本发明属于航空发动机故障诊断技术领域,尤其涉及一种基于隐马尔可夫模型的航空发动机防喘控制系统的状态诊断方法。
背景技术:
在航空发动机种类中,有一种燃气涡轮发动机,它的气压机在工作时偶尔会进入一种不稳定的工作状态,成为喘振。喘振一旦发生,将会造成极严重的后果,会损坏气压机、损伤整个发动机,导致飞行安全事故。
目前已经有了较为成熟的避免喘振发生的技术,该技术应用于发动机上,被成为航空发动机防喘控制系统。但防喘控制系统虽然能够有效抑制航空发动机气压机的喘振,但因为该系统控制关系复杂,所以导致故障率较高,同样因为复杂的控制逻辑,导致增加了该系统的状态诊断的难度。
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防喘控制系统的状态诊断方法,该方法基于隐马尔可夫模型,实现复杂度低,故障诊断精确程度更高。
(二)技术方案
本发明提供一种航空发动机防喘控制系统的状态诊断方法,包括如下步骤:
a1、获取航空发动机防喘控制系统的传感数据;
a2、将获取到的传感数据作为输入数据,输入预先训练的隐马尔可夫模型,得到输出结果;
a3、将输出结果与预先定义的状态信息进行匹配,输出航空发动机防喘控制系统当前的状态;
其中,所述预先训练的隐马尔可夫模型为基于预设历史时间段内的航空发动机防喘控制系统的传感数据和对应的航空发动机防喘控制系统的状态信息的训练集,进行训练后的模型。
进一步地,所述航空发动机防喘控制系统的传感数据包括:发动机进口温度、发动机高压压气机转子转速和发动机可调导流叶片角度。
进一步地,所述预先定义的状态信息包括:健康状态、退化状态ⅰ、退化状态ⅱ、退化状态ⅲ、故障状态ⅰ和故障状态ⅱ。
进一步地,在所述步骤a1前,还包括步骤:
a0、初始化航空发动机防喘控制系统的状态,
具体地,设置防喘控制系统的状态信息:健康状态为1,其他状态为0。
进一步地,所述隐马尔可夫模型中,将航空发动机防喘控制系统的传感数据作为观测值;
将航空发动机防喘控制系统的状态信息作为隐藏状态。
进一步地,隐马尔可夫模型的结构参数包括状态转移矩阵a和观测概率矩阵b;状态转移矩阵a表示两个隐藏状态之间的转移概率,观测概率矩阵b表示航空发动机防喘控制系统当前所处隐藏状态导致各个观测值的概率。
进一步地,所述状态转移矩阵a的训练公式为:
a=[aij]
其中,aij表示航空发动机防喘控制系统从隐藏状态i转移到隐藏状态j的概率;aij表示训练集中航空发动机防喘控制系统从隐藏状态i转移到隐藏状态j的次数;i、j均表示航空发动机防喘控制系统的状态信息,取值范围为1、2...n,n表示状态数量,n=6。
进一步地,所述观测概率矩阵b的训练公式为:
b=[bij]
式中,bij表示航空发动机防喘控制系统为隐藏状态i时,观测值j发生的概率,其中,
式中,b'i表示使用高斯混合模型描述航空发动机防喘控制系统在隐藏状态i发生时的观测值的概率密度函数,m表示观测值的维度;wij表示当航空发动机防喘控制系统为隐藏状态i时,第j维度观测值的权重;oij为自变量,表示第j维度观测值;n(oij|uij,σij)表示在航空发动机防喘控制系统处于隐藏状态i时,第j维的高斯分布函数,uij和σij分别指代均值与标准差。
进一步地,
式中,l表示训练样本数量;
进一步地,所述隐藏状态的判断和预测通过维特比算法完成。
(三)有益效果
本发明提供的基于隐马尔可夫模型的航空发动机防喘控制系统的状态诊断方法,不仅能够更加准确地诊断当前航空发动机防喘控制系统的故障状态,还能够准确预估航空发动机防喘控制系统的状态变化。航空发动机防喘控制系统的控制逻辑简单,故障率低,降低了该系统的状态诊断的难度。
附图说明
图1为本发明中航空发动机防喘控制系统的状态诊断方法的流程图;
图2为本发明中隐马尔可夫模型的示意图。
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、2所示,本发明提供一种航空发动机防喘控制系统的状态诊断方法,包括训练阶段和实施阶段。
