CN109799803A - 一种基于lft的航空发动机传感器及执行机构故障诊断方法 - Google Patents

Abstract

本发明公开一种基于LFT的航空发动机传感器及执行机构故障诊断方法，属航空发动机故障诊断领域。采用小扰动法与线性拟合法相结合的方法建立航空发动机状态变量模型，并基于此模型建立仿射参数依赖的航空发动机LPV模型；将带有扰动信号及传感器与执行机构故障信号的航空发动机LPV模型转化为LFT结构，得到LPV故障估计器的H_∞综合框架；通过求解一组线性矩阵不等式LMIs获得故障估计器存在的有解条件；结合LFT结构设计故障估计器，实现航空发动机传感器及执行机构的故障诊断。本发明根据航空发动机参数的变化，自适应地调整故障估计器的参数，迅速地检测传感器及执行机构故障，准确重构故障信号，为后续的主动容错控制提供基础。

Description

一种基于LFT的航空发动机传感器及执行机构故障诊断方法

技术领域

本发明属于航空发动机故障诊断领域，具体涉及一种基于LFT的航空发动机传感器及执行机构故障诊断方法。

背景技术

航空发动机是飞机的重要部件，飞行状态健康与否直接取决于航空发动机的健康状态。其中，航空发动机的传感器作为航空发动机的底层信息采集平台，能够准确测量航空发动机工作过程中的部件和系统状态信息，从而构建出有效的控制系统。若航空发动机传感器发生故障，则无法给控制系统提供精确的性能和状态参数，无法实现精确的控制。而航空发动机的执行机构是连接航空发动机和控制系统的重要环节，执行机构根据控制系统给定的控制指令，驱动实际控制量变化，从而控制航空发动机的工作状态。若航空发动机执行机构发生故障，则会给控制系统提供错误的信息，从而给飞机的安全带来隐患，有可能引发灾难性的后果。因此，本发明针对航空发动机传感器及执行机构的性能进行监测，对故障状态实时诊断、告警，具有重要的意义。

已有文献表明，首先，现有的航空发动机传感器及执行机构的故障诊断技术的研究方向主要集中在故障检测方面，即只能对航空发动机传感器及执行机构是否发生故障给出判断，而针对故障信号进行估计方法的研究较少。具体的，传感器及执行机构不同的故障模式对应的故障处理措施不同。对于航空发动机的传感器故障，实际故障以漂移为主，若传感器发生漂移，则可通过控制器设计对传感器测量信息进行校正。航空发动机的执行机构故障包括退化、漂移与卡死等状态，若执行机构发生退化或漂移，则可通过控制器设计使航空发动机保持正常工作；若执行机构发生卡死，则需要进行执行机构切换到冗余模式，待飞行完成后进行执行机构维护。因此，只对故障检测进行研究，即判断是否发生故障，不利于航空发动机的安全运行与维护。而对故障程度可靠的估计，可实现航空发动机传感器及执行机构状态的准确判断，同时降低航空发动机的维修成本。此外，航空发动机可以描述为一种典型的LPV(线性变参数)系统。文献表明，LPV系统的故障估计方法近年来主要分为两大类：一是基于观测器的方法，但是这类方法对系统中的扰动以及模型不确定性鲁棒性不强，即系统受到的外界扰动和建模带来的误差会严重影响观测器的观测结果；另一类是基于H_∞优化技术的故障估计方法，该方法可以提高系统的鲁棒性，但基于该技术的故障估计研究仍处于刚刚起步的阶段，还有许多问题值得深入地探讨。

发明内容

针对现有航空发动机传感器及执行机构故障诊断技术中无法实现外界干扰及建模误差下对故障信号进行准确估计的问题，本发明提供一种基于LFT的航空发动机传感器及执行机构故障诊断方法，能够根据航空发动机LPV模型中参数的变化，自适应地调整故障估计器的参数，实现迅速地检测系统中的故障，并准确地重构故障信号，及时提出维修建议，为之后的容错控制提供更好的基础保障。

