CN110991024A - 一种航空发动机控制系统并发故障下的气路部件突变监测方法 - Google Patents
一种航空发动机控制系统并发故障下的气路部件突变监测方法 Download PDFInfo
- Publication number
- CN110991024A CN110991024A CN201911177767.0A CN201911177767A CN110991024A CN 110991024 A CN110991024 A CN 110991024A CN 201911177767 A CN201911177767 A CN 201911177767A CN 110991024 A CN110991024 A CN 110991024A
- Authority
- CN
- China
- Prior art keywords
- sensor
- wssr
- fault
- sudden change
- signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 title claims description 37
- 238000012544 monitoring process Methods 0.000 title claims description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 239000000872 buffer Substances 0.000 claims description 35
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000002955 isolation Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了针对航空发动机控制系统并发故障下的气路性能异常诊断失效的问题,利用虚拟传感器重构信号技术代替故障传感器信号进行气路故障诊断,该方法包括:通过混合卡尔曼滤波器矩阵进行隔离、定位故障传感器与执行机构;根据定位出的故障传感器,基于机理模型和未故障传感器信号重构出虚拟传感器信号;结合EKF的气路选择部件故障诊断。本发明解决了在传感器与执行机构故障的情况下,发动机气路故障难以诊断的问题,对航空发动机飞行包线内不同工作点旋转部件突变故障具有较高的定位精度,为发动机健康管理、降低维修成本提供可靠保障。
Description
技术领域
本发明属于航空发动机气路故障诊断技术领域,尤其涉及一种航空发动机控制系统并发故障下的气路部件突变监测方法。
背景技术
航空发动机作为飞机的心脏,其结构复杂且工作环境恶劣。发动机故障诊断技术是保证发动机性能与可靠性,降低使用维护成本的重要手段。气路部件故障影响着航空发动机的性能与可靠性,传感器信号精度又直接影响气路部件的故障诊断结果,有必要对气路部件、传感器、执行机构故障时进行隔离与定位。
卡尔曼滤波算法是线性最小方差估计的一种递推形式。只要有足够的传感器测量可用,那么卡尔曼滤波方法在航空发动机气路故障诊断中有着较高的精度。然而,由于传感器工作的环境恶劣,容易发生故障,这就容易造成性能监测不能准确诊断发动机故障情况。本发明基于扩展卡尔曼滤波方法,在航空热力学理论的基础上,建立热端虚拟传感器,并提出了一种隔离传感器与执行机构故障,并重构故障信号,结合EKF(Extended KalmanFilter,扩展卡尔曼滤波器)算法实现发动机部件突变异常监测的方法,在飞行包线内不同工作点的都有很高的精度。
发明内容
针对上述技术问题,本发明提供一种航空发动机控制系统并发故障下的气路部件突变监测方法,利用混合卡尔曼滤波矩阵(MHKF)定位故障传感器与执行机构故障,通过虚拟传感器替代故障传感器,结合状态监测来跟踪发动机部件的突然蜕化。针对航空发动机在包线内的不同突变故障模式,实现了发动机在飞行包线内不同的工作点带有传感器执行机构故障隔离能力的发动机部件性能突变异常的气路故障诊断。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种航空发动机控制系统并发故障下的气路部件突变监测方法,包括以下步骤:
步骤1)基于混合卡尔曼滤波器矩阵隔离与定位传感器和执行机构故障;
步骤2)建立虚拟传感器对故障传感器信号进行信号重构,结合EKF进行部件气路性能突变异常监测。
优选的:所述步骤1)中基于混合卡尔曼滤波器矩阵隔离与定位传感器和执行机构故障具体步骤如下:
步骤1.1)计算发动机的部件级模型的线性化模型的A,C,L,M矩阵;利用缓存器对发动机的部件级模型的线性化模型的输入健康参数h与输出压比π降噪,更新两个OBEM(OnBoard Engine Model,机载模型)输出yOBEM,其中OBEM1控制量是Wfreal,A8model;OBEM2控制量是Wfmodel,A8real;
