CN104200062A - 一种航空发动机气路故障的融合诊断方法 - Google Patents

Abstract

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[N_L，N_H，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[N_L，N_H，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。

Description

一种航空发动机气路故障的融合诊断方法

技术领域

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

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。

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。

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

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。

本发明为解决上述技术问题采用以下技术方案：

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1),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N_L的传感器测量值、压气机转速N_H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[N_L，N_H，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[N_L，N_H，P₃，T₆]传感器偏置值与气路部件健康参数。

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1)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。

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：

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。

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：

步骤3.2.1)，将发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值分别减去每一个粒子的[N_L，N_H，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[N_L，N_H，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：

$J_i={\left\{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{\left[\frac{{\left({\hat{y}}_i\right)}_j-y_j}{W_j}\right]}^2\right\}}^{\frac{1}{2}}$

其中，J_i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，W_j是第j个传感器的惩罚因子，是发动机状态变量模型的输出值，y_j是发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值。

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3.3)中求取粒子电荷量的公式为：

$q_i=\exp \{-\frac{J_i-J_{\mathrm{best}}}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(J_k-J_{\mathrm{best}})}\}$

其中，q_i表示第i个粒子的电荷量，J_best表示N个粒子的目标函数值中最小的目标函数值。

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3.4)中计算出作用在粒子上的合力的公式为：

其中，b_i表示第i个粒子的[N_L，N_H，P₃，T₆]传感器偏置向量。

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3.5)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：

$b_i=b_i+\mathrm{\λ}\frac{F_i}{\left|\right|F_i\left|\right|}\left(\mathrm{RNG}\right)$

其中，λ是0到1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，F_i是第i个粒子所受的合力。

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4)中根据最优粒子求得发生气路故障的发动机的[N_L，N_H，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[N_L，N_H，P₃，T₆]传感器偏置向量作为发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器偏置值；

将发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值分别减去最优粒子的[N_L，N_H，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。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明是基于卡尔曼滤波算法和状态变量模型的气路部件健康诊断，相比于基于数据驱动与基于规则的方法，不需要大量先验知识，对于测量噪声有一定的鲁棒性，计算量较小，能较好解决发动机部件性能发生渐变蜕化和突变故障下的诊断问题；

(2)本发明提出了基于类电磁机制算法的传感器偏置故障诊断方法，类电磁算法作为一种全局优化算法，能快速收敛到最优值，而且结构简单，没有严格的结构限制，能很容易地吸收其他优化算法的优点；

(3)本发明设计的气路故障融合诊断框架，突破了传统的气路故障诊断方法只能诊断单一的传感器故障或气路部件故障的局限，通过融合卡尔曼滤波器与类电磁机制算法，实现了传感器故障与气路部件故障的同时诊断。

附图说明

图1是本发明的诊断结构图；

图2是航空发动机气路工作截面标识图；

图3是本发明的流程图；

图4是类电磁机制算法的流程图；

图5是目标函数值在每一次迭代中的变化。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明具体实施方式以某型发动机的气路部件健康诊断为例，如图1为本发明的诊断结构图，引入了一组表示发动机部件健康状况的健康参数，用来模拟发动机部件发生性能蜕化和性能的突变，诊断的实质就是通过发动机的传感器测量值与状态变量模型输出值之差结合卡尔曼滤波算法对部件健康参数变化进行估计，将发动机气路部件健康诊断转化为部件健康参数变化的参数估计问题。

本发明使用的某型发动机气路工作截面标识图如图2所示，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、混合室、加力燃烧室和尾喷管等。发动机在某稳态点的增广状态变量模型如下：

$\left(\begin{array}{c}\mathrm{\Δ}\stackrel{\·}{x}\\ \mathrm{\Δ}\stackrel{\·}{p}\end{array}\right)=\left(\begin{array}{cc}A& L\\ 0& 0\end{array}\right)\left(\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δp}\end{array}\right)+\left(\begin{array}{c}B\\ 0\end{array}\right)\mathrm{\Δu}+\mathrm{\ω}$

$\mathrm{\Δy}=\left(\begin{array}{cc}C& M\end{array}\right)\left(\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δp}\end{array}\right)+\mathrm{D\Δu}+v$

