CN108681614B - 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 - Google Patents
基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 Download PDFInfo
- Publication number
- CN108681614B CN108681614B CN201810185950.4A CN201810185950A CN108681614B CN 108681614 B CN108681614 B CN 108681614B CN 201810185950 A CN201810185950 A CN 201810185950A CN 108681614 B CN108681614 B CN 108681614B
- Authority
- CN
- China
- Prior art keywords
- engine
- particle
- diagnosis
- sudden
- fault
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 122
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 230000035772 mutation Effects 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims description 43
- 230000000694 effects Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012898 sample dilution Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法，涉及航空发动机故障诊断领域，能够实现突变故障的快速诊断，并且诊断结果噪声水平低，估测结果精度高。本发明包括：对发动机非线性数学模型注入气路部件突变故障；设计基于伪协方差的改进高斯粒子滤波算法；发动机非线性数学模型载入改进高斯粒子滤波算法，改进高斯粒子滤波算法对气路部件突变故障进行诊断,得到诊断结果。本发明采用伪协方差代替协方差、高斯采样代替重采样，减少了诊断时间、提高了诊断精度，能够实现发动机寿命周期内气路突变故障的快速诊断。
Description
技术领域
本发明涉及航空发动机故障诊断领域，尤其涉及了基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法。
背景技术
涡扇发动机结构复杂，工作环境恶劣，属于一种故障多发系统。据统计，涡扇发动机气路部件故障占涡扇发动机总体故障的90％以上，因此，实时检测发动机健康状况并进行气路性能分析是提高发动机安全可靠性的重要途径。发动机气路部件的效率变化系数、流量变化系数等健康参数是发动机气路故障的状态特征，而这些健康参数会直接导致转速、温度、压力等发动机测量参数的变化，因此发动机气路部件故障诊断主要是采用特定的算法根据测量参数的变化来估计出健康参数，从而分析发动机气路部件的健康状况。发动机故障诊断的方法主要有基于模型(如最小二乘方法，卡尔曼滤波方法)，基于数据(如神经网络，支持向量机)和基于知识(如专家系统)的方法。随着发动机部件级模型的精度以及计算机速度的提高，基于模型的故障诊断方法在工程实际中得到了广泛的研究和应用。
卡尔曼滤波算法受限于线性高斯系统，一些改进的卡尔曼算法虽然适用于非线性问题，但依然依赖于高斯噪声的假设。而粒子滤波算法适用于含非高斯噪声的非线性系统，于是有学者提出使用粒子滤波算法进行气路部件健康参数的估计，并取得了较好的估计效果。标准粒子滤波用于发动机故障诊断主要存在以下两个方面的问题：(1)由于标准粒子滤波直接采用先验分布作为重要性密度函数，没有结合最新观测值，导致在突变故障下，不能实现突变故障的快速诊断；(2)由于发动机健康参数的维度高，滤波器的抽样率低，同时出于实时性考虑，粒子数少，所以有效粒子数低，导致诊断结果噪声水平高，估计精度低。
因此，现有技术中，缺乏一种粒子滤波算法，能够实现突变故障的快速诊断，并且诊断结果噪声水平低，估测结果精度高。
发明内容
本发明提供了基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法，能够实现突变故障的快速诊断，并且诊断结果噪声水平低，估测结果精度高。
为达到上述目的，本发明采用如下技术方案：
基于改进高斯粒子滤波的涡扇发动机故障诊断方法，包括：
S1、对发动机非线性数学模型注入气路部件突变故障，发动机非线性数学模型，其中，根据发动机各部件间的流量连续、功率平衡、转子动力学原理建立共同方程，采用牛顿拉夫森迭代算法求解非线性方程组，获得发动机各工作截面的参数，依据发动机的气动热力学特性和部件特性数据，建立发动机非线性数学模型。
S2、设计基于伪协方差的改进高斯粒子滤波算法；
S3、发动机非线性数学模型载入改进高斯粒子滤波算法，改进高斯粒子滤波算法对气路部件突变故障进行诊断,得到诊断结果。
进一步的，发动机非线性数学模型表征了以下故障量，效率变化程度系数SEi，流量变化程度系数SWi；效率变化程度系数和流量变化程度系数为健康参数，以反应发动机部件的健康状况。其中i＝1,2,3,4分别为风扇，高压压气机，高压涡轮，低压涡轮这四个旋转部件的序号。
