本发明属于发动机故障试验设计领域，具体涉及一种基于模型和模糊模式识别的气路故障诊断方法。
背景技术：
气路故障诊断(或称气路分析)是指通过监测气路测量参数数据的变化，利用数学方法识别并定位发动机整机及气路部件的性能变化趋势或故障。通常情况下，气路故障诊断通过测量参数来诊断机理复杂的物理故障，其原理是对发动机的健康状态的评估，依赖于各个相对独立的部件的健康状态，而部件的健康状态可以用发动机独立变量来表示，比如效率、流量等。自从1972年Lou i s A.Urban首次提出了基于模型的气路故障诊断方法后，气路故障诊断方法已经广泛应用于军用和民用发动机故障诊断系统。相比振动、滑油、可视性监视等其他故障诊断方法，气路故障诊断方法具有独特的优势：由于只需要通过气路测量参数数据进行分析，而不需要通过添加额外的传感器或者监控设备来完成故障诊断。因此，气路故障诊断方法也为搭建机载健康管理系统提供了非常有利的基础，有效的提高航空发动机的安全性、可靠性、可维修性和经济性。
气路故障诊断主要形成了以下几种方法：基于模型的方法、基于数据的方法以及人工智能方法。基于模型的气路故障诊断方法主要包括：线性I CM法、最小二乘法和卡尔曼滤波等。目前的基于模型的气路故障诊断方法的主要问题有：
(1)基于模型的气路故障诊断方法对发动机仿真模型的精度过于依赖，发动机模型的精度直接影响基于模型的方法的计算精度，在发动机模型的精度不高的情况下，基于模型的方法会出现计算误差大和不收敛等情况，甚至会出现错误的故障诊断结果，导致无法实现正常的气路故障诊断；
(2)很多基于模型的方法，其中包括非线性加权最小二乘法，需要先验知识和数据挖掘，但是协方差矩阵通常是随机的，这就导致了随机误差；
(3)现有的基于模型的气路故障诊断方法对试车数据的处理能力不足，往往会出现精度低、误差大和不收敛的情况；
(4)基于模型的气路故障诊断方法往往会产生扩散效应，导致没有发生故障或异常的健康参数产生较大的偏差，影响故障定位的精确性。
技术实现要素：
为了解决上述问题，本发明提供了一种基于模型和模糊模式识别的气路故障诊断方法，包括如下步骤：
步骤一、获得多个已知气路故障模式下的测量参数偏差并根据所述测量参数偏差求取已知故障健康参数偏差形成已知故障信息的样本空间
步骤二、获得未知故障的测量参数偏差并采用与步骤一相同的方法求取未知故障健康参数偏差
步骤三、采用如下公式计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度：
其中，κ为与两个向量的二范数的相关系数，为向量的二范数，为向量的二范数；
步骤四、找出最大的模糊贴近度λi，其对应的第i个典型气路故障模式则为最可能发生的部件故障类型。
优选的是，根据所述测量参数偏差求取已知故障健康参数偏差包括利用基于模型的最小二乘法。
优选的是，根据所述测量参数偏差求取已知故障健康参数偏差包括采用卡尔曼滤波法。
优选的是，所述步骤一中，获得多个已知气路故障模式下的测量参数偏差包括通过试验测量获取。
优选的是，所述步骤一中，获得多个已知气路故障模式下的测量参数偏差包括通过模拟故障仿真获取。
本发明具有如下优点：
(1)该发明克服了现有的基于模型的方法对发动机模型的过分依赖，扩展了基于模型的气路故障诊断方法的适用范围；
(2)在发动机模型的计算精度不高的情况下，能够有效的对基于模型的计算结果进行修正，从而提高气路故障诊断的精度；
(3)该发明克服了扩散效应对气路故障诊断结果的影响，提高了计算结果的精度；
(4)利用本发明，能够判断气路故障诊断结果的置信度，提高了工程实用性。
附图说明
图1为按照本发明基于模型和模糊模式识别的气路故障诊断方法的一优选实施例的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
本发明提供了一种基于模型和模糊模式识别的气路故障诊断方法，利用基于模型的气路故障诊断，例如加权最小二乘法或卡尔曼滤波，计算出典型气路故障对应的健康参数偏差特征，从而建立故障信息样本库。在此基础上，本文利用模糊模式识别做进一步的修正，从而形成了一种新的复合气路故障诊断方法。技术方案示意图如图1所示。主要包括以下步骤：
步骤一、获得多个已知气路故障模式下的测量参数偏差并根据所述测量参数偏差求取已知故障健康参数偏差形成已知故障信息的样本空间
步骤二、获得未知故障的测量参数偏差并采用与步骤一相同的方法求取未知故障健康参数偏差
步骤三、采用如下公式计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度：
其中，κ为与两个向量的二范数的相关系数，为向量的二范数，为向量的二范数；
步骤四、找出最大的模糊贴近度λi，其对应的第i个典型气路故障模式则为最可能发生的部件故障类型。
本实施例以三个气路故障模式为例进行说明。
步骤一、首先获得三个已知气路故障模式下的测量参数偏差(i＝1,2,3)，比如获得风扇出口总温、增压级出口总温、高压压气机的进出口总温和总压、高压涡轮出口总温、燃油流量、高压转子转速的测量参数偏差：
需要说明的是，上述获得参数偏差的方法为：针对各个典型气路故障的故障模式，得到测量数据，在没有测量数据的情况下，利用模拟故障数据代替。
其次，对上述数据进行处理，利用基于发动机性能仿真模型的非线性加权最小二乘法，计算各个测量参数偏差向量对应的健康参数偏差得到模拟故障信息样本空间如下：
可以理解的是，除采用最小二乘法以外，还可以采用其它算法，例如卡尔曼滤波法。
步骤二、采用与步骤一中相同的方法，利用已经测量得到的未知故障对应的测量参数偏差：
从而计算出未知故障对应的健康参数偏差：
步骤三，采用公式
计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度，得到λ1＝0.88、λ2＝0.31、λ3＝0.13；
系数κ的范围为大于等于1的实数，数学表示为[1,+∞]，本实施例中该值取1。
最后，找出模糊贴近度最大的λ1＝0.88，从而可以确定最可能发生的故障类型为对应的第1个典型气路故障模式,即高压压气机的风蚀。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。