CN108062428B - 一种涡扇发动机在线部件故障诊断方法及系统 - Google Patents
一种涡扇发动机在线部件故障诊断方法及系统 Download PDFInfo
- Publication number
- CN108062428B CN108062428B CN201711031984.XA CN201711031984A CN108062428B CN 108062428 B CN108062428 B CN 108062428B CN 201711031984 A CN201711031984 A CN 201711031984A CN 108062428 B CN108062428 B CN 108062428B
- Authority
- CN
- China
- Prior art keywords
- flow
- fault
- efficiency
- diagnosis
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 239000007921 spray Substances 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 239000007789 gas Substances 0.000 description 18
- 230000004044 response Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种涡扇发动机在线部件故障诊断方法及系统,该方法包括:采用Broyden迭代方法建立诊断模型;建立LM优化器;求取健康参数;确定突变故障模式;估计推力及裕度;将以上诊断结果保存并输出诊断报告。本发明解决了现有的涡扇发动机在线故障诊断过程中在只有发动机部件级模型而缺乏故障样本数据且过程噪声为非高斯噪声时的诊断问题,能够估计得到不可测的流量和效率,能够监视推力,风扇裕度和压气机裕度性能参数,为后续可能的容错控制措施提供诊断依据,并且计算量较小,满足涡扇发动机机载实时需求。
Description
技术领域
本发明涉及航空发动机部件故障诊断领域,尤其涉及一种涡扇发动机在线部件故障诊断方法及系统。
背景技术
航空发动机的运行环境极其恶劣,包括极端高温,强振动,广泛的负载范围等情况。在涡扇发动机的工作寿命中,由于压气机积垢,叶尖缝隙增加,以及不可避免的磨损和腐蚀,涡扇发动机性能会渐渐的蜕化。不仅如此,外物损伤也会导致发动机性能的急剧下降。为了保证航空发动机的可靠性在其飞行寿命内得到必须的保障,发动机性能监测和故障诊断方法被广泛应用于提高发动机的可靠性和安全性。为了减少维护成本,性能监测系统集成了维修计划功能,也被用来制定视情维修计划。因此,建立涡扇发动机在线部件故障诊断系统对保障发动机可靠性和降低维修成本具有重要的理论意义和工程实用价值。
国内外用于涡扇发动机性能估计和故障诊断的方法主要包括基于数据的方法和基于模型的方法。其中,基于数据的方法在涡扇发动机故障诊断中的应用受限于无法检测出的未知故障模式;诊断精度依赖于故障样本的规模。
随着部件级模型精度的提高和硬件计算速度的上升,基于数据的方法难以满足涡扇发动机的故障诊断需求,使用发动机模型进行性能估计和故障诊断已经成了发动机健康管理方面的关键理念。主流的基于模型的方法主要包括卡尔曼滤波方法及其改进方法,如扩展卡尔曼滤波,无迹卡尔曼滤波等,和粒子滤波方法。然而,卡尔曼滤波方法及其改进方法需要系统为高斯系统的假设,不能处理非高斯系统,使得其应用范围受到限制。不需要高斯系统假设的粒子滤波方法,由于在涡扇发动机健康参数向量组成的高维空间中搜索效率较低,在保证实时性的情况下,其诊断精度难以令人满意。
综上,现有技术中缺乏一种针对非高斯系统的诊断方法和系统,不依赖于大量的故障样本,不仅能够满足实时性,还能保证诊断精度,能及时的处理涡扇发动机的渐变蜕化和突变故障。
发明内容
本发明提供一种涡扇发动机在线部件故障诊断方法及系统,能够用于解决缺乏故障样本只有发动机模型,并且含有非高斯过程噪声的涡扇发动机在线部件故障诊断问题,该方法和系统满足机载实时性要求,能处理涡扇发动渐变蜕化和突变故障。
本发明为解决上述技术问题采用以下技术方案:
一种涡扇发动机在线部件故障诊断方法,包括:
S1、采用Broyden迭代方法建立非线性部件级的诊断模型,模型输出发动机截面工作参数,将发动机截面工作参数标记为观测参数预测值;
S2、传感器采集观测参数传感器测量值,建立LM优化器,所述LM优化器以观测参数预测值和观测参数传感器测量值之间的残差作为目标函数;
S3、当所述目标函数值最小时,通过LM优化算法估计出当前时刻所述诊断模型的效率和流量,标记为真实效率和流量;
