CN110362064B - 一种航空发动机排气温度传感器的故障诊断方法 - Google Patents

一种航空发动机排气温度传感器的故障诊断方法 Download PDF

Info

Publication number
CN110362064B
CN110362064B CN201910646789.0A CN201910646789A CN110362064B CN 110362064 B CN110362064 B CN 110362064B CN 201910646789 A CN201910646789 A CN 201910646789A CN 110362064 B CN110362064 B CN 110362064B
Authority
CN
China
Prior art keywords
temperature sensor
fault
exhaust
exhaust temperature
data
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
Application number
CN201910646789.0A
Other languages
English (en)
Other versions
CN110362064A (zh
Inventor
彭玉怀
吴菁晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201910646789.0A priority Critical patent/CN110362064B/zh
Publication of CN110362064A publication Critical patent/CN110362064A/zh
Application granted granted Critical
Publication of CN110362064B publication Critical patent/CN110362064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明属于航空发动机故障诊断技术领域，尤其涉及一种航空发动机排气温度传感器的故障诊断方法。该方法获取发动机的控制参数和状态参数，包括如下步骤：获取多个排气温度传感器的温度数据；将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个四层神经网络模型；四层神经网络模型根据输入信息，输出每个排气温度传感器的故障权重；根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合，输出是否存在故障的排气温度传感器；若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息。该方法实现了在多个排气温度传感器同时工作时，对于故障排气温度传感器的准确判断。

Description

一种航空发动机排气温度传感器的故障诊断方法
技术领域
本发明属于航空发动机故障诊断技术领域，尤其涉及一种航空发动机排气温度传感器的故障诊断方法。
背景技术
航空发动机排气温度传感器的工作环境极为恶劣，高温、高压、高速导致它是所有航空发动机传感器中故障率最高的一类传感器。
针对航空发动机排气温度传感器高故障率这一问题，当前主流解决方案是使用多个排气温度传感器，一般为4到6个，将多个排气温度传感器均匀分布于高压涡轮与低压涡轮之间同一截面上。其中，故障的排气温度传感器会输出错误数据，所以需要判断排气温度传感器是否故障以获取其他正确的温度数据。
传统排气温度传感器的故障诊断逻辑是如果单个排气温度传感器造成均值变化超过62.5℃，则判断其故障。当排气温度传感器产生故障的比例较小时，该方法能够比较准确地判断故障排气温度传感器，但是当排气温度传感器的故障数量较多时，则误判概率会大大增加。而依据航空维修企业统计数据，发动机排气温度传感器的故障率超过60％，这是一个很高的故障率。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种航空发动机排气温度传感器的故障诊断方法，该方法基于四层神经网络，实现了在多个排气温度传感器同时工作时，对于故障排气温度传感器的准确判断。
(二)技术方案
本发明提供一种航空发动机排气温度传感器的故障诊断方法，获取发动机的控制参数和状态参数，包括如下步骤：
A1、获取多个排气温度传感器的原始数据，将原始数据经过滤波处理、模数转换处理，得到多个对应的温度数据；
A2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个预先训练的四层神经网络模型；
A3、四层神经网络模型根据输入信息，输出每个排气温度传感器的故障权重；
A4、根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合，输出是否存在故障的排气温度传感器；
若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息；
其中，所述预先训练的四层神经网络模型为基于排气温度传感器中预设历史时间段内的正常数据和故障数据，采用神经网络反向传播算法进行训练后的模型。
进一步地，所述步骤A4中，根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合得到预测温度数据，根据各个排气温度传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
进一步地，若某排气温度传感器的温度数据与预测温度数据的偏差E大于等于60℃，则判断该排气温度传感器故障，否则，排气温度传感器正常，该判断公式如下：
Figure BDA0002133853030000021
其中，
Figure BDA0002133853030000022
表示预测温度数据，Di表示第i个排气温度传感器的温度数据。
进一步地，所述四层神经网络包括一个输入层、两个隐层和一个输出层。
进一步地，所述四层神经网络中神经元的激励函数为sigmoid函数。
进一步地，所述sigmoid函数为：
Figure BDA0002133853030000023
式中，A为神经元的输出值，z为该神经元的输入值。
进一步地，所述四层网络的输出层中的每个神经元通过sigmoid函数计算后输出一个区间(0,1)的小数作为排气温度传感器的故障权重。
进一步地，所述滤波处理由带通滤波器完成，所述带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成，所述带通滤波器的通带频率为0.16Hz-1.5KHz。
(三)有益效果
本发明提供的故障诊断方法基于四层神经网络，获得每个传感器的故障权重，从而实现多个传感器同时存在时，对于哪个传感器发生故障做出更精确地判断，获得更精确的温度数据。
附图说明
图1为本发明提供的航空发动机排气温度传感器的四层神经网络学习过程视图；
图2为本发明提供的航空发动机排气温度传感器的故障诊断方法的流程图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，本发明提供一种航空发动机排气温度传感器的故障诊断方法，包括如下步骤：
A1、在发动机高压涡轮与低压涡轮之间同一截面上均匀布置多个排气温度传感器，每个排气温度传感器独立工作，搭配独立的硬件带通滤波器和模数转换模块，获取不受干扰的、精确的温度数据。
其中，带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成，带通滤波器的通带频率为0.16Hz-1.5KHz。
A2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个预先训练的四层神经网络模型，进行一次四层神经网络计算。
其中，控制参数为外部对发动机的控制量，状态参数为发动机除排气温度外所有可测量的状态参数。
A3、四层神经网络模型根据输入信息，输出每个热电偶传感器的故障权重。
A4、根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合，输出是否存在故障的排气温度传感器；
若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息。
优选地，所述步骤A4中，根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合得到预测温度数据，根据各个排气温度传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
优选地，若某排气温度传感器的温度数据与预测温度数据的偏差E大于等于60℃，则判断该排气温度传感器故障，否则，排气温度传感器正常，该判断公式如下：
Figure BDA0002133853030000041
其中，
Figure BDA0002133853030000042
表示预测温度数据，Di表示第i个排气温度传感器的温度数据。
优选地，所述四层神经网络包括一个输入层、两个隐层和一个输出层。
优选地，所述四层神经网络中神经元的激励函数为sigmoid函数。
优选地，所述sigmoid函数为：
Figure BDA0002133853030000043
式中，A为神经元的输出值，z为该神经元的输入值。
优选地，所述四层网络的输出层中的每个神经元通过sigmoid函数计算后输出一个区间(0,1)的小数作为排气温度传感器的故障权重，数值越小说明作为输入的热电偶传感器故障的可能性越高。
实施例1
如图2所示，为本发明中四层神经网络的训练阶段，需要大量标注热电偶是否故障的数据。在发动机设计阶段，会产生大量的数据，根据热电偶故障类型，分别加入不同的类型的故障热电偶测量数据，以获取正确数据与故障数据，人工标识出两种数据，本实施例所述的四层神经网络可以利用该数据进行训练。训练的过程是使用神经网络反向传播算法，一步步修正参数，具体采用梯度下降算法。
本实施例提供一种航空发动机排气温度传感器的故障诊断方法，包括如下步骤：
A1、在发动机高压涡轮与低压涡轮之间同一截面上均匀布置4个热电偶传感器，每个热电偶传感器独立工作，搭配独立的硬件带通滤波器和模数转换模块，获取不受干扰的、精确的温度数据。
其中，带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成，带通滤波器的通带频率为0.16Hz-1.5KHz。
A2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入预先训练的四层神经网络模型的输入层，进行四层神经网络计算。
其中，控制参数为外部对发动机的控制量，状态参数为发动机除排气温度外所有可测量的状态参数。
A3、四层神经网络模型根据输入信息，在输出层输出每个热电偶传感器的故障权重，故障权重为一个区间(0,1)的小数，数值越小说明作为输入的热电偶传感器故障的可能性越高。
优选地，四层网络的输出层中的每个神经元通过sigmoid函数计算后输出，其中，四层神经网络中神经元的激励函数为sigmoid函数：
Figure BDA0002133853030000051
式中，A为神经元的输出值，z为该神经元的输入值。
A4、根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合得到预测温度数据，根据各个热电偶传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息。
优选地，若某热电偶传感器的温度数据与预测温度数据的偏差E大于等于60℃，则判断该排气温度传感器故障，否则，排气温度传感器正常，该判断公式如下：
Figure BDA0002133853030000061
其中，
Figure BDA0002133853030000062
表示预测温度数据，Di表示第i个排气温度传感器的温度数据。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (8)

1.一种航空发动机排气温度传感器的故障诊断方法，获取发动机的控制参数和状态参数，其特征在于，包括如下步骤：
A1、获取多个排气温度传感器的原始数据，将原始数据经过滤波处理、模数转换处理，得到多个对应的温度数据；
将所述排气温度传感器均匀布置于发动机高压涡轮与低压涡轮之间的同一截面上，每个排气温度传感器独立工作；
A2、将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个预先训练的四层神经网络模型；
所述控制参数为外部对发动机的控制量，状态参数为发动机除排气温度外所有可测量的状态参数；
A3、四层神经网络模型根据输入信息，输出每个排气温度传感器的故障权重；
A4、根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合，输出是否存在故障的排气温度传感器；
若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息；
其中，所述预先训练的四层神经网络模型为基于排气温度传感器中预设历史时间段内的正常数据和故障数据，采用神经网络反向传播算法进行训练后的模型；
通过梯度下降算法对所述四层神经网络模型的参数进行修正。
2.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤A4中，根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合得到预测温度数据，根据各个排气温度传感器的温度数据与预测温度数据偏差来判断排气温度传感器是否故障。
3.根据权利要求2所述的故障诊断方法，其特征在于，若某排气温度传感器的温度数据与预测温度数据的偏差E大于等于60℃，则判断该排气温度传感器故障，否则，排气温度传感器正常，该判断公式如下：
Figure FDA0003531028100000021
其中，
Figure FDA0003531028100000022
表示预测温度数据，Di表示第i个排气温度传感器的温度数据。
4.根据权利要求1所述的故障诊断方法，其特征在于，所述四层神经网络包括一个输入层、两个隐层和一个输出层。
5.根据权利要求1所述的故障诊断方法，其特征在于，所述四层神经网络中神经元的激励函数为sigmoid函数。
6.根据权利要求5所述的故障诊断方法，其特征在于，所述sigmoid函数为：
Figure FDA0003531028100000023
式中，A为神经元的输出值，z为该神经元的输入值。
7.根据权利要求5所述的故障诊断方法，其特征在于，所述四层神经 网络的输出层中的每个神经元通过sigmoid函数计算后输出一个区间(0,1)的小数作为排气温度传感器的故障权重。
8.根据权利要求1所述的故障诊断方法，其特征在于，所述滤波处理由带通滤波器完成，所述带通滤波器由一个8阶贝塞尔低通滤波器和一个1阶高通滤波器组成，所述带通滤波器的通带频率为0.16Hz-1.5KHz。
CN201910646789.0A 2019-07-17 2019-07-17 一种航空发动机排气温度传感器的故障诊断方法 Active CN110362064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910646789.0A CN110362064B (zh) 2019-07-17 2019-07-17 一种航空发动机排气温度传感器的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910646789.0A CN110362064B (zh) 2019-07-17 2019-07-17 一种航空发动机排气温度传感器的故障诊断方法

Publications (2)

Publication Number Publication Date
CN110362064A CN110362064A (zh) 2019-10-22
CN110362064B true CN110362064B (zh) 2022-06-24

Family

ID=68220964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910646789.0A Active CN110362064B (zh) 2019-07-17 2019-07-17 一种航空发动机排气温度传感器的故障诊断方法

Country Status (1)

Country Link
CN (1) CN110362064B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111649951B (zh) * 2020-04-15 2021-10-15 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 航空发动机故障检测方法、装置、计算机设备及存储介质
GB2605831A (en) 2021-04-15 2022-10-19 Airbus Operations Ltd An aircraft system
CN115288808A (zh) * 2022-07-29 2022-11-04 广州发展电力科技有限公司 基于ge9f燃机的燃机排气温度保护控制方法及系统
CN115542716A (zh) * 2022-10-24 2022-12-30 安徽砺德特种动力科技有限公司 一种针对航空发动机温度传感器双冗余设计的控制算法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06160459A (ja) * 1992-11-25 1994-06-07 Sumitomo Electric Ind Ltd 送電線電流センサ故障時の電流・位相分布の復元方法
CN102562239A (zh) * 2011-11-13 2012-07-11 哈尔滨工业大学 一种航空发动机排气温度的监测方法
CN103995237A (zh) * 2014-05-09 2014-08-20 南京航空航天大学 一种卫星电源系统在线故障诊断方法
CN104914851A (zh) * 2015-05-21 2015-09-16 北京航空航天大学 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法
CN108256556A (zh) * 2017-12-22 2018-07-06 上海电机学院 基于深度信念网络的风力发电机组齿轮箱故障诊断方法
CN109670553A (zh) * 2018-12-25 2019-04-23 福州大学 基于自适应神经模糊推理系统的光伏阵列故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06160459A (ja) * 1992-11-25 1994-06-07 Sumitomo Electric Ind Ltd 送電線電流センサ故障時の電流・位相分布の復元方法
CN102562239A (zh) * 2011-11-13 2012-07-11 哈尔滨工业大学 一种航空发动机排气温度的监测方法
CN103995237A (zh) * 2014-05-09 2014-08-20 南京航空航天大学 一种卫星电源系统在线故障诊断方法
CN104914851A (zh) * 2015-05-21 2015-09-16 北京航空航天大学 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法
CN108256556A (zh) * 2017-12-22 2018-07-06 上海电机学院 基于深度信念网络的风力发电机组齿轮箱故障诊断方法
CN109670553A (zh) * 2018-12-25 2019-04-23 福州大学 基于自适应神经模糊推理系统的光伏阵列故障诊断方法

Also Published As

Publication number Publication date
CN110362064A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362064B (zh) 一种航空发动机排气温度传感器的故障诊断方法
US11169514B2 (en) Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
CN111902781B (zh) 用于控制系统的设备和方法
CN107111311B (zh) 利用稀疏编码方法的燃气涡轮机传感器故障检测
CN109154236B (zh) 考虑传感器故障来控制燃气涡轮
CN109115501A (zh) 一种基于cnn与svm的民航发动机气路故障诊断方法
CN107622308B (zh) 一种基于dbn网络的发电设备参数预警方法
JP2021528745A (ja) アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出
US11544554B2 (en) Additional learning method for deterioration diagnosis system
CN111506049B (zh) 基于aann网络系统的航空发动机控制系统多重故障诊断方法
RU2563161C2 (ru) Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей
CN110764474B (zh) 监测设备运行状态的方法和系统
CN109916634A (zh) 一种航空涡扇发动机剩余使用寿命预测方法及系统
JPWO2018051568A1 (ja) プラント異常診断装置及びプラント異常診断システム
CN113033078A (zh) 继电保护设备故障预警模型的构建方法、系统及预警方法
CN114970309A (zh) 一种火电设备状态预警评估方法
CN116820045A (zh) 一种基于云平台的车间生产安全系统
CN114235420B (zh) 一种基于4余度的航空发动机高压转速信号表决方法
CN110287594B (zh) 一种基于神经网络算法的航空发动机状态诊断方法
CN110531163B (zh) 一种磁浮列车悬浮斩波器母线电容状态监测方法
US9519565B2 (en) Method for automatically monitoring at least one component of a physical system
US10013814B2 (en) Diagnosis of aircraft gas turbine engines
RU135801U1 (ru) Устройство для контроля эквивалентной циклической повреждаемости авиационных двигателей
CN117370906B (zh) 基于单点和时间序列异常检测的爆管检测及性能评估方法
CN117892639B (zh) 一种飞参数据驱动的飞行器结构寿命预测方法

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