进一步的，气路部件突变故障包括：风扇部件突变故障，压气机部件突变故障，高压涡轮部件突变故障和低压涡轮部件突变故障。
进一步的，S2具体包括：
S21、k表示步数，在k＝0时，赋予
初始值，再进入k＝1时刻，完成初始化，其中，
为状态量估计的初始值，
为粒子集伪协方差估计的初始值；
S22、在k时刻，根据高斯采样从
获得高斯采样粒子集
其中
为k-1时刻的等权重的高斯采样粒子，
为k-1时刻的粒子加权均值，
为k-1时刻的粒子集伪协方差；
S23、在k时刻，从重要密度函数
中依据重要性采样法抽样得到时刻更新粒子集
其中，zk为k时刻的测量值，；
S24、选取先验密度函数作为重要性密度函数，即
先验密度函数为
计算得到各粒子的重要性权重
即为各粒子的后验似然概率分布，
S25、将各粒子权值归一化，
为归一化值，
S26、估计状态值
及粒子集伪协方差
S27、判断是否达到最大步数kmax，否则令k＝k+1，返回S22，循环执行S22-S27。
进一步的，发动机故障诊断中，状态估计值列向量
由2个状态变量和8个健康参数组成，2个状态量分别为高压转速和低压转速，8个健康参数分别为风扇效率健康参数，风扇流量健康参数，压气机效率健康参数，压气机流量健康参数，高压涡轮效率健康参数，高压涡轮流量健康参数，低压涡轮效率健康参数，低压涡轮流量健康参数。在无突变故障发生的情况下，对于粒子加权均值向量
和
有
其中
为列向量
第j行的值，j为列向量
的行数。又因为
分别表示发动机转速状态量，由于惯性作用，假设
在相邻时刻的值不会突变，所以有
于是在无突变故障发生的情况下，有
粒子集的协方差∑k为
粒子集伪协方差
为
当发动机无突变故障时
伪协方差能够代替协方差；若第j,j＝3,4,…,10维的发动机健康参数发生突变故障且其他健康参数无突变故障，则
相对
第j行元素突变，一般情况下，归一化权值
大的粒子
必然聚集在
附近，则
的第j行元素突变，于是
的对角线上第j个元素显著大于其他元素，下一时刻从
中抽样获得的粒子比从
中获得的粒子的第j个元素波动更加剧烈，而其他元素的波动程度基本保持为无突变故障情形。
进一步的，在S3中，诊断包括：
S31、将发动机的高度马赫数环境参数，燃油量、尾喷管面积控制参数，以及健康参数输入发动机非线性数学模型，发动机非线性数学模型计算得出预测观测参数；
S32、发动机输出的观测参数为低压转子转速、高压转子转速、风扇出口温度、风扇出口压力、压气机出口温度、压气机出口压力、高压涡轮出口温度、高压涡轮出口压力。将观测参数和预测观测参数的残差，依据改进高斯粒子滤波算法，计算得出部件健康参数，实现发动机气路部件的突变故障诊断。
本发明的有益效果是：
本发明针对粒子滤波应用于突变故障诊断时诊断步数多和诊断结果噪声水平高的问题，在高斯粒子滤波框架下，提出了粒子集伪协方差的概念，通过考虑粒子与上一时刻估计值的偏差量，加剧突变故障时刻粒子在故障维度上的波动，保证采样得到的粒子更能反映真实突变情况，减少突变故障诊断步数；本发明采用高斯粒子滤波算法，通过高斯采样代替了粒子重采样，避免了粒子滤波重采样引起的样本贫化问题，从而提高滤波精度，保证了滤波稳定性；并且，伪协方差相比粒子集协方差，显著降低了算法的均方根误差，并且计算量基本不变，在保证计算速度的同时降低诊断结果噪声水平；综上，本发明适用于发动机突变故障诊断系统，能够有效提高突变故障的诊断精度和诊断速度。
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是基于改进高斯粒子滤波的突变故障诊断原理图；
图2是涡扇发动机模型气路工作截面示意图；
图3(a)是高斯噪声下风扇效率突变8％标准粒子滤波器诊断效果；
图3(b)是高斯噪声下风扇效率突变8％改进高斯粒子滤波器诊断效果；
图4(a)是高斯噪声下风扇效率突变8％、压气机效率突变4％标准粒子滤波器诊断效果；
图4(b)是高斯噪声下风扇效率突变8％、压气机效率突变4％改进粒子滤波器诊断效果；
图5(a)是伽马噪声下风扇效率突变8％标准粒子滤波器诊断效果；
图5(b)是伽马噪声下风扇效率突变8％改进高斯粒子滤波器诊断效果；
图6(a)是伽马噪声下风扇效率突变8％、压气机效率突变4％标准粒子滤波器诊断效果；
图6(b)是伽马噪声下风扇效率突变8％、压气机效率突变4％改进粒子滤波器诊断效果。
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。
本实施例以某型涡扇发动机的气路部件突变故障诊断为例，基于改进高斯粒子滤波的涡扇发动机气路部件突变故障诊断原理如图1，其中涡扇发动机以部件级模型代替，作为发动机非线性数学模型。
在时刻k，涡扇发动机根据控制量uk得到输出值yk，对于第i个粒子，其中i＝1,2,…,N，根据上一时刻估计得到的状态
及伪协方差
经过高斯采样得到第i个粒子的上一时刻状态
发动机部件级模型根据控制量uk以及
更新出当前时刻状态
并计算得出当前预测输出
根据预测输出
与输出值yk的差值
求取后验似然分布概率作为权重
所有粒子权重归一化后得到
并求取当前时刻状态估计值
及伪协方差
为了验证改进高斯粒子滤波算法的有效性，在MATLAB环境下调用发动机动态链接库模型进行气路健康诊断的数字仿真，涡扇发动机模型气路工作截面示意图如图2所示，主要包括进气道、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。发动机数学模型：
xk+1＝f(xk,uk)+ωk
zk＝h(xk,uk)+νk
