基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.      

基于Broyden算法的航空发动机气路故障诊断

针对基于Kalman的故障诊断算法响应速度慢、多故障诊断及非设计点诊断精度低的问题,提出一种基于改进Broyden算法求解方程组的航空发动机气路故障诊断方法。针对涡轴发动机,以模型输出跟踪发动机输出为准则确定3个方程,结合发动机模型中的2个平衡方程,构建气路故障诊断方程组,通过改进Broyden算法求解方程组以获得部件性能退化因子及模型猜值。数字仿真结果表明,所提出的基于Broyden算法求解方程组的航空发动机气路故障诊断方法,在包线内的单故障和多故障诊断稳态误差均小于0.35%,且诊断过程算法单步运行最大耗时小于2ms,具有良好的实时性,远优于Kalman滤波方法,验证了算法的先进性。     

涡扇发动机故障诊断中粒子滤波改进方法

针对标准粒子滤波算法诊断步数多且诊断结果噪声水平高的问题,提出伪协方差和自适应似然分布结合的改进粒子滤波算法。该算法通过使用伪协方差代替了粒子集协方差,保证采样得到的粒子能够更真实地反映突变情况,减少诊断步数;通过对似然分布自适应调整,增加其与先验分布的重叠区域,提高抽样率,增加有效粒子数,降低诊断结果噪声水平。发动机健康参数估计仿真结果表明:与标准粒子滤波算法相比,改进的粒子滤波算法能使诊断速度提高约27%,诊断精度提高约38%,有效地减少了突变故障的诊断步数,并显著降低了诊断结果的噪声水平。     

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。     

粒子群优化的粗糙集-神经网络在航空发动机故障诊断中的应用

提出了一种基于粒子群优化算法的邻域粗糙集-神经网络的发动机智能故障诊断方法,首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用粒子群优化算法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对航空发动机气路故障进行诊断.仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了诊断精度.     

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%。     

航空发动机健康估计的神经网络修正卡尔曼滤波算法

针对商用航空发动机与气路相关的传感器分布不均、且个数小于气路健康参数的个数、使用卡尔曼滤波算法估计全部气路健康参数时容易出现误判的特点,提出一种神经网络修正的卡尔曼滤波算法。该算法在每个采样周期内利用BP神经网络来修正个体的偏移方向,按粒子滤波算法计算每个个体的权值用以估计总体的均值和协方差,然后利用卡尔曼滤波算法更新所有个体,并将总体的均值作为当前时刻的估计结果。通过对商用航空发动机部件级模型在多个飞行状态点数字仿真模拟9种气路突变故障,由7个可测输出估计全部10个健康参数,该混合算法的估计误差相比BP神经网络与无迹卡尔曼滤波算法分别平均降低了34.6%与47.9%。     

基于一致性融合和神经网络的航空发动机气路系统故障诊断方法

以信息融合为基础,运用GRNN神经网络对航空发动机气路系统进行故障诊断,提出了一种基于一致性融合和神经网络相结合的故障诊断方法。试验结果表明,该方法能快速识别航空发动机气路系统故障,并且对其他机械设备的故障诊断具有一定的参考价值。     

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.      

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选,降低输入维度;采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化,并对优化的神经网络进行训练;用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法,并且在参选故障诊断的性能参数不同时,其诊断误差相近,展现出较强的适应能力。      

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。     

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.      

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。      

发动机试车气路故障诊断系统的设计与应用

以发动机整机试验数据为研究对象,建立了一套发动机试车气路故障诊断系统.首先阐述了该系统的设计功能和总体流程逻辑;使用故障模式法和调整模式法建立了气路部件故障诊断和优化调整模块;然后以一个双轴分排涡扇发动机为例,针对气路部件故障诊断和优化调整给出了考虑噪声的数值试验分析.最后就该系统的发展进行了讨论.      

基于混合粒子滤波的激光惯导系统误差的补偿

针对激光陀螺捷联惯导系统在动态尤其是高动态环境下的姿态误差显著增大的问题,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。算法基于混合粒子的卡尔曼滤波和粒子滤波的特点,用有限的高斯模型来近似后验状态密度、系统噪声和观测噪声的分布通过EM的算法设计实现模型的降阶,一定程度上克服了EM算法迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间边界的缺点,从而改善了粒子携带信息的衰减问题。通过仿真与试验结合,在纯动态应用环境下的姿态与定位精度补偿效果,与传统Kalman滤波相比,算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

基于Kolmogorov熵的转子-机匣系统故障诊断研究

提出了基于Kolmogorov熵的航空发动机转子—机匣系统状态识别和故障诊断新方法。应用关联积分算法,基于实测的航空发动机机匣振动时间序列求解了转子—机匣系统不同工作状态和故障状态的Kolmogorov熵;基于Kolmogorov熵,对航空发动机转子—机匣系统进行了状态识别和故障诊断。研究结果表明,该法具有较高的状态识别和故障诊断能力。