航空发动机燃油调节执行机构及其传感器的故障诊断与半物理仿真

为了提高航空发动机控制系统的可靠性,针对航空发动机燃油调节执行机构回路,提出了一种基于执行机构数学模型及发动机燃油逆映射模型的故障诊断方法,以实现对执行机构自身故障及其线性可变差动变压器(LVDT)位移传感器故障的检测和隔离。基于非线性回归方法极端学习机(ELM)算法建立了发动机燃油逆映射模型,保证了燃油估计的精度和实时性。为了验证该方法的可行性和有效性,以涡扇发动机主燃油调节执行机构为研究对象,在半物理仿真试验平台上进行了故障诊断的半物理仿真试验。结果表明,该故障诊断方法能快速准确地检测并区分出幅值在2%以上的执行机构故障和LVDT传感器故障。     

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.     

基于NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

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.      

基于人工免疫网络模型的航空发动机传感器故障诊断

提出了一种用于传感器故障诊断的免疫网络,对其结构和特点进行了分析,给出了相应的诊断算法。对传感器典型故障进行了故障诊断仿真,分析了免疫网络能检测出的最小故障偏差水平以及在不同噪声水平下的故障诊断效果。仿真结果表明,所研究的方法能有效检测到故障传感器,并具有良好的灵敏性及抗噪声干扰能力。     

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DE-RLSSVM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.      

航空发动机磨损故障诊断系统研究

本文介绍的系统,通过对滑油中的磨粒形态进行铁谱显微图像自动识别的方法监测、诊断机械设备的磨损状态和磨损类故障,并辅以光谱分析实现故障定位。本文介绍了系统的组成特点和状态监测、故障诊断、故障定位、趋势预测以及专家系统开发等系统的诊断技术原理。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

基于UIO的航空发动机控制系统传感器故障诊断

研究了航空发动机控制系统传感器鲁棒故障检测与隔离问题,提出了一种克服不同干扰对控制系统诊断性能影响的方法.应用未知输入观测器(unknown input observer,简称UIO)理论来解耦航空发动机动态系统干扰,并针对控制系统传感器设计一族UIO,提取出一系列的传感器残差特征数据,通过分析残差队列的幅值特性,实现航空发动机控制系统传感器故障诊断.在高斯白噪声、模型工作点变化和非高斯噪声三类干扰下的数字仿真结果表明,不管何种干扰,UIO诊断方法均能检测和隔离出传感器故障,在诊断鲁棒性方面,要优于Kalman滤波器诊断算法.      

航空发动机中介轴承的故障特征与诊断方法

提出了转差域频谱和转差域包络谱的概念,建立了诊断航空发动机中介轴承故障的方法.利用发动机高、低压转差作为触发信号,对发动机振动信号进行等转差周期采集,并在转差域对振动信号进行频谱和包络谱分析.结果表明:不平衡响应、不对中响应以及外环静止的轴承故障响应等振动信号在转差域频谱和转差域包络谱上的位置随转速变化;而中介轴承的故障响应在转差域频谱上的边频成分间距不随转速变化,具有倍频“恒间距”特征;在转差域包络谱上的位置也不随转速变化,具有“恒频”特征.带外环故障的中介轴承实验表明:转速变化时,在转差域包络谱中,外环故障特征倍频成分位置不变;在转差域频谱中,出现间隔宽度恒定为外环故障特征倍频的频率成分.      

航空发动机传感器故障诊断方法研究

介绍航空发动机试验过程中,常见的传感器卡死、传感器恒增益变化和传感器恒偏差失效等故障,以及当传感器数据出现异常时,对传感器进行故障诊断的理论方法。对传感器故障诊断有待解决的问题和发展方向做了一定探讨。     

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%.     

航空发动机故障诊断技术综述

航空发动机故障诊断技术对避免飞行事故和降低飞行器运行成本是非常重要的。总结了航空发动机故障诊断的一些的方法,通过对各种方法的比较,对某种故障可以按照需要选择使用一种或几种方法。最后还介绍了目前较为前沿的两种故障诊断方法:小波分析法和神经网络法。     

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.      

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机（SVM）的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。