其中，xk,uk,zk分别表示k时刻的状态量x＝[NL,NH]，其中NL为低压转速，NH为高压转速；控制量u＝[Wf,A8]，其中Wf为主燃油量，A8为尾喷口面积；观测量z＝[NL,NH,T22,P22,T3,P3,T43,P43]，其中变量含义如表1所述；ωk,νk分别表示k时刻的过程噪声和观测噪声，f(·),h(·)分别为状态转移函数和观测函数，观测参数的测量噪声设置如表1所示：
表1传感器选取及其测量噪声
为了表示突变故障发生后部件性能的变化程度，引入风扇、压气机、高低压涡轮四个部件的效率SEi和流量的变化程度系数SWi，定义如下：
式中ηi,Wi分别为各部件实际的效率和流量值，ηi *,Wi *分别为各部件效率和流量未发生蜕化和突变时的理想值，i＝1,2,3,4分别为风扇，高压压气机，高压涡轮，低压涡轮这四个旋转部件的序号。定义部件健康参数蜕化量Δh，即部件性能的变化量ΔSEi＝SEi-1，ΔSWi＝SWi-1，将其增广到发动机状态中建立可以注入气路部件突变故障的发动机非线性数学模型，则状态量为
x＝[NL,NH,ΔSE1,ΔSW1,ΔSE2,ΔSW2,ΔSE3,ΔSW3,ΔSE4,ΔSW4]，本发明中的发动机状态量、健康参数、控制量如表2所示：
表2发动机状态量、健康参数及控制量
利用标准粒子滤波器和改进粒子滤波器分别对发动机气路部件的两种突变故障模式进行仿真估计：单部件突变故障模式(SE1发生突变，突变量为SE1减小8％)以及多部件突变故障模式(SE1，SW2同时发生突变，突变量为SE1减小8％，SW2减小4％)。设定采样步长为0.02s，突变故障发生时间均设定为2.00s。假设初始时刻Δx为0，即各部件在初始时刻均未发生蜕化，为获得到较好的滤波结果，将粒子初始状态设定在零值附近，选取粒子个数为50。在高斯噪声下，对于单部件突变故障，标准粒子滤波仿真结果如图3(a)，改进高斯粒子滤波仿真结果如图3(b)；对于双部件突变故障，标准粒子滤波仿真结果如图4(a)，改进高斯粒子滤波仿真结果如图4(b)。在伽马噪声下，对于单部件突变故障，标准粒子滤波仿真结果如图5(a)，改进高斯粒子滤波仿真结果如图5(b)；对于双部件突变故障，标准粒子滤波仿真结果如图6(a)，改进高斯粒子滤波仿真结果如图6(b)。由以上仿真结果可以看出，在高斯噪声或伽马噪声下，标准粒子滤波对于单故障模式和多故障模式均可以实现估计，但诊断时间较长，噪声水平较高；而改进高斯粒子滤波不仅可以在两种噪声下实现多故障模式的估计，而且诊断时间相比于标准粒子滤波有明显降低。
本发明选用综合估计精度、故障诊断时间和诊断结果噪声水平来衡量滤波器故障诊断效果。综合估计精度用全部仿真时间10s内的均方根误差RMSE来衡量，其表达式如下：
故障诊断时间用故障参数稳定在故障值±0.01范围内所需时间来衡量。诊断结果噪声水平用后5s内无突变故障情况下均方根误差来衡量，其计算表达式如下：
表3为高斯噪声下标准粒子滤波器和改进高斯粒子滤波器的20次诊断平均性能对比，可以看出，改进高斯粒子滤波器对两种发动机健康参数突变故障的估计效果都比标准粒子滤波器有提高。改进高斯粒子滤波对于故障诊断时间改善显著，单故障模式下故障诊断时间下降为标准粒子滤波的27％，多故障模式下故障诊断时间下降为标准粒子滤波的45％；诊断结果噪声水平和综合估计精度均略有改善，与改进高斯粒子滤波原理及预期效果相符。表4为伽马噪声下标准粒子滤波器和改进高斯粒子滤波器的20次诊断平均性能对比，可以得出和表3类似的结论，改进高斯粒子滤波与标准粒子滤波相比，诊断性能有显著提高，诊断时间明显减少。
表3高斯噪声下标准粒子滤波器和改进高斯粒子滤波器诊断性能
表4伽马噪声下标准粒子滤波器和改进高斯粒子滤波器诊断性能
综上，本发明的有益效果是：
本发明针对粒子滤波应用于突变故障诊断时诊断步数多和诊断结果噪声水平高的问题，在高斯粒子滤波框架下，提出了粒子集伪协方差的概念，通过考虑粒子与上一时刻估计值的偏差量，加剧突变故障时刻粒子在故障维度上的波动，保证采样得到的粒子更能反映真实突变情况，减少突变故障诊断步数；本发明采用高斯粒子滤波算法，通过高斯采样代替了粒子重采样，避免了粒子滤波重采样引起的样本贫化问题，从而提高滤波精度，保证了滤波稳定性；并且，伪协方差相比粒子集协方差，显著降低了算法的均方根误差，并且计算量基本不变，在保证计算速度的同时降低诊断结果噪声水平；综上，本发明适用于发动机突变故障诊断系统，能够有效提高突变故障的诊断精度和诊断速度，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 (5)
1.基于改进高斯粒子滤波的涡扇发动机故障诊断方法，其特征在于，包括：
S1、对发动机非线性数学模型注入气路部件突变故障；
S2、设计基于伪协方差的改进高斯粒子滤波算法，具体包括：
S21、k表示步数，在k＝0时，赋予
初始值，再进入k＝1时刻，完成初始化，其中，
为状态变量估计的初始值，
为粒子集伪协方差估计的初始值；
S22、在k时刻，根据高斯采样从
获得高斯采样粒子集
其中
为k-1时刻的等权重的高斯采样粒子，
为k-1时刻的粒子加权均值，
为k-1时刻的粒子集伪协方差；
S23、在k时刻，从重要性密度函数
中依据重要性采样法抽样得到时刻更新粒子集
其中，zk为k时刻的测量值；
S24、选取先验密度函数作为重要性密度函数，即
所述先验密度函数为
计算得到各粒子的重要性权重wi k，即为所述各粒子的后验似然概率分布，
S25、将所述各粒子权值归一化，
为归一化值，
S26、估计状态值
