CN111258296B - 航空发动机控制系统的漂移类故障检测方法 - Google Patents

航空发动机控制系统的漂移类故障检测方法 Download PDF

Info

Publication number
CN111258296B
CN111258296B CN202010046170.9A CN202010046170A CN111258296B CN 111258296 B CN111258296 B CN 111258296B CN 202010046170 A CN202010046170 A CN 202010046170A CN 111258296 B CN111258296 B CN 111258296B
Authority
CN
China
Prior art keywords
output
spline
control system
adaptive
reference 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.)
Active
Application number
CN202010046170.9A
Other languages
English (en)
Other versions
CN111258296A (zh
Inventor
刘金鑫
杨亮东
宋志平
耿佳
陈雪峰
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010046170.9A priority Critical patent/CN111258296B/zh
Publication of CN111258296A publication Critical patent/CN111258296A/zh
Application granted granted Critical
Publication of CN111258296B publication Critical patent/CN111258296B/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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种航空发动机控制系统的漂移类故障检测方法，方法包括以下步骤：在离线情况下对航空发动机控制系统进行输入，通过传感器采集相应的输出，基于所述输入和所述输出采用非线性建模以辨识控制系统，并作为漂移类故障检测的基准模型，所述非线性建模包括线性的IIR滤波器和自适应样条插值器，在控制系统正常运行过程中，实时观测所述基准模型的输出与实际控制系统的所述输出之间的偏差，对所述偏差进行指数中值平滑滤波以降低噪声干扰，根据基准模型输出自适应确定误差阈值，利用滤波后的偏差和所述误差阈值对比以进行故障判别。

