CN110610026A - 一种航空发动机喘振先兆的在线识别方法 - Google Patents
一种航空发动机喘振先兆的在线识别方法 Download PDFInfo
- Publication number
- CN110610026A CN110610026A CN201910743449.XA CN201910743449A CN110610026A CN 110610026 A CN110610026 A CN 110610026A CN 201910743449 A CN201910743449 A CN 201910743449A CN 110610026 A CN110610026 A CN 110610026A
- Authority
- CN
- China
- Prior art keywords
- surge
- compressor
- moment
- state
- model
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明提出一种航空发动机喘振先兆的在线识别方法,属于航空发动机主动稳定控制领域。该方法首先获取航空发动机压气机进出口压比历史运行数据并进行离线分析,确定每个时刻对应的压气机运行状态,得到压气机各个时刻的状态值;通过每个时刻的进出口压比历史运行数据以及该时刻对应的节流阀开度和转子转速,计算每个时刻的喘振特征量;然后构建一个深度神经网络DNN模型,利用喘振特征量和压气机状态值组成的样本对模型进行训练;利用训练完毕的模型进行航空发动机喘振先兆在线识别。本发明能够在航空发动机运行过程中实时评估压气机运行状态,在压气机进入喘振之前提前识别喘振先兆,是实现压气机主动稳定控制的基础。
Description
技术领域
本发明提出一种航空发动机喘振先兆的在线识别方法,属于航空发动机主动稳定控制领域。
背景技术
在压气机运行过程中,喘振先兆会迅速发展为喘振状态。航空发动机主动稳定控制的思想是在先兆扰动传播阶段,压气机还未完全进入旋转失速或喘振时,设计控制器,避免压气机进入失稳状态。因此,判断压气机出现喘振先兆的时刻,对于研究航空发动机主动稳定控制是至关重要的。然而,在扰动传播阶段,压气机流量和压比数据随时间变化较小,喘振先兆与噪声难以区分,直接通过压气机运行数据难以直接获得的喘振先兆出现的准确时刻。在航空发动机运行过程中,监测运行参数,实时识别喘振先兆信号,判断压气机工作状态,在喘振现象发生之前主动采取控制措施,可以有效避免航空发动机进入失稳运行状态。
传统谐波傅里叶系数法的原理是利用喘振信号随时间的周期性相位变化识别喘振先兆。压气机运行时,信号在喘振先兆阶段以及喘振初始阶段的离散傅里叶系数会发生改变,根据信号系数的改变识别喘振先兆。谐波傅里叶系数法无法保留信号的时域信息,由于信号中的噪声会对傅里叶系数和先兆识别结果产生较大的影响,采用谐波傅里叶系数法需要首先对信号进行低通滤波处理,因此,喘振先兆识别结果非常依赖于低通滤波器的选取。
发明内容
本发明的目的在于克服已有技术的不足之处,提出一种航空发动机喘振先兆的在线识别方法。本发明能够在航空发动机运行过程中实时评估压气机运行状态,在压气机进入喘振之前提前识别喘振先兆,是实现压气机主动稳定控制的基础。
本发明提出一种航空发动机喘振先兆的在线识别方法,其特征在于,包括以下步骤:
1)获取航空发动机压气机进出口压比历史运行数据并进行离线分析,确定每个时刻对应的压气机运行状态,得到压气机各个时刻的状态值,其中所述压气机运行状态包括稳定状态、扰动传播状态和喘振状态;具体步骤如下:
1-1)获取N组航空发动机压气机进出口压比历史运行数据,其中每组压比历史运行数据的采样周期为0.1,每组采样时间为3600,每组数据的数据长度为36000,时间单位为仿真时间;选定监控频段fst=8~72Hz,将频段8~72Hz等步长分为9个频率[81624324048566472]Hz分别作为监控频率,选定喘振先兆阈值s1和喘振阈值s2;
1-2)对步骤1-1)获取的航空发动机压气机进出口压比历史运行数据进行S变换,得到各个时刻压比历史运行数据的不同监控频率分量随时间变化的幅值s(f,t),f∈fst,其中,f代表监控频率,t代表时刻;
1-3)对任意t时刻,计算频段fst内S变换系数的最大幅值s(t)=maxf(s(f,t)),f∈fst;
1-4)根据s(t)判断t时刻压气机运行状态,获得该时刻压气机的状态值O(t):
当s(t)<s1时,压气机在t时刻处于稳定运行状态,则该时刻的状态值O(t)=[1,0,0];当s1≤s(t)<s2时,压气机在t时刻处于扰动传播状态,则该时刻的状态值O(t)=[0,1,0];当s(t)≥s2时,压气机在t时刻处于喘振状态,则该时刻的状态值O(t)=[0,0,1];