S4、根据旋转部件无故障特性图以及所述真实效率流量值,通过作辅助线求得理想效率和流量,根据健康参数定义求取健康参数;
S5、设定突变故障分类准则,根据所述健康参数与特定故障模式健康参数的欧式距离,确定当前突变故障模式;
S6、根据LM优化器估计得到的真实效率流量,代入所述诊断模型,根据裕度及推力计算公式求取裕度和推力;
S7、将所述真实效率和流量、所述健康参数、所述突变故障模式、所述裕度和推力保存至诊断报告,输出所述诊断报告。
进一步的,所述S1包括:
S11、根据发动机气动学特性和典型的部件特性建立发动机部件模型,假设旋转部件为主要故障部件,非旋转部件无故障;
S12、根据流量连续、功率平衡和转子动力学原理建立所述发动机部件模型之间的共同工作方程组F(x)=0,其中x=(x1,…,xn)T,F(x)=(f1(x),…,fn(x))T,n是正整数;
S13、采用Broyden算法求解所述共同工作方程组,得到所述发动机部件模型的截面工作参数标记为观测参数预测值,
其中,逆Broyden秩1公式为
其中,sk=xk+1-xk,yk=F(xk+1)-F(xk),Bk为增益矩阵,k表示迭代的步骤数。
因此,Broyden算法步骤如下:
S131、给出近似的初始值x0,以及满足精度要求的停止迭代阈值ε1和ε2;
S132、计算初始矩阵B0,B0=[F′(x0)]-1;
S133、令k=0,计算F(x0);
S134、计算sk=xk+1-xk=-BkF(xk),及xk+1=xk+sk,Xk+1表示在k+1时刻的更新值;
S135、计算F(xk+1),若||F(xk+1)||≤ε2或||sk+1||≤ε1成立,则执行S137,否则执行S136;
S136、计算yk=F(xk+1)-F(xk),并根据迭代公式计算Bk+1,令k=k+1,转S135;
S137、最终优化量x*=xk+1,输出x*,||F(xk+1)||,||sk||。
进一步的,所述目标函数的表达式为:
其中,r(x)∈Rm是误差函数,x=[η1,W1,η2,W2,η3,W3,η4,W4],ηi,Wi,i=1,2,3,4为旋转部件真实效率和真实流量,i=1,2,3,4分别代表风扇,压气机,高压涡轮,低压涡轮;
f(x)是损失函数,损失函数f(x)在点xk处的Taylor二阶展开为:
其中,δ=x-xk,Jk为r(xk)的雅克比矩阵,Hk为r(xk)的Hessian矩阵。记Δf(xk)=f(xk)-f(xk+δk),ΔQk(δk)=f(xk)-Qk(δk);
给定初猜值x0,优化参数μ0>0,停止迭代阈值ε>0,令k=0,则在信赖域的LM算法步骤如下:
S31、计算Jk,Hk,若||Jk||≤ε,则停止计算,标记xk为近似解;否则执行S32;
S32、分解Hk+μkI,若正定,则执行S33,否则令μk=4μk重新分解,直至Hk+μkI正定,执行S33;
S33、解方程组(Hk+μkI)δ=-Jk,设其解为δk;
S34、计算f(xk+δk),Qk(δk)及rk;
S36、若rk≤0,令xk+1=xk;否则令xk+1=xk+δk。
S37、令k=k+1,重复执行S31-S37。
进一步的,步骤S4的具体步骤如下:
S42、根据所述诊断模型得到所述旋转部件当前的压比及转速,在所述压比流量特性图中标记所述实际工作点A的对应点A’,根据当前部件转速插值无故障压比流量特性图得到并画出对应当前转速的压比流量无故障特性线;
S43、通过所述A’点作等压比线,所述等压比线与所述压比流量无故障特性线交点记为点B’;
S45、将所述点B的坐标值标记为所述效率与流量的理想值;
进一步的,所述突变故障分类准则为:
其中,所述突变故障模式共有p种,p是故障模型的序号,p为正整数;
故障健康参数为hi,i=1,2,…,p,所述健康参数为he;
若he和hi之间的欧式距离最小,则表示发生了第i种故障。
进一步的,所述推力计算公式为:
F=Wg9(V9-V0)+(PS9-P0)A9 (4)
其中,F为推力,Wg9为喷管燃气质量流量,V9为燃气喷管中多变膨胀时喷管出口气流速度,V0为飞行速度,PS9为喷管出口截面气流静压,P0为当前飞行高度外界大气压,A9为喷管出口面积;
所述裕度计算公式为:
其中,SM为裕度,πo,Wo为风扇或压气机的当前工作点的压比和流量,πs,Ws为喘振边界上与点(πo,Wo)处于等转速线上的边界点的压比和流量。
本发明还提供了一种涡扇发动机在线部件故障诊断系统,包括控制器、执行机构、涡扇发动机、传感器、LM优化器和诊断模型。控制器通过执行机构控制涡扇发动机,传感器采集涡扇发动机的信号反馈至控制器,传感器的输出信号和诊断模型的输出信号作差后传递至LM优化器,LM优化器的输出信号和控制器的输出信号再回馈至诊断模型。