式中状态量x＝[N_L N_H]^T，分别为风扇转速和压气机转速；控制量u＝[W_fb A₈]^T，分别为主燃烧室供油量和喉道面积；输出量y＝[N_L N_H P₃ T₆]^T，分别为风扇转速、压气机转速，压气机出口总压，内涵出口总温。Δp＝[ΔSE₁ ΔSE₂ ΔSE₃ ΔSE₄]^T，各元素依次表示风扇效率、压气机效率、高压涡轮效率以及低压涡轮效率的相对变化量；A、B、C、D、L和M均是常值系数矩阵；ω和υ分别为系统噪声和测量噪声，均为零均值不相关正态分布的白噪声。

本文采用小扰动法与拟合法相结合求取系数矩阵。该方法的原理是，首先采用小扰动法求出系数矩阵A，C的初始解；对发动机部件级模型分别作控制量和健康参数的阶跃得到其动态响应；根据非线性模型动态响应的稳态终值计算出矩阵B，D，L，M的各个元素；最后以线性动态响应应该吻合非线性动态响应为原则用非线性动态响应数据来拟合得到动态系数矩阵。

本发明的流程图如图3所示，其中粒子数N取为50，最大迭代次数为25，传感器偏置上下界为[-0.04,0.04]，类电磁机制算法的流程图如图4所示。

为了验证设计的基于卡尔曼滤波器与类电磁机制算法的航空发动机气路故障融合诊断方法的有效性，在MATLAB环境下进行气路健康诊断的数字仿真。

在发动机设计点H＝0,Ma＝0,W_f＝2.48kg/s,A₈＝0.2597m²分别模拟传感器发生偏置故障和气路部件突变故障。

首先利用小扰动法和拟合法结合求解在该工作点下的状态变量模型系数矩阵，各系数矩阵如下：

表1地面条件下单一故障诊断结果

由表1的诊断结果可以看出，当在地面条件下传感器发生偏置故障或气路部件故障时，该融合诊断结构都能有效地对模拟的故障进行诊断。如在四种传感器偏置故障模式中，其他三种模式都能较为准确地诊断出故障原因，而在故障模式[0,0.018,0,0]，即传感器NH发生0.018的偏置故障时，其诊断结果为[0,0.0184,0,0]，即诊断出NH发生0.0184的偏置，诊断精度较高，其目标函数值随迭代次数的变化如图5所示。而对于气路部件故障其诊断精度略低于传感器偏置诊断结果，但仍能保证一定地精度要求，如在故障模式[-0.021,-0.037,0,-0.011]，即风扇效率，压气机效率，低压涡轮效率依次蜕化-0.021，-0.037，-0.011时，其诊断结果为[-0.0208,0.0368,-0.0102]，也基本能准确诊断。

为了验证发动机气路故障融合诊断框架对于复合故障的诊断能力，分别对设计点与非设计点，地面条件和高空条件进行仿真分析。当H＝0,Ma＝0,W_f＝2.48kg/s,A₈＝0.2597m²时，模拟传感器偏置故障和气路部件突变故障同时发生，其诊断仿真结果如表2所示。

表2地面条件下复合故障诊断结果

由表2的诊断结果可以看出，当在地面设计点条件下传感器偏置故障和气路部件故障同时发生时，该融合诊断结构能对模拟的故障进行准确诊断。如在故障类型4时，模拟传感器偏置故障和气路部件故障同时发生，其中传感器偏置故障为[0,-0.035,0,0]，即NH传感器发生-0.035的偏置，且气路部件对应故障为[0,0,-0.024,-0.04]，即高压涡轮和低压涡轮效率分别蜕化-0.024和-0.04，此时融合诊断结构的诊断结果为[0,-0.0309,0,0]和[0,0,-0.024,-0.04]，即NH发生-0.0309的偏置故障，而高压涡轮和低压涡轮效率分别蜕化-0.024和-0.04，这表明在地面设计点条件下该融合诊断结构具有较好地两种类型故障同时诊断能力。

表3地面条件下非设计点故障诊断结果

在非设计点H＝0,Ma＝0,W_f＝1.5kg/s,A₈＝0.2897m²模拟传感器偏置故障和气路部件故障同时发生的情况。由表3的诊断结果可以看出，该融合诊断结构能对模拟的故障进行准确诊断。