Description

航空发动机控制系统的漂移类故障检测方法
技术领域
本发明属于航空发动机控制技术领域，特别是一种航空发动机控制系统的漂移类故障检测方法。
背景技术
航空发动机是一种深度融合了机械、热力学、电气、控制、材料等学科的高度复杂、高度精密的装备。航空发动机的控制系统是其“大脑”，发动机控制系统的可靠性和安全性对航空发动机的安全运行起着至关重要的作用。控制系统一旦发生故障，轻则减低发动机性能、重则带来永久性损伤，造成严重事故。由于发动机控制系统组成复杂、元器件多、工作条件恶劣，导致控制系统故障频发。研究航空发动机控制系统的故障检测方法，对于保证发动机运行安全具有重要意义。
在航空发动机控制系统中，漂移类故障是一种很常见的故障形式。漂移类故障是一种由于传感器或者执行机构性能退化导致的缓变故障，这种故障由于机理不明确、故障特征微弱，因而很难检测。而一旦航空发动机控制系统出现漂移类故障，则会导致发动机性能衰退甚至造成严重后果。因此，针对发动机控制系统的漂移类故障，研究一种能够在故障特征十分微弱的早期检测出故障的方法具有重要意义。由于漂移类故障信号特征微弱，因此传统的基于数据处理的故障检测方法往往表现乏力。除了数据处理的检测方法外，还有一类基于模型的故障检测方法，后者在微弱故障的检测方面存在很大潜力。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中存在的问题，本发明提出一种航空发动机控制系统的漂移类故障检测方法，本发明利用非线性的系统建模方法对控制系统部件进行建模，以此模型作为基准。通过实时观测基准模型与实际控制系统输出之间的偏差来进行控制系统故障判别。在偏差观测的过程中，为了避免扰动对观测结果带来影响，对直接观测得到的偏差进行指数中值平滑滤波处理，从而使提高偏差估计值的抗干扰能力，同时使得估计出来的偏差趋于平滑，能更好地反映出故障的演化程度。
本发明的目的是通过以下技术方案予以实现，一种航空发动机控制系统的漂移类故障检测方法包括以下步骤：
第一步骤中，在离线情况下对航空发动机控制系统进行输入，通过传感器采集相应的输出，基于所述输入和所述输出采用非线性建模以辨识控制系统，并作为漂移类故障检测的基准模型，所述基准模型包括线性的IIR滤波器和自适应样条插值器，
第二步骤中，在控制系统正常运行过程中，实时观测所述基准模型的输出与实际控制系统的所述输出之间的偏差，
第三步骤中，对所述偏差进行指数中值平滑滤波以降低噪声干扰，
第四步骤中，根据基准模型输出自适应确定误差阈值，利用滤波后的偏差和所述误差阈值对比以进行故障判别。
本发明的漂移类故障是一种由于传感器或者执行机构性能退化导致的缓变故障。
所述的方法中，第一步骤中，线性IIR滤波器输出为
Figure GDA0002438126920000021
其中，ai(i＝1，2，...，N)和bj(j＝0，1，...，M-1)为IIR滤波器系数。
所述的方法中，第一步骤中，IIR滤波器后面相连接的自适应样条插值器接受线性IIR滤波器输出、系统输入以及系统输出作为其插值输入。
所述的方法中，第一步骤中，自适应样条插值器包括Q个单独的自适应样条插值器，其输入依次为s1，s2，...，sQ，其中，sl(l＝1，2，...，Q)是s[n]，...，s[n-ns+1]、x[n]，...，x[n-nx+1]或者y[n-1]，...，y[n-ny]，y[n]为自适应样条插值器的输出，ns、nx和ny为输入阶数，且满足ns+nx+ny＝Q，第1个自适应样条插值器由Nl+1个插值点组成，所述插值点的横坐标向量为
Figure GDA0002438126920000022
纵坐标向量为
Figure GDA0002438126920000023
自适应样条插值器组的输出y[n]为
Figure GDA0002438126920000024
其中，
Figure GDA0002438126920000025
为第1个样条自适应滤波器的输出，
Figure GDA0002438126920000026
Figure GDA0002438126920000027
是自适应样条插值器的归一化输入向量，
Figure GDA0002438126920000028
为自适应样条插值器的局部插值点坐标向量，C为样条插值基矩阵，所述ul和il分别为样条插值的归一化坐标和局部区间索引，
Figure GDA0002438126920000031
其中Δx是均匀分布的插值点横坐标之间的间隔，