为实现上述目的，本发明采用的技术方案步骤如下：

一种基于LFT的航空发动机传感器及执行机构故障诊断方法，包括以下步骤：

步骤1：采用小扰动法与线性拟合法相结合的方法建立航空发动机状态变量模型；

步骤2：建立仿射参数依赖的航空发动机线性变参数(LPV)模型；

步骤3：将存在扰动及传感器与执行机构故障的仿射参数依赖的航空发动机LPV模型转化为LFT结构，建立航空发动机LPV故障估计器的H_∞综合框架；

步骤4：求解一组线性矩阵不等式LMIs，获得故障估计器存在的有解条件；

步骤5：结合LFT结构设计故障估计器，实现航空发动机传感器及执行机构的故障诊断。

所述步骤1包括以下步骤：

步骤1.1：向航空发动机输入稳态工作点下的油压p_f，待航空发动机高压涡轮相对换算转速n_h达到相应稳定状态后，将幅值为0.01p_f的油压阶跃信号U_pf1输入到航空发动机中，分别采集航空发动机输出高压涡轮相对换算转速响应Y_nh1和低压涡轮相对换算转速响应Y_nl1；

步骤1.2：重复步骤1的过程N次，分别采集得到给定油压p_fi下的高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli，i＝1,2,3,…,N；

步骤1.3：以油压阶跃信号U_pfi为输入变量，高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli为状态变量，根据线性拟合法求解各稳态工作点下的航空发动机离散小偏差状态变量模型；

步骤1.4：根据采样周期T，将各稳态工作点下的航空发动机离散小偏差状态变量模型转换为连续小偏差状态变量模型，得到航空发动机状态变量模型；

其中，状态变量x_p＝[Y_nl ^T Y_nh ^T]^T∈Rⁿ，表示x_p的一阶导数，输入变量u＝U_pf∈R^t，输出变量y_p＝Y_nh∈R^m，A_pi、B_pi、C_pi、D_pi是系统状态空间矩阵，且C_pi＝C_p＝[0 1]、D_pi＝D_p＝0；Rⁿ、R^t、R^m分别表示维数为n、t、m的实数集，T表示对矩阵进行转置。

所述步骤2包括以下步骤：

步骤2.1：设航空发动机高压涡轮相对换算转速n_hi为调度参数θ(i)，i＝1,2,3,…,N；

步骤2.2：将航空发动机连续小偏差状态变量模型的系统矩阵A_p(θ)和控制矩阵B_p(θ)表述成仿射参数依赖形式，如下：

A_p(θ)＝A₀+θA₁，B_p(θ)＝B₀+θB₁ (2)

其中，A₀、A₁、B₀、B₁分别表示待求的系数矩阵。

将式(2)改写为

其中，I是单位矩阵。

则有

其中，[I θI]⁺为[I θI]的Moore-Penrose伪逆，即求得仿射参数依赖的航空发动机LPV模型的系统矩阵A_p(θ)和控制矩阵B_p(θ)；

步骤2.3：建立仿射参数依赖的航空发动机LPV模型

所述步骤3建立航空发动机LPV故障估计器的H_∞综合框架包括以下步骤：

步骤3.1：将存在扰动及传感器与执行机构故障的仿射参数依赖的航空发动机LPV模型P(s,θ)表示为

其中，d∈R^q为扰动信号，f∈R^l为故障信号，包括传感器故障及执行机构故障，R^q、R^l分别表示维数为q、l的实数集；E_p、F_p、G_p、H_p是系统状态空间矩阵，P(s,θ)的上LFT结构表示为

其中，外部输入变量w＝[u^T d^T f^T]^T∈R^p1，w_θ∈R^r为时变部分Δ(θ)＝θI的输出变量，z_θ∈R^r为时变部分Δ(θ)＝θI的输入变量，A_p、B_pθ、B_pw、C_pθ、C_pw、D_pθθ、D_pθw、D_pwθ、D_pww是系统状态空间矩阵；R^p1、R^r分别表示维数为p1、r的实数集，且有p1＝t+q+l，即外部输入变量w的维数p1等于航空发动机的输入变量u的维数t、扰动信号d的维数q和故障信号f的维数l之和。

步骤3.2：设故障估计器K(s,θ)形式如下

其中，x_K∈R^k为故障估计器K(s,θ)的状态变量，表示x_K的一阶导数，R^k表示维数为k的实数集；u_K＝[u^T y_p ^T]^T∈R^p2为K(s,θ)的输入变量，p2＝t+m，即K(s,θ)的输入变量u_K的维数p2等于航空发动机的输入变量u的维数t和航空发动机的输出变量y_p的维数m之和；为K(s,θ)的输出变量，即故障信号f的估计值，A_K(θ)、B_K(θ)、C_K(θ)、D_K(θ)是系统状态空间矩阵，将K(s,θ)表示成下LFT结构，如下：