2)通过压气机历史运行数据计算t时刻的喘振特征量I(t);所述压气机历史运行数据包括步骤1)获取的每个时刻的进出口压比历史运行数据,以及该时刻对应的节流阀开度和转子转速;
喘振特征量I(t)的具体计算方法为:取t时刻及该时刻前599个历史时刻,共计600个时刻的压比历史运行数据作为S变换输入,将低频段8~72Hz等步长分为9个频率[8 162432 40 48 56 64 72]Hz分别作为监控频率,计算各个监控频率对应S变换振幅峰值;对每个监控频率对应S变换振幅峰值进行归一化处理后,作为t时刻喘振特征量的1至9号特征量,t时刻节流阀开度和转子转速经过归一化处理后分别作为t时刻喘振特征量10和11号特征量,11个特征量组成t时刻的喘振特征量I(t);
3)构建一个深度神经网络DNN模型并进行训练,得到训练完毕的DNN模型作为喘振先兆在线识别模型;具体步骤如下:
3-1)建立一个深度神经网络DNN模型,所述模型由1层输入层、1层隐含层和1层输出层组成,各层之间采用全连接的方式依次进行连接;所述模型输入为任意时刻的喘振特征量,模型输出为该时刻压气机状态的预测值;
所述DNN模型参数设置如下:输入层包含11个神经元,隐含层包含20个神经元,输出层包含3个神经元,输入层激活函数为ReLU函数,输出层激活函数为Softmax函数,DNN模型损失函数为交叉熵函数,优化算法为Adam算法,最大训练次数为10000次;
初始化DNN模型的网络参数,并将该模型作为当前DNN模型;
3-2)将步骤2)得到的I(t)和对应时刻步骤1)得到的O(t)组成一个样本,把所有样本置于一个初始为空的数据缓冲池中,从数据缓冲池中随机抽取80%的样本组成DNN模型的训练数据集,剩余20%的样本组成DNN模型的测试数据集;
3-3)从训练数据集中随机选取100个样本,批量训练当前DNN模型,更新网络参数,计算模型损失函数;训练10次后更新当前DNN模型,调用测试数据集的所有样本,计算当前DNN模型识别准确率;
3-4)重复步骤3-3)直至DNN模型的训练次数达到最大训练次数,DNN模型训练结束,得到训练完毕的DNN模型作为喘振先兆在线识别模型;
4)航空发动机喘振先兆在线识别;具体步骤如下:
4-1)实时获取压气机运行数据,所述压气机运行数据包括压气机进出口压比运行数据、节流阀开度和转子转速;
4-2)重复步骤2),对步骤4-1)获取的压气机运行数据计算对应喘振特征量I(t);
4-3)将步骤4-2)得到的I(t)输入步骤3)训练完毕的DNN模型,模型输出压气机状态预测值O’(t);
4-4)根据O’(t)对压气机运行状态进行判定:当O’(t)为[0,1,0]时,则判断压气机进入扰动传播状态,压气机出现喘振先兆。
本发明的特点及有益效果在于:
1本发明采用了S变换对航空发动机历史运行数据进行分析,在得到信号频率特征的同时,保留了信号的时域信息,当一个时域信号的某些特定分量发生突变时,S变换的结果能够很清楚地反应这种变化,因此可以用于分析判断时域信号中的特定扰动与突变。由于喘振信号具有低频高振幅的特点,基于S变换的离线分析方法能够识别时域信号中的喘振先兆,判断历史数据中各个时刻对应的压气机运行状态。
2本发明设计了一种航空发动机喘振先兆的在线识别框架,采用S变换对历史数据进行离线分析,基于短时S变换在线提取喘振特征量,设计了数据缓冲池,获得了DNN模型的学习数据,训练后的DNN模型实现了在喘振发生之前,在线识别喘振先兆信号,实时评估压气机运行状态。
3本发明方法设计了一种数据缓冲池,用以存储和调用历史数据。由于历史数据具有时序相关性,将数据置于缓冲池,网络训练数据从缓冲池中随机提取,能够保证数据的独立性,避免训练数据时序相关性对网络参数更新造成干扰;同时,通过设置数据缓冲池容量上限,更新缓冲池中的数据,定期抽取数据缓冲池样本数据更新网络参数,当由于发动机性能退化等因素导致发动机参数发生改变时,数据缓冲池的更新将提高网络的自适应能力。
4本发明可以用于航空发动机的压气机运行状态实时评估,在压气机出现喘振现象之前识别喘振先兆信号,为主动稳定控制提供了控制依据。与传统压气机进入喘振状态再进行消喘的被动控制策略相比,本发明能够避免压气机进入喘振状态,防止喘振现象对发动机造成的不可逆的损坏,保障飞机的安全运行。
附图说明
图1为本发明方法的总体流程框图。
图2为本发明一个实施例的压气机喘振先兆识别结果示意图。
具体实施方式
本发明提出一种航空发动机喘振先兆的在线识别方法,下面结合附图和具体实施例对本发明进一步详细说明如下。