及粒子集伪协方差
S27、判断是否达到最大步数kmax，否则令k＝k+1，返回S22，循环执行S22-S27；
S3、所述发动机非线性数学模型载入所述改进高斯粒子滤波算法，所述改进高斯粒子滤波算法对所述气路部件突变故障进行诊断,得到诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述发动机非线性数学模型表征了以下故障量:SEi为效率变化程度系数，SWi流量变化程度系数；所述效率变化程度系数和所述流量变化程度系数为健康参数。
3.根据权利要求1所述的方法，其特征在于，所述气路部件突变故障包括：风扇部件突变故障，压气机部件突变故障，高压涡轮部件突变故障和低压涡轮部件突变故障。
4.根据权利要求1所述的方法，其特征在于，发动机故障诊断中，状态估计值列向量
由2个状态变量和8个健康参数组成，所述2个状态变量分别为高压转速和低压转速；所述8个健康参数分别为风扇效率健康参数，风扇流量健康参数，压气机效率健康参数，压气机流量健康参数，高压涡轮效率健康参数，高压涡轮流量健康参数，低压涡轮效率健康参数，低压涡轮流量健康参数；在无突变故障发生的情况下，对于粒子加权均值向量
和
有
其中
为列向量
第j行的值，j为列向量
的行数；又因为
分别表示发动机转速状态量，由于惯性作用，假设
在相邻时刻的值不会突变，所以有
于是在无突变故障发生的情况下，有
粒子集的协方差∑k为
粒子集的伪协方差
为
当发动机无突变故障时
所述伪协方差能够代替所述协方差；若第j,j＝3,4,…,10维的发动机健康参数发生突变故障且其他健康参数无突变故障，则
相对
第j行元素突变，一般情况下，归一化权值
大的粒子
必然聚集在
附近，则
的第j行元素突变，于是
的对角线上第j个元素显著大于其他元素，下一时刻从
中抽样获得的粒子比从
中获得的粒子的第j个元素波动更加剧烈，而其他元素的波动程度基本保持为无突变故障情形。
5.根据权利要求2所述的方法，其特征在于，在所述S3中，所述诊断包括：
S31、将发动机的高度马赫数环境参数，燃油量、尾喷管面积控制参数，以及所述健康参数输入所述发动机非线性数学模型，所述发动机非线性数学模型计算得出预测观测参数；
S32、发动机输出的观测参数为低压转子转速、高压转子转速、风扇出口温度、风扇出口压力、压气机出口温度、压气机出口压力、高压涡轮出口温度、高压涡轮出口压力；将所述观测参数和所述预测观测参数的残差，依据所述改进高斯粒子滤波算法，计算得出所述气路部件健康参数，实现发动机气路部件的突变故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810185950.4A CN108681614B (zh) | 2018-03-07 | 2018-03-07 | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810185950.4A CN108681614B (zh) | 2018-03-07 | 2018-03-07 | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108681614A CN108681614A (zh) | 2018-10-19 |
| CN108681614B true CN108681614B (zh) | 2021-08-06 |
Family
ID=63800404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810185950.4A Active CN108681614B (zh) | 2018-03-07 | 2018-03-07 | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108681614B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112378670B (zh) * | 2020-11-10 | 2021-10-15 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
| CN112861289B (zh) * | 2021-03-09 | 2021-10-29 | 兰州理工大学 | 基于IMM-KEnPF的风机桨距系统故障诊断方法 |
| CN113128570B (zh) * | 2021-03-30 | 2022-12-20 | 北京航空航天大学 | 基于增广粒子滤波的液体火箭发动机推力室故障诊断方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8386121B1 (en) * | 2009-09-30 | 2013-02-26 | The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration | Optimized tuner selection for engine performance estimation |
| CN102855349B (zh) * | 2012-08-06 | 2015-07-01 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
| CN103389094B (zh) * | 2013-07-15 | 2017-03-01 | 哈尔滨工程大学 | 一种改进的粒子滤波方法 |