步骤1.2)利用混合卡尔曼滤波矩阵计算出加权残差平方和矩阵(WSSR),比较WSSR与阈值λ,根据判断逻辑隔离与定位执行机构与传感器故障。
优选的:所述步骤1.1)中计算A,C,L,M矩阵,利用缓存器对健康参数h与压比π降噪,更新OBEM输出yOBEM具体步骤如下:
步骤1.1.1)采用小扰动法和拟合法计算发动机的部件级模型的线性化模型对应的A,C,L,M矩阵,利用M维的缓存器buffer1k与N维的缓存器buffer2k,分别对h与π进行降噪;对于第k时刻的健康参数hk与压比πk,将其存入缓存器并更新hk buffer和πk buffer;
buffer1k=[hk-i,…,hk-1,hk,hk+1,…,hk+M-1-i]
buffer2k=[πk-i,…,πk-1,πk,πk+1,…,πk+N-1-i]
hk buffer=sum(buffer1k)/M
πk buffer=sum(buffer2k)/N
优选的:步骤1.2)中所述利用混合卡尔曼滤波矩阵计算出WSSR,比较WSSR与阈值λ,根据判断逻辑隔离与定位执行机构与传感器故障具体步骤如下:
其中,a表示执行机构数目,b表示传感器数目,ui m为第i个控制量为真实执行机构信号值,其余控制量为执行机构模型计算值,e为高度、马赫数构成的矩阵,xOBEM为OBEM的状态量,由第j个传感器真实传感器信号与j-1个传感器模型计算值为
步骤1.2.2)将HKFi,j计算出的WSSRi,j HKF与WSSRi,j OBEM取权值得到WSSRi,j:
通过比较WSSR与阈值λ的关系,如果没有故障发生,则所有的WSSR均低于λ;如果第m个执行机构故障,则与故障执行机构对应的第m行的WSSR将低于λ,另外的m-1行的WSSR将高于λ;如果第n个传感器故障,则与故障传感器对应的第n列的WSSR将低于λ,另外的n-1列的WSSR将高于λ;如果第m个执行机构故障且第n个传感器故障,则对应的第m行第n列的WSSR将低于λ,另外的WSSR将高于λ。
优选的:步骤2)中所述建立虚拟传感器对故障传感器信号进行信号重构,结合EKF进行部件气路性能突变异常监测具体步骤如下:
步骤2.1)根据逻辑选择,确定重构信号方式,建立虚拟传感器代替定位出的故障传感器;
步骤2.2)结合虚拟传感器的重构信号,利用EKF进行部件性能监测,实现气路部件突变异常的隔离。
优选的:所述步骤2.1)中基于混合卡尔曼滤波器矩阵诊断与定位传感器和执行机构故障具体步骤如下:
步骤2.1.1)由于仿真时传感器阶跃故障量较小加上噪声影响,并不是所有WSSR均在阈值以下,需要对WSSR进行误诊判断,如果当前时刻定位的传感器位置与确认的故障传感器位置一致,则不是误诊,不一致则是误诊;
步骤2.1.2)若未误诊,则基于步骤1定位出的故障传感器,利用发动机部件模型,降噪后的hbuffer和πbuffer,计算对应的故障传感器信号值,输出重构信号yre;如风扇出口传感器故障,则利用进气道部件与风扇部件,根据降噪后的风扇压比与健康参数,计算风扇出口的传感器信号。根据定位的传感器输出对应的温度或压力传感器信号;
步骤2.1.3)若误诊情况发生,利用上一时刻的虚拟传感器的重构信号作为当前时刻的虚拟传感器输出yre。
优选的:步骤2.2)中结合虚拟传感器的重构信号,利用EKF进行部件性能监测,实现气路部件突变异常的隔离具体步骤如下:
步骤2.2.1)建立拓展矩阵xE,AE,CE,利用EKF计算出航空发动机各部件健康参数,实现部件性能突变异常监测;
其中,yK=[y1…yn-1,yre,yn+1…yb]为第n个传感器故障时结合虚拟传感器信号的量测信号。
有益效果:本发明设计的一种航空发动机控制系统并发故障下的气路部件突变监测方法,解决了在传感器及执行机构故障时,气路部件性能监测精度下降甚至误诊的问题。在包线内不同的工作状态下,实现了对故障传感器、执行机构精确的定位,并且建立与故障传感器信号对应的虚拟传感器重构信号,能够很好对飞行包线内航空发动机气路性能突变异常进行识监测。
附图说明
图1基于MHKF的故障传感器与执行机构隔离、定位系统。
图2基于MHKF的故障定位逻辑图。
图3具有隔离传感器、执行机构故障能力的发动机性能突变异常流程图。
图4气路突变异常时,基于MHKF的故障传感器、执行机构诊断结果。
图5气路突变异常及传感器执行机构故障情况时,重构信号结果。
图6基于三种不同信号的部件性能突变结果柱状图。
具体实施方式
下面结合附图对本发明的具体实施方式作更进一步的说明。
本发明说明的一种航空发动机控制系统并发故障下的气路部件突变监测方法,具体包括以下步骤:
步骤1)基于混合卡尔曼滤波器矩阵隔离与定位传感器和执行机构故障;
