基于自适应容积卡尔曼滤波方法的涡扇发动机气路部件故障诊断

针对涡扇发动机气路部件故障诊断中参数存在不同的噪声统计特性,提出了一种自适应平方根容积卡尔曼滤波(ASRCKF)器的自适应滤波方法.该方法直接利用基于3阶容积积分方法近似发动机的非线性统计特性,用于替代非线性无迹卡尔曼滤波方法的系统模型,避免了滤波过程参数选取的问题;采用移动窗口法对噪声协方差矩阵进行自适应估计,提高了算法对不同统计特性噪声的自适应能力和滤波精度.通过对发动机气路部件健康参数蜕化过程仿真结果表明:ASRCKF方法相比平方根容积卡尔曼滤波(SRCKF)方法,精度提高40%~50%,对不同噪声信号具有更好的适应能力.      

航空发动机气路故障诊断的平方根UKF方法研究

设计了适用于双轴涡扇发动机健康参数估计的平方根UKF滤波算法,解决了线性卡尔曼滤波器估计结果准确性依赖于线性模型精度;常规UKF算法中由于计算误差及噪声信号影响引起误差协方差矩阵负定而导致滤波结果发散等问题.提出了根据测量残差变化改进滤波收敛速度与稳定性的方法.发动机渐变与突变故障模式下仿真结果表明,平方根UKF估计算法收敛速度快,稳定性强,精度高,是一种有效的发动机气路部件健康参数估计与故障诊断方法.      

基于超球体平方根无迹Kalman滤波算法的涡扇发动机气路部件故障诊断

研究了一种超球体平方根无迹Kalman滤波算法用来有效跟踪涡扇发动机气路部件发生渐变性和突变性故障的健康参数.该算法通过超球体单形采样来降低算法的计算量,采用测量残差协方差阵的平方根代替方差阵进行递推运算,提高了算法的计算效率和数值稳定性.分别采用扩展Kalman滤波算法、无迹Kalman滤波算法和超球体平方根无迹Kalman滤波算法对某型涡扇发动机进行仿真,结果表明:超球体平方根无迹Kalman滤波算法的滤波时间减少50%左右,能够实现渐变性和突变性故障中健康参数的准确估计,是一种有效的涡扇发动机气路部件参数估计和故障诊断方法.      

基于改进K-SVD字典训练的涡扇发动机气路突变故障稀疏诊断方法

以典型气路突变故障信号的稀疏特性为基础,通过对涡扇发动机部件特征原子组进行分类,提出了改进K-奇异值分解(K-singular value decomposition,K-SVD)字典训练的稀疏诊断方法,并结合气路典型突变故障开展了仿真实验研究。仿真结果表明:相比于拓展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法,改进K-SVD方法对故障定位准确,无故障部件健康参数变化为0,可有效提高故障部件辨识度,避免误诊断;计算耗时与EKF方法基本相等,仅为UKF方法的03%,是一种有效的航空发动机气路突变故障在线诊断方法。     

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%.     

基于双重卡尔曼滤波器的发动机故障诊断

提出了一种基于双重卡尔曼滤波器的航空发动机健康参数估计方法,实现了传感器发生故障情况下发动机故障的准确诊断.采用发动机动态工作点的测量数据,解决了可测量参数偏少导致故障诊断困难的问题;球面采样平方根UKF(UnscentedKalmanfilter)故障诊断滤波器具有更好的滤波稳定性与更低的计算量的要求,提高了故障诊断算法的效率与精度.某型双轴涡扇发动机故障诊断仿真结果表明,该方法可以准确的同步实现气路部件与传感器的故障诊断,是一种有效的航空发动机故障诊断方法.      

基于快速原型的涡扇发动机气路部件在线健康监控系统设计

为实现涡扇发动机全包线范围内具有较高精度的快速实时仿真,结合快速原型技术和发动机非线性模型设计了一种气路部件在线健康监控系统。该系统采用涡扇发动机非线性模型模拟真实发动机进行实时计算,并将基于优化拟合法获得最优的发动机线性化模型融入扩展Kalman滤波算法,对气路部件健康参数进行实时跟踪,将该跟踪方法运用于基于CompactDAQ和CompactRIO平台设计的发动机在线故障诊断原型系统进行仿真试验验证。仿真结果表明,基于快速原型技术与发动机非线性模型构建的在线健康监控系统能够实现对气路部件故障的有效诊断,平均正确率达到98.28%。     

基于奇异值分解的涡扇发动机线性状态模型能观度分析

针对涡扇发动机气路测量参数难以优化筛选的问题,采用基于奇异值分解(SVD)的能观度分析方法对其能观度进行了分析。该方法可以计算获得各状态参数的具体能观度,实现对模型优劣性的定量评价;也可得到各测量参数与各状态参数能观度之间的敏感度关系,掌握彼此之间的关联程度,为后续气路测量参数的优化筛选奠定理论基础,最后采用改进平方根无损卡尔曼滤波(Unscented Kalman Filter,UKF)递推算法对各气路部件突变故障进行了仿真分析,根据各状态参数的估计精度验证了本文能观度分析结果的正确性。     

基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散.为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF (MFGP-SRCKF)和模型增强高斯过程SRCKF (MEGP-SRCKF)两种算法.仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度.     

