涡轴发动机状态监测系统的研究

介绍了某型涡轴发动机健康状况监视系统的总体方案，给出了用于发动机诊断的状态监测参数和性能评估参数；建立了利用故障因子概念诊断发动机故障的数学模型，运用发动机的实际无故障数据的模拟故障数据进行了仿真。结果表明，诊断结论可信。该系统对在役发动机的健康监视具有实用性。     

航空发动机燃油系统执行机构故障诊断及验证

研究了基于执行机构模型以及发动机逆模型的发动机燃油系统执行机构及其传感器故障诊断方法.基于发动机半物理仿真试验台试验数据建立执行机构小闭环传递函数模型,通过二次多项式拟合将油针位置转换为燃油流量.提出基于自校正在线训练神经网络算法建立发动机逆模型,以离线训练网络参数初始化在线系统,基于阈值更新网络参数,并对学习速率进行自校正,以提高算法的泛化能力及收敛速度.对比执行机构模型输出、发动机逆模型输出与LVDT传感器测量位移换算得到的燃油流量,基于阈值判断故障状态.在T700涡轴发动机半物理仿真试验平台上进行试验,实现了在发动机额定及各种性能退化状态下,执行机构及其传感器漂移和偏置故障的准确诊断及定位,验证了算法的有效性.     

涡轴发动机试飞辅助监控模型研究

为了完成飞行试验中的涡轴发动机重要参数监控,利用飞行试验数据结合神经网络方法建立了某涡轴发动机的重要参数模型,输出参数包括发动机轴功率、耗油率、燃气涡轮后温度。通过对比模型输出和试验状态点,评估了模型的准确度,确定了模型应用的置信区间。将神经网络模型应用于飞行试验中不同高度、不同温度条件下的数据,模型输出结果与试验结果吻合较好,证明了模型的有效性。     

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.      

航空发动机健康等级综合评价方法

研究意义在于将发动机的健康状态量化,进一步提高发动机健康状态评估的可操作性.决定发动机健康状态等级的因素众多,如故障发生的概率、故障的程度以及故障可能造成的损失风险等,且这些因素的影响作用均具有随机性和模糊性.将模糊综合评价方法应用于发动机健康状态等级的评估,将健康状态划分为5个等级,得到每个健康状态等级的隶属度函数,最后基于最大隶属度原则和最大危险性原则确定发动机的健康状态等级.通过对两组发动机故障模拟实验器振动数据的等级评价结果对比,验证了提出方法的有效性和合理性.      

基于模糊信息熵的航空发动机性能评估和可靠性分析

以航空发动机为研究对象,利用发动机测量参数变化评估发动机综合性能。将多个测量参数通过模糊信息熵方法转化成1维参数,克服了1个参数不能全面反映发动机性能的缺点;结合性能退化可靠性理论和随机过程方法,通过分析发动机性能退化过程,运用威布尔分布建立了基于随机过程的性能退化过程中的发动机性能可靠性模型。结果表明：通过模糊信息熵方法得到的性能参数能较好地反映发动机性能状况及可靠性程度。     

某型涡扇发动机测量数据融合模型

为提高传感器测量数据的有效性、可信性,基于共同工作方程,采用原始对偶内点法对某型涡扇发动机测量数据进行了融合分析。通过案例研究了当可测量参数存在误差时融合模型对流量、温度及压力等参数的预测效果;使用两种初值更新法,测试了不同工况下的物理运算时间;研究了约束违反程度对数据融合效果的影响;测试了关键传感器失效情况下,动态数据融合模型对缺失参数的预测效果,提出了进一步加快计算速度的方法。结果表明:通过数据融合,测量数据和未测量参数的不确定度下降到1%以内;通过算法优化,运算时间减小到5s,为发动机状态监控、传感器维护和传感器失效情况下发动机控制策略的制定提供了支持。     

基于神经网络规则提取的航空发动机磨损故障诊断知识获取

针对神经网络智能诊断与专家系统中知识难于理解和诊断解释能力差等问题,研究了一种新的基于功能性观点的神经网络规则提取方法,介绍了方法流程及关键算法.并用UCI(加利福尼亚大学埃尔文分校)机器学习数据对方法进行了分析和验证.最后,将方法应用于实际航空发动机磨损故障诊断中,采集了某型航空发动机实测油样光谱数据237个样本,利用神经网络规则提取方法提取了发动机磨损故障诊断知识规则,并对其进行了解释,结果表明了方法的正确有效性.      

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。     

基于模糊粗集的航空发动机特征参数提取算法

提取发动机性能状态的特征参数,是提高发动机故障识别正确率和可靠性的必要条件.针对实际航空发动机故障参数所具有的模糊和连续性特点,提出了一种基于模糊粗糙集的特征参数提取算法,并应用到某型航空发动机故障识别.研究结果表明:属性约简的核则为导致发动机故障的特征参数,以此特征参数进行故障诊断,可保证较高的诊断精度;同时,该算法的抗干扰性提高了整个系统故障识别的正确率.该算法可用于航空发动机故障分类、故障诊断以及状态监控.      