步骤1.1)计算A,C,L,M矩阵,利用缓存器对健康参数h与压比π降噪,更新OBEM输出yOBEM。
步骤1.1.1)采用小扰动法和拟合法计算模型对应的A,C,L,M矩阵,利用两个10维的缓存器,分别对h与π进行降噪。对于第k时刻的健康参数hk与压比πk,将其存入缓存器并更新hk buffer和πk buffer。
buffer1k=[hk-i,…,hk-1,hk,hk-9,…,hk+9-i]
buffer2k=[πk-i,…,πk-1,πk,πk-9,…,πk+9-i]
hk buffer=sum(buffer1k)/10
πk buffer=sum(buffer2k)/10
步骤1.2)利用混合卡尔曼滤波矩阵计算出加权残差平方和矩阵(WSSR),比较WSSR与阈值λ,根据判断逻辑隔离与定位执行机构与传感器故障。
步骤1.2.2)文中有2个执行机构,10个传感器,所以MHKF中有对应的20个HKF,生成20个WSSRHKF如附图1所示。
将HKFi,j计算出的WSSRi,j HKF与WSSRi,j OBEM取权值得到为WSSRi,j:
通过比较WSSR与阈值λ的关系,如果没有故障发生,则所有的WSSR均低于λ。如果第m个执行机构故障,则与故障执行机构对应的第m行的WSSR将低于λ,另外的m-1行的WSSR将高于λ。如果第n个传感器故障,则与故障执行机构对应的第n行的WSSR将低于λ,另外的n-1行的WSSR将高于λ。如附图2所示,如果第m个执行机构故障,则左斜杠框图中的WSSR将低于λ。如果第n个传感器故障,则右斜杠图中WSSR将低于λ。如果第m个执行机构和第n个传感器共同故障,则交叉部分的WSSR将低于λ。
步骤2)建立虚拟传感器对故障传感器信号进行信号重构,结合EKF进行部件气路性能突变异常监测;
步骤2.1),根据逻辑选择,确定重构信号方式,建立虚拟传感器代替定位出的故障传感器。
步骤2.1.1)由于仿真时传感器阶跃故障量较小加上噪声影响,并不是所有WSSR均在阈值以下,需要一个误诊判断。根据当前时刻定位的传感器位置与确认的故障传感器位置是否一致。
步骤2.1.2)若未误诊,则基于上文定位出的故障传感器,利用发动机部件模型,降噪后的hbuffer和πbuffer,计算对应的故障传感器信号值。如风扇出口传感器故障,则利用进气道部件与风扇部件,根据降噪后的风扇压比与健康参数,计算风扇出口的传感器信号。根据定位的传感器输出对应的温度或压力传感器信号。
步骤2.1.3)若误诊情况发生,利用上一时刻的虚拟传感器的重构信号作为当前时刻的虚拟传感器输出。
步骤2.2)结合虚拟传感器的重构信号,利用EKF进行部件性能监测,实现气路部件突变异常的隔离。
步骤2.2.1)建立拓展矩阵xE,AE,CE,利用EKF计算出航空发动机各部件健康参数,实现部件性能突变异常监测。
其中,yK=[y1…yn-1,yre,yn+1…y10]为第n个传感器故障时结合虚拟传感器信号的量测信号。
为了验证本发明所设计的航空发动机控制系统并发故障下的气路部件突变监测方法的有效性,在MATLAB环境下进行了包线内带有传感器执行机构故障识别的气路部件突变异常的数字仿真。
首先,针对航空发动机在包线内的气路突变异常的识别问题,选择11种故障模式(如表1)用于验证虚拟传感器的准确性以及滤波方法能否很好的对相应故障模式进行识别。本发明涉及的实例所选用的真实传感器以及标准偏差如表2。通过包线内在10个传感器与2个执行机构注入1%的阶跃故障量的情况下,注入11种故障模式(如表1)。
表1涡扇发动机故障模式说明
表2传感器选择与标准偏差说明
通过缓存器的输出hbuffer,更新两个执行机构模型对应的机载发动机模型(OBEM)。利用混合卡尔曼滤波矩阵(MHKF)计算WSSR矩阵(结构如图1所示),根据WSSR与阈值λ的判断逻辑(如图2所示),隔离与定位故障传感器与执行机构。利用发动机部件模型与缓存器输出的πbuffer和hbuffer建立虚拟传感器,将虚拟传感器重构信号结合EKF进行发动机部件性能监测如图3所示。地面点稳态注入表1中故障模式2的MHKF的仿真结果如图4所示,当300飞行循环注入传感器故障,600飞行循环注入执行机构燃油泵A1故障,1200飞行循环注入部件突变异常时,MHKF计算的20个WSSR在300飞行循环前均在阈值λ以下。当P22传感器故障后,对应的序号为A1S4与A2S4在阈值以下,其余WSSR均在阈值以上,根据逻辑判断,定位出4号P22传感器故障。当燃油泵故障时,对应的A1S4在阈值以下,其余WSSR均在阈值以上,根据逻辑判断,定位出4号P22传感器与1号执行机构燃油泵故障。当部件性能突变故障时,会出现一个较大的波峰,根据图3中的是否误诊环节,该波峰并不影响MHKF的定位精度。图5为传感器,执行机构,部件突变故障发生时,P22传感器与T3传感器重构信号的结果。图4中MHKF由于噪声造成的WSSR超过阈值的误诊率与重构信号与真实信号的误差如表3所示。地面点,当6号P3传感器故障时,注入表1中所示的11种故障模式,根据三种不同信号仿真结果如图6所示。从图中可见,利用真实信号yreal对应的RMSE左斜线柱最小,当利用故障信号yfault进行部件性能监测时,估计结果误差极大,出现误诊的情况。右斜杠柱对应的为利用重构信号yre进行性能监测结果,虽然比较真实值结果,精度有一定程度下降,但是不影响部件突变异常的诊断。