其中，w_K∈R^r为时变部分Δ_K(θ)＝θI的输出变量，z_K∈R^r为时变部分Δ_K(θ)＝θI的输入变量，A_K、B_K1、B_Kθ、C_K1、C_Kθ、D_K11、D_K1θ、D_Kθ1、D_Kθθ是系统状态空间矩阵；

步骤3.3：根据航空发动机LPV模型P(s,θ)中时变部分Δ(θ)和故障估计器K(s,θ)中时变部分Δ_K(θ)，LPV故障估计器的H_∞综合框架表示为

其中，为故障估计误差，系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵故障估计器矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵D₀₄＝D₁₁，矩阵A＝A_p，矩阵B_θ＝B_pθ，矩阵B₁＝B_pw，矩阵B₂＝0_n×l，矩阵C_θ＝C_pθ，矩阵D_θθ＝D_pθθ，矩阵D_θ1＝D_pθw，矩阵D_θ2＝0_r×l，矩阵C₁＝0_p1×n，矩阵D_1θ＝0_p1×r，矩阵矩阵矩阵矩阵矩阵矩阵D₂₂＝0_p2×l；n表示航空发动机的状态变量x_p的维数，r表示时变部分Δ(θ)的输出变量w_θ和时变部分Δ_K(θ)的输出变量w_K的维数，k表示故障估计器K(s,θ)的状态变量x_K的维数。

所述步骤4得到故障估计器存在的有解条件包括以下步骤：

步骤4.1：得到故障估计器K(s,θ)存在的有解条件，即

其中，X为正定对称矩阵，全块标量矩阵为对称矩阵，γ>0为性能指标；Q、S、R分别表示P的子标量矩阵块。

步骤4.2：对正定对称矩阵X及其逆矩阵X^-1进行分块

其中，L、M、E分别表示X的矩阵块，J、N、F分别表示X^-1的子矩阵块。

对全块标量矩阵P及其逆矩阵进行分块

其中，Q₁、Q₂、Q₃分别表示Q的子矩阵块，S₁、S₂、S₃、S₄分别表示S的子矩阵块，R₁、R₂、R₃分别表示R的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块。

化简故障估计器K(s,θ)存在的有解条件，即

R>0，Q＝-R，S+S^T＝0 (18)

其中，N_L和N_J分别代表[C₂ D_2θ D₂₁]和的核空间的基；

步骤4.3：求解线性矩阵不等式(15)-(18)，得到矩阵解L、J、Q₃、S₄、

所述步骤5结合LFT结构设计故障估计器包括以下步骤：

步骤5.1：根据求得的矩阵解L、J、Q₃、S₄、由式(13)、(14)求得正定对称矩阵X、全块标量矩阵P及其逆矩阵

步骤5.2：根据Schur补定理，将线性矩阵不等式(11)表示为

求解线性矩阵不等式(19)，得到故障估计器矩阵Ω；

步骤5.3：得到故障估计器K(s,θ)的状态空间矩阵

本发明的有益效果为：通过本发明设计的航空发动机传感器及执行机构故障诊断方法，将航空发动机LPV模型和故障估计器分别转化为时不变部分和时变部分组成的LFT结构，其中时变部分随着时变参数向量的变化而变化，因而使故障估计器具有增益调度特性，可以实现外界扰动和建模误差等不确定性条件影响下故障信号的准确估计，从而方便了解故障的类型、产生时间以及严重程度等信息。此外，本发明通过S过程，降低了故障估计器设计的保守性。