Figure GDA0002438126920000032
是向下取整运算符。
所述的方法中，样条插值基矩阵C为
Figure GDA0002438126920000033
第二步骤中，实时观测所述自适应样条插值器组的输出y[n]与实际控制系统输出d[n]之间的偏差，e[n]＝d[n]-y[n]对滤波器参数进行自适应调整，其中，针对每个单独的样条自适应滤波器中的样条插值点进行调整，参数调整如下：
Figure GDA0002438126920000034
IIR滤波器，其参数调整过程如下：
Figure GDA0002438126920000035
其中，
Figure GDA0002438126920000036
所述的方法中，控制系统和基准模型有相同的输入x[n]。
所述的方法中，第三步骤中，对实时观测的偏差e[n]进行指数中值滤波，得到滤波后偏差r[n]，滤波过程为
r[n]＝λ·r[n-1]+(1-λ)·med(en)，
其中，λ为平滑参数，med(·)为取中值符号，en＝[e2[n]，e2[n-1]，...，e2[n-Nr+1]]T为窗长为Nr的近邻观测误差的平方值。
所述的方法中，平滑参数λ为零到一之间的常数。
所述的方法中，第四步骤中，根据基准模型输出自适应确定误差阈值，其中，基准模型输出y[n]的能量值Ey通过
Figure GDA0002438126920000037
进行估计，其中Nw是能量估计窗长，误差阈值设为δ＝α·Ey，其中α是误差阈值系数，它表示滤波后误差能量在基准模型输出能量中的占比，比较滤波后偏差r[n]与误差阈值δ，当r[n]＞δ时，则判断为发生故障。
所述的方法中，航空发动机控制系统的输入x[n]为，
s[n]＝-0.2s[n-1]+0.5s[n-2]-0.1s[n-3]+0.6x[n]-0.4x[n-1]，
航空发动机控制系统的输出d[n]为，
d[n]＝s[n]+0.1x[n]3+0.5arctan(d[n-1])+v[n]
其中，x[n]为系统输入，s[n]为IIR滤波器输出，d[n]为系统输出，v[n]为噪声干扰。
和现有技术相比，本发明具有以下优点：
本发明利用所提出的非线性系统建模方法进行系统辨识，充分考虑了系统中的非线性特性，相比于传统的线性辨识方法，精度更高；利用指数中值平滑滤波后的偏差进行故障判别，有效降低了随机干扰，特别是冲击干扰对判别结果的影响，提高了故障判别准确率。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述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他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1是本发明的航空发动机控制系统漂移类故障检测方法的步骤示意图；
图2是本发明的一个实施例中的非线性系统建模方法框图；
图3是本发明的一个实施例中非线性系统建模方法中样条滤波器组具体配置的框图；
图4是本发明的一个实施例的偏差滤波与故障判别原理图；
图5是本发明的一个实施例的非线性建模方法的结果测试曲线图；
图6是本发明的一个实施例的偏差观测曲线图；
图7是本发明的一个实施例的故障检测曲线图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图1至附图7更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
为了更好地理解，一种航空发动机控制系统的漂移类故障检测方法，所述方法包括以下步骤：
第一步骤S1中，在离线情况下对航空发动机控制系统进行输入，通过传感器采集相应的输出，基于所述输入和所述输出采用非线性建模以辨识控制系统，并作为漂移类故障检测的基准模型，所述基准模型包括线性的IIR滤波器和自适应样条插值器，
第二步骤S2中，在控制系统正常运行过程中，实时观测所述基准模型的输出与实际控制系统的所述输出之间的偏差，
第三步骤S3中，对所述偏差进行指数中值平滑滤波以降低噪声干扰，
第四步骤S4中，根据基准模型输出自适应确定误差阈值，利用滤波后的偏差和所述误差阈值对比以进行故障判别。
所述的方法的优选实施方式中，第一步骤S1中，线性IIR滤波器输出为
Figure GDA0002438126920000051
其中，ai(i＝1，2，...，N)和bj(j＝0，1，...，M-1)为IIR滤波器系数。