表3不同气路部件性能突变异常情况下的MHKF误诊率(MR*102)及重构信号均方根误差(RMSE*102)
由表3可以看出,在所有执行机构与传感器组合故障中,MHKF的误诊率均小于4.39%,并且重构出的信号的RMSE均小于0.8%,满足精度要求。从图5中可以看出,本方法提出的建立虚拟传感器代替定位出的故障传感器,进行发动机部件性能突变异常监测方法,其较利用故障传感器信号值计算出的气路诊断精度有极大的提高,并且与基于真实传感器信号结果相比,健康参数的RMSE差距不大。
本发明设计的航空发动机控制系统并发故障下的气路部件突变监测方法,在包线内不同的气路部件性能突变情况下,实现了传感器与执行机构各种故障组合的隔离与定位,虚拟传感器重构的信号精度较高,能够很好对飞行包线内航空发动机气路部件性能突变异常进行监测。
需要指出的是,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的技术范围内,可轻易想到的变化和替换,都应涵盖在本发明的保护范围内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于,包括以下步骤:
步骤1)基于混合卡尔曼滤波器矩阵隔离与定位传感器和执行机构故障;
步骤2)建立虚拟传感器对故障传感器信号进行信号重构,结合EKF进行部件气路性能突变异常监测。
2.根据权利要求1所述的一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于:所述步骤1)中基于混合卡尔曼滤波器矩阵隔离与定位传感器和执行机构故障具体步骤如下:
步骤1.1)计算发动机的部件级模型的线性化模型的A,C,L,M矩阵;利用缓存器对发动机的部件级模型的线性化模型的输入健康参数h与输出压比π降噪,更新OBEM输出yOBEM;
步骤1.2)利用混合卡尔曼滤波矩阵计算出WSSR,比较WSSR与阈值λ,根据判断逻辑隔离与定位执行机构与传感器故障。
3.根据权利要求2所述的一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于:所述步骤1.1)中计算A,C,L,M矩阵,利用缓存器对健康参数h与压比π降噪,更新OBEM输出yOBEM具体步骤如下:
步骤1.1.1)采用小扰动法和拟合法计算发动机的部件级模型的线性化模型对应的A,C,L,M矩阵,利用M维的缓存器buffer1k与N维的缓存器buffer2k,分别对h与π进行降噪;对于第k时刻的健康参数hk与压比πk,将其存入缓存器并更新hk buffer和πk buffer;
buffer1k=[hk-i,…,hk-1,hk,hk+1,…,hk+M-1-i]
buffer2k=[πk-i,…,πk-1,πk,πk+1,…,πk+N-1-i]
hk buffer=sum(buffer1k)/M
πk buffer=sum(buffer2k)/N
4.根据权利要求2所述的一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于:步骤1.2)中所述利用混合卡尔曼滤波矩阵计算出WSSR,比较WSSR与阈值λ,根据判断逻辑隔离与定位执行机构与传感器故障具体步骤如下:
其中,a表示执行机构数目,b表示传感器数目,ui m为第i个控制量为真实执行机构信号值,其余控制量为执行机构模型计算值,e为高度、马赫数构成的矩阵,xOBEM为OBEM的状态量,由第j个传感器真实传感器信号与j-1个传感器模型计算值为
步骤1.2.2)将HKFi,j计算出的WSSRi,j HKF与WSSRi,j OBEM取权值得到WSSRi,j:
通过比较WSSR与阈值λ的关系,如果没有故障发生,则所有的WSSR均低于λ;如果第m个执行机构故障,则与故障执行机构对应的第m行的WSSR将低于λ,另外的m-1行的WSSR将高于λ;如果第n个传感器故障,则与故障传感器对应的第n列的WSSR将低于λ,另外的n-1列的WSSR将高于λ;如果第m个执行机构故障且第n个传感器故障,则对应的第m行第n列的WSSR将低于λ,另外的WSSR将高于λ。
5.根据权利要求1所述的一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于:步骤2)中所述建立虚拟传感器对故障传感器信号进行信号重构,结合EKF进行部件气路性能突变异常监测具体步骤如下:
步骤2.1)根据逻辑选择,确定重构信号方式,建立虚拟传感器代替定位出的故障传感器;
步骤2.2)结合虚拟传感器的重构信号,利用EKF进行部件性能监测,实现气路部件突变异常的隔离。
6.根据权利要求2所述的一种航空发动机控制系统并发故障下的气路部件突变监测方法,其特征在于:所述步骤2.1)中基于混合卡尔曼滤波器矩阵诊断与定位传感器和执行机构故障具体步骤如下:
步骤2.1.1)对WSSR进行误诊判断,如果当前时刻定位的传感器位置与确认的故障传感器位置一致,则不是误诊,不一致则是误诊;
步骤2.1.2)若未误诊,则基于步骤1定位出的故障传感器,利用发动机部件模型,降噪后的hbuffer和πbuffer,计算对应的故障传感器信号值,输出重构信号yre;
步骤2.1.3)若误诊情况发生,利用上一时刻的虚拟传感器的重构信号作为当前时刻的虚拟传感器输出yre。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177767.0A CN110991024A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机控制系统并发故障下的气路部件突变监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177767.0A CN110991024A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机控制系统并发故障下的气路部件突变监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991024A true CN110991024A (zh) | 2020-04-10 |
Family
ID=70087270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911177767.0A Pending CN110991024A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机控制系统并发故障下的气路部件突变监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991024A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112761818A (zh) * | 2021-01-15 | 2021-05-07 | 北京动力机械研究所 | 一种可重复使用冲压发动机的状态监视系统 |
CN113374543A (zh) * | 2021-06-04 | 2021-09-10 | 西安交通大学 | 基于时变故障率模型的航空发动机部件维修方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 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 |
CN110080884A (zh) * | 2018-10-31 | 2019-08-02 | 南京航空航天大学 | 一种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 |
-
2019
- 2019-11-27 CN CN201911177767.0A patent/CN110991024A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN110080884A (zh) * | 2018-10-31 | 2019-08-02 | 南京航空航天大学 | 一种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 |
CN109799803A (zh) * | 2018-12-11 | 2019-05-24 | 大连理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
金鹏等: "涡扇发动机高压涡轮虚拟传感器信号生成及性能分析", 《中国航天第三专业信息网第四十届技术交流会暨第四届空天动力联合会议论文集——S11发动机控制及相关技术》, pages 2827 - 2834 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112761818A (zh) * | 2021-01-15 | 2021-05-07 | 北京动力机械研究所 | 一种可重复使用冲压发动机的状态监视系统 |