表4高空条件下复合故障诊断结果

由表4的诊断结果可以看出，当在高空条件下H＝11000m,Ma＝0.8,W_f＝2.0kg/s,A₈＝0.2597m²传感器偏置故障和气路部件故障同时发生时，该融合诊断结构亦能对模拟的故障进行诊断。如在故障类型7时，模拟传感器偏置故障和气路部件故障同时发生，其中传感器偏置故障为[0,0,-0.038,0]，即P3传感器发生-0.038的偏置，且气路部件对应故障为[0,0,0,-0.017]，即低压涡轮效率蜕化-0.017，此时融合诊断结构的诊断结果为[0,0,-0.035,0]和[0,0,0，-0.0168]，即P3发生-0.038的偏置故障，而低压涡轮效率蜕化-0.0168，这表明在高空条件下该融合诊断结构同时具有较好地对两种类型故障同时诊断能力。

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1),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N_L的传感器测量值、压气机转速N_H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[N_L，N_H，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[N_L，N_H，P₃，T₆]传感器偏置值与气路部件健康参数。

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1)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。

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：

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。

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：

步骤3.2.1)，将发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值分别减去每一个粒子的[N_L，N_H，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[N_L，N_H，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：

$J_i={\left\{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{\left[\frac{{\left({\hat{y}}_i\right)}_j-y_j}{W_j}\right]}^2\right\}}^{\frac{1}{2}}$

其中，J_i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，W_j是第j个传感器的惩罚因子，是发动机状态变量模型的输出值，y_j是发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值。

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3.3)中求取粒子电荷量的公式为：

$q_i=\exp \{-\frac{J_i-J_{\mathrm{best}}}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(J_k-J_{\mathrm{best}})}\}$

其中，q_i表示第i个粒子的电荷量，J_best表示N个粒子的目标函数值中最小的目标函数值。

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3.4)中计算出作用在粒子上的合力的公式为：

其中，b_i表示第i个粒子的[N_L，N_H，P₃，T₆]传感器偏置向量。

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3.5)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：

$b_i=b_i+\mathrm{\λ}\frac{F_i}{\left|\right|F_i\left|\right|}\left(\mathrm{RNG}\right)$

其中，λ是0到1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，F_i是第i个粒子所受的合力。

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4)中根据最优粒子求得发生气路故障的发动机的[N_L，N_H，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[N_L，N_H，P₃，T₆]传感器偏置向量作为发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器偏置值；

将发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值分别减去最优粒子的[N_L，N_H，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。

本发明基于卡尔曼滤波器与类电磁机制算法的航空发动机气路故障融合诊断方法中状态变量模型是在发动机某稳态点对非线性模型进行泰勒级数展开，忽略高阶无穷小项的影响，采用小扰动法和拟合法结合的方法求解系数矩阵；卡尔曼滤波器是将模型与发动机输出的偏离量及控制量作为输入，在线估计发动机部件健康参数；类电磁机制算法是一种启发式全局优化算法；气路融合诊断框架由发动机模型，卡尔曼滤波器及类电磁机制算法组成，其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。本发明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，对于保证发动机安全可靠运行、降低维护费用有着积极促进作用。

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作出若干改进，这些改进也应视为本发明的保护范围。

Claims (8)

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1),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N_L的传感器测量值、压气机转速N_H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[N_L，N_H，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[N_L，N_H，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1)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[N_L，N_H，P₃，T₆]传感器测量值分别减去每一个粒子的[N_L，N_H，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[N_L，N_H，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：

$J_i={\left\{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}{\left[\frac{{\left({\hat{y}}_i\right)}_j-y_j}{W_j}\right]}^2\right\}}^{\frac{1}{2}}$

其中，J_i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，W_j是第j个传感器的惩罚因子，是发动机状态变量模型的输出值，y_j是发生气路故障的发动机的[N_L，N_H，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：

$q_i=\exp \{-\frac{J_i-J_{\mathrm{best}}}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}(J_k-J_{\mathrm{best}})}\}$

其中，q_i表示第i个粒子的电荷量，J_best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，b_i表示第i个粒子的[N_L，N_H，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：

$b_i=b_i+\mathrm{\λ}\frac{F_i}{\left|\right|F_i\left|\right|}\left(\mathrm{RNG}\right)$

其中，λ是0到1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，F_i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[N_L，N_H，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[N_L，N_H，P₃，T₆]传感器偏置向量作为发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器偏置值；

将发生气路故障的发动机的[N_L，N_H，P₃，T₆]传感器测量值分别减去最优粒子的[N_L，N_H，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。