一种航空发动机气路故障的融合诊断方法
【专利摘要】本发明公开了一种航空发动机气路故障的融合诊断方法，首先建立发动机状态变量模型，然后采集发生气路故障的发动机在飞行包线内进入准稳态时的[NL，NH，P3，T6]传感器偏置值，接着利用卡尔曼滤波器和类电磁机制算法求解出最优粒子，最后求得发生气路故障的发动机的[NL，NH，P3，T6]传感器偏置值与气路部件健康参数。本发明突破了传统气路故障诊断方法只能实现单一故障模式诊断的局限，可以实现发动机传感器故障、气路部件故障以及传感器和气路部件同时故障在内的三大类故障模式的健康诊断。
【专利说明】一种航空发动机气路故障的融合诊断方法
【技术领域】
[0001]本发明涉及航空发动机故障诊断领域，尤其涉及一种航空发动机传感器故障和气路故障的融合诊断方法。
【背景技术】
[0002]航空发动机工作在高温、高速、强振动、大应力的恶劣环境下，发动机的工作状态经常变换，承受变载荷，对安全性与可靠性要求极高。由于发动机的制造、工艺水平和材料，以及后期的使用、维护和管理水平的限制，设计制造和使用维修成本高昂，因此发动机的健康管理和视情维护对于发动机安全、可靠和经济性能起着至关重要的作用。发动机健康管理是指对发动机的工作状态进行监视，相应的做出故障诊断与隔离，确定异常后进行保养和维修。目前在发动机总体故障中，发动机气路部件性能故障约占90%以上，因此，发动机气路健康管理在发动机健康管理中具有显著的实用价值。典型的气路部件健康诊断方法包括基于模型的、数据驱动的和基于规则的方法，其中基于数据驱动和基于规则的方法对发动机典型故障的数据和先验知识需求较多，而实际中这些数据往往是缺乏的，因此为了充分利用发动机部件特性，基于模型的发动机气路故障诊断成为最有效的手段。
[0003]目前，基于模型的方法中，以基于线性卡尔曼滤波算法和线性模型的气路健康诊断最为成熟。当发动机发生气路故障时，部件性能参数的改变将会引起可测量参数的变化，因而可以用这些可测参数的变化量来反映发动机部件性能参数的变化。将这些性能参数视为增广的状态变量，可利用卡尔曼滤波器对其进行最优估计。而且卡尔曼滤波器对于测量噪声具有一定的鲁棒性，能够减轻噪声对于估计结果的影响，计算量较小，所以卡尔曼滤波器作为故障诊断工具取得了一定的成功。
[0004]卡尔曼滤波器通过可测参数的变化量来估计发动机部件性能参数的变化，这些可测参数由分布在发动机各处的传感器测得。高温高压并伴随着强振动等因素常常导致传感器测量值发生漂移，这样使得传感器的测量结果难以反映发动机的真实状态，卡尔曼滤波器也因此难以获得发动机部件性能参数的准确估计。因此有必要针对传感器故障与气路部件故障同时发生的情况，设计一种新的融合诊断方法。
【发明内容】
[0005]本发明所要解决的技术问题是针对【背景技术】的缺陷，提供一种航空发动机传感器故障和气路故障的融合诊断方法，同时诊断发动机寿命期内传感器故障与气路部件故障，进而保证发动机安全可靠运行。
[0006]本发明为解决上述技术问题采用以下技术方案:
[0007]—种航空发动机气路故障的融合诊断方法，包括以下步骤:
[0008]步骤I)，建立发动机状态变量模型；
[0009]步骤2)，采集发生气路故障的发动机在飞行包线内进入准稳态时的风扇转速队的传感器测量值、压气机转速Nh的传感器测量值、压气机出口总压P3的传感器测量值、内涵出口总温T6的传感器测量值作为该发动机发生气路故障时的气路数据；
[0010]步骤3)，根据得到的发动机状态变量模型与发生气路故障的发动机的[队，Nh, P3,T6]传感器测量值，利用卡尔曼滤波器和类电磁机制算法，求解出最优粒子；
[0011]步骤4)，根据最优粒子求得发生气路故障的发动机的[队，Nh, P3, T6]传感器偏置值与气路部件健康参数。
[0012]作为本发明一种航空发动机气路故障的融合诊断方法进一步的优化方案，所述步骤I)中建立发动机状态变量模型的具体步骤如下:
[0013]步骤1.1)，根据发动机气动热力学特性和典型的部件特性数据建立发动机部件级模型；
[0014]步骤1.2)，根据建立的发动机部件级模型采用小扰动法与拟合法相结合的方法求解发动机状态变量模型。
[0015]作为本发明一种航空发动机气路故障的融合诊断方法进一步的优化方案，步骤3)中所述求解出最优粒子的具体步骤如下:
[0016]步骤3.1)，随机从可行域中产生N个粒子；
[0017]步骤3.2)，计算每一个粒子的目标函数值；
[0018]步骤3.3)，针对每一个粒子，根据其目标函数值求得其电荷量；
[0019]步骤3.4)，针对每一个粒子，根据其电荷量计算出作用在该粒子上的合力；
[0020]步骤3.5)，针对每一个粒子，根据作用在该粒子上的合力计算出其移动步长，并且使该粒子以所述移动步长移动；
[0021]步骤3.6)，按照预先设定的最大迭代次数重复执行步骤3.2)至步骤3.4)；
[0022]步骤3.7)，计算每一个粒子的目标函数值，选择目标函数值最小的粒子作为最优粒子。
[0023]作为本发明一种航空发动机气路故障的融合诊断方法进一步的优化方案，步骤3.2)中所述计算每一个粒子的目标函数值的具体步骤如下:
[0024]步骤3.2.1)，将发生气路故障的发动机的[队，Nh, P3, T6]传感器测量值分别减去每一个粒子的[队，nh，p3，t6]传感器偏置向量，所得结果分别输入到卡尔曼滤波器中进行发动机气路部件故障诊断，得到每一个粒子对应的气路部件健康参数；
[0025]步骤3.2.2)，将每一个粒子的传感器偏置向量和其对应的气路部件健康参数分别输入到发动机状态变量模型、将其输出值与发生气路故障的发动机的[队，NH，P3，T6]传感器测量值作差后，根据以下公式求得每一个粒子的目标函数值:
【权利要求】
1.一种航空发动机气路故障的融合诊断方法，包括以下步骤: 步骤I)，建立发动机状态变量模型； 步骤2)，采集发生气路故障的发动机在飞行包线内进入准稳态时的风扇转速队的传感器测量值、压气机转速Nh的传感器测量值、压气机出口总压P3的传感器测量值、内涵出口总温T6的传感器测量值作为该发动机发生气路故障时的气路数据； 步骤3)，根据得到的发动机状态变量模型与发生气路故障的发动机的[队，Nh, P3, T6]传感器测量值，利用卡尔曼滤波器和类电磁机制算法，求解出最优粒子； 步骤4)，根据最优粒子求得发生气路故障的发动机的[队，Nh, P3, T6]传感器偏置值与气路部件健康参数。
2.如权利要求1所述的航空发动机气路故障的融合诊断方法，其特征在于，所述步骤I)中建立发动机状态变量模型的具体步骤如下: 步骤1.1)，根据发动机气动热力学特性和典型的部件特性数据建立发动机部件级模型； 步骤1.2)，根据建立的发动机部件级模型采用小扰动法与拟合法相结合的方法求解发动机状态变量模型。
3.如权利要求1所述的航空发动机气路故障的融合诊断方法，其特征在于，步骤3)中所述求解出最优粒子的具体步骤如下: 步骤3.1)，随机从可行域中产生N个粒子； 步骤3.2)，计算每一个粒子的目标函数值； 步骤3.3)，针对每一个粒子，根据其目标函数值求得其电荷量； 步骤3.4)，针对每一个粒子，根据其电荷量计算出作用在该粒子上的合力； 步骤3.5)，针对每一个粒子，根据作用在该粒子上的合力计算出其移动步长，并且使该粒子以所述移动步长移动； 步骤3.6)，按照预先设 定的最大迭代次数重复执行步骤3.2)至步骤3.4)； 步骤3.7)，计算每一个粒子的目标函数值，选择目标函数值最小的粒子作为最优粒子。
4.如权利要求3所述的航空发动机气路故障的融合诊断方法，其特征在于，步骤3.2)中所述计算每一个粒子的目标函数值的具体步骤如下: 步骤3.2.1)，将发生气路故障的发动机的[队，Nh, P3, T6]传感器测量值分别减去每一个粒子的[队，Nh，P3，T6]传感器偏置向量，所得结果分别输入到卡尔曼滤波器中进行发动机气路部件故障诊断，得到每一个粒子对应的气路部件健康参数； 步骤3.2.2)，将每一个粒子的传感器偏置向量和其对应的气路部件健康参数分别输入到发动机状态变量模型、将其输出值与发生气路故障的发动机的[队，NH，P3，T6]传感器测量值作差后，根据以下公式求得每一个粒子的目标函数值:
其中，Ji是第i个粒子的目标函数值，σ i是第j个传感器中噪声的标准偏差，k是选定的偏移向量的非零项个数，Wj是第j个传感器的惩罚因子，(ΛΛ是发动机状态变量模型的输出值，Yj是发生气路故障的发动机的[队，Nh, P3, T6]传感器测量值。
5.如权利要求4所述的航空发动机气路故障的融合诊断方法，其特征在于，步骤3.3)中求取粒子电荷量的公式为:
其中，qi表示第i个粒子的电荷量，Jbest表示N个粒子的目标函数值中最小的目标函数值。
6.如权利要求5所述的航空发动机气路故障的融合诊断方法，其特征在于，步骤3.4)中计算出作用在粒子上的合力的公式为:
其中，匕表示第i个粒子的[队，Nh, P3, T6]传感器偏置向量。
7.如权利要求6所述的航空发动机气路故障的融合诊断方法，其特征在于，步骤3.5)中根据作用在粒子上的合力计算出粒子移动步长的公式为:
其中，λ是O到I之间的任一随机数，RNG表示朝可行域上边界或下边界移动的可行步长，Fi是第i个粒子所受的合力。
8.如权利要求1所述的航空发动机气路故障的融合诊断方法，其特征在于，所述步骤4)中根据最优粒子求得发生气路故障的发动机的[队，NH，P3，T6]传感器偏置值与气路部件健康参数的具体步骤如下: 将最优粒子中包含的[队，Nh, P3, T6]传感器偏置向量作为发生气路故障的发动机的[Nl, Nh, P3, T6]传感器偏置值； 将发生气路故障的发动机的[队，NH，P3，T6]传感器测量值分别减去最优粒子的[队，nh，P3，T6]传感器偏置向量，所得结果输入到卡尔曼滤波器中进行发动机气路部件故障诊断，得到发生气路故障的发动机的气路部件健康参数。
【文档编号】G01M15/00GK104200062SQ201410380666
【公开日】2014年12月10日 申请日期:2014年8月4日 优先权日:2014年8月4日
【发明者】鲁峰, 王亚凡, 黄金泉 申请人:南京航空航天大学