涡扇发动机测量偏置容错的气路性能分布式滤波估计方法与流程

本发明涉及航空发动机气路部件性能估计技术领域，尤其涉及一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法。

背景技术：

航空发动机作为飞机的心脏，其结构复杂且工作环境恶劣。发动机故障诊断技术是保证发动机性能与可靠性，降低使用维护成本的重要手段。在航空发动机服役过程中，部件性能会不可避免地发生蜕化。气路部件故障影响着航空发动机的性能与可靠性，有必要对其进行准确估计。随着计算机技术的发展以及非线性滤波理论的完善，基于卡尔曼滤波的性能估计算法已成为本领域的研究热点，已有较多非线性滤波方法应用于发动机性能估计上，包括扩展卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波等。其中，扩展卡尔曼滤波作为一种线性卡尔曼滤波算法向非线性系统的推广，实质就是对非线性系统进行一阶近似，将非线性问题转化为一个近似的线性滤波问题，从而利用传统的线性卡尔曼滤波理论求解非线性滤波问题，相对于其他非线性滤波有着实现方式简单，算法能较快收敛的优点，是迄今为止应用最广泛的非线性状态估计方法。

卡尔曼滤波器的传统实现方式为集中式的滤波结构，这一结构有着中央处理器计算负担过重、数据通信带宽要求高等缺点。随着现代飞机综合任务能力以及性能不断提高，发动机结构日趋复杂，越来越多的传感器被用于发动机的状态监测上，所布置的传感器在高温、高压等恶劣工作环境中易出现故障，因此传感器故障容错也成为发动机性能估计领域面临的重要挑战之一。对于传感器故障，传统的集中式滤波器存在着其固有的缺陷。由于传统的集中式滤波器在一个处理器内集中处理所有的测量数据，如果某一传感器发生故障，滤波器将输出错误的滤波结果，发动机性能估计模块便无法正常工作，集中式滤波器必须重新初始化，利用正常工作的传感器信息进行状态估计。因此，在传感器故障发生时，集中式滤波器必须中断操作，无法再对发动机健康参数做出准确估计。

基于信息融合技术的分布式滤波是解决传感器故障容错问题的有效方法。分布式滤波使用独立分布的处理器架构，使用一组子滤波器并行处理各自的量测信息，各子滤波器的局部估计在主滤波器中进行融合并输出全局结果。当某一传感器发生故障，只有对应的子滤波器会受到影响，其他的子滤波器估计结果正常。因此，主滤波器只需要隔离故障子滤波器，只融合其余正常的局部估计结果，全局估计不受影响，整个滤波估计过程不需要中断重启。

技术实现要素：

发明目的：针对上述现有技术，提出一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法，解决传感器故障导致的估计结果精度下降，部件性能参数估计结果偏差较大的问题。

技术方案：涡扇发动机测量偏置容错的气路性能分布式滤波估计方法，包括以下步骤：

步骤a)：建立涡扇发动机慢车以上状态的非线性部件级动态通用模型，按照部件划分传感器组合，建立分布式的扩展卡尔曼滤波器，实现对气路部件的性能估计；

步骤b)：根据广义似然比法设计自适应算法，对主滤波器全局估计结果进行自适应修正，提高对突变故障的响应速度；

步骤c)：建立子滤波器的隔离机制，在传感器发生偏置故障时，对故障子滤波器进行隔离，重新分配子滤波器的权值，实现传感器发生偏置故障时的容错估计。

进一步的，所述步骤a)的包括具体步骤如下：

步骤a1)：根据涡扇发动机各部件特性、设计点参数建立涡扇发动机各部件的数学模型，然后根据流量连续、功率平衡原理建立各部件之间的共同工作方程，并使用非线性方程数值解法迭代求解各工作截面的参数，建立慢车以上状态的涡扇发动机非线性部件级通用模型；根据工程实际，选择需要使用的发动机模型工作截面的传感器量测参数，按照部件划分传感器组合，将模型计算所得的各截面温度压力传感器数据进行相似归一化处理；