本发明的有益效果是:本发明采用Broyden迭代方法建立了诊断模型,通过诊断模型对涡扇发动机的部件进行模拟,通过模拟的诊断模型分析部件的健康状况,即使在缺乏故障样本,只有发动机模型情况下,也能进行发动机故障诊断,无需大量的故障样本作为基础,因此计算量较小,能满足涡扇发动机机载实时需求,是一种有效的基于模型的涡扇发动机在线故障诊断方法。
在构建诊断模型时,不需要高斯系统的假设,能够处理包含瑞利过程噪声和高斯测量噪声的非高斯系统,因此本发明并不局限于某一型号涡扇发动机,具有一定的通用性;
本发明通过设定健康参数、健康参数和突变故障模式的映射关系,够估计得到不可测的流量和效率,并且能够监视推力,风扇裕度和压气机裕度性能参数,为后续可能的容错控制提供诊断依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是涡扇发动机部件及气路图;
图2是涡扇发动机在线部件故障诊断系统示意图;
图3是LM优化算法的流程图;
图4(a)是诊断模型的低压转速动态建模误差示意图;
图4(b)是诊断模型的高压转速动态建模误差示意图;
图5是风扇部件干净特性线,故障特性线和估计工作点及理想工作点图;
图6是动态响应的燃油计划图;
图7是动态响应中参考模型和诊断模型风扇特性轨迹图;
图8是动态响应中测量参数均方根误差;
图9(a)是动态响应中推力的参考值与估计值对比图;
图9(b)是动态响应中风扇裕度的参考值与估计值对比图;
图9(c)是动态响应中压气机裕度的参考值与估计值对比图;
图10(a)是突变故障时推力的参考值与估计值对比图;
图10(b)是突变故障时风扇裕度的参考值与估计值对比图;
图10(c)是突变故障时压气机裕度的参考值与估计值对比图;
图11是突变故障模式的分类正确率示意图;
图12是EKF方法、PF方法和提出的LM方法的健康参数估计精度图;
图13(a)是渐变故障时推力的参考值与估计值对比图;
图13(b)是渐变故障时风扇裕度的参考值与估计值对比图;
图13(c)是渐变故障压气机裕度的参考值与估计值对比图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步详细描述。
本发明实施例以某型涡扇发动机的气路部件健康诊断为例,其中涡扇发动机以非线性部件级参考模型代替,此部件级模型的迭代方法为牛顿-拉夫森方法。
为了对不可测的健康参数和推力裕度性能参数进行估计,本发明采用的涡扇发动机可测量参数包括转速,部分部件截面出口温度压力。为了测试本发明在非高斯系统中的有效性,瑞利噪声被加入发动机模型中作为过程噪声,瑞利噪声的的标准差设置为0.001。为了保证参考模型输出的测量参数更接近涡扇发动机的真实情况,本发明中对传感器加入了高斯测量噪声,各传感器信噪比如表1所示。
表1、涡扇发动机测量参数,标称值及信噪比
为了验证在涡扇发动机部件性能渐变蜕化情况下,本发明设计的性能估计及故障诊断方法的优越性,根据表2所示NASA在MAPSS仿真平台中获得的不同飞行循环数下的健康参数蜕化程度统计数据,设计了渐变蜕化注入参考模型中来进行仿真验证。
表2、不同飞行循环数下的健康参数蜕化程度统计数据
本发明提供了一种涡扇发动机在线部件故障诊断系统,如图2所示,包括控制器、执行机构、涡扇发动机、传感器、LM优化器和诊断模型;控制器、执行机构和传感器均无故障。控制器通过执行机构控制涡扇发动机,传感器采集涡扇发动机的信号反馈至控制器,传感器的输出信号和诊断模型的输出信号作差后传递至LM优化器,LM优化器的输出信号和控制器的输出信号再回馈至诊断模型。
一种涡扇发动机在线部件故障诊断方法,包括:
S1、采用Broyden迭代方法建立诊断模型。具体包括:S11、根据发动机气动学特性和典型的部件特性建立发动机部件模型,假设旋转部件为主要故障部件,非旋转部件无故障;
S12、根据流量连续、功率平衡和转子动力学原理建立所述发动机部件模型之间的共同工作方程组F(x)=0,其中x=(x1,…,xn)T,F(x)=(f1(x),…,fn(x))T,n是正整数;
S13、采用Broyden算法求解所述共同工作方程组,得到所述发动机部件模型的截面工作参数作为观测参数预测值,
其中,逆Broyden秩1公式为:
其中,sk=xk+1-xk,yk=F(xk+1)-F(xk),Bk为增益矩阵。
因此,Broyden算法步骤如下:
S131、给出近似的初始值x0,以及满足精度要求的停止迭代阈值ε1和ε2;
S132、计算初始矩阵B0,B0=[F′(x0)]-1;
S133、令k=0,计算F(x0);
S134、计算sk=xk+1-xk=-BkF(xk),及xk+1=xk+sk;
S135、计算F(xk+1),若||F(xk+1)||≤ε2或||sk+1||≤ε1成立,则执行S138,否则执行S136;
S136、计算yk=F(xk+1)-F(xk),并根据迭代公式计算Bk+1,令k=k+1,转S135;
