航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

基于微分进化算法的航空发动机模型修正

为了提高航空发动机性能仿真模型精度,采用微分进化算法对发动机部件特性进行修正.对微分进化算法进行改进,提出折线式交叉变量变化方式,提高了算法的寻优能力.提出变步长牛顿-拉夫逊迭代算法,基于平衡方程残差范数变化趋势,改变牛顿-拉夫逊算法迭代计算步长,提高了模型的收敛性和收敛速度.在设计点,对各部件特性、引气系数、总压恢复系数进行修正,使修正后的模型输出与试验数据相匹配.仿真结果表明:改进后的牛顿-拉夫逊迭代算法收敛性更强、计算速度更快,修正后的各输出参数的最大建模误差减小到1.3762％,满足建模误差需求.     

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。     

航空发动机三变量鲁棒控制器设计

对发动机三变量控制进行了研究.由于发动机可作为被控量的输出参数很多,用不同的被控量设计的控制器系统性能差别很大,所以选择合适的被控量就显得尤为重要.采用RSCN(鲁棒稳定性和条件数)方法从发动机的14个输出变量中选择三个变量作为发动机的被控量,然后用所选择的发动机输入/输出变量来设计增广LQR(1inenr quadratic requlator)控制器,数字仿真表明通过上述方法设计的发动机控制系统响应速度较快,无稳态误差,鲁棒性好.     

基于误差反馈控制的建立航空发动机自适应模型方法

提出了基于误差反馈控制的建立航空发动机自适应模型方法.即以实际发动机的输出为参考指令,以航空发动机性能蜕化值为航空发动机模型的控制量,通过设计鲁棒性好且能消除稳态误差的增广线性二次型最优调节(ALQR)控制器以实现模型的输出自适应地无偏跟踪真实发动机的输出,利用ALQR的鲁棒性,使模型具有良好的自适应性.ALQR和发动机模型一起构成航空发动机自适应模型.最后通过稳态仿真和动态仿真表明该方法不仅可以实现自适应模型全包线跟踪稳态真实发动机,同时能实现动态跟踪真实发动机.      

基于数据驱动的变循环发动机多变量自适应控制算法研究

本文针对变循环发动机包线范围大,自适应控制需求高的问题,在增广线性二次型调节器(ALQR)基础上,提出一种基于数据驱动的自适应ALQR(DA-ALQR)控制算法。构建了多变量系统自适应控制准则函数,以梯度下降法对控制器参数进行调整,借助基于数据驱动的动态线性化建模方法,递推进行输出对输入梯度的近似计算,实现了对ALQR控制参数的自适应调整。仿真结果表明,所设计的DA-ALQR控制器参数随发动机状态变化得到了有效调整,相较于ALQR控制算法,闭环系统动态性能得到了大幅度提升,推力在单外涵模式表现出较快的响应速度,在双外涵模式表现出更小的超调,转速同样表现出了超调减小和响应速度加快特性,验证了所提出方法的有效性。     

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.     

基于改进NSGAⅡ的航空发动机LQ/H∞控制器设计

对第2代非支配排序遗传算法(NSGAⅡ)进行改进,提出以非支配序为进化方向的微分进化(DE)算法代替传统的遗传操作,提高了算法的收敛速度.针对目前航空发动机多变量控制领域广泛关注的线性二次型调节器(LQR)控制与H2/H∞控制存在的保守性问题,提出了将时域性能指标、二次型性能指标与H∞性能指标相结合,通过改进NSGAⅡ优化权矩阵Q,R,最终获得航空发动机LQ/H∞控制器的设计方法.与其他控制器设计方法相比,基于多目标优化的LQ/H∞控制器目标明确、鲁棒性强且保守性更低.仿真验证结果表明:相比于基于线性矩阵不等式(LMI)的H2/H∞控制器,基于多目标优化的LQ/H∞控制器时域性能提高了4倍,调节时间减少了50%,抗干扰能力提高了15%.     

基于复合优化的航空发动机模型参数估计

本文提出了一种复合优化方法,用于发动机多变量,状态空间模型的时域辨识。优化中粒子群优化算法和最小二乘优化算法按照“串联”方式运行。粒子群优化从一个初始种群出发,通过进化来搜索最优解。然而有些时候,粒子群算法会陷入次优解。那么最小二乘优化算法就可以从粒子群的次优解出发,通过共轭梯度法获得问题的最优解。本方法适用于待估计参数较多,且参数变化范围大的高阶多变量系统。本文将复合优化算法用于4输入4输出状态变量模型参数的估计。仿真结果表明了所提出方法的有效性。     

基于相似变换的涡扇发动机智能动态推力估计方法

智能推力估计面临飞行包线大、工作状态多变带来的数据采集和处理问题,获得的训练数据难以覆盖整个飞行包线的各种过渡工作状态,为此本文提出一种基于相似变换的推力估计数据处理方法。通过机理分析选择推力估计器输入,以相似变换对推力估计的输入和输出数据进行处理,并设计了基于输入延迟的深层动态神经网络来实现动态推力估计。非训练数据区域的动态仿真结果表明,相似变换后,深层动态神经网络的最大推力估计误差降低了62.20%,平均误差降低了43.50%;未进行相似变换时,相比深层静态神经网络,深层动态神经网络的最大推力估计误差降低了43.42%,平均误差降低了2.35%,仿真结果表明了本文所提出的数据处理方法和动态推力估计结构有效性。