所述的方法的优选实施方式中，第一步骤S1中，IIR滤波器后面相连接的自适应样条插值器接受线性IIR滤波器输出、系统输入以及系统输出作为其插值输入。
所述的方法的优选实施方式中，第一步骤S1中，自适应样条插值器包括Q个单独的自适应样条插值器，其输入依次为s1，s2，...，sQ，其中，sl(l＝1，2，...，Q)是s[n]，...，s[n-ns+1]、x[n]，...，x[n-nx+1]或者y[n-1]，...，y[n-ny]，y[n]为自适应样条插值器的输出，ns、nx和ny为输入阶数，且满足ns+nx+ny＝Q，第1个自适应样条插值器由Nl+1个插值点组成，所述插值点的横坐标向量为
Figure GDA0002438126920000061
纵坐标向量为
Figure GDA0002438126920000062
自适应样条插值器组的输出y[n]为
Figure GDA0002438126920000063
其中，
Figure GDA0002438126920000064
为第1个样条自适应滤波器的输出，
Figure GDA0002438126920000065
Figure GDA0002438126920000066
是自适应样条插值器的归一化输入向量，
Figure GDA0002438126920000067
为自适应样条插值器的局部插值点坐标向量，C为样条插值基矩阵，所述ul和il分别为样条插值的归一化坐标和局部区间索引，
Figure GDA0002438126920000068
其中Δx是均匀分布的插值点横坐标之间的间隔，
Figure GDA0002438126920000069
是向下取整运算符。
所述的方法的优选实施方式中，样条插值基矩阵C为
Figure GDA00024381269200000610
所述的方法的优选实施方式中，第二步骤S2中，实时观测所述自适应样条插值器组的输出y[n]与实际控制系统输出d[n]之间的偏差，e[n]＝d[n]-y[n]对滤波器参数进行自适应调整，其中，针对每个单独的样条自适应滤波器中的样条插值点进行调整，参数调整如下：
Figure GDA00024381269200000611
IIR滤波器，其参数调整过程如下：
Figure GDA00024381269200000612
其中，
Figure GDA0002438126920000071
所述的方法的优选实施方式中，控制系统和基准模型有相同的输入x[n]。
所述的方法的优选实施方式中，第三步骤中，对实时观测的偏差e[n]进行指数中值滤波，得到滤波后偏差r[n]，滤波过程为
r[n]＝λ·r[n-1]+(1-λ)·med(en)，
其中，λ为平滑参数，med(·)为取中值符号，
Figure GDA0002438126920000072
为窗长为Nr的近邻观测误差的平方值。
所述的方法的优选实施方式中，平滑参数λ为零到一之间的常数。
所述的方法的优选实施方式中，第四步骤S4中，根据基准模型输出自适应确定误差阈值，其中，基准模型输出y[n]的能量值Ey通过
Figure GDA0002438126920000073
进行估计，其中Nw是能量估计窗长，误差阈值设为δ＝α·Ey，其中α是误差阈值系数，它表示滤波后误差能量在基准模型输出能量中的占比，比较滤波后偏差r[n]与误差阈值δ，当r[n]＞δ时，则判断为发生故障。
所述的方法的优选实施方式中，航空发动机控制系统的输入x[n]为，
s[n]＝-0.2s[n-1]+0.5s[n-2]-0.1s[n-3]+0.6x[n]-0.4x[n-1]，
航空发动机控制系统的输出d[n]为，
d[n]＝s[n]+0.1x[n]3+0.5arctan(d[n-1])+v[n]
其中，x[n]为系统输入，s[n]为IIR滤波器输出，d[n]为系统输出，v[n]为噪声干扰。
为了进一步理解本发明，如图1所示，在一个实施例中，航空发动机控制系统漂移类故障检测方法包括如下步骤：
第一步骤中，在离线情况下采集航空发动机控制系统的输入信号x[n]和输出信号d[n]，采用一种非线性建模方法对航空发动机控制系统进行建模。该非线性建模方法由一个线性的IIR滤波器和一组自适应样条插值器构成。线性IIR滤波器输出表示为
Figure GDA0002438126920000074
