量.当双重传感器故障发生时,只有不包含故障传感器信息的滤波器保持较低的估计残差,其他滤波器都会产生较大的估计残差,如此双重传感器故障便可以被隔离.利用滤波器组估计残差的特征,进一步设计合理的运算逻辑,系统就可以同时对传感器单一故障进行检测和隔离.为了验证故障诊断系统的有效性,在发动机慢车状态分别对传感器发生双重故障和单一故障的情况进行仿真.仿真结果表明:故障诊断系统能够准确有效地对传感器双重故障和单一故障进行检测和隔离.     

基于LS-SVM的飞控系统传感器故障诊断

针对飞控系统故障诊断难的问题,利用最小二乘支持向量机(LS-SVM)设计了一个飞控系统传感器的故障诊断系统.仿真试验结果表明,LS-SVM具有很高的建模精度和较强的泛化能力,基于LS-SVM的故障诊断系统能对各型传感器的故障进行诊断和定位,验证了该方法的有效性和先进性.     

基于滑动时间窗主成分分析的液体火箭发动机传感器故障诊断方法

安装在发动机上的各种传感器是发动机状态监测的主要依据,由于工作环境恶劣,传感器失效时有发生。由于发动机运行过程中的性能蜕变和台次差异,现有基于主成分分析（PCA）的传感器故障隔离方法应用条件苛刻且诊断效果有限。针对这些问题,在对发动机数据分析的基础上,将滑动时间窗方法与PCA方法结合,提出双滑动时间窗的PCA方法用于故障传感器的隔离,并基于发动机试车数据进行了方法验证。结果表明：该方法能降低发动机性能蜕变和台次差异对发动机传感器故障诊断的影响,没有参数相关性的限制,可以实现对四种常见传感器故障的有效隔离,以及对两种发动机试验过程中故障的准确检测。研究证明了高速运转系统性能蜕变和强耦合复杂大系统台次差异对基于数据的故障诊断方法效果的影响,验证了在线学习/训练算法对这两种现象的鲁棒性。     

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

基于扩展卡尔曼滤波器的微型燃气轮机传感器 故障诊断与硬件在环验证

为了解决微型燃气轮机在变工况条件下的传感器信号故障诊断问题,提出了基于1簇卡尔曼滤波器的故障诊断方法。该方法基于V字研发流程,使用基于模型的设计方法开发了Simulink微型燃气轮机部件级仿真模型,设计了变负载条件下的传感器故障诊断与隔离系统。基于全数字仿真平台和硬件在环仿真平台对模型以及故障诊断与隔离系统进行集成验证。结果表明:基于MBD方法的全数字仿真及硬件在环仿真具有很高的一致性,能够快速实现模型转换及验证,为微型燃气轮机控制算法开发与硬件在环验证提供了有力的支持。     

应用神经网络诊断航空发动机气路故障的前景

介绍了近几年来国内外应用神经网络对航空发动机气路故障进行诊断的基本方法和研究进展。对单一故障进行定性的诊断已经取得了试验验证，结果表明神经网络具有较高的诊断准确率。对反映发动机气路部件健康状况的气流量、效率等参数的多故障、定量的诊断则取得了一些仿真研究成果。相对于基于发动机气动热力学数学模型的方法而言，神经网络方法具有更大的工程应用潜力。     

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。     

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.     

SAR performance-based fault diagnosis for electro-hydraulic control system: A novel FDI framework for closed-loop system

Model-based fault diagnosis serves as an efficient and powerful technique in addressing fault detection and isolation (FDI) issues for control systems. However, the standard methods and their modifications still encounter some difficulties in algorithm design and application for complex higher-order systems. To avoid these difficulties, a novel fault diagnosis framework based on multiple performance indicators of closed-loop control system is proposed. Under this framework, a so-called performance residual vector is constructed to measure the differences between the real system and the nominal model in terms of system stability, accuracy, and rapidity (SAR) respectively. The criteria for quantification, normalization of the SAR residuals and the explicit mappings between the thresholds and the required performance are given. FDI can be easily achieved simultaneously by monitoring the normalized residual vector length and direction in the SAR performance residual space. A case study on electro-hydraulic servo control system of turbofan engine is adopted to demonstrate the effectiveness of the proposed method.