CN113374543A (zh) * | 2021-06-04 | 2021-09-10 | 西安交通大学 | 基于时变故障率模型的航空发动机部件维修方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
CN116700203B (zh) * | 2023-05-04 | 2024-05-17 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110991024A (zh) | 一种航空发动机控制系统并发故障下的气路部件突变监测方法 | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN102855349B (zh) | 航空发动机气路故障诊断的快速原型设计方法及平台 | |
JP4149899B2 (ja) | システム上で診断を行うための方法 | |
Jiang | Sensor Fault Detection and Isolation Using System Dynamics Identification Techniques. | |
EP1950634A2 (en) | Process for adapting measurement suite configuration for gas turbine performance diagnostics | |
Kobayashi et al. | Evaluation of an enhanced bank of Kalman filters for in-flight aircraft engine sensor fault diagnostics | |
CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
Merrill | Sensor failure detection for jet engines using analytical redundancy | |
CN110083076B (zh) | 一种燃气轮机气动执行器故障半实物仿真平台及仿真方法 | |
CN111581763B (zh) | 航空发动机气路故障诊断结果评价方法 | |
Jin et al. | Life cycle gas path performance monitoring with control loop parameters uncertainty for aeroengine | |
CN108897309B (zh) | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 | |
CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
Wei et al. | Aircraft engine sensor fault diagnostics based on estimation of engine's health degradation | |
CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
CN109308484A (zh) | 航空发动机多类故障最小风险诊断方法及装置 | |
CN112749789A (zh) | 基于自联想型神经网络的航空发动机多重故障诊断器 | |
Yang et al. | An IMM‐GLR Approach for Marine Gas Turbine Gas Path Fault Diagnosis | |
CN112906855A (zh) | 动态阈值的变循环发动机多重故障诊断器 | |
CN110287594B (zh) | 一种基于神经网络算法的航空发动机状态诊断方法 | |
Wang et al. | Gas flow path fault diagnosis and sensor fault diagnosis for aeroengine based on fusion filter algorithm | |
Guo et al. | A distributed fault-detection and diagnosis system using on-line parameter estimation | |
Fang et al. | Multiple Model-Based Hybrid Kalman Filter for Fault Diagnosis of Jet Engines |
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 |