其中，ai(i＝1，2，...，N)和bj(j＝0，1，...，M-1)为IIR滤波器系数。IIR滤波器后面相连接的自适应样条插值器组由一系列自适应样条插值器组成，其接受线性IIR滤波器输出、系统输出以及系统输出作为其插值输入。规定自适应样条插值器组由Q个单独的自适应样条插值器组成，它们的输入依次为s1，s2，...，sQ，其中，sl(l＝1，2，...，Q)可以是s[n]，...，s[n-ns+1]、x[n]，...，x[n-nx+1]或者y[n-1]，...，y[n-ny]，此处y[n]为自适应样条插值器组的输出，ns、nx和ny为输入阶数，且满足ns+nx+ny＝Q。第1个自适应样条插值器由Nl+1个插值点组成，这些插值点的横坐标向量为
Figure GDA0002438126920000081
纵坐标向量为
Figure GDA0002438126920000082
自适应样条插值器组的输出y[n]可表示为
Figure GDA0002438126920000083
其中，
Figure GDA0002438126920000084
为第1个样条自适应滤波器的输出，
Figure GDA0002438126920000085
Figure GDA0002438126920000086
是自适应样条插值器的归一化输入向量，
Figure GDA0002438126920000087
为自适应样条插值器的局部插值点坐标向量，C为样条插值基矩阵。上述内容中ul和il分别为样条插值的归一化坐标和局部区间索引，
Figure GDA0002438126920000088
其中Δx是均匀分布的插值点横坐标之间的间隔，
Figure GDA0002438126920000089
是向下取整运算符。
根据滤波输出结果与实测系统输出之间的误差e[n]＝d[n]-y[n]对滤波器参数进行自适应调整。对于样条自适应滤波组，针对每个单独的样条自适应滤波器中的样条插值点进行调整，参数调整如下：
Figure GDA00024381269200000810
对于IIR滤波器，其参数调整过程如下：
Figure GDA00024381269200000811
其中，
Figure GDA00024381269200000812
第二步骤中，在控制系统正常运行过程中，实时观测控制系统与基准模型的输出偏差。控制系统和基准模型有相同的输入x[n]，实际控制系统输出为d[n]，基准模型输出为y[n]，实时偏差为e[n]＝d[n]-y[n]。
第三步骤中，对实时观测的偏差e[n]进行指数中值滤波，得到滤波后偏差r[n]。滤波过程可表示为
r[n]＝λ·r[n-1]+(1-λ)·med(en)
其中，λ为平滑参数(0＜λ＜1)，med(·)为取中值符号，en＝[e2[n]，e2[n-1]，...，e2[n-Nr+1]]T为窗长为Nr的近邻观测误差的平方值。通过综合近邻若干个观测误差的平方值，取其中值，可以有效地降低扰动对观测误差的影响，得到的滤波后偏差r[n]能够更加真实地反映系统故障的演化过程。
第四步骤中，根据基准模型输出的能量值确定系统故障阈值。基准模型输出y[n]的能量值Ey可以通过
Figure GDA0002438126920000091
进行估计，其中Nw是能量估计窗长。根据经验原则，故障阈值可以设为δ＝α·Ey，其中α是故障阈值系数，它表示滤波后误差能量在基准模型输出能量中的占比，α越小，表示阈值要求越严格，越容易检测出故障。但α不宜太小，否则容易产生误报。最后比较滤波后误差r[n]与故障阈值δ，当r[n]＞δ时，则判断为发生故障。
如图2所示为本发明的一个实施例中的非线性系统建模的方法框图。该建模方法由一个线性IIR滤波器和一个非线性的样条滤波器组串联而成。在一个实施例中，滤波器输入为x[n]，经过线性IIR滤波后得到中间值s[n]，最后通过样条滤波器组得到滤波输出y[n]。利用滤波输出与实际控制系统的输出d[n]之间的误差e[n]进行滤波器参数的自适应。在样条插值滤波方法中，非线性样条滤波器组可以将{s[n]，...，s[n-ns+1]，x[n]，...，x[n-nx+1]，y[n-1]，...，y[n-ny+1]}中的任意组合作为输入，其中ns、nx和ny，为输入的阶数。
如图3所示为本发明的一个实施例中非线性系统建模方法中样条滤波器组具体配置的框图。假设第1个自适应样条插值器由N1+1个插值点组成，这些插值点的横坐标向量为
Figure GDA0002438126920000092
纵坐标向量为
Figure GDA0002438126920000093
自适应样条插值器组的输出y[n]可表示为
Figure GDA0002438126920000094
其中sl为第1个样条自适应滤波器的输入，
Figure GDA0002438126920000095