本发明提出一种航空发动机喘振先兆的在线识别方法,整体流程如图1所示,包括以下步骤:
1)获取航空发动机压气机进出口压比历史运行数据并进行离线分析,确定每个时刻对应的压气机运行状态,所述压气机运行状态包括稳定状态、扰动传播状态和喘振状态,得到压气机各个时刻的状态值O(t),其中,t代表时刻,O(t)为长度为3的向量。压气机运行状态与状态值对应关系如表1所示:
表1压气机运行状态与状态值对应关系
所述步骤1)具体步骤如下:
1-1)获取N(本实施例为51)组航空发动机压气机进出口压比历史运行数据,其中每组压比历史运行数据的采样周期为0.1,每组采样时间为3600,每组数据的数据长度为36000,时间单位为仿真时间。选定监控频段fst=8~72Hz,将频段8~72Hz等步长分为9个频率[81624324048566472]Hz分别作为监控频率,选定喘振先兆阈值s1=0.05和喘振阈值s2=0.3。
1-2)对步骤1-1)获取的航空发动机压气机进出口压比历史运行数据进行S变换,对S变换进行取模运算得到各个时刻压比历史运行数据的不同监控频率分量随时间变化的幅值s(f,t),f∈fst。其中,f代表监控频率,t代表时刻;
1-3)对任意t时刻,计算频段fst内S变换系数的最大幅值s(t)=maxf(s(f,t)),f∈fst。
1-4)根据s(t)判断t时刻压气机运行状态,获得该时刻压气机的状态值O(t):当s(t)<s1时,表明压气机在t时刻处于稳定运行状态,则该时刻的状态值O(t)=[1,0,0];当s1≤s(t)<s2时,压气机在t时刻处于扰动传播状态,则该时刻的状态值O(t)=[0,1,0];当s(t)≥s2时,压气机在t时刻处于喘振状态,则该时刻的状态值O(t)=[0,0,1]。
2)通过压气机历史运行数据计算t时刻的喘振特征量I(t),用以在线评估压气机运行状态,所述喘振特征量I(t)的向量长度为11。所述压气机历史运行数据包括步骤1)获取的每个时刻的进出口压比历史运行数据,以及该时刻对应的节流阀开度和转子转速。
喘振特征量I(t)的具体计算过程为:取t时刻及该时刻前599个历史时刻,即共计600个时刻的压比历史运行数据作为S变换输入,进行短时S变换得到不同频率信号分量振幅值,将低频段8~72Hz等步长分为9个频率[81624324048566472]Hz分别作为监控频率,计算各个监控频率对应S变换振幅峰值;对每个监控频率对应S变换振幅峰值进行归一化处理后,作为t时刻喘振特征量的1~9号特征量,t时刻节流阀开度和转子转速经过归一化处理后作为t时刻喘振特征量10~11号特征量,11个特征量组成t时刻的喘振特征量I(t)。
本发明中归一化方法采用最大最小值归一法,其计算公式为:
其中,x表示归一化前的原始特征量,y表示归一后的特征量,xmin和xmax分别表示原始特征量在对应的所有时刻历史数据中的最小值和最大值。
3)构建一个深度神经网络DNN模型并进行训练,得到训练完毕的DNN模型作为喘振先兆在线识别模型;具体步骤如下:
3-1)建立一个深度神经网络DNN模型,所述模型由1层输入层、1层隐含层和1层输出层组成,各层之间采用全连接的方式依次进行连接;所述模型输入为任意时刻的喘振特征量,模型输出为该时刻压气机状态的预测值。
确定DNN模型参数,如表2所示。
表2 DNN模型参数
初始化DNN模型的网络参数,并将该模型作为当前DNN模型。
3-2)将步骤2)得到的I(t)和对应时刻步骤1)得到的O(t)组成一个样本,把所有样本置于一个初始为空的数据缓冲池中,从数据缓冲池中随机抽取80%的样本组成DNN模型的训练数据集,剩余20%的样本组成DNN模型的测试数据集。
3-3)从训练数据集中随机调用100个样本,批量训练当前DNN模型,更新网络参数,计算模型损失函数。训练10次后更新当前DNN模型,调用测试数据集的所有样本,计算当前DNN模型识别准确率。
3-4)重复步骤3-3)直至DNN模型的训练次数达到最大训练次数,DNN模型训练结束,得到训练完毕的DNN模型作为喘振先兆在线识别模型。
4)航空发动机喘振先兆在线识别;具体步骤如下:
4-1)在航空发动机运行仿真过程中,实时获取压气机运行数据,所述压气机运行数据包括压气机进出口压比运行数据、节流阀开度和转子转速;
4-2)重复步骤2),对步骤4-1)获取的压气机运行数据在线提取对应喘振特征量I(t);
4-3)将步骤4-2)得到的I(t)输入步骤3)训练完毕的DNN模型,模型输出压气机状态预测值O’(t);
4-4)根据O’(t)对压气机运行状态进行判定:当O’(t)为[0,1,0]时,则判断压气机进入扰动传播状态时,认为压气机出现喘振先兆;