训练阶段包括:
s1、获取预设历史时间段内的航空发动机防喘控制系统的传感数据和对应的航空发动机防喘控制系统的状态信息作为训练数据,组成训练集;
s2、将训练数据输入隐马尔可夫模型,训练获得隐马尔可夫模型的结构参数:状态转移矩阵a、观测概率矩阵b,以此获得训练后的隐马尔可夫模型。
实施阶段包括:
a0、初始化航空发动机防喘控制系统的状态;
a1、实时获取航空发动机防喘控制系统的传感数据;
a2、将获取到的传感数据作为输入数据,输入训练后的隐马尔可夫模型,得到输出结果;
a3、将输出结果与预先定义的状态信息进行匹配,输出航空发动机防喘控制系统当前的状态。
其中,航空发动机防喘控制系统的传感数据包括:发动机进口温度、发动机高压压气机转子转速和发动机可调导流叶片角度;
预先定义的状态信息包括:健康状态、退化状态ⅰ、退化状态ⅱ、退化状态ⅲ、故障状态ⅰ和故障状态ⅱ。
初始化航空发动机防喘控制系统的状态,具体包括:
设置防喘控制系统的状态信息:健康状态为1,其他状态为0。
进一步地,将航空发动机防喘控制系统的三个传感数据作为隐马尔可夫模型中的观测值,用o表示所有可能传感数据的集合。任意时刻的观测值是一个三维向量,使用o={o1,o2,o3}表示,其中o1,o2,o3各表示三个参数数据中的一个,所有参数数据都是连续性的;
将航空发动机防喘控制系统的状态信息作为隐马尔可夫模型中的隐藏状态,用q表示所有可能隐藏状态的集合。隐马尔可夫模型在应用时,隐藏状态是以一个序列的模式展示的,使用{si}表示,其中i∈[0,t],则{si}是指从时刻0到时刻t的隐藏状态序列,si∈q。
则训练集的表示方式为{s1,o1},{s2,o2},...{sl,ol},其中,l表示训练样本数量。
状态转移矩阵a表示两个隐藏状态之间的转移概率,计算方法如下:
a=[aij]
式中,aij表示航空发动机防喘控制系统从隐藏状态i转移到隐藏状态j的概率;aij表示训练集中从隐藏状态i转移到隐藏状态j的次数;i、j均表示航空发动机防喘控制系统的状态信息,取值范围为1、2...n,n表示状态数量,n=6。
观测概率矩阵b表示航空发动机防喘控制系统所处隐藏状态能够导致各个观测值的概率,计算方法如下:
b=[bij]
式中,bij表示隐藏状态i时,观测值j发生的概率。
由于观测值属于三维连续变量,本发明将观测值j从一个点扩充到了一个范围,具体如下:
首先,使用高斯混合模型描述航空发动机防喘控制系统在隐藏状态i发生时的观测值的概率密度函数b'i:
式中,m表示观测值的维度,在本发明中m取3;wij表示当航空发动机防喘控制系统为隐藏状态i时,第j维度观测值的权重;oij为自变量,表示第j维度观测值;n(oij|uij,σij)表示在航空发动机防喘控制系统处于隐藏状态i时,第j维的高斯分布函数,uij和σij分别指代均值与标准差。
高斯分布函数为:
作为概率密度函数,b'i在观测值为oij时无意义,因此,本发明将该观测值扩充为一个标准差范围,即计算oij在区间
进一步地,关于uij、σij和wij的训练:
式中,l表示训练样本数量,
对于wij的训练,采用极大似然估计方法:
式中,li表示极大似然函数,训练过程即是求解wij令li的值最大。
进一步地,在对隐藏状态进行判断时,使用维特比算法,具体如下:
t1、在t时刻时,隐藏状态为i的所有状态转移路径中,各个路径概率的最大值,表示为δt(i)。
t2、根据步骤t1,推出在t+1时刻的概率最大值:
式中,δt+1(i)表示在t+1时刻时,隐藏状态为i的所有状态转移路径中,各个路径概率的最大值;
根据上述,可以从0时刻一直递推到当前时刻,记录得到最大概率的隐藏状态链,即为隐藏状态的判断结果。
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。