本发明属于航空发动机故障诊断技术领域,尤其涉及一种航空发动机排气温度传感器的故障诊断方法。
背景技术:
航空发动机排气温度传感器的工作环境极为恶劣,高温、高压、高速导致它是所有航空发动机传感器中故障率最高的一类传感器。
针对航空发动机排气温度传感器高故障率这一问题,当前主流解决方案是使用多个排气温度传感器,一般为4到6个,将多个排气温度传感器均匀分布于高压涡轮与低压涡轮之间同一截面上。其中,故障的排气温度传感器会输出错误数据,所以需要判断排气温度传感器是否故障以获取其他正确的温度数据。
传统排气温度传感器的故障诊断逻辑是如果单个排气温度传感器造成均值变化超过62.5℃,则判断其故障。当排气温度传感器产生故障的比例较小时,该方法能够比较准确地判断故障排气温度传感器,但是当排气温度传感器的故障数量较多时,则误判概率会大大增加。而依据航空维修企业统计数据,发动机排气温度传感器的故障率超过60%,这是一个很高的故障率。
技术实现要素:
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种航空发动机排气温度传感器的故障诊断方法,该方法基于四层神经网络,实现了在多个排气温度传感器同时工作时,对于故障排气温度传感器的准确判断。
(二)技术方案
本发明提供一种航空发动机排气温度传感器的故障诊断方法,获取发动机的控制参数和状态参数,包括如下步骤:
a1、获取多个排气温度传感器的原始数据,将原始数据经过滤波处理、模数转换处理,得到多个对应的温度数据;
a2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个预先训练的四层神经网络模型;
a3、四层神经网络模型根据输入信息,输出每个排气温度传感器的故障权重;
a4、根据加权平均偏移分类算法,将故障权重归一化后与温度数据结合,输出是否存在故障的排气温度传感器;
若存在故障的排气温度传感器,则输出存在有故障的排气温度传感器的信息;
其中,所述预先训练的四层神经网络模型为基于排气温度传感器中预设历史时间段内的正常数据和故障数据,采用神经网络反向传播算法进行训练后的模型。
进一步地,所述步骤a4中,根据加权平均偏移分类算法,将故障权重归一化后与温度数据结合得到预测温度数据,根据各个排气温度传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
进一步地,若某排气温度传感器的温度数据与预测温度数据的偏差e大于等于60℃,则判断该排气温度传感器故障,否则,排气温度传感器正常,该判断公式如下:
其中,
进一步地,所述四层神经网络包括一个输入层、两个隐层和一个输出层。
进一步地,所述四层神经网络中神经元的激励函数为sigmoid函数。
进一步地,所述sigmoid函数为:
式中,a为神经元的输出值,z为该神经元的输入值。
进一步地,所述四层网络的输出层中的每个神经元通过sigmoid函数计算后输出一个区间(0,1)的小数作为排气温度传感器的故障权重。
进一步地,所述滤波处理由带通滤波器完成,所述带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成,所述带通滤波器的通带频率为0.16hz-1.5khz。
(三)有益效果
本发明提供的故障诊断方法基于四层神经网络,获得每个传感器的故障权重,从而实现多个传感器同时存在时,对于哪个传感器发生故障做出更精确地判断,获得更精确的温度数据。
附图说明
图1为本发明提供的航空发动机排气温度传感器的四层神经网络学习过程视图;
图2为本发明提供的航空发动机排气温度传感器的故障诊断方法的流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1所示,本发明提供一种航空发动机排气温度传感器的故障诊断方法,包括如下步骤:
a1、在发动机高压涡轮与低压涡轮之间同一截面上均匀布置多个排气温度传感器,每个排气温度传感器独立工作,搭配独立的硬件带通滤波器和模数转换模块,获取不受干扰的、精确的温度数据。
其中,带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成,带通滤波器的通带频率为0.16hz-1.5khz。
a2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个预先训练的四层神经网络模型,进行一次四层神经网络计算。
其中,控制参数为外部对发动机的控制量,状态参数为发动机除排气温度外所有可测量的状态参数。
a3、四层神经网络模型根据输入信息,输出每个热电偶传感器的故障权重。
a4、根据加权平均偏移分类算法,将故障权重归一化后与温度数据结合,输出是否存在故障的排气温度传感器;
若存在故障的排气温度传感器,则输出存在有故障的排气温度传感器的信息。
优选地,所述步骤a4中,根据加权平均偏移分类算法,将故障权重归一化后与温度数据结合得到预测温度数据,根据各个排气温度传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
优选地,若某排气温度传感器的温度数据与预测温度数据的偏差e大于等于60℃,则判断该排气温度传感器故障,否则,排气温度传感器正常,该判断公式如下:
其中,
优选地,所述四层神经网络包括一个输入层、两个隐层和一个输出层。
优选地,所述四层神经网络中神经元的激励函数为sigmoid函数。
优选地,所述sigmoid函数为:
式中,a为神经元的输出值,z为该神经元的输入值。
优选地,所述四层网络的输出层中的每个神经元通过sigmoid函数计算后输出一个区间(0,1)的小数作为排气温度传感器的故障权重,数值越小说明作为输入的热电偶传感器故障的可能性越高。
实施例1
如图2所示,为本发明中四层神经网络的训练阶段,需要大量标注热电偶是否故障的数据。在发动机设计阶段,会产生大量的数据,根据热电偶故障类型,分别加入不同的类型的故障热电偶测量数据,以获取正确数据与故障数据,人工标识出两种数据,本实施例所述的四层神经网络可以利用该数据进行训练。训练的过程是使用神经网络反向传播算法,一步步修正参数,具体采用梯度下降算法。
本实施例提供一种航空发动机排气温度传感器的故障诊断方法,包括如下步骤:
a1、在发动机高压涡轮与低压涡轮之间同一截面上均匀布置4个热电偶传感器,每个热电偶传感器独立工作,搭配独立的硬件带通滤波器和模数转换模块,获取不受干扰的、精确的温度数据。
其中,带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成,带通滤波器的通带频率为0.16hz-1.5khz。
a2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入预先训练的四层神经网络模型的输入层,进行四层神经网络计算。
其中,控制参数为外部对发动机的控制量,状态参数为发动机除排气温度外所有可测量的状态参数。
a3、四层神经网络模型根据输入信息,在输出层输出每个热电偶传感器的故障权重,故障权重为一个区间(0,1)的小数,数值越小说明作为输入的热电偶传感器故障的可能性越高。
优选地,四层网络的输出层中的每个神经元通过sigmoid函数计算后输出,其中,四层神经网络中神经元的激励函数为sigmoid函数:
式中,a为神经元的输出值,z为该神经元的输入值。
a4、根据加权平均偏移分类算法,将故障权重归一化后与温度数据结合得到预测温度数据,根据各个热电偶传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
若存在故障的排气温度传感器,则输出存在有故障的排气温度传感器的信息。
优选地,若某热电偶传感器的温度数据与预测温度数据的偏差e大于等于60℃,则判断该排气温度传感器故障,否则,排气温度传感器正常,该判断公式如下:
其中,
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。