基于神经网络和模糊逻辑的航空发动机状态监视

设计了基于神经网络和模糊逻辑的航空发动机状态监视系统,它包含数据有效性检查和发动机健康评估.系统利用BP(back propagation)神经网络对发动机进行数据有效性检查,根据发动机的状态确定测量参数的有效边界以检测发动机的测量参数是否超限;利用模糊逻辑对发动机健康状况进行实时的评估,监控发动机因性能蜕化引起的异常.通过对某型涡扇发动机仿真,验证了基于神经网络和模糊逻辑的状态监视系统的有效性.      

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%.     

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%。     

航空发动机多路模糊切换控制系统设计

针对航空发动机在不同控制通路切换过程中出现的转速等参数发生大幅度跳变以及系统不稳定的问题,提出了一种模糊切换控制方法,设计了基于不同结构控制通路的模糊切换控制器,基于无源性概念对航空发动机多路模糊切换控制系统进行了稳定性分析,得到了多路模糊切换控制系统稳定的充分条件。航空发动机模糊切换系统与直接切换系统仿真结果表明了航空发动机多路模糊切换控制方法的有效性。     

涡扇发动机故障诊断的快速原型设计

提出一种基于发动机基线模型的面向气路故障诊断的快速原型设计方法.考虑到基于模型的发动机全包线范围的故障诊断方法需要有较高精度的模型,选择合适的换算参数对已有的相似变换参数进行修正,建立适用于全包线的发动机基线模型,设计基于加权最小二乘算法的故障诊断模型,并将其写入至CompactRIO构建了发动机故障诊断的快速原型.通过对某型涡扇发动机试验表明:该种故障诊断的快速原型设计方法是有效的.      

基于遗传算法的航空发动机机载模型支持向量机修正方法

航空发动机的实时模型与发动机的匹配精度直接影响着航空发动机故障诊断的精度.提出了基于自适应遗传算法的最小二乘支持向量回归机(AGA-LSSVR)方法对航空发动机机载实时模型进行修正,有效的提高了模型的匹配精度.分析了最小二乘支持向量机中的参数的选取对模型修正的影响,在参数的选取空间里采用自适应遗传算法搜索最优参数.最后,比较了Back propagation(BP)神经网络、支持向量回归机、AGA-LSSVR等方法在机载模型中的修正效果.结果表明:提出的AGA-LSSVR具有很好的修正精度,验证了修正模型的有效性.      

航空发动机性能恢复控制方法

针对航空发动机部件蜕化导致性能变差问题,设计了航空发动机性能恢复控制系统,系统根据发动机的工作状态以及健康状态在常规转速控制模式、稳态性能恢复控制模式和加速性能恢复控制模式之间切换.稳态性能恢复控制模式在常规转速控制模式的基础上设计了一个外环控制回路,通过自适应修正稳定状态下压气机转速指令达到蜕化发动机性能恢复的目的;加速性能恢复控制模式通过综合常规转速控制方法和喘振裕度控制方法,在保证发动机气动稳定的同时,充分挖掘发动机潜力,从而达到恢复蜕化发动机加速性能的目的.通过不同状态不同部件蜕化下的仿真结果表明恢复蜕化发动机性能的有效性.      

民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ: 气路、机械和FADEC系统故障诊断与预测

最近这一二十年相关工程技术的发展, 给民用航空发动机故障诊断与健康管理(EHM)系统研发提出了新的挑战和机遇。本文综述围绕EHM偏上游功能的民用发动机气路性能退化诊断和预测、发动机机械系统故障和发动机FADEC系统故障诊断与3个模块的设计验证技术的需求、必要性及现状进行了讨论, 并指出了未来的主要研发方向。全文的讨论围绕以下关键技术发展趋势展开: 基于非线性无迹卡尔曼滤波器(UKF)和深度学习神经网络的发动机气路故障诊断算法己经显示出提高气路诊断精度的潜力; 复合材料叶片在涡扇发动机里己经得到广泛使用; 增材制造技术正被越来越多地应用于复杂发动机零部件的制造; 金属屑末传感器的精度已获得大幅提高, 其技术成熟度己达到发动机使用要求, 为与振动信号的融合诊断铺平了道路; 电气化、智能化的发动机全权限数字控制系统(FADEC)发展趋势对现有的基于传统构型控制部件和集中式控制架构的故障诊断算法也提出了新的挑战。     

基于神经网络逆控制的TBCC发动机多变量限制管理

涡轮基组合循环（TBCC）发动机的控制系统既需要对执行机构协同控制以充分发挥每个工作模态的性能优势,又需要实现限制管理功能以保证发动机在安全条件下工作。本文通过分析串联式TBCC发动机流路计算过程,建立其性能动态模型,提出了一种基于神经网络预测反馈与逆控制的TBCC发动机多变量主控回路,其在单一模式阶跃响应超调小于3%,模态转换推力流量波动小于4%。在多变量控制架构中引入了限制管理策略,通过对比分析基于模型预测控制的多变量约束方法,仿真表明本文提出方法在考虑多变量耦合基础上,在过渡态和模态转换过程中满足超限幅度小于0.2%和0.07%,能有效实现限制管理,且结构简单,易于实现。     

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.