| CN103489032B (zh) * | 2013-09-27 | 2016-08-17 | 南京航空航天大学 | 基于粒子滤波的航空发动机气路部件健康诊断方法 |
| CN105759787B (zh) * | 2016-03-19 | 2018-07-17 | 浙江大学 | 一种基于切换有监督线性动态系统模型的故障诊断方法 |
-
2018
- 2018-03-07 CN CN201810185950.4A patent/CN108681614B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108681614A (zh) | 2018-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647428B (zh) | 一种涡扇发动机自适应部件级仿真模型构建方法 | |
| US8014929B2 (en) | Method of monitoring a gas turbine engine | |
| CN108681614B (zh) | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 | |
| Barad et al. | Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine | |
| JP4149899B2 (ja) | システム上で診断を行うための方法 | |
| CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
| US11591925B2 (en) | Monitoring device, method for monitoring target device, and program | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| Panov | Auto-tuning of real-time dynamic gas turbine models | |
| CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
| WO2015073498A1 (en) | Systems and methods for improved accuracy | |
| US7890296B2 (en) | Method of analyzing the performance of gas turbine engines | |
| Lu et al. | Gas path on-line fault diagnostics using a nonlinear integrated model for gas turbine engines | |
| CN107977526B (zh) | 大涵道比民航发动机性能诊断方法及系统 | |
| CN115903484A (zh) | 基于合作博弈的航空发动机多变量鲁棒控制器优化方法 | |
| CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
| CN112052496B (zh) | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 | |
| CN116451484A (zh) | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 | |
| Gutierrez et al. | Smoothing Techniques for Real-Time Turbine Speed Sensors | |
| CN114357863A (zh) | 一种基于粒子滤波的机械液压产品寿命预测方法 | |
| Zhu et al. | Application of adaptive square root cubature Kalman filter in turbofan engine gas path performance monitoring | |
| Kim et al. | Suitability of performance adaptation methods for updating the thermodynamic cycle model of a turboprop engine | |
| Yepifanov et al. | Gas path model identification as an instrument of gas turbine diagnosing | |
| Romessis et al. | Implementation of stochastic methods for industrial gas turbine fault diagnosis | |
| Wang et al. | Parameter Estimation and Performance Seeking of a Marine Gas Turbine Based on Extended Kalman Filter |
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 |