附图说明

图1为H＝0,Ma＝0,n₂＝90％工作状态下航空发动机状态空间模型的高压涡轮相对换算转速响应Y_nh与试验数据对比曲线。

图2为H＝0,Ma＝0,n₂＝90％工作状态下航空发动机LPV模型的高压涡轮相对换算转速响应Y_nh与试验数据对比曲线。

图3为航空发动机LPV模型P(s,θ)的上LFT结构图。

图4为LFT框架下的系统结构图。

图5为LPV故障估计器的H_∞综合框架。

图6(a)和图6(b)为突变故障估计仿真结果。

图7(a)和图7(b)为缓变故障估计仿真结果。

图8(a)和图8(b)为间歇故障估计仿真结果。

图9为本发明的流程示意图。

具体实施方式

下面结合附图及技术方案对本发明实施例做进一步详细说明。

本发明的流程示意图如图9所示，具体步骤如下：

步骤1.1：向航空发动机输入稳态工作点下的油压p_f，待航空发动机高压涡轮相对换算转速n_h达到相应稳定状态后，将幅值为0.01p_f的油压阶跃信号U_pf1输入到航空发动机中，分别采集航空发动机输出高压涡轮相对换算转速响应Y_nh1和低压涡轮相对换算转速响应Y_nl1。

步骤1.2：重复上述过程13次，即在(H＝0,Ma＝0,n_h＝88％、89％、…、100％)13个工况的平衡点处分别采集得到给定油压p_fi下的高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli，i＝1,2,3,…,13。

步骤1.3：以油压阶跃信号U_pfi为输入变量，高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli为状态变量，则航空发动机离散型小偏差状态变量模型表示为

其中，状态变量x_p＝[Y_nl Y_nh]^T∈Rⁿ，输入变量u＝U_pf∈R^t，输出变量y_p＝Y_nh∈R^m，i＝1,2,3,…,13，下标k、k+1为对应的采样时刻，E_i、F_i、G_i、H_i是适当维数的系统状态空间矩阵；Rⁿ、R^t、R^m分别表示维数为n、t、m的实数集，T表示对矩阵进行转置。根据拟合法基本思想，针对式(21)建立线性最小二乘问题，利用MATLAB中的lsqnonlin函数求解其系统矩阵E_i,F_i,G_i,H_i。

步骤1.4：根据采样周期T＝25ms，将各稳态工作点下的航空发动机离散小偏差状态变量模型转换为连续小偏差状态变量模型，得到航空发动机状态变量模型；

其中A_pi、B_pi、C_pi、D_pi是适当维数的系统状态空间矩阵，且C_pi＝C_p＝[0 1]、D_pi＝D_p＝0，给出在工作点H＝0,Ma＝0,n₂＝90％处的状态空间模型的高压涡轮相对换算转速响应Y_nh曲线，如图1所示，其与试验数据的平均相对误差为0.26％。

步骤2.1：设航空发动机高压涡轮相对换算转速n_hi为调度参数θ(i),i＝1,2,3,…,13。

步骤2.2：将航空发动机连续小偏差状态变量模型系统矩阵A_p(θ)和控制矩阵B_p(θ)表述成仿射参数依赖形式，如下：

其中A₀、A₁、B₀、B₁分别表示待求的系数矩阵。

将式(23)改写为

其中，I是单位矩阵。

则有

利用MATLAB中的pinv函数求得的Moore-Penrose伪逆并对变参数θ进行变量变换，使其θ∈[-1,1]，则可求得

步骤2.3：建立仿射参数依赖的航空发动机LPV模型

给出在工作点H＝0,Ma＝0,n₂＝90％处航空发动机LPV模型的高压涡轮相对换算转速响应Y_nh曲线，如图2所示，其与试验数据的平均相对误差为2.51％。

步骤3.1：将存在扰动及传感器与执行机构故障的仿射参数依赖的航空发动机LPV模型P(s,θ)表示为

其中，d∈R^q为扰动信号，取标准差0.001的高斯白噪声，f∈R^l为故障信号，包括传感器故障及执行器故障，分别取突变故障、缓变故障和间歇故障，R^q、R^l分别表示维数为q、l的实数集；G_p＝0.2，H_p＝1。

P(s,θ)的上LFT结构可表示为下式，具体的如图3所示，

其中，F_u表示上LFT结构，P′表示P(s,θ)中时不变部分，Δ(θ)＝θI表示P(s,θ)中时变部分，即

其中，外部输入变量w＝[u^T d^T f^T]^T∈R^p1，w_θ∈R^r为时变部分Δ(θ)＝θI的输出变量，z_θ∈R^r为时变部分Δ(θ)＝θI的输入变量；R^p1、R^r分别表示维数为p1、r的实数集，且有p1＝t+q+l，即外部输入变量w的维数p1等于航空发动机的输入变量u的维数t、扰动信号d的维数q和故障信号f的维数l之和；系统状态空间矩阵为

步骤3.2：设故障估计器K(s,θ)形式如下

其中，x_K∈R^k为故障估计器K(s,θ)的状态变量，u_K＝[u^T y_p ^T]^T∈R^p2为K(s,θ)的输入变量，p2＝t+m，即K(s,θ)的输入变量u_K的维数p2等于航空发动机的输入变量u的维数t和航空发动机的输出变量y_p的维数m之和；的输出变量，即故障信号f的估计值，A_K(θ)、B_K(θ)、C_K(θ)、D_K(θ)是系统状态空间矩阵。将K(s,θ)表示成下LFT结构，如下：

其中，F_l表示下LFT结构，K′表示K(s,θ)中时不变部分，Δ_K(θ)＝θI表示K(s,θ)中时变部分，即

其中，w_K∈R^r为时变部分Δ_K(θ)＝θI的输出变量，z_K∈R^r为时变部分Δ_K(θ)＝θI的输入变量，A_K、B_K1、B_Kθ、C_K1、C_Kθ、D_K11、D_K1θ、D_Kθ1、D_Kθθ是适当维数的系统状态空间矩阵。

步骤3.3：LFT框架下的系统连接图如图4所示，则图4中系统P₁的状态空间表达式为

其中，系统矩阵A＝A_p，系统矩阵B_θ＝B_pθ，系统矩阵B₁＝B_pw，系统矩阵B₂＝0_n×l，系统矩阵C_θ＝C_pθ，系统矩阵D_θθ＝D_pθθ，系统矩阵D_θ1＝D_pθw，系统矩阵D_θ2＝0_r×l，系统矩阵C₁＝0_p1×n，系统矩阵D_1θ＝0_p1×r，系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵D₂₂＝0_p2×l；n表示航空发动机的状态变量x_p的维数，r表示时变部分Δ(θ)的输出变量w_θ和时变部分Δ_K(θ)的输出变量w_K的维数。

根据航空发动机LPV模型P(s,θ)中时变部分Δ(θ)和故障估计器K(s,θ)中时变部分Δ_K(θ)，LPV故障估计器的H_∞综合框架可表示为下式，具体的如图5所示

其中，为故障估计误差，即LPV故障估计器的H_∞综合框架的输出变量，系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵故障估计器矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵D₀₄＝D₁₁。

步骤4.1：如果存在一个对称正定矩阵X，对称矩阵使得式(37)和式(38)成立，

则闭环系统(36)渐进稳定，并且从外部输入w到故障估计误差e_f的闭环传递函数的L₂诱导范数小于性能指标γ(γ>0)。即故障估计器K(s,θ)存在的有解条件为式(37)、式(38)。其中，Q、S、R分别表示P的子矩阵块。

步骤4.2：对正定对称矩阵X及其逆矩阵X^-1进行分块

其中，L、M、E分别表示X的矩阵块，J、N、F分别表示X^-1的子矩阵块。

由于X为正定对称矩阵，可得

对全块标量矩阵P及其逆矩阵进行分块

其中，Q₁、Q₂、Q₃分别表示Q的子矩阵块，S₁、S₂、S₃、S₄分别表示S的子矩阵块，R₁、R₂、R₃分别表示R的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块。

线性矩阵不等式(37)整理为

其中，矩阵矩阵矩阵V＝[T₂T₃T₄]，矩阵Γ＝Ω。

若要满足式(38)成立，需要验证在变参数θ所有可能的轨迹上都成立，这是不可能实现的，为此，限定全块标量矩阵的结构使其自成立。对于每一个变参数θ，当R≥0时有下式成立

因此，令Q＝-R，S+S^T＝0。即式(38)可整理为

R>0，Q＝-R，S+S^T＝0 (44)

综上所述，故障估计器K(s,θ)存在的有解条件转化为式(40)、式(42)、式(44)。

步骤4.3：线性矩阵不等式(42)整理为

其中，U_⊥和V_⊥分别是U^T和V的核空间的基。

经过简单计算，线性矩阵不等式(45)、(46)化简为

其中，N_L和N_J分别代表[C₂D_2θD₂₁]和的核空间的基。

步骤4.4：利用MATLAB里的LMI工具箱求解线性矩阵不等式(40)、(44)、(47)、(48)，得到最优的γ取值为0.21，以及相应的矩阵解L、J、Q₃、S₄、

步骤5.1：根据求得的矩阵解L、J、Q₃、S₄、由式(39)、(41)求得正定对称矩阵X、全块标量矩阵P及其逆矩阵

步骤5.2：根据Schur补定理，线性矩阵不等式(37)表示为

将闭环系统(36)中的值代入，可得

其中，

求解线性矩阵不等式(50)，得到故障估计器矩阵Ω。

步骤5.3：得到故障估计器K(s,θ)的状态空间矩阵

在工作点H＝0km,Ma＝0,n₂＝90％处的仿真结果如图6(a)和图6(b)、图7(a)和图7(b)、图8(a)和图8(b)所示，并与标准H_∞方法进行比较。仿真结果表明标准H_∞方法设计的固定参数故障估计器不能很好地应对变参数的变化，而本发明设计的LPV故障估计器可以迅速地检测系统中的故障，并准确地重构故障信号，具有明显的性能优势。

Claims (1)

1.一种基于LFT的航空发动机传感器及执行机构故障诊断方法，其特征在于，包括以下步骤：

步骤1：采用小扰动法与线性拟合法相结合的方法建立航空发动机状态变量模型；

步骤1.1：向航空发动机输入稳态工作点下的油压p_f，待航空发动机高压涡轮相对换算转速n_h达到相应稳定状态后，将幅值为0.01p_f的油压阶跃信号U_pf1输入到航空发动机中，分别采集航空发动机输出高压涡轮相对换算转速响应Y_nh1和低压涡轮相对换算转速响应Y_nl1；

步骤1.2：重复步骤1的过程N次，分别采集得到给定油压p_fi下的高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli，i＝1,2,3,…,N；

步骤1.3：以油压阶跃信号U_pfi为输入变量，高压涡轮相对换算转速响应Y_nhi和低压涡轮相对换算转速响应Y_nli为状态变量，根据线性拟合法求解各稳态工作点下的航空发动机离散小偏差状态变量模型；

步骤1.4：根据采样周期T，将各稳态工作点下的航空发动机离散小偏差状态变量模型转换为连续小偏差状态变量模型，得到航空发动机状态变量模型；

其中，状态变量x_p＝[Y_nl ^T Y_nh ^T]^T∈Rⁿ，表示x_p的一阶导数，输入变量u＝U_pf∈R^t，输出变量y_p＝Y_nh∈R^m，A_pi、B_pi、C_pi、D_pi是系统状态空间矩阵，且C_pi＝C_p＝[0 1]、D_pi＝D_p＝0；Rⁿ、R^t、R^m分别表示维数为n、t、m的实数集，T表示对矩阵进行转置；

步骤2：建立仿射参数依赖的航空发动机LPV模型；

步骤2.1：设航空发动机高压涡轮相对换算转速n_hi为调度参数θ(i)，i＝1,2,3,…,N；

步骤2.2：将航空发动机连续小偏差状态变量模型的系统矩阵A_p(θ)和控制矩阵B_p(θ)表述成仿射参数依赖形式，如下：

A_p(θ)＝A₀+θA₁，B_p(θ)＝B₀+θB₁ (2)

其中，A₀、A₁、B₀、B₁分别表示待求的系数矩阵；

将式(2)改写为

其中，I是单位矩阵；

则有

其中，[I θI]⁺为[I θI]的Moore-Penrose伪逆，即求得仿射参数依赖的航空发动机LPV模型的系统矩阵A_p(θ)和控制矩阵B_p(θ)；

步骤2.3：建立仿射参数依赖的航空发动机LPV模型

步骤3：将存在扰动及传感器与执行机构故障的仿射参数依赖的航空发动机LPV模型转化为LFT结构，建立航空发动机LPV故障估计器的H_∞综合框架；

步骤3.1：将存在扰动及传感器与执行机构故障的仿射参数依赖的航空发动机LPV模型P(s,θ)表示为

其中，d∈R^q为扰动信号，f∈R^l为故障信号，包括传感器故障及执行机构故障，R^q、R^l分别表示维数为q、l的实数集；E_p、F_p、G_p、H_p是系统状态空间矩阵，P(s,θ)的上LFT结构表示为

其中，外部输入变量w＝[u^T d^T f^T]^T∈R^p1，w_θ∈R^r为时变部分Δ(θ)＝θI的输出变量，z_θ∈R^r为时变部分Δ(θ)＝θI的输入变量，A_p、B_pθ、B_pw、C_pθ、C_pw、D_pθθ、D_pθw、D_pwθ、D_pww是系统状态空间矩阵；R^p1、R^r分别表示维数为p1、r的实数集，且有p1＝t+q+l，即外部输入变量w的维数p1等于航空发动机的输入变量u的维数t、扰动信号d的维数q和故障信号f的维数l之和；

步骤3.2：设故障估计器K(s,θ)形式如下

其中，x_K∈R^k为故障估计器K(s,θ)的状态变量，表示x_K的一阶导数，R^k表示维数为k的实数集；u_K＝[u^T y_p ^T]^T∈R^p2为K(s,θ)的输入变量，p2＝t+m，即K(s,θ)的输入变量u_K的维数p2等于航空发动机的输入变量u的维数t和航空发动机的输出变量y_p的维数m之和；为K(s,θ)的输出变量，即故障信号f的估计值，A_K(θ)、B_K(θ)、C_K(θ)、D_K(θ)是系统状态空间矩阵，将K(s,θ)表示成下LFT结构，如下：

其中，w_K∈R^r为时变部分Δ_K(θ)＝θI的输出变量，z_K∈R^r为时变部分Δ_K(θ)＝θI的输入变量，A_K、B_K1、B_Kθ、C_K1、C_Kθ、D_K11、D_K1θ、D_Kθ1、D_Kθθ是系统状态空间矩阵；

步骤3.3：根据航空发动机LPV模型P(s,θ)中时变部分Δ(θ)和故障估计器K(s,θ)中时变部分Δ_K(θ)，LPV故障估计器的H_∞综合框架表示为

其中，为故障估计误差，系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵系统矩阵故障估计器矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵矩阵D₀₄＝D₁₁，矩阵A＝A_p，矩阵B_θ＝B_pθ，矩阵B₁＝B_pw，矩阵B₂＝0_n×l，矩阵C_θ＝C_pθ，矩阵D_θθ＝D_pθθ，矩阵D_θ1＝D_pθw，矩阵D_θ2＝0_r×l，矩阵C₁＝0_p1×n，矩阵D_1θ＝0_p1×r，矩阵矩阵矩阵矩阵矩阵D₂₂＝0_p2×l；n表示航空发动机的状态变量x_p的维数，r表示时变部分Δ(θ)的输出变量w_θ和时变部分Δ_K(θ)的输出变量w_K的维数，k表示故障估计器K(s,θ)的状态变量x_K的维数；

步骤4：求解一组线性矩阵不等式LMIs，获得故障估计器存在的有解条件；

步骤4.1：得到故障估计器K(s,θ)存在的有解条件，即

其中，X为正定对称矩阵，全块标量矩阵为对称矩阵，γ>0为性能指标；Q、S、R分别表示P的子矩阵块；

步骤4.2：对正定对称矩阵X及其逆矩阵X^-1进行分块

其中，L、M、E分别表示X的矩阵块，J、N、F分别表示X^-1的子矩阵块；

对全块标量矩阵P及其逆矩阵进行分块

其中，Q₁、Q₂、Q₃分别表示Q的子矩阵块，S₁、S₂、S₃、S₄分别表示S的子矩阵块，R₁、R₂、R₃分别表示R的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块，分别表示的子矩阵块；

化简故障估计器K(s,θ)存在的有解条件，即

R>0，Q＝-R，S+S^T＝0 (18)

其中，N_L和N_J分别代表[C₂ D_2θ D₂₁]和的核空间的基；

步骤4.3：求解线性矩阵不等式(15)-(18)，得到矩阵解L、J、Q₃、S₄、

步骤5：结合LFT结构设计故障估计器，实现航空发动机传感器及执行机构的故障诊断；

步骤5.1：根据求得的矩阵解L、J、Q₃、S₄、由式(13)、(14)求得正定对称矩阵X、全块标量矩阵P及其逆矩阵

步骤5.2：根据Schur补定理，将线性矩阵不等式(11)表示为

求解线性矩阵不等式(19)，得到故障估计器矩阵Ω；

步骤5.3：得到故障估计器K(s,θ)的状态空间矩阵