为第1个样条自适应滤波器的输出，
Figure GDA0002438126920000101
Figure GDA0002438126920000102
是自适应样条插值器的归一化输入向量，
Figure GDA0002438126920000103
为自适应样条插值器的局部插值点坐标向量，C为样条插值基矩阵。上述内容中ul和il分别为样条插值的归一化坐标和局部区间索引，
Figure GDA0002438126920000104
Figure GDA0002438126920000105
其中Δx是均匀分布的插值点横坐标之间的间隔，
Figure GDA0002438126920000106
是向下取整运算符。
如图4所示为本发明的一个实施例的偏差滤波与故障判别原理图。对实时观测的偏差e[n]进行指数中值滤波，得到滤波后偏差r[n]。滤波过程可表示为r[n]＝λ·r[n-1]+(1-λ)·med(en)，其中λ为平滑参数(0＜λ＜1)，med(·)为取中值符号，en＝[e2[n]，e2[n-1]，...，e2[n-Nr+1]]T为窗长为Nr的近邻观测误差的平方值。故障判别通过判断滤波后偏差是否大于故障阈值来实现，其中故障阈值通过基准模型输出的能量值
Figure GDA0002438126920000107
自适应确定，其中Nw是能量估计窗长。根据经验原则，故障阈值可以设为δ＝α·Ey，其中α是故障阈值系数，它表示滤波后误差能量在基准模型输出能量中的占比。
图5-图7是本发明的一个实施例的仿真结果。在这个实施例中，航空发动机控制系统由如下模型进行描述：
s[n]＝-0.2s[n-1]+0.5s[n-2]-0.1s[n-3]+0.6x[n]-0.4x[n-1]
d[n]＝s[n]+0.1x[n]3+0.5arctan(d[n-1])+v[n]
其中，x[n]为系统输入，s[n]为IIR滤波器输出，d[n]为系统输出，v[n]为噪声干扰。
如图5所示为本发明的一个实施例的非线性建模方法的结果测试曲线图。其中，建模信号x[n]为一个零均值、单位方差的高斯白噪声序列，IIR滤波器输出为s[n]，样条插值滤波方法的输出为y[n]。IIR滤波器参数a1，a2，a3，b0，b1均初始化为0。样条滤波器组由三个独立的样条滤波器构成，其插值点坐标初始化为
Figure GDA0002438126920000108
Nl＝20，Δx＝0.4，l＝1，2，3。三个样条滤波器的输入分别为s1＝s[n]、s2＝x[n]、s3＝y[n-1]。用于建模的数据点长度为N＝1×104，IIR滤波器参数学习步长为μIIR＝0.002，样条滤波器参数学习步长为μq＝0.1。最终测试结果通过选择50个随机样本作为测试输入得到。可以看出，基于样条插值滤波方法建立的模型可以精确描述实际航空发动机控制系统的特性。
如图6所示为本发明的一个实施例的偏差观测曲线图。选择正弦信号x[n]＝2sin(2π×0.01n)作为系统输入，利用传感器测量实际控制系统输出d[n]，利用建立好的样条插值滤波方法模型计算基准模型输出y[n]，并求其偏差e[n]。此实施例中，取500个时刻的样本作为输入，在第300个样本之后控制系统发生漂移故障，每个时刻系统输出值向上偏移1.5×10-3。并且传感器收到30dB的噪声干扰，且在第100、150、200、250和400个样本点处受到冲击干扰。从最终结果可以看出，若不考虑冲击干扰带来的偏差，在第300个样本之前，实际控制系统输出和基准模型输出基本一致，而在第300个样本之后，二者之间产生一个逐渐增大的偏差。
如图7所示为本发明的一个实施例的故障检测曲线图。在图6所示内容的基础上，对实时观测的带有噪声和冲击干扰的偏差进行指数中值平滑滤波，滤波参数λ＝0.9，窗长Nr＝9。同时估计基准模型输出y[n]的能量值Ey，并利用δ＝α·Ey确定故障阈值，其中故障阈值系数α＝0.003。从图中可以看出，直接观测得到的实时偏差波动较大，而经过滤波后的偏差则非常平滑，并且可以抵抗冲击干扰的影响。随着控制系统漂移故障累积的误差越来越大，通过本发明中的故障判别机制，大约在第350个样本时，算法可以对漂移故障进行报警。作为对比，在图5所示的偏差观测结果中，在第350个样本时很难直接判断系统发生了故障，因此本发明中的故障检测方法能够快速、准确地对故障特征非常微弱的漂移类故障进行检测。
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (10)

