航空发动机故障诊断的机载自适应模型

提出了复合拟合法建立状态变量模型,该方法应用于建立高维状态变量模型时,具有较高的精度.将健康参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计得到健康参数.为了减少自适应模型与真实发动机之间的建模误差,在自适应模型中加入神经网络对稳态基点模型进行修正,从而提高了故障诊断系统的置信度.      

航空燃气涡轮发动机气路故障诊断进展

航空发动机健康管理是提高当代先进航空发动机安全性、可靠性以及经济可承受性的关键技术,是实现发动机视情维修的重要方法之一。航空发动机气路故障诊断作为健康管理系统的重要支撑技术,在先进航空发动机发展过程中具有重要的研究价值与前景。基于航空发动机气路故障诊断50余年的发展成果,梳理了航空发动机气路故障诊断的总体实施流程,包括气路测量参数的选择及参数预处理方法、基线值的计算及基线模型的构建方法;介绍了基于模型和数据驱动的气路故障诊断方法的基本原理和典型成果并对不同方法的特点进行了评述;对气路故障诊断未来发展方向,包括性能预测、在线气路故障诊断、信息融合以及过渡态气路故障诊断的基本思想和研究现状进行了分析。国内外研究表明：航空发动机气路故障诊断已经形成了以基于模型和基于数据驱动为基础的诊断方法体系,得到了较全面且系统的发展。中国在已有研究成果的基础上,应进一步完善航空发动机全寿命周期数据的收集与整理,建立航空发动机健康管理系统的设计体系,增强产、学、研、用等多方协作,为先进航空发动机健康管理系统提供有力技术支撑。     

航空发动机气路故障诊断研究现状

航空涡轮发动机诊断学伴随着航空涡轮发动机的产生而产生.20世纪60年代后期,Urban将气路分析引入发动机故障诊断,从而使航空发动机故障诊断学产生了很大的发展.此后,人们发展了各种各样的诊断方法并运用于航空航天和工业应用领域.本研究对当前发动机的主要气路故障诊断方法,如基于线性模型的故障诊断、基于非线性模型的故障诊断、基于人工神经网络的故障诊断等方法进行了综述.     

基于信息融合遗传算法的航空发动机气路故障诊断

针对航空发动机由传统定期维修向视情维修转变的发展趋势,研究了遗传算法在气路性能参数估计中的应用,提出了改进的基于信息融合的遗传算法,将多源信息融合到遗传算法中,用以减小遗传算法的搜索范围.仿真结果表明:通过融合多源信息,有效克服遗传算法在寻优过程中陷入局部最优的情况,从而提高了气路性能参数的估计精度,能将估计误差控制在5%以内.      

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。     

基于SVM和SNN的航空发动机气路故障诊断

为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.     

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。     

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。      

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于神经网络和证据融合理论的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了改良的D-S证据理论,对基于自组织竞争网络和BP神经网络的2个诊断子系统的诊断结果进行决策级融合。结果显示,经过融合整个系统降低了误诊率,改善了诊断性能。文章还针对噪声干扰的情况,通过调整对于2个子系统的权重,在保证高准确率的同时提高了系统的抗噪声性能。研究结果表明D-S证据理论的使用可以达到比单独运用2个神经网络子系统都要好的诊断效能。     

基于灰色关联分析的航空发动机气路故障诊断方法研究

航空发动机结构复杂且工作环境恶劣,属于多发性故障的高技术机械产品,而且以目前的技术水平无法绝对保证发动机在无故障状态下运行.因此发展准确、快速的故障诊断方法就成为提高发动机工作可靠性、确保飞行安全、缩短维修时间、降低维护费用、提高航班正点率的关键.     

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。     

基于不完备知识的飞机发动机故障诊断研究

飞机发动机故障诊断需要厂家提供的诊断知识和不断积累的专家实践经验，具有不完备性。基于粗糙集理论，研究了一种从不完备诊断信息中获取诊断知识的方法。该方法将厂家提供的飞机发动机故障诊断知识和专家实践经验形成统一的诊断信息表，利用粗糙集的知识约简方法处理，获得一致的诊断规则，为飞机数字化维修技术的实现提供了保障。实例分析结果验证了所提出方法的有效性和优越性.     

航空发动机远程故障诊断系统研究

介绍了基于互联网的航空发动机远程故障诊断系统的优越性,分析了系统的网络体系结构和组成特点,并讨论了网络信息数据的获得、处理与传输及系统的两种运行模式。     

基于云模型SDG的航空发动机多工况故障诊断方法

针对航空发动机的故障寻源以及故障传播问题,提出了基于云模型符号有向图（SDG）的发动机多工况故障诊断方法。在SDG模型的基础上根据发动机结构进行模块化以便于推理,应用故障关联矩阵进行相容通路的推理;根据相容通路画出故障传播路径,运用云模型理论进行定性与定量的转换,计算故障传播路径上每个节点的传播概率,并对未测节点的状态值进行预测,根据计算结果对每条相容通路进行可能性排序,确定故障源头。根据工况转换矩阵快速得到不同工况下的SDG模型,同时根据具体工况改变模型阈值,对不同工况下的异常节点进行快速推理预测。发动机气源系统的诊断实例表明：基于云模型SDG的多工况故障诊断方法可以帮助决策者做出正确的检测策略,快速制定维修措施,能够有效地运用在复杂系统内的故障传播诊断。     

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。