基于模糊补偿神经网络辨识器的发动机转速控制系统

提出了一种带模糊补偿的神经网络辨识器,并应用在某型涡扇发动机转速控制系统中。一个动态神经网络用于被控装置的在线辨识,然后根据被控装置的输出和参考模型的响应迭代出控制信号,具有4条简单规则的模糊逻辑块用于提高整个系统的闭环特性。试验结果显示,对比传统的机械-液压式控制器和模拟式电子控制器,提出的控制策略具有更好的瞬变特性及抗干扰特性,同时提高了系统的过渡过程品质,保证了航空发动机对高性能指标和高控制精度的要求。      

GA-BP神经网络在航空发动机状态监测中的应用研究

针对航空发动机状态监测问题,引入人工神经网络为发动机复杂非线性系统建立精确模型;选择以GA-BP贝叶斯算法作为神经网络训练算法,建立优化设计近似模型;以发动机排气温度的预测为例,构建了一个GA-BP神经网络对航空发动机状态进行预测。结果表明,GA-BP神经网络收敛速度快,泛化能力强,优于标准BP神经网络,因而为航空发动机状态监测提供了一种有效的方法。     

一种基于模糊神经网络的飞行控制系统设计

文章将模糊逻辑控制与神经网络结合使用,利用神经网络的自学习优势,采用误差反向传播算法,给出PI控制器的比例、积分参数,对模糊逻辑控制器的输出进行进一步调整。仿真结果表明,使系统具有更好的控制效果。     

基于LMI和离散模型的航空发动机压气机传感器鲁棒故障诊断

针对航空发动机压气机健康监测提出了一种基于线性矩阵不等式(LMI)和H_∞优化理论的航空发动机压气机传感器鲁棒故障诊断的方法.在航空发动机具有模型不确定性和外界噪声的情况下,应用基于神经网络的线性拟合方法实现航空发动机压气机离散模型的建立;并通过LMI和H_∞优化问题的求解得到未知输入观测器的设计参数,实现具有强鲁棒性的传感器故障诊断.该方法比以前研究中未知输入观测器故障诊断方法的优点在于能够同时处理模型不确定性和外界噪声.应用ALSTOM公司提供的燃气涡轮压气机模型进行了仿真验证,在压气机具有白噪声模型误差和正弦外界干扰的情况下,实现对小于测量范围2%的传感器故障的检测和诊断.      

基于单类支持向量机的航空发动机故障检测

通过监控航空发动机性能参数,准确判断发动机的工作状态,预知发动机的异常变化．为预防和排除故障提供充足的时间和决策依据。开发出利用QAR（quick access Feeorder．快速存取记录器）数据的发动机故障检测系统,该系统基于民航发动机的QAR数据,由于发动机正常运行数据容易获取．而故障样本难以获得．因而采用单类支持向量机（OCSVM）,仅依靠发动机的健康数据建立其分类器。利用OCSVM分类器．监控后续航班参数是否出现异常,通过分析检测结果,实现发动机故障检测。采用该系统监控航空发动机性能参数．及时发现发动机运行状态异常,证明了系统的可行性和有效性。     

基于符号序列联合熵的航空发动机健康监控方法

引入信息熵理论,结合对多参数时间序列的符号化处理,探讨其在航空发动机健康监控中的应用.利用符号序列联合熵对航空发动机性能参数无序程度的描述,分析航空发动机健康状态及其演化方向.对两组实际飞行数据的实验分析表明,该方法描述的航空发动机的健康发展趋势与实际情况相吻合,能够较好反映航空发动机的健康状态,可以为航空发动机的健康...     

基于比例风险模型的航空发动机视情维修决策

基于航空发动机在翼监控信息来合理确定视情维修(CBM)决策是航空公司安全运营中的重要内容。本文利用Weibull比例风险回归的建模思想,分析了航空发动机因性能衰退而换发的历史监控数据记录,并据此建立了反映该类发动机性能参数与在翼时间之间的函数关系;进而采用最小维修成本、最大可用度策略确定最优维修决策阈值,为同类型在翼发动机进行维修决策的优化提供了一个客观的量化方法。最后对CF6型发动机历史故障数据进行了实例分析,表明该方法在发动机视情维修决策中的实用价值。      

基于RVM回归误差补偿的航空发动机分布式控制系统多步预测控制

针对具有随机有界双侧时延的航空发动机分布式控制系统,提出了一种基于多步预测和关联向量机(RVM)回归误差补偿的控制方案.首先建立航空发动机分布式控制系统(DCS)的神经网络非线性自回归滑动平均(NARMA)模型,利用当前的系统输出和控制量对N步之后的系统输出进行预测;其次用改进的RVM回归多步预测算法估计NARMA模型的的预测误差,并对预测结果进行误差补偿;最后利用补偿之后的预测值和设定值对控制参数进行滚动优化,设计系统的神经网络逆控制器实现系统的自适应控制.仿真结果证明该控制策略能够避免随机有界双侧时延对控制系统的影响,实现对设定值的稳定跟踪,且控制器具有较好的实时性和鲁棒性.低压转子转速阶跃响应的稳态绝对误差小于0.04%,响应时间小于0.3s.      

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.