1.一种航空发动机控制系统的漂移类故障检测方法，所述方法包括以下步骤：
第一步骤(S1)中，在离线情况下对航空发动机控制系统进行输入，通过传感器采集相应的输出，基于所述输入和所述输出采用非线性建模以辨识控制系统，并作为漂移类故障检测的基准模型，基准模型包括线性的IIR滤波器和自适应样条插值器组，
第二步骤(S2)中，在控制系统正常运行过程中，实时观测所述基准模型的输出与实际控制系统的所述输出之间的偏差，
第三步骤(S3)中，对所述偏差进行指数中值平滑滤波以降低噪声干扰，
第四步骤(S4)中，根据基准模型输出自适应确定误差阈值，利用滤波后的偏差和所述误差阈值对比以进行故障判别。
2.根据权利要求1所述的方法，其中，第一步骤(S1)中，线性IIR滤波器在n时刻的输出s[n]为
Figure FDA0002959636470000011
其中，αi和bj为IIR滤波器系数，s[n-i]表示n-i时刻IIR滤波器的输出，x[n-j]表示n-j时刻的系统输入，N为滤波器输出阶数，M为滤波器输入阶数，i为1到N之间的任一整数，j为0到M-1之间的任一整数。
3.根据权利要求1所述的方法，其中，第一步骤(S1)中，IIR滤波器后面相连接的自适应样条插值器接受线性IIR滤波器输出、系统输入以及系统输出作为其插值输入。
4.根据权利要求1所述的方法，其中，第一步骤(S1)中，自适应样条插值器组包括Q个单独的自适应样条插值器，所有自适应样条插值器的输入依次为s1，s2，...，sQ，其中sl(l＝1，2，...，Q)可以是s[n]，...，s[n-ns+1]、x[n]，...，x[n-nx+1]以及y[n-1]，...，y[n-ny]中的任意值，ns、nx和ny为输入阶数，且满足ns+nx+ny＝Q，y[n]为自适应样条插值器组的输出，l为1到Q之间的任一整数，第l个自适应样条插值器由Nl个插值区间组成，其插值点的横坐标向量为
Figure FDA0002959636470000012
Figure FDA0002959636470000021
纵坐标向量为
Figure FDA0002959636470000022
Figure FDA0002959636470000023
其中，上标(l)表示第l个样条插值器，下标x和y分别表示样条插值点的横坐标和纵坐标，
Figure FDA0002959636470000024
表示第l个样条插值器中所有插值点的横坐标，
Figure FDA0002959636470000025
表示第l个样条插值器中所有插值点的纵坐标，自适应样条插值器组的输出y[n]为，
Figure FDA0002959636470000026
其包含Q个自适应样条插值器的输出结果，其中每个输出为
Figure FDA0002959636470000027
下标l表示第l个样条自适应滤波器的输出，
Figure FDA0002959636470000028
ul是自适应样条插值器的归一化输入向量
Figure FDA0002959636470000029
Figure FDA00029596364700000210
为自适应样条插值器的第il个局部插值区间的纵坐标向量
Figure FDA00029596364700000211
C为样条插值基矩阵，所述ul和il分别为样条插值的归一化坐标和局部区间索引，
Figure FDA00029596364700000217
Figure FDA00029596364700000213
其中Δx是均匀分布的插值点横坐标之间的间隔，
Figure FDA00029596364700000214
是向下取整运算符。
5.根据权利要求4所述的方法，其中，样条插值基矩阵C为，
Figure FDA00029596364700000215
第二步骤(s2)中，实时观测所述自适应样条插值器组的输出y[n]与实际控制系统输出d[n]之间的偏差e[n]，e[n]＝d[n]-y[n]，然后对滤波器参数进行自适应调整，其中，针对每个单独的样条自适应滤波器中的样条插值点进行调整，参数调整如下：
Figure FDA00029596364700000216
其中μq为样条插值点的学习步长，
IIR滤波器的参数调整过程如下：
Figure FDA0002959636470000031
其中，ls为0到ns-1之间的任一整数，ai和bj为IIR滤波器系数，s[n-ls]表示n-ls时刻IIR滤波器的输出，μIIR为IIR滤波器参数的学习步长，ns为输入阶数，
Figure FDA0002959636470000032
表示第ls个样条插值器输出的导数，αi[n-ls]和βj[n-ls]分别表示n-ls时刻ai和bj对应的梯度值。
6.根据权利要求1所述的方法，其中，控制系统和基准模型有相同的输入x[n]。
7.根据权利要求1所述的方法，其中，第三步骤中，对实时观测的偏差e[n]进行指数中值滤波，得到滤波后偏差r[n]，滤波过程为
r[n]＝λ·r[n-1]+(1-λ)·med(en)，
其中，λ为平滑参数，med(·)为取中值符号，en为窗长为Nr的近邻观测误差的平方值，en＝[e2[n]，e2[n-1]，...，e2[n-Nr+1]]T。
8.根据权利要求7所述的方法，其中，平滑参数λ为0到1之间的常数。
9.根据权利要求4所述的方法，其中，第四步骤(S4)中，根据基准模型输出自适应确定误差阈值，其中，自适应样条插值器组的输出y[n]作为基准模型输出，其的能量值Ey通过
Figure FDA0002959636470000033
进行估计，其中Nw是能量估计窗长，误差阈值δ设为δ＝α·Ey，其中α是误差阈值系数，它表示滤波后误差能量在基准模型输出能量中的占比，比较滤波后偏差r[n]与误差阈值δ，当r[n]＞δ时，则判断为发生故障。
10.根据权利要求1所述的方法，其中，航空发动机控制系统输入为x[n]，
s[n]＝-0.2s[n-1]+0.5s[n-2]-0.1s[n-3]+0.6x[n]-0.4x[n-1]，
航空发动机控制系统的输出d[n]为，
d[n]＝s[n]+0.1x[n]3+0.5arctan(d[n-1])+v[n]
其中，s[n]为IIR滤波器输出，d[n]为系统输出，v[n]为噪声干扰，arctan(·)表示反正切函数。
CN202010046170.9A 2020-01-16 2020-01-16 航空发动机控制系统的漂移类故障检测方法 Active CN111258296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010046170.9A CN111258296B (zh) 2020-01-16 2020-01-16 航空发动机控制系统的漂移类故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010046170.9A CN111258296B (zh) 2020-01-16 2020-01-16 航空发动机控制系统的漂移类故障检测方法