S137、最终优化量x*=xk+1,输出x*,||F(xk+1)||,||sk||。
双轴涡扇发动机的气路和部件如图1所示,其主要由9个部件组成:进气道,风扇,外涵道,压气机,燃烧室,高压涡轮,低压涡轮,混合室和喷管。根据发动机气动热力学特性和典型的部件特性数据建立图1中所示发动机各个部件的诊断模型。空气流或燃气流在气路中的主要流通过程为:进气道提供空气流给风扇,经过风扇后的一部分的空气流经过发动机核心机,另外一部分通过环形的外涵道,进入核心机的空气流通过高压压气机后进入燃烧室燃烧后转变为燃气流,燃气流进而流过高压涡轮和低压涡轮,离开低压涡轮的燃气流在混合室里和外涵道流入的空气流掺混,掺混后的燃气流入喷口面积可调的喷管。假设相邻的部件在接口处共享相同的循环参数,例如,燃烧室出口处的循环参数和高压涡轮进口处的循环参数相同。由于气路部件的蜕化,涡扇发动机的性能在其运行过程中也会蜕化。压气机污垢,外物损伤,叶片腐蚀,密封圈磨损,叶尖间隙增加等等,是引起发动机性能蜕化的主要原因,而四个旋转部件即风扇,压气机,高压涡轮和低压涡轮是主要的故障部件。因此,假设非旋转部件无故障。如果旋转部件发生故障,相对转速,压比和效率,流通能力之间的关系将不遵循特性图,诊断模型的流量和效率并不是按照参考模型那样通过特性图插值得到,而是通过LM优化器估计得到的。为了考虑诊断模型和真实发动机之间存在建模误差时诊断的有效性,诊断模型的迭代算法采用Broyden算法,而参考模型的迭代算法采用牛顿-拉夫森算法,诊断模型的气动力学以及热力学关系都和参考模型相同。图4给出了当相对低压转速从0.8加速到0.95时,低压转速和高压转速的动态响应对比。诊断模型各测量参数的稳态建模误差和动态建模误差由表3给出,可以看出,诊断模型的稳态建模误差低于0.5%,动态建模误差低于5%。
表3、诊断模型的稳态建模误差和动态建模误差(%)
S2、建立LM优化器,所述LM优化器根据观测参数预测值和观测参数传感器测量值之间的残差作为目标函数。其中,所述目标函数的表达式为:
其中,r(x)∈Rm是误差函数,x=[η1,W1,η2,W2,η3,W3,η4,W4],ηi,Wi,i=1,2,3,4为旋转部件真实效率和真实流量,i=1,2,3,4分别为风扇,压气机,高压涡轮,低压涡轮的序号;
S3、当所述目标函数值最小时,通过LM优化算法估计出当前时刻所述诊断模型的效率和流量,标记为真实效率和流量,流程图如图3所示。
损失函数f(x)在点xk处的Taylor二阶展开为:
其中,δ=x-xk,Jk为r(xk)的雅克比矩阵,Hk为r(xk)的Hessian矩阵。
记Δf(xk)=f(xk)-f(xk+δk),ΔQk(δk)=f(xk)-Qk(δk);
给定初猜值x0,优化参数μ0>0,停止迭代阈值ε>0,令k=0,则在信赖域的LM算法步骤如下:
S31、计算Jk,Hk,若||Jk||≤ε,则停止计算,标记xk为近似解;否则执行S32;
S32、分解Hk+μkI,若正定,则执行S43,否则令μk=4μk重新分解,直至Hk+μkI正定,执行S33;
S33、解方程组(Hk+μkI)δ=-Jk,设其解为δk,得到…;
S34、计算f(xk+δk),Qk(δk)及rk;
S36、若rk≤0,令xk+1=xk;否则令xk+1=xk+δk。
S37、令k=k+1,重复执行S31-S37。
S4、根据旋转部件无故障特性图以及所述真实效率流量值,通过作辅助线求得理想效率和流量,根据健康参数定义求取健康参数。以风扇部件为例,假设相对低压转速是0.95,对应相对低压转速0.95的无故障特性线和故障特性线如图5所示。具体包括:
S42、根据所述诊断模型得到所述旋转部件当前的压比及转速,在所述压比流量特性图中标记所述实际工作点A的对应点A’,根据当前部件转速插值无故障压比流量特性图得到并画出对应当前转速的压比流量无故障特性线;
S43、通过所述A’点作等压比线,所述等压比线与所述压比流量无故障特性线交点记为点B’;
S45、将所述点B的坐标值标记为所述效率与流量的理想值;
S46、根据健康参数定义i=1,2,3,4,求取该旋转部件健康参数,SE1,SW1,SE2,SW2,SE3,SW3,SE4,SW4分别表示:风扇理想效率、风扇理想流通能力、压气机理想效率、压气机理想流通能力、高压涡轮理想效率、高压涡轮理想流通能力、低压涡轮理想效率、低压涡轮理想流通能力。
S5、设定突变故障分类准则,根据所述健康参数与特定故障模式健康参数的欧式距离,确定当前突变故障模式。
其中,突变故障分类准则为:
其中,所述突变故障模式共有p种,p是故障模型的序号,p=11,突变故障模式对应的部件健康参数的改变量如表4所示;
故障健康参数为hi,i=1,2,…,p,所述健康参数为he;
若he和hi之间的欧式距离最小,则表示发生了第i种故障。