4-5)航空发动机运行仿真结束后,重复步骤1),对步骤4-1)运行仿真获取的压气机进出口压比数据进行离线分析,得到本次仿真压气机对应时刻的状态值O(t)。将步骤4-2)得到的I(t)和O(t)组成一个新的样本加入数据缓冲池中,当数据缓冲池中的样本数量达到上限时,丢弃最先加入数据缓冲池的样本。定时抽取数据缓冲池中的数据更新DNN模型,当由于性能退化等因素导致发动机参数发生改变时,数据缓冲池的更新将提高喘振先兆在线识别模型的自适应能力。
本发明的一个实施例的识别结果如图2所示,在仿真实验中,喘振先兆在线识别模型判断压气机在1028时刻出现喘振先兆,在1376时刻压气机进入喘振状态。图中虚线为仿真结束后采用步骤1)得到的离线分析结果,与喘振先兆在线识别结果基本一致。本发明的喘振先兆在线识别模型能够实时获得压气机运行状态,在压气机进入喘振状态之前识别喘振先兆信号,为压气机主动稳定控制器提供控制依据。
Claims (2)
1.一种航空发动机喘振先兆的在线识别方法,其特征在于,包括以下步骤:
1)获取航空发动机压气机进出口压比历史运行数据并进行离线分析,确定每个时刻对应的压气机运行状态,得到压气机各个时刻的状态值,其中所述压气机运行状态包括稳定状态、扰动传播状态和喘振状态;具体步骤如下:
1-1)获取N组航空发动机压气机进出口压比历史运行数据,其中每组压比历史运行数据的采样周期为0.1,每组采样时间为3600,每组数据的数据长度为36000,时间单位为仿真时间;选定监控频段fst=8~72Hz,将频段8~72Hz等步长分为9个频率[8 16 24 32 40 4856 64 72]Hz分别作为监控频率,选定喘振先兆阈值s1和喘振阈值s2;
1-2)对步骤1-1)获取的航空发动机压气机进出口压比历史运行数据进行S变换,得到各个时刻压比历史运行数据的不同监控频率分量随时间变化的幅值s(f,t),f∈fst,其中,f代表监控频率,t代表时刻;
1-3)对任意t时刻,计算频段fst内S变换系数的最大幅值s(t)=maxf(s(f,t)),f∈fst;
1-4)根据s(t)判断t时刻压气机运行状态,获得该时刻压气机的状态值O(t):
当s(t)<s1时,压气机在t时刻处于稳定运行状态,则该时刻的状态值O(t)=[1,0,0];当s1≤s(t)<s2时,压气机在t时刻处于扰动传播状态,则该时刻的状态值O(t)=[0,1,0];当s(t)≥s2时,压气机在t时刻处于喘振状态,则该时刻的状态值O(t)=[0,0,1];
2)通过压气机历史运行数据计算t时刻的喘振特征量I(t);所述压气机历史运行数据包括步骤1)获取的每个时刻的进出口压比历史运行数据,以及该时刻对应的节流阀开度和转子转速;
喘振特征量I(t)的具体计算方法为:取t时刻及该时刻前599个历史时刻,共计600个时刻的压比历史运行数据作为S变换输入,将低频段8~72Hz等步长分为9个频率[8 16 24 3240 48 56 64 72]Hz分别作为监控频率,计算各个监控频率对应S变换振幅峰值;对每个监控频率对应S变换振幅峰值进行归一化处理后,作为t时刻喘振特征量的1至9号特征量,t时刻节流阀开度和转子转速经过归一化处理后分别作为t时刻喘振特征量10和11号特征量,11个特征量组成t时刻的喘振特征量I(t);
3)构建一个深度神经网络DNN模型并进行训练,得到训练完毕的DNN模型作为喘振先兆在线识别模型;具体步骤如下:
3-1)建立一个深度神经网络DNN模型,所述模型由1层输入层、1层隐含层和1层输出层组成,各层之间采用全连接的方式依次进行连接;所述模型输入为任意时刻的喘振特征量,模型输出为该时刻压气机状态的预测值;
所述DNN模型参数设置如下:输入层包含11个神经元,隐含层包含20个神经元,输出层包含3个神经元,输入层激活函数为ReLU函数,输出层激活函数为Softmax函数,DNN模型损失函数为交叉熵函数,优化算法为Adam算法,最大训练次数为10000次;
初始化DNN模型的网络参数,并将该模型作为当前DNN模型;
3-2)将步骤2)得到的I(t)和对应时刻步骤1)得到的O(t)组成一个样本,把所有样本置于一个初始为空的数据缓冲池中,从数据缓冲池中随机抽取80%的样本组成DNN模型的训练数据集,剩余20%的样本组成DNN模型的测试数据集;
3-3)从训练数据集中随机选取100个样本,批量训练当前DNN模型,更新网络参数,计算模型损失函数;训练10次后更新当前DNN模型,调用测试数据集的所有样本,计算当前DNN模型识别准确率;
3-4)重复步骤3-3)直至DNN模型的训练次数达到最大训练次数,DNN模型训练结束,得到训练完毕的DNN模型作为喘振先兆在线识别模型;
4)航空发动机喘振先兆在线识别;具体步骤如下:
4-1)实时获取压气机运行数据,所述压气机运行数据包括压气机进出口压比运行数据、节流阀开度和转子转速;
4-2)重复步骤2),对步骤4-1)获取的压气机运行数据计算对应喘振特征量I(t);
4-3)将步骤4-2)得到的I(t)输入步骤3)训练完毕的DNN模型,模型输出压气机状态预测值O’(t);
4-4)根据O’(t)对压气机运行状态进行判定:当O’(t)为[0,1,0]时,则判断压气机进入扰动传播状态,压气机出现喘振先兆。
2.如权利要求1所述的方法,其特征在于,该方法还包括以下步骤:
4-5)航空发动机运行仿真结束后,重复步骤1),对步骤4-1)获取的压气机进出口压比运行数据进行离线分析,得到压气机对应时刻的状态值O(t);将步骤4-2)得到的I(t)和O(t)组成一个新的样本加入数据缓冲池中,当数据缓冲池中的样本数量达到上限时,丢弃最先加入数据缓冲池的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743449.XA CN110610026B (zh) | 2019-08-13 | 2019-08-13 | 一种航空发动机喘振先兆的在线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743449.XA CN110610026B (zh) | 2019-08-13 | 2019-08-13 | 一种航空发动机喘振先兆的在线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610026A true CN110610026A (zh) | 2019-12-24 |
CN110610026B CN110610026B (zh) | 2021-01-05 |
Family
ID=68890130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743449.XA Active CN110610026B (zh) | 2019-08-13 | 2019-08-13 | 一种航空发动机喘振先兆的在线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610026B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111120387A (zh) * | 2020-01-03 | 2020-05-08 | 北京航空航天大学 | 压气机稳定性自适应控制方法 |
CN112580267A (zh) * | 2021-01-13 | 2021-03-30 | 南京航空航天大学 | 基于多分支特征融合网络的航空发动机喘振预测方法 |
CN114857062A (zh) * | 2022-04-13 | 2022-08-05 | 大连理工大学 | 一种基于tcn的航空发动机失稳状态检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102748123A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 航空活塞发动机涡轮增压器防喘振控制装置 |
CN103306822A (zh) * | 2013-05-23 | 2013-09-18 | 南京航空航天大学 | 一种基于喘振裕度估计模型的航空涡扇发动机控制方法 |
CN103541815A (zh) * | 2012-07-13 | 2014-01-29 | 阿尔斯通技术有限公司 | 用于燃气涡轮发动机喘振控制的方法和布置 |
US20180372119A1 (en) * | 2017-06-23 | 2018-12-27 | Rolls-Royce Deutschland Ltd & Co Kg | Method for generating and selecting a mistuning pattern of a bladed wheel of a turbomachine |
-
2019
- 2019-08-13 CN CN201910743449.XA patent/CN110610026B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102748123A (zh) * | 2012-06-27 | 2012-10-24 | 北京航空航天大学 | 航空活塞发动机涡轮增压器防喘振控制装置 |
CN103541815A (zh) * | 2012-07-13 | 2014-01-29 | 阿尔斯通技术有限公司 | 用于燃气涡轮发动机喘振控制的方法和布置 |