Publications (2)

Publication Number Publication Date
CN111258296A CN111258296A (zh) 2020-06-09
CN111258296B true CN111258296B (zh) 2021-06-01

Family

ID=70954147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010046170.9A Active CN111258296B (zh) 2020-01-16 2020-01-16 航空发动机控制系统的漂移类故障检测方法

Country Status (1)

Country Link
CN (1) CN111258296B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115208355B (zh) * 2022-02-22 2023-03-10 北京理工大学 鲁棒广义非线性样条自适应滤波方法及滤波器系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855349A (zh) * 2012-08-06 2013-01-02 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
CN103942357A (zh) * 2014-02-13 2014-07-23 南京航空航天大学 包线内全状态的涡扇发动机机载实时模型构建方法
CN106055770A (zh) * 2016-05-26 2016-10-26 南京航空航天大学 一种基于滑模理论的航空发动机气路故障诊断方法
CN109489987A (zh) * 2018-10-12 2019-03-19 南京航空航天大学 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法
CN109557815A (zh) * 2018-12-06 2019-04-02 南京航空航天大学 一种航空发动机的传感器故障调节方法
CN109612738A (zh) * 2018-11-15 2019-04-12 南京航空航天大学 一种涡扇发动机的气路性能改进的分布式滤波估计方法
CN109636243A (zh) * 2019-01-03 2019-04-16 深圳壹账通智能科技有限公司 模型故障检测方法、装置、计算机设备以及存储介质
CN109857094A (zh) * 2019-03-14 2019-06-07 杭州电子科技大学 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法
CN110233607A (zh) * 2019-05-28 2019-09-13 西安交通大学 基于最小误差熵的哈默斯坦型非线性样条自适应滤波方法
CN110513199A (zh) * 2019-07-23 2019-11-29 南京航空航天大学 一种航空发动机推力衰退缓解的神经网络控制方法
CN110532693A (zh) * 2019-08-29 2019-12-03 西安交通大学 一种航空发动机中介轴承磨损故障振动响应仿真方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2958060B1 (fr) * 2010-03-24 2012-04-27 Snecma Procede et dispositif de detection d'une defaillance electrique affectant un systeme electrique de commande d'un actionneur hydraulique de geometries variables d'un moteur d'aeronef.
JP5928255B2 (ja) * 2012-08-31 2016-06-01 ブラザー工業株式会社 制御装置及び画像形成システム
CN103234627A (zh) * 2013-04-17 2013-08-07 国家电网公司 旋转机械振动信号整周期同步采样分析方法
JP6259428B2 (ja) * 2015-07-31 2018-01-10 ファナック株式会社 機械指令に応じたフィルタを学習する機械学習装置、機械学習装置を備えたモータ駆動装置及びモータ駆動システム並びに機械学習方法
CN108205311B (zh) * 2018-01-14 2020-12-18 山东科技大学 一类事件触发传输时变系统基于未知输入观测器技术的故障估计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855349A (zh) * 2012-08-06 2013-01-02 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
CN103942357A (zh) * 2014-02-13 2014-07-23 南京航空航天大学 包线内全状态的涡扇发动机机载实时模型构建方法
CN106055770A (zh) * 2016-05-26 2016-10-26 南京航空航天大学 一种基于滑模理论的航空发动机气路故障诊断方法
CN109489987A (zh) * 2018-10-12 2019-03-19 南京航空航天大学 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法
CN109612738A (zh) * 2018-11-15 2019-04-12 南京航空航天大学 一种涡扇发动机的气路性能改进的分布式滤波估计方法
CN109557815A (zh) * 2018-12-06 2019-04-02 南京航空航天大学 一种航空发动机的传感器故障调节方法
CN109636243A (zh) * 2019-01-03 2019-04-16 深圳壹账通智能科技有限公司 模型故障检测方法、装置、计算机设备以及存储介质
CN109857094A (zh) * 2019-03-14 2019-06-07 杭州电子科技大学 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法
CN110233607A (zh) * 2019-05-28 2019-09-13 西安交通大学 基于最小误差熵的哈默斯坦型非线性样条自适应滤波方法
CN110513199A (zh) * 2019-07-23 2019-11-29 南京航空航天大学 一种航空发动机推力衰退缓解的神经网络控制方法
CN110532693A (zh) * 2019-08-29 2019-12-03 西安交通大学 一种航空发动机中介轴承磨损故障振动响应仿真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hammersteinuniformcubicsplineadaptivefilters:Learning and convergence properties;Michele Scarpiniti et al.;《Signal Processing》;20140128;第112-123页 *
基于约束卡尔曼滤波的航空发动机状态变量模型辨识方法;郑斐华等;《热能动力工程》;20190415;第60-66页 *

Also Published As

Publication number Publication date
CN111258296A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
Yang et al. The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network
US20080120074A1 (en) Reducing gas turbine performance tracking estimation non-repeatability
WO2008102052B1 (en) Method for selecting information
CN107544459B (zh) 一种控制系统的多重故障诊断优化方法
CN111258296B (zh) 航空发动机控制系统的漂移类故障检测方法
CN112686096A (zh) 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法
CN109186458B (zh) 一种用于色散共焦峰值提取的补偿拟合差分信号方法
CN115824519B (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN114091553A (zh) 一种滚动轴承故障的诊断方法
CN111324110A (zh) 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN110570013B (zh) 一种单站位在线波周期数据的预测诊断方法
CN111504645A (zh) 一种基于频域多点峭度的滚动轴承故障诊断方法
CN114186337A (zh) 一种基于多源数据融合的压气机旋转失速预测方法
CN115046764B (zh) 一种滚动轴承早期故障诊断方法
CN110149104A (zh) 一种机器人零相移实时滤波方法
CN109708877B (zh) 基于小波模糊识别和图像分析理论的机械故障分析方法
CN109657329B (zh) 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法
CN105652795B (zh) 一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法
CN111274692B (zh) 航空发动机非线性控制系统建模方法
Pan et al. Intelligent joint fault diagnosis of industrial robots
CN112034339A (zh) 一种基于lvq神经网络的伺服电机故障诊断方法
CN111251187A (zh) 一种叶片磨削烧伤信息融合与特征提取方法及装置
CN116757063A (zh) 一种自适应学习的锅炉故障智能诊断方法
CN111950757A (zh) 旋转机械关键零部件退化状态趋势预测方法
CN111506045A (zh) 一种基于单值中智集相关系数的故障诊断方法

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