航空发动机健康参数的卡尔曼滤波估计方法分析

针对航空发动机气路部件健康参数估计问题,研究了基于线性和非线性模型的卡尔曼滤波估计方法.通过对气路部件渐变故障的仿真,比较了卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、无味卡尔曼滤波(UKF)三种方法对健康参数的估计效果,对EKF在常增益条件下的仿真用时与估计结果进行了研究.结果表明,EKF可根据需要求取卡尔曼增益,能在较少计算量下得到较好的估计结果,是一种实用的非线性参数估计方法.     

涡扇发动机部件特性的滤波自动修正更新方法

针对航空发动机部件制造装配以及性能蜕化引起的平均模型与个体发动机之间的性能不匹配问题,提出一种基于非线性滤波算法的发动机部件特性自动修正方法。根据发动机部件级平均模型输出与个体量测数据的残差,利用数据处理策略结合无迹卡尔曼滤波算法的不可测部件特性变化估计,自动更新发动机部件特性,建立发动机个体物理模型。通过小涵道比涡扇发动机仿真验证,结果表明该方法可自动修正发动机部件特性,相比较平均模型,通过该方法修正的发动机个体模型中各截面温度、压力计算偏差均在0.5%以内,有效提高涡扇发动机个体物理模型稳态、动态精度。     

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.      

基于气路参数融合的涡扇发动机性能退化预测

针对单参数驱动的涡扇发动机性能退化预测精度不高的问题,提出了一种基于气路参数融合的涡扇发动机性能退化预测的方法。通过监测发动机性能退化过程中多源参数,采用专家经验和核主成分分析相结合的方法,进行发动机性能参数的选择和融合,从而构建健康参数。基于非线性Wiener过程构建涡扇发动机退化模型,采用极大似然方法求得发动机退化模型的离线参数估计值;由于不同发动机性能退化的差异性,基于贝叶斯更新理念对随机参数进行实时更新,可以实现对单台发动机的性能退化实时预测。通过实例验证,采用此方法在预测末端方均根误差为0.028 3,整体预测精度提升了54.5%,可以辅助指导维修决策。      

基于卡尔曼滤波器和遗传算法的航空发动机性能诊断

以某型涡扇发动机为研究对象,构建了基于卡尔曼滤波器和遗传算法的航空发动机性能诊断方法。卡尔曼滤波器根据发动机可测参数偏离额定特性时的变化量,对发动机性能参数进行了估计。当传感器存在测量偏差时,会使滤波器估计结果偏离真实情况。遗传算法以机载模型输出与发动机测量参数之间的误差最小为目标,通过优化计算,找出存在测量偏差的传感器,确定其偏差,并最终消除测量偏差对性能诊断的影响。     

Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine

Aero-engine gas path health monitoring plays a critical role in Engine Health Management(EHM). To achieve unbiased estimation, traditional filtering methods have strict requirements on measurement parameters which sometimes cannot be measured in engineering. The most typical one is the High-Pressure Turbine(HPT) exit pressure, which is vital to distinguishing failure modes between different turbines. For the case of an abrupt failure occurring in a single turbine component, a model-based sensor measurement reconstruction method is proposed in this paper. First,to estimate the missing measurements, the forward algorithm and the backward algorithm are developed based on corresponding component models according to the failure hypotheses. Then,a new fault diagnosis logic is designed and the traditional nonlinear filter is improved by adding the measurement estimation module and the health parameter correction module, which uses the reconstructed measurement to complete the health parameters estimation. Simulation results show that the proposed method can well restore the desired measurement and the estimated measurement can be used in the turbofan engine gas path diagnosis. Compared with the diagnosis under the condition of missing sensors, this method can distinguish between different failure modes, quantify the variations of health parameters, and achieve good performance at multiple operating points in the flight envelope.     

涡扇发动机高压涡轮前温度组合估计方法

考虑到目前暂无法实现机载条件下高压涡轮前温度直接、可靠的测量,提出一种用于涡扇发动机高压涡轮前温度估计的方法.基于涡扇发动机的能量守恒原理,建立高压涡轮前温度与气路参数的热力学关系,进而推导出高压涡轮前温度的6个估计模型.将各温度模型中不易测量的参数以整体的形式作为温度模型系数,并利用某涡扇发动机性能仿真模型建立温度模型系数与可测状态参数的多项式关系,最终确立高压涡轮前温度的组合估计模型.验证结果表明:组合估计方法在发动机健康及性能衰退状态下都具有较高的精度,其性能最好模型的方均根误差不超过1%.与已有线性拟合、神经网络等方法的对比也表明组合估计方法不论在精度还是性能稳定性方面都具有明显优势.