CN103306822A (zh) * | 2013-05-23 | 2013-09-18 | 南京航空航天大学 | 一种基于喘振裕度估计模型的航空涡扇发动机控制方法 |
US20180372119A1 (en) * | 2017-06-23 | 2018-12-27 | Rolls-Royce Deutschland Ltd & Co Kg | Method for generating and selecting a mistuning pattern of a bladed wheel of a turbomachine |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111120387A (zh) * | 2020-01-03 | 2020-05-08 | 北京航空航天大学 | 压气机稳定性自适应控制方法 |
CN111120387B (zh) * | 2020-01-03 | 2020-11-13 | 北京航空航天大学 | 压气机系统稳定性自适应控制系统及控制方法 |
CN112580267A (zh) * | 2021-01-13 | 2021-03-30 | 南京航空航天大学 | 基于多分支特征融合网络的航空发动机喘振预测方法 |
CN114857062A (zh) * | 2022-04-13 | 2022-08-05 | 大连理工大学 | 一种基于tcn的航空发动机失稳状态检测系统 |
CN114857062B (zh) * | 2022-04-13 | 2023-03-24 | 大连理工大学 | 一种基于tcn的航空发动机失稳状态检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110610026B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610026B (zh) | 一种航空发动机喘振先兆的在线识别方法 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN108171263B (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
CN109212966B (zh) | 一种多工况动态基准化的机械设备剩余寿命预测方法 | |
CN114234361A (zh) | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN111220373A (zh) | 一种离心泵转子系统故障诊断的方法 | |
CN107807278A (zh) | 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法 | |
CN110224394B (zh) | 适用于非平稳功率振荡信号特征提取的傅里叶分解算法 | |
CN114936575A (zh) | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 | |
CN111709350B (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
CN116306306A (zh) | 一种基于非洲秃鹫算法的微网惯性常数估计方法 | |
CN115793461A (zh) | 基于深度学习的地震模拟振动台三参量控制参数整定方法 | |
CN113689038B (zh) | 一种基于多传感器模糊评估的发动机气缸故障预测方法 | |
CN117725480A (zh) | 一种避雷器故障智能检测方法及系统 | |
CN109441822B (zh) | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 | |
CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及系统 | |
CN109061354A (zh) | 一种基于改进pso和svm的电能质量扰动识别方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
CN116256402A (zh) | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 |
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 |