表4、不同气路部件故障模式下某型涡扇发动机的气路健康参数改变量
S6、根据LM优化器估计得到的真实效率流量,代入所述诊断模型,根据裕度及推力计算公式求取裕度和推力。其中,推力计算公式为:
F=Wg9(V9-V0)+(PS9-P0)A9 (4)
其中,F为推力,Wg9为喷管燃气质量流量,V9为燃气喷管中多变膨胀时喷管出口气流速度,V0为飞行速度,PS9为喷管出口截面气流静压,P0为当前飞行高度外界大气压,A9为喷管出口面积;
裕度计算公式为:
其中,SM为裕度,πo,Wo为风扇或压气机的当前工作点的压比和流量,πs,Ws为喘振边界上与点(πo,Wo)处于等转速线上的边界点的压比和流量。
S7、将所述真实效率和流量、所述健康参数、所述突变故障模式、所述裕度和推力保存至诊断报告,输出所述诊断报告。
为了验证本发明提出的一种涡扇发动机在线部件故障诊断方法在动态响应情况下的估计精度,设计了动态响应情况下算法性能验证实验,图6给出了动态响应的燃油计划图。图7给出了动态响应中参考模型和诊断模型风扇特性轨迹图,由图7可以看出所述LM优化器估计得到的诊断模型中风扇特性轨迹与参考模型中风扇特性轨迹基本吻合。图8给出了动态响应中测量参数均方根误差,由图8可以看出,动态响应情况下所述观测参数预测值和所述观测参数传感器测量值误差较小,基本吻合。图9(a),(b),(c)分别给出了动态响应中推力,风扇裕度以及压气机裕度的参考值与估计值对比图,由图9(a),(b),(c)可以看出,在动态响应情况下,本发明提出的LM方法能够有效估计出实际发动机中不可测量的推力,风扇裕度和压气机裕度。
为了验证本发明提出的一种涡扇发动机在线部件故障诊断方法在突变故障和渐变故障情况下诊断的有效性,设计了故障情况下本发明提出的一种涡扇发动机在线部件故障诊断方法即LM方法和EKF算法以及PF算法的诊断效果对比实验。图10(a),(b),(c)分别给出了突变故障时推力,风扇裕度,压气机裕度的参考值与估计值对比图,由图10(a),(b),(c)可以看出,在突变故障情况下,本发明提出的LM方法对实际发动机中不可测量的推力,风扇裕度和压气机裕度估计精度要比EKF算法及PF算法高。图11给出了突变故障模式的分类正确率示意图,由图11可以看出,本发明提出的LM方法对突变故障模式分类正确率要比EKF算法及PF算法高。图12给出了EKF方法、PF方法和提出的LM方法的健康参数估计精度图,由图12可以看出,本发明提出的LM方法对健康参数估计的精度要比EKF算法及PF算法高。图13(a),(b),(c)给出了渐变故障时推力,风扇裕度,压气机裕度的参考值与估计值对比图,由图13(a),(b),(c)可以看出,在渐变故障情况下,本发明提出的LM方法对实际发动机中不可测量的推力,风扇裕度和压气机裕度估计精度要比EKF算法及PF算法高。本发明的有益效果是:本发明采用Broyden迭代方法建立了诊断模型,通过诊断模型对涡扇发动机的部件进行模拟,通过模拟的诊断模型分析部件的健康状况,即使在缺乏故障样本,只有发动机模型情况下,也能进行发动机故障诊断,无需大量的故障样本作为基础,因此计算量较小,能满足涡扇发动机机载实时需求,是一种有效的基于模型的涡扇发动机在线故障诊断方法。
在构建诊断模型时,不需要高斯系统的假设,能够处理包含瑞利过程噪声和高斯测量噪声的非高斯系统,因此本发明并不局限于某一型号涡扇发动机,具有一定的通用性;
本发明通过设定健康参数、健康参数和突变故障模式的映射关系,够估计得到不可测的流量和效率,并且能够监视推力,风扇裕度和压气机裕度性能参数,为后续可能的容错控制提供诊断依据。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种涡扇发动机在线部件故障诊断方法,其特征在于,包括:
S1、采用Broyden迭代方法建立非线性部件级的诊断模型,所述诊断模型输出发动机截面工作参数,将所述发动机截面工作参数标记为观测参数预测值;
S2、传感器采集观测参数传感器测量值,建立LM优化器,所述LM优化器以所述观测参数预测值和所述观测参数传感器测量值之间的残差作为目标函数;
S3、当所述目标函数值最小时,通过LM优化算法估计出当前时刻所述诊断模型的效率和流量,标记为真实效率和流量估计值;
S4、根据旋转部件无故障特性图以及所述真实效率和流量估计值通过作辅助线求得理想效率和流量,根据健康参数定义求取健康参数;
S5、设定突变故障分类准则,根据所述健康参数与特定故障模式健康参数的欧式距离,确定当前突变故障模式;
S6、将所述真实效率和流量估计值,代入所述诊断模型,根据裕度及推力计算公式求取风扇和压气机裕度及推力;
S7、将所述真实效率和流量估计值、所述健康参数、所述突变故障模式、所述裕度和推力保存至诊断报告,输出所述诊断报告。
2.根据权利要求1所述的涡扇发动机在线部件故障诊断方法,其特征在于,所述S1包括:
S11、根据发动机气动学特性和典型的部件特性建立发动机部件模型;
S12、根据流量连续功率平衡和转子动力学原理建立所述发动机部件模型之间的共同工作方程组;
S13、采用Broyden算法求解所述共同工作方程组,得到所述发动机部件模型的所述截面工作参数,标记为所述观测参数预测值。
4.根据权利要求1所述的涡扇发动机在线部件故障诊断方法,其特征在于,步骤S4的具体步骤如下:
S42、根据所述诊断模型得到所述旋转部件当前的压比及转速,在所述压比流量特性图中标记所述实际工作点A的对应点A’,根据当前部件转速插值无故障压比流量特性图得到并画出对应当前转速的压比流量无故障特性线;
S43、通过所述A’点作等压比线,所述等压比线与所述压比流量无故障特性线交点记为点B’;
S45、将所述点B的坐标值标记为所述效率与流量的理想值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711031984.XA CN108062428B (zh) | 2017-10-30 | 2017-10-30 | 一种涡扇发动机在线部件故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711031984.XA CN108062428B (zh) | 2017-10-30 | 2017-10-30 | 一种涡扇发动机在线部件故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108062428A CN108062428A (zh) | 2018-05-22 |
CN108062428B true CN108062428B (zh) | 2021-07-09 |
Family
ID=62138005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711031984.XA Active CN108062428B (zh) | 2017-10-30 | 2017-10-30 | 一种涡扇发动机在线部件故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062428B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108716931B (zh) * | 2018-06-08 | 2021-06-11 | 中国航发沈阳发动机研究所 | 航空发动机机载传感器故障的处置算法 |
WO2020142984A1 (zh) * | 2019-01-10 | 2020-07-16 | 大连理工大学 | 一种基于误差区间观测器的航空发动机主动容错控制方法 |
CN111734533B (zh) * | 2020-05-28 | 2022-09-23 | 北京仿真中心 | 一种基于涡扇发动机的模型预测方法及系统 |
CN111880403A (zh) * | 2020-06-15 | 2020-11-03 | 西北工业大学 | 航空发动机最大推力状态容错二自由度μ控制器 |
CN112346336A (zh) * | 2020-06-15 | 2021-02-09 | 西北工业大学 | 航空发动机气路部件故障鲁棒增益调度容错控制器 |
CN114818205B (zh) * | 2022-06-27 | 2022-09-09 | 南京航空航天大学 | 一种航空发动机全生命周期叶尖间隙在线感知方法 |
CN115587294B (zh) * | 2022-12-08 | 2023-02-28 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389427B (zh) * | 2015-10-28 | 2018-08-03 | 南京航空航天大学 | 基于自适应粒子滤波的航空发动机气路部件故障检测方法 |
CN106295153B (zh) * | 2016-08-03 | 2018-12-28 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
-
2017
- 2017-10-30 CN CN201711031984.XA patent/CN108062428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108062428A (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
CN109857094B (zh) | 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法 | |