步骤a2)：根据联邦滤波的基本结构，建立各个子滤波和主滤波器；子滤波器采用扩展卡尔曼滤波算法进行设计，使用局部传感器组的量测信号计算获得子滤波器的局部估计结果；主滤波器接收子滤波器的局部估计结果，将局部结果进行信息融合获得全局的估计结果，然后根据全局的估计结果进行信息的分配，对子滤波器的状态进行重置。

进一步的，步骤a2)中利用根据联邦滤波的基本结构，建立各个子滤波和主滤波器包括具体步骤如下：

步骤a2.1)：初始化子滤波器的性能特征参数的局部后验估计值和局部后验方差矩阵；

步骤a2.2)：在子滤波器中，对非线性部件级通用模型进行线性化，求取雅可比矩阵，调用非线性部件级动态通用模型求取局部先验估计并用雅可比矩阵计算局部先验方差矩阵；

步骤a2.3)：在子滤波器中，首先调用非线性部件级动态通用模型并根据局部先验估计计算先验量测，然后根据局部先验方差矩阵和雅可比矩阵计算获得卡尔曼增益矩阵，最后代入此时的传感器信号计算此时刻的残差，进而计算得到这一时刻的性能特征参数的局部后验估计值和局部后验方差矩阵；

步骤a2.4)：在主滤波器中，接收所有子滤波器的局部后验估计值和局部后验方差矩阵，根据最优融合算法将所有局部滤波结果进行合成，并输出全局后验估计值和全局后验方差矩阵；主滤波器根据信息分配原则重置各子滤波器的局部后验估计值和局部后验方差矩阵，用于下一时刻的滤波递推计算；

步骤a2.5)：以后时刻重复进行步骤a2.2)和步骤a2.4)完成性能特征参数的递推估计。

进一步的，所述步骤b)包括具体步骤如下：

步骤b1)：在主滤波器中，建立长度为l的缓存器，用于存储前l时刻滤波估计的性能突变的误差协方差阵和残差组合向量，每一时刻用所用子滤波器的残差更新缓存器的状态，再根据新缓存器的状态计算此时的对数似然比向量；

步骤b2)：选取突变权值，当对数似然比向量中最大值大于突变权值时，表示此时发生性能突变，并根据性能突变的误差协方差阵和残差组合向量计算估计结果的自适应修正值，对全局后验估计值和全局后验方差矩阵进行补偿修正；当对数似然比向量中最大值小于突变权值时，表示此时未发生性能突变，不对全局后验估计值和全局后验方差矩阵修正。

进一步的，所述步骤c)包括具体步骤如下：当发生传感器偏置故障时，主滤波器将剔除故障传感器所对应的子滤波器，只对正常工作的子滤波器进行信息融合，得出全局的滤波估计结果；在信息分配的过程中，主滤波器将故障子滤波器的信息分配权重设置为零，并停止故障子滤波器的滤波计算，即将故障子滤波器隔离；重置其余正常工作的子滤波器的信息分配权重，保证信息分配权重之和为一，然后主滤波器根据重置后的子滤波器信息分配权重重置正常工作的子滤波器的局部后验估计值和局部后验方差矩阵，用于下一时刻的滤波递推计算。

有益效果：(1)本发明提出的一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法，子滤波器可以独立设计运行，彼此相对独立，在设计时比传统的集中式滤波具有更大的可拓展性。

(2)本发明提出的一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法，可以根据滤波算法的残差大小，自适应修正全局的估计结果，提高滤波算法对性能突变的估计响应速度，提高估计精度。

(3)本发明提出的一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法，可以解决了现有的包线内航空发动机气路部件性能估计中，由于传感器偏置故障而导致的估计结果精度下降，部件性能参数估计结果偏差较大的问题，提高性能估计算法的稳定性

附图说明

图1是涡扇发动机测量偏置容错的气路性能分布式滤波估计方法原理图；

图2是涡扇发动机测量偏置容错的气路性能分布式滤波估计方法的计算流程图；

图3是地面点设计点模拟压气机出口压力信号p3′偏置故障的涡扇发动机气路部件性能估计结果图；

图4是地面点设计点模拟高压涡轮出口压力信号p′43偏置故障的涡扇发动机气路部件性能估计结果图；

图5是地面点设计点模拟低压涡轮出口压力信号p5′偏置故障的涡扇发动机气路部件性能估计结果图；

图6是高空点模拟压气机出口压力信号p3′偏置故障的涡扇发动机气路部件性能估计结果图；

图7是高空点模拟高压涡轮出口压力信号p′43偏置故障的涡扇发动机气路部件性能估计结果图；

图8是高空点模拟低压涡轮出口压力信号p5′偏置故障的涡扇发动机气路部件性能估计结果图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

本发明是针对航空发动机性能估计与健康管理的需求，对现有基于分布式滤波的涡扇发动机性能估计方法进行扩展和改进，建立了广义似然比的自适应修正机制和故障子滤波器隔离机制。相比于传统的分布式扩展卡尔曼滤波性能估计算法，提高了滤波算法对性能突变的估计响应速度，提高估计精度。解决了由于传感器偏置故障而导致的估计结果精度下降，部件性能参数估计结果偏差较大的问题，提高性能估计算法的稳定性。

本发明的具体实施方式以某型双轴混合排气的涡扇发动机的传感器偏置故障容错的气路部件性能估计方法为例，图1是涡扇发动机测量偏置容错的气路性能分布式滤波估计方法原理图，该气路性能估计方法的建立包括以下步骤：

步骤a)：建立涡扇发动机慢车以上状态的非线性部件级动态通用模型，按照部件划分传感器组合，建立分布式的扩展卡尔曼滤波器，实现对气路部件的性能估计。

步骤b)：根据广义似然比法设计自适应算法，对主滤波器全局估计结果进行自适应修正，提高对突变故障的响应速度。

步骤c)：建立子滤波器的隔离机制，在传感器发生偏置故障时，对故障子滤波器进行隔离，重新分配子滤波器的权值，实现传感器发生偏置故障时的容错估计。

步骤a)的详细步骤如下：

步骤a1)：根据涡扇发动机部件特性、设计点参数建立涡扇发动机各部件的数学模型，该型发动机主要部件包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、外涵道、混合室和喷管，再根据流量连续、功率平衡原理建立各部件之间的共同工作方程，使用非线性方程数值解法迭代求解各工作截面的参数，建立慢车以上状态的涡扇发动机非线性部件级通用模型。该部件法建模业内比较成熟，在此不加详述。引入发动机气路部件性能特征参数来表征发动机个体性能差异或者使用时间带来的性能蜕化，气路部件性能特征参数选取旋转部件的效率系数sei和流量系数swi，定义如下

式中：ηi,wi为部件的实际效率和流量，而为部件效率和流量的理想值，下标i(i＝1,2,3,4)表示部件的编号。本发明用例的发动机共有四个旋转部件，风扇效率和流量系数为se1,sw1，压气机效率和流量系数为se2,sw2，高压涡轮效率和流量系数为se3,sw3，低压涡轮的效率和流量系数为se4,sw4，将健康参数向量h定义为h＝[se1,sw1,se2,sw2,se3,sw3,se4,sw4]^t。

考虑发动机的是利用发动机测量参数与模型输出量之间的残差来实现部件性能估计的，因此需合理选取发动机模型输出参数。所选取的该发动机模型传感器包括：风扇转速nl，压气机转速nh，风扇出口总温t22，风扇出口总压p22，压气机出口总温t3，压气机出口总压p3，高压涡轮出口总温t43，高压涡轮出口总压p43，低压涡轮出口总温t5，内涵出口总压p6。不同量测参数具有不同的物理意义，彼此的数量级相差很大，这将会带来矩阵的计算和数据存储的问题。因此，根据发动机相似准则，将输出参数做相似归一化处理。参数相似归一化过程如下：

式中，下标ds表示涡扇发动机设计点参数，t2、p2为发动机进口总温和总压，nl′,n′h,t′22,p′22,t3′,p3′,t′43,p′43,t5′,p6′为对应参数的相似归一化后的值。按照部件可将所选传感器划分为5组：[nl′,n′h]、[t′22,p′22]、[t3′,p3′]、[t′43,p′43]、[t5′,p6′]。

步骤a2)：假设涡扇发动机部件级非线性数学模型如下：

式中，k为时间参数，ωk和νk分别为系统独立的系统噪声和量测噪声，且满足ωk～n(0,q²)，vk～n(0,r²)，q、r分别为噪声的协方差矩阵，选取q＝0.0001×i10×10，r＝0.0015×i10×10。xk代表系统的状态量，uk为系统的输入量，yk为系统的传感器量测值。气路部件的性能特征参数通常作为发动机状态量的一部分进行滤波估计，各变量选择为xk＝[nl′,n′h,h^t]^t，uk＝[wfa8]^t，yk＝[nl′,n′h,t′22,p′22,t3′,p3′,t′43,p′43,t5′,p6′]^t，其中wf为燃烧室燃油流量，a8为喉道面积，zk为飞行条件参数向量，包含飞行高度h、马赫数ma和进口温度t1。令m(m＝1,2,…,5)为子滤波器标号，则所划分的对应于子滤波器的传感器组合可以表示为建立各个子滤波和主滤波器包括具体步骤如下：

步骤a2.1)：选择子滤波器信息分配权重βm＝0.2，初始化子滤波器的性能特征参数的局部后验估计值局部后验方差矩阵子滤波器系统噪声的协方差阵q^m＝q/βm。

步骤a2.2)：在子滤波器中，对非线性部件级通用模型进行线性化，求取雅可比矩阵ak、ck，计算公式为：

调用非线性部件级动态通用模型求取局部先验估计并用雅可比矩阵计算局部先验方差矩阵计算公式为：

步骤a2.3)：子滤波器调用非线性部件级动态通用模型，根据局部先验估计计算先验量测计算公式为：

根据局部先验方差矩阵和雅可比矩阵计算获得卡尔曼增益矩阵，计算公式为：

式中，r^m为传感器组的量测噪声协方差阵，为矩阵ck中对应于传感器组的行向量所组成矩阵。代入此时的传感器信号计算得到这一时刻的性能特征参数的局部后验估计值和局部后验方差矩阵计算公式为：

步骤a2.4)：主滤波器接收所有子滤波器的局部后验估计和局部后验方差矩阵，根据最优融合算法将所有局部滤波结果进行合成，并输出全局后验估计值xk|k和全局后验方差矩阵pk|k，计算公式为：

主滤波器根据信息分配原则重置各子滤波器的局部后验估计值和局部后验方差矩阵用于下一时刻的滤波递推计算，计算公式为：

步骤a2.5)：以后时刻重复进行步骤a2.2)和步骤a2.4)完成性能特征参数的递推估计。

步骤b)的详细步骤如下：

步骤b1)，在主滤波器中，建立长度为l的缓存器，用于存储前l时刻滤波估计的性能突变误差协方差阵gkτ、残差组合向量dkτ和中间变量fkτ，其中τ(k-l<τ≤k)为缓存器内部的位置标志，每一时刻用所用子滤波器的残差更新缓存器的状态，计算过程如下：

缓存器中的最新元素(τ＝k)的计算公式为：

式中，全局先验估计xk|k-1，全局先验量测yk|k-1，全局先验方差矩阵pk|k-1，全局卡尔曼增益kk的计算公式为：

缓存器中的其他变量(k-l<τ<k)的更新计算公式为：

式中hkτ为模型中间变量，i为单位阵。根据更新后的缓存器变量值计算此时的对数似然比lkτ(k-l<τ≤k)，计算公式为：

步骤b2)，选取突变权值η，计算公式为：

式中，p(lkτ)为具有n个自由度的卡方分布的密度函数，n为待估计的状态量数目(n＝10)。pf为可调的误报概率，取值为非零的极小值(pf＝10^-4)。

求出位置标志使如果则表示此时发生性能突变，根据性能突变的误差协方差阵和残差组合向量计算估计结果的自适应修正值，对全局后验估计结果进行补偿修正，获得新的全局后验估计值x′k|k和全局后验方差矩阵p′k|k，计算公式为：

当对数似然比向量中最大值小于突变权值时，表示此时未发生性能突变，不对全局后验估计值和全局后验方差矩阵修正，计算公式为：

x′k|k＝xk|k,p′k|k＝pk|k(17)

步骤c)的详细步骤如下：

当子滤波器m′的传感器发生偏置故障时，计算过程如下：

进行信息融合时，主滤波器将剔除偏置故障传感器所对应的子滤波器m′，只对正常工作的剩余4个子滤波器进行信息融合，得出全局的滤波估计结果，计算公式为：

在信息分配的过程中，主滤波器将故障子滤波器的信息分配权重设置为零，并停止故障子滤波器的滤波计算，即将故障子滤波器隔离并停用，重置其余正常工作的子滤波器的信息分配权重，保证信息分配权重之和为一，计算公式为：

主滤波器根据重置后的子滤波器信息分配权重重置正常工作的4个子滤波器的局部后验估计值和局部后验方差矩阵，用于下一时刻的滤波递推计算，计算公式为：

为了验证本发明所设计的一种涡扇发动机测量偏置容错的气路性能分布式滤波估计方法的有效性，在matlab环境下进行了如下数字仿真。为了评价滤波估计的精度，选择了均方根误差rmse作为评价指标，计算公式为：

式中，n为采样总步数，xk|k为k时刻全局后验估计，xk为状态量的实际值。

在涡扇发动机地面设计点处h＝0m，ma＝0，wf＝2.48kg/s，a8＝0.2597m²，模拟发动机性能蜕化的过程。开始时所有性能特征参数均未发生蜕化，在4500循环周期内发动机的性能特征参数线性均匀蜕化，渐变蜕化量大小为：δse1＝-2.18％、δsw1＝-2.85％、δse2＝-6.71％、δsw2＝-8.99％、δse3＝-3.22％、δsw3＝2.17％、δse4＝-0.808％、δsw4＝0.3407％；2250周期时，在原有性能蜕化的基础上，模拟性能突变的发生，性能特征参数的突变量为：δse1＝-0.5％、δse2＝-0.5％、δse3＝-0.5％、δse4＝-0.5％。在发动机性能蜕化的同时，在2700循环处设置单个传感器的偏置故障，使故障传感器信号偏离实际值，受篇幅所限仅给出三种传感器偏置故障的仿真结果。

图3(a)，(b)模拟信号p3′在2700循环时发生+1％的偏置故障的估计结果。图3(a)为基本的分布式扩展卡尔曼滤波估计结果，在传感器偏置故障发生时，对应的3号子滤波器估计结果是错误的，但主滤波器未采取隔离措施，导致全局的估计结果出现较大误差，se2、se3的估计值远远偏离了实际值，估计的均方根误差rmse＝0.0349。图3(b)给出了本发明所提出方法的估计结果。在传感器信号发生故障时，发生故障的3号子滤波器的结果被主滤波器屏蔽，参与信息融合的是正常运行的4个子滤波器估计结果；在信息分配阶段，故障子滤波器的信息分配权重被设置为零且终止运行，其余子滤波器的信息分配权重被设置为0.25，继续进行子滤波器状态的重置和下一步的滤波计算。由于主滤波器对故障子滤波器的隔离，如图3(b)所示，性能特征参数的估计值没有发生较大的偏差，能够较好地跟踪真实值，滤波估计精度较高，其rmse＝0.0192。

图4(a)，(b)模拟信号p′43在2700循环时发生+1％的偏置故障的估计结果。图4(a)为基本的分布式扩展卡尔曼滤波估计结果，在传感器偏置故障发生时，对应的4号子滤波器估计结果是错误的，但主滤波器未采取隔离措施，导致全局的估计结果出现较大误差，se3、se4的估计值远远偏离了实际值，估计的均方根误差rmse＝0.0731。图4(b)给出了本发明所提出方法的估计结果。在传感器信号发生故障时，发生故障的4号子滤波器的结果被主滤波器屏蔽，参与信息融合的是正常运行的4个子滤波器估计结果；在信息分配阶段，故障的4号子滤波器的信息分配权重被设置为零且终止运行，其余子滤波器的信息分配权重被设置为0.25，继续进行子滤波器状态的重置和下一步的滤波计算。由于主滤波器对故障子滤波器的隔离，如图4(b)所示，性能特征参数的估计值没有发生较大的偏差，其rmse＝0.0158，滤波估计精度较高。

图5(a)，(b)模拟信号p5′在2700循环时发生+1％的偏置故障的估计结果。图5(a)为基本的分布式扩展卡尔曼滤波估计结果，在传感器偏置故障发生时，对应的5号子滤波器估计结果是错误的，但主滤波器未对故障子滤波器进行隔离，se3、se4的估计值远远偏离了实际值，估计的均方根误差rmse＝0.0584，全局估计结果误差较大。图5(b)给出了本发明所提出方法的估计结果。在传感器信号发生故障时，发生故障的5号子滤波器的结果被主滤波器屏蔽，参与信息融合的是正常运行的4个子滤波器估计结果；在信息分配阶段，故障子滤波器的信息分配权重被设置为零且终止运行，其余子滤波器的信息分配权重被设置为0.25，继续进行子滤波器状态的重置和下一步的滤波计算。如图5(b)所示，性能特征参数的估计值仍然能较好地跟踪上真实值，其rmse＝0.0152，滤波估计精度较高。

为了验证包线内不同工作点的估计精度，在高空点(h＝8km，ma＝0.5，wf＝1.2kg/s，a8＝0.2597m²)处模拟相同的发动机性能变化的过程和相同的传感器故障。图6(a)，(b)模拟信号p3′在2700循环处发生+1％的偏置故障的估计结果，图6(a)给出了基本的分布式扩展卡尔曼滤波估计结果，se2、se3的估计值明显偏移实际值，误差较大，估计的均方根误差rmse＝0.0382；图6(b)给出了本发明所提出方法的估计结果，性能特征参数的估计值没有发生较大的偏差，滤波估计精度较高，其rmse＝0.0202。图7(a)，(b)模拟信号p′43在2700循环处发生+1％的偏置故障的估计结果。图7(a)给出了基本的分布式扩展卡尔曼滤波估计结果，se3、se4的估计值出现了较大偏差，估计的均方根误差rmse＝0.0756；图7(b)给出了本发明所提出方法的估计结果，性能特征参数的估计值没有发生较大的偏差，基本能够跟踪上真实值，其rmse＝0.0225。图8(a)，(b)模拟信号p5′在2700循环处发生+1％的偏置故障的估计结果，相似的结果可以从图8中得出。图8(a)给出了基本的分布式扩展卡尔曼滤波估计结果，se3、se4的估计值明显偏移实际值，误差较大，估计的均方根误差rmse＝0.0600；图8(b)给出了本发明所提出方法的估计结果，性能特征参数的估计值没有发生较大的偏差，滤波估计精度较高，其rmse＝0.0221。可以看出在不同飞行状态，涡扇发动机测量偏置容错的气路性能分布式滤波估计方法均能屏蔽故障传感器的影响，准确的估计出部件特性参数，提高性能估计算法的稳定性和精度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。