US10260425B2 (en) | Leak detection, isolation and accommodation assembly for gas turbine engines | |
US6502085B1 (en) | Methods and systems for estimating engine faults | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
CN103261987B (zh) | 监测涡轮喷气发动机变几何形状部件传动系统伺服控制回路的方法和装置 | |
CN108732962B (zh) | 压缩机水洗规划 | |
Panov | Auto-tuning of real-time dynamic gas turbine models | |
Xin et al. | Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine | |
US20150168264A1 (en) | System abnormalities | |
CN110080884B (zh) | 涡扇发动机热端虚拟传感器信号生成与气路故障诊断方法 | |
Lu et al. | Gas path on-line fault diagnostics using a nonlinear integrated model for gas turbine engines | |
Yang et al. | A strong tracking filter based multiple model approach for gas turbine fault diagnosis | |
Yildirim et al. | Engine health monitoring in an aircraft by using Levenberg-Marquardt feedforward neural network and radial basis function network | |
Liu et al. | Aero-engine health degradation estimation based on an underdetermined extended Kalman filter and convergence proof | |
Chen et al. | A time-series turbofan engine successive fault diagnosis under both steady-state and dynamic conditions | |
Wei et al. | Aircraft engine sensor fault diagnostics based on estimation of engine's health degradation | |
Feng et al. | A multi-rate sensor fusion approach using information filters for estimating aero-engine performance degradation | |
Salamat | Gas path diagnostics for compressors | |
Breikin et al. | Dynamic modelling for condition monitoring of gas turbines: Genetic algorithms approach | |
Wu et al. | Variable forgetting factor identification algorithm for fault diagnosis of wind turbines | |
CN115144186A (zh) | 一种燃气涡轮发动机气路故障连续高精度诊断方法 | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Kiakojoori et al. | Dynamie neural networks for jet engine degradation prediction and prognosis | |
RU2665142C1 (ru) | Способ полетной диагностики узлов турбореактивного двухконтурного двигателя со смешением потоков |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |