CN111506049A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111506049A CN111506049A CN202010341767.6A CN202010341767A CN111506049A CN 111506049 A CN111506049 A CN 111506049A CN 202010341767 A CN202010341767 A CN 202010341767A CN 111506049 A CN111506049 A CN 111506049A
- Authority
- CN
- China
- Prior art keywords
- aann
- network
- fault
- sensor
- 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.)
- Granted
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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Abstract
本发明提出一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,首先采集航空发动机的不同工作状态中,航空发动机处于健康状态以及不同部件故障状态下,航空发动机控制系统中的若干可测传感器数据,用于构建样本数据集;根据设定的航空发动机工作状态数,建立相同组数的AANN网络组构建AANN网络系统;每个AANN网络组中又建立了个数与部件故障状态数相同的AANN网络;每个AANN网络对应相应的航空发动机工作状态以及相应的部件故障状态;将将相对应的样本数据训练集输入到相应的AANN网络中,训练AANN网络系统直至达到要求。本发明实现对发动机部件和传感器发生的故障进行同步区分、定位和调节功能,同时满足鲁棒性的要求,对噪声干扰不敏感。
Description
技术领域
本发明属于航空发动机控制系统故障诊断领域,具体涉及一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法。
背景技术
航空发动机控制系统是在高速、高负荷、长时间高温环境条件下工作的复杂热力机械。航空发动机作为飞机的心脏,起着至关重要的作用,对安全性要求很高。由于航空发动机控制系统依赖于传感器的测量数据工作,因此一旦传感器发生故障,结果将是灾难性的。且航空发动机部件会由于磨损、失效、外物损伤等引起部件性能的蜕化,影响发动机工作的安全和效率。因此,对航空发动机进行传感器故障和部件故障进行检测、隔离和调节是提高其可靠性的关键。
传统的故障诊断的方法是基于分析模型的方法。如有文献是基于发动机模型,将卡尔曼滤波算法和支持向量机相结合,进行部件故障分类和健康参数估计。但基于模型的故障诊断方法需要对被诊断对象建立一个高精度的模型。随着建模不确定性和非线性复杂性的增加,航空发动机等复杂非线性系统模型的可靠性降低,从而降低了诊断系统的可靠性。随着智能算法的出现,以模型和信号处理为核心的原有诊断过程被以知识处理和知识推理为核心的诊断过程所取代,其中包括神经网络。神经网络具有自学习能力和拟合任意连续非线性函数的能力,是目前应用最广泛的故障诊断方法。AANN网络提取最具代表性的低维子空间反映了系统的高维参数空间结构网络输入,有效地滤除噪声和测量误差的测量数据,所以它可以用于自动修正的测量数据的测试和故障诊断。
神经网络具有自学习能力和拟合任意连续非线性函数的能力,是目前应用最广泛的故障诊断方法。但目前文献中所提到的诸多故障诊断技术可以完成故障的诊断与隔离,但是都需要分两步或者多步进行。而根据对诊断快速性的要求,需要诊断系统能够对故障的检测、隔离、恢复同时进行。其中的AANN网络能够提取最具代表性的低维子空间反映了系统的高维参数空间结构网络输入,有效地滤除噪声和测量误差的测量数据,所以它可以用于故障诊断和信号重构。如现有技术中针对火电机组提出了一种基于AANN网络模型的传感器故障诊断方法及诊断流程。但航空发动机是一个多变量、多耦合的综合系统,存在着复杂的不确定性,如有时候动态系统的参数会随着时间发生改变。且传感器工作条件十分严峻,存在作用于系统的干扰和噪声信号。此外,航空发动机飞行包线大,工作多变,不同的工作状态下各输出量的解析关系不同。而基本的AANN网络不能精准的模拟了发动机气路系统里各变量之间的相互作用关系,因此难以适应发动机工作中的不确定性和复杂工况,会造成误判、漏判的情况。且航空发动机常常存在部件故障,即各个部件由于长期工作在高温高压的工况下,加上外界对发动机腐蚀等原因,主要部件的性能会随着服役年限逐渐退化,因此单一的AANN网络无法对发动机存在多故障时(存在部件故障和传感器故障)进行诊断。
发明内容
为了准确识别复杂非线性的航空发动机系统的故障模式,对噪声干扰不敏感,并可以精确对多种故障模式进行分类,同步进行部件故障和传感器故障的检测、隔离、恢复,本发明将AANN网络与自适应阈值、非线性主要部件分析法的理念相结合,提出了一种基于自适应阈值和AANN网络系统的航空发动机控制系统多重故障诊断方法。
本发明的技术方案为:
所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:包括以下步骤:
步骤1:分别采集航空发动机的不同工作状态中,航空发动机处于健康状态以及不同部件故障状态下,航空发动机控制系统中的若干可测传感器数据;每个工作状态下的数据包括健康数据和多种部件故障下的数据,由健康数据和每种部件故障下的数据组合形成该工作状态下对应部件故障的一组样本数据集;
步骤2:对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集用于训练AANN网络模型,验证集用于验证训练好的AANN网络模型的性能;
步骤3:根据设定的航空发动机工作状态数,建立相同组数的AANN网络组构建AANN网络系统;每个AANN网络组中又建立了个数与部件故障状态数相同的AANN网络;每个AANN网络对应相应的航空发动机工作状态以及相应的部件故障状态;将将相对应的样本数据训练集输入到相应的AANN网络中,训练AANN网络系统直至达到要求;
步骤4:将验证集中的数据根据其所属的工作状态以及部件故障状态输入到相应的AANN网络中,计算出每一时刻t的网络输入与输出之间的残差,所述残差由各个传感器对应残差组成;
步骤5:对于每个传感器的残差值,计算随着测量状态实时变化的自适应阈值:
步骤5.1:选择一个时长T的窗口,从当前时刻t开始,向前截取一段残差数据;
步骤5.2:对截取的残差数据进行正态转化;
步骤5.3:利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为当前时刻,r(t)为正态转化后的残差数据;之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值;
步骤6:之后将残差与计算得到的残差自适应阈值进行比较,进行故障的检测和定位,判断过程如下:
对于每个工作状态下的AANN网络组,如果所有残差都不大于对应的残差自适应阈值,则认为此时发动机是正常的,既没有部件故障也没有传感器故障;
当AANN网络组中每个AANN网络中某一传感器对应的残差值均大于对应的残差自适应阈值,则判断此时发生了传感器故障,将该传感器与网络的输入层断开。神经网络将继续使用神经网络最近的对应输出。网络最近的输出即是对传感器的故障估计值;
当AANN网络组中某个AANN网络中若干传感器对应的残差值均不大于对应的残差自适应阈值,而该网络组中其余AANN网络中相应传感器所对应的残差值均大于对应的残差自适应阈值,则认为航空发动机出现了所述某个AANN网络所对应的部件故障;
步骤7:将模型输出的验证结果与验证集中的故障数据进行准确率判断,当准确率达到设定要求后,利用训练得到的AANN网络系统对航空发动机控制系统进行实时故障诊断;如果准确率没有达到设定要求,则重新进行AANN网络训练。
进一步的,步骤1中采集航空发动机6个工作状态中的数据,分别为停车,慢车,最大状态、中间状态、最小加力状态和最大加力状态。
进一步的,步骤1中航空发动机不同部件故障状态包括8种情况:低压压气机流量退化、低压压气机效率退化、高压压气机流量退化、高压压气机效率退化、高压涡轮流量退化、高压涡轮效率退化、低压涡轮流量退化、低压涡轮效率退化
进一步的,航空发动机控制系统传感器包括高压转子转速传感器、低压转子转速传感器、低压压气机温度传感器、低压压气机压强传感器、高压压气机温度传感器、高压压气机压强传感器、燃油流量传感器、低压涡轮温度传感器、低压涡轮压强传感器、涡轮间隙传感器。
进一步的,在训练前,对样本数据集中的数据进行预处理:
其中
xj为待预处理的第j个传感器的样本数据向量,yj为预处理后的第j个传感器的样本数据向量,所有传感器的样本数据向量组合得到预处理后的样本数据集;xi j为待预处理的第j个传感器的样本数据向量中的第i个样本数据,n为样本数据向量中的样本个数。
进一步的,步骤3中建立的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层;瓶颈层的节点个数要少于映射层和解映射层的节点个数,并且映射层和解映射层的节点个数相同,且映射层与解映射层节点的数量和小于观测值个数。
进一步的,AANN网络模型中输入层、映射层、瓶颈层、解映射层和输出层的节点数为9-32-6-32-9。
进一步的,每个AANN网络的训练过程为:
首先随机设置AANN网络模型的初始系数,所述初始系数包括权值和偏置系数;
其次将样本数据训练集中的数据输入AANN网络模型中;
再次计算网络训练的目标函数:
其中K为样本数据训练集中的样本个数,uk和vk为AANN网络模型输入和输出数据;
之后训练网络模型,修正模型系数,当达到设定的最大迭代周期后,模型训练结束。
进一步的,采用BP算法训练网络模型。
进一步的,对于航空发动机控制系统传感器传感器故障,可按照故障发生原因进行分类:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂等,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5,信号的表现形式为在大小为0附近波动的恒定信号;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
有益效果
(1)该方法具有良好的鲁棒性、特征提取和噪声滤波能力。
(2)该方法只使用发动机传感器输出来训练神经网络,不需要发动机模型,从而进一步提升故障诊断系统的快速性和故障检测率,故障检测准确率高达90%。
(3)该方法可实现高效的识别复杂非线性的航空发动机系统中的故障模式,实现对发动机部件和传感器发生的故障进行同步区分、定位和调节功能。
(4)该方法使用的AANN网络具有一定的容错能力:输入节点的干扰可以分布到网络中,并且对网络的输出有一定的影响。将控制器切换到估计值,发动机系统可以继续正常的运行。在这种方案下,只要正常的传感器不小于瓶颈节点,即使有多个传感器,系统也能保持可操作性。
(5)该方法采用了自适应阈值,能够随着测量状态实时变化,以解决AANN网络不能适应航空发动机不确定性的问题,减少故障诊断过程中存在不确定性和未知干扰的影响。
(6)该方法采用离线学习,在线运行的方式,可用于航空发动机控制系统的实时测量数据的多重故障诊断。
(7)该方法设计了AANN网络系统,能够适应航空发动机的多变工况。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1基于AANN网络组的航空发动机控制系统多重故障诊断流程图;
图2AANN网络的结构;
图3用于故障诊断的多模型AANN网络结构。
具体实施方式
航空发动机控制系统建立数学模型困难,故障诊断的效果往往受到模型精度的制约;基本的AANN网络难以适应发动机工作中的不确定性和多变工况,无法对航空发动机同时存在部件故障和传感器故障时进行故障诊断。为克服现有技术的不足,提高故障诊断准确率,高效的识别复杂非线性的航空发动机系统中的故障模式,实现对发动机部件和传感器发生的故障进行同步区分、定位和调节功能,同时满足鲁棒性的要求,对噪声干扰不敏感,本发明基于AANN网络系统和自适应阈值提出了一种用于航空发动机控制系统传多重故障的故障诊断方法。
航空发动机控制系统传感器故障按照故障原因可分为:偏置故障,尖峰故障,开路故障,漂移故障,短路故障,周期性干扰。而发动机部件故障进行分类,可分为8种情况:低压压气机流量退化、低压压气机效率退化、高压压气机流量退化、高压压气机效率退化、高压涡轮流量退化、高压涡轮效率退化、低压涡轮流量退化、低压涡轮效率退化。
而为了有效进行故障诊断,还必须选择合理的测量参数。根据三个原则确定测量参数:(1)测量参数必须与8种部件故障必须有明确的关系;(2)根据敏感度分析选择合适的测量值;(3)根据经济成本选择合适的测量值。计算常见的传感器参数与8种部件故障的敏感度,最终采用的测量值为:高压转子转速N1、低压转子转速N2、低压压气机温度TLC、低压压气机压强PLC、高压压气机温度THC、高压压气机压强PHC、燃油流量Wf、低压涡轮温度TLT、低压涡轮压强PLT、涡轮间隙TCC,分别通过共计10个传感器测得。
针对航空发动机的不同工作状态,我们分别收集航空发动机在6个工作状态下(停车,慢车,最大状态、中间状态、最小加力和最大加力)的飞行记录仪数据,每个工作状态下的数据包括健康数据和8种部件故障下的数据,有健康数据和每种部件故障下的数据组合形成该工作状态下对应部件故障的一组样本数据集,这样本实施例中共有48组样本数据集。
对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集用于训练AANN网络模型,验证集用于验证训练好的AANN网络模型的性能;本实施例中采用样本数据集的70%为训练集,样本数据集的30%为验证集。
为了减小在信号采集过程中产生的测量信号的误差,减小计算复杂度,本实施例中对样本数据集中的数据进行预处理:
其中
xj为待预处理的第j个传感器的样本数据向量,yj为预处理后的第j个传感器的样本数据向量,所有传感器的样本数据向量组合得到预处理后的样本数据集;为待预处理的第j个传感器的样本数据向量中的第i个样本数据,n为样本数据向量中的样本个数。
由于航空发动机的部件故障包含8种部件故障,所以建立8个自联想型神经网络(AANN)组成AANN网络组,每一个AANN网络组关联着航空发动机的两类性能,一个是故障模式,另一个是正常模式。6种工作状态下的AANN网络组构建了AANN网络系统,共包含48个AANN网络。
对于每个AANN网络,将其对应的一组预处理后的样本数据训练集集输入到相应的AANN网络中,训练AANN网络组直至达到训练要求,每个网格的训练过程如下:
首先确定AANN的初始参数和网络节点数。本实施例中的采用的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层。
AANN网络模型的初始系数(包括权值,偏置系数)设定为由计算机产生的伪随机数。
网络节点的选择遵循的原则:瓶颈层的神经元个数要少于映射层和解映射层的个数,并且映射层和解映射层的神经元个数要相同,且映射和解映射节点的数量和要小于观测值个数。可通过在实验中多次训练对比得到具有最佳降噪能力的网络结构为9-32-6-32-9,其平均降噪水平在68.49%。
其次将样本数据训练集中的数据输入AANN网络模型中。
再次计算网络训练的目标函数:
其中K为样本数据训练集中的样本个数,uk和vk为AANN网络模型输入和输出数据。
之后训练网络模型,修正模型系数,这里可以采用BP算法训练网络模型。而当达到设定的最大迭代周期后,模型训练结束。
将验证集中的传感器数据根据其所属的工作状态输入到相应的AANN网络组的每个AANN网络中,根据AANN的映射规则将输入变为输出,网络产生的输出会尽可能接近估计输入uk的真实值而非传感器的测量值(即网络的输入),此时计算出每一时刻t下,该AANN网络组中每个AANN网络输入与输出之间的残差。本实施例中,这里的残差也是由10个传感器对应残差组成的。
对于每个传感器的残差,在获得残差之后,计算能够随着测量状态实时变化的自适应阈值,以解决诊断敏感性和鲁棒性的问题,减少故障诊断过程中存在不确定性和未知干扰的影响。计算过程如下:
首先选取一个“窗口”,截取窗口内一段残差数据;然后对该段残差数据进行正态转化,利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为时间,r(t)为正态转化后的残差数据。之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值。
之后将残差与计算得到的残差自适应阈值进行比较,进行故障的检测和定位,判断过程如下:
对于每个工作状态下的AANN网络组,如果所有残差都不大于对应的残差自适应阈值,则认为此时发动机是正常的,既没有部件故障也没有传感器故障;
当AANN网络组中每个AANN网络中某一传感器对应的残差值均大于对应的残差自适应阈值,则判断此时发生了传感器故障,将该传感器与网络的输入层断开。神经网络将继续使用神经网络最近的对应输出。网络最近的输出即是对传感器的故障估计值。
当AANN网络组中某个AANN网络中若干传感器对应的残差值均不大于对应的残差自适应阈值,而该网络组中其余AANN网络中相应传感器所对应的残差值均大于对应的残差自适应阈值,则认为航空发动机出现了所述某个AANN网络所对应的部件故障。
而对出传感器故障,可按照故障发生原因进行分类,其原因分析、编号方法如下:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂等,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5,信号的表现形式为在大小为0附近波动的恒定信号。
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
最后将模型输出的验证结果与验证集中的故障数据进行准确率判断,当准确率达到设定要求后,利用训练得到的AANN网络系统对航空发动机控制系统进行实时故障诊断;如果准确率没有达到设定要求,则重新进行AANN网络训练。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:包括以下步骤:
步骤1:分别采集航空发动机的不同工作状态中,航空发动机处于健康状态以及不同部件故障状态下,航空发动机控制系统中的若干可测传感器数据;每个工作状态下的数据包括健康数据和多种部件故障下的数据,由健康数据和每种部件故障下的数据组合形成该工作状态下对应部件故障的一组样本数据集;
步骤2:对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集用于训练AANN网络模型,验证集用于验证训练好的AANN网络模型的性能;
步骤3:根据设定的航空发动机工作状态数,建立相同组数的AANN网络组构建AANN网络系统;每个AANN网络组中又建立了个数与部件故障状态数相同的AANN网络;每个AANN网络对应相应的航空发动机工作状态以及相应的部件故障状态;将将相对应的样本数据训练集输入到相应的AANN网络中,训练AANN网络系统直至达到要求;
步骤4:将验证集中的数据根据其所属的工作状态以及部件故障状态输入到相应的AANN网络中,计算出每一时刻t的网络输入与输出之间的残差,所述残差由各个传感器对应残差组成;
步骤5:对于每个传感器的残差值,计算随着测量状态实时变化的自适应阈值:
步骤5.1:选择一个时长T的窗口,从当前时刻t开始,向前截取一段残差数据;
步骤5.2:对截取的残差数据进行正态转化;
步骤5.3:利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为当前时刻,r(t)为正态转化后的残差数据;之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值;
步骤6:之后将残差与计算得到的残差自适应阈值进行比较,进行故障的检测和定位,判断过程如下:
对于每个工作状态下的AANN网络组,如果所有残差都不大于对应的残差自适应阈值,则认为此时发动机是正常的,既没有部件故障也没有传感器故障;
当AANN网络组中每个AANN网络中某一传感器对应的残差值均大于对应的残差自适应阈值,则判断此时发生了传感器故障,将该传感器与网络的输入层断开。神经网络将继续使用神经网络最近的对应输出。网络最近的输出即是对传感器的故障估计值;
当AANN网络组中某个AANN网络中若干传感器对应的残差值均不大于对应的残差自适应阈值,而该网络组中其余AANN网络中相应传感器所对应的残差值均大于对应的残差自适应阈值,则认为航空发动机出现了所述某个AANN网络所对应的部件故障;
步骤7:将模型输出的验证结果与验证集中的故障数据进行准确率判断,当准确率达到设定要求后,利用训练得到的AANN网络系统对航空发动机控制系统进行实时故障诊断;如果准确率没有达到设定要求,则重新进行AANN网络训练。
2.根据权利要求1所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:步骤1中采集航空发动机6个工作状态中的数据,分别为停车,慢车,最大状态、中间状态、最小加力状态和最大加力状态。
3.根据权利要求1所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:步骤1中航空发动机不同部件故障状态包括8种情况:低压压气机流量退化、低压压气机效率退化、高压压气机流量退化、高压压气机效率退化、高压涡轮流量退化、高压涡轮效率退化、低压涡轮流量退化、低压涡轮效率退化。
4.根据权利要求1所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:航空发动机控制系统传感器包括高压转子转速传感器、低压转子转速传感器、低压压气机温度传感器、低压压气机压强传感器、高压压气机温度传感器、高压压气机压强传感器、燃油流量传感器、低压涡轮温度传感器、低压涡轮压强传感器、涡轮间隙传感器。
6.根据权利要求1所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:步骤3中建立的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层;瓶颈层的节点个数要少于映射层和解映射层的节点个数,并且映射层和解映射层的节点个数相同,且映射层与解映射层节点的数量和小于观测值个数。
7.根据权利要求6所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:AANN网络模型中输入层、映射层、瓶颈层、解映射层和输出层的节点数为9-32-6-32-9。
9.根据权利要求8所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:采用BP算法训练网络模型。
10.根据权利要求1所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法,其特征在于:对于航空发动机控制系统传感器故障,可按照故障发生原因进行分类:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂等,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5,信号的表现形式为在大小为0附近波动的恒定信号;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341767.6A CN111506049B (zh) | 2020-04-27 | 2020-04-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341767.6A CN111506049B (zh) | 2020-04-27 | 2020-04-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506049A true CN111506049A (zh) | 2020-08-07 |
CN111506049B CN111506049B (zh) | 2022-03-22 |
Family
ID=71876735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341767.6A Active CN111506049B (zh) | 2020-04-27 | 2020-04-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506049B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112746934A (zh) * | 2020-12-31 | 2021-05-04 | 江苏国科智能电气有限公司 | 一种自联想神经网络诊断风机故障方法 |
CN112749789A (zh) * | 2020-12-30 | 2021-05-04 | 西北工业大学 | 基于自联想型神经网络的航空发动机多重故障诊断器 |
CN113359623A (zh) * | 2021-05-08 | 2021-09-07 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
CN113700558A (zh) * | 2021-09-01 | 2021-11-26 | 哈尔滨工业大学(威海) | 柴油发动机空气系统故障检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2849236A1 (fr) * | 2002-12-20 | 2004-06-25 | Renault Sa | Procede de diagnostics d'un ensemble de systemes electroniques |
CN101776862A (zh) * | 2008-05-29 | 2010-07-14 | 通用电气公司 | 用于对资产系统进行高级状况监视的系统和方法 |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
CN104200062A (zh) * | 2014-08-04 | 2014-12-10 | 南京航空航天大学 | 一种航空发动机气路故障的融合诊断方法 |
KR20170104705A (ko) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | 설비 고장 진단 장치 및 방법 |
CN108416309A (zh) * | 2018-03-14 | 2018-08-17 | 揭阳职业技术学院 | 一种智能传感器多故障传感信号重构方法 |
-
2020
- 2020-04-27 CN CN202010341767.6A patent/CN111506049B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2849236A1 (fr) * | 2002-12-20 | 2004-06-25 | Renault Sa | Procede de diagnostics d'un ensemble de systemes electroniques |
CN101776862A (zh) * | 2008-05-29 | 2010-07-14 | 通用电气公司 | 用于对资产系统进行高级状况监视的系统和方法 |
CN102095588A (zh) * | 2010-12-28 | 2011-06-15 | 中国人民解放军军事交通学院 | 柴油机故障智能诊断方法 |
CN102636350A (zh) * | 2011-02-10 | 2012-08-15 | 霍尼韦尔国际公司 | 涡轮机故障分析 |
CN104200062A (zh) * | 2014-08-04 | 2014-12-10 | 南京航空航天大学 | 一种航空发动机气路故障的融合诊断方法 |
KR20170104705A (ko) * | 2016-03-07 | 2017-09-18 | 한국전자통신연구원 | 설비 고장 진단 장치 및 방법 |
CN108416309A (zh) * | 2018-03-14 | 2018-08-17 | 揭阳职业技术学院 | 一种智能传感器多故障传感信号重构方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN111950505B (zh) * | 2020-08-24 | 2023-08-29 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112749789A (zh) * | 2020-12-30 | 2021-05-04 | 西北工业大学 | 基于自联想型神经网络的航空发动机多重故障诊断器 |
CN112746934A (zh) * | 2020-12-31 | 2021-05-04 | 江苏国科智能电气有限公司 | 一种自联想神经网络诊断风机故障方法 |
CN112746934B (zh) * | 2020-12-31 | 2022-03-15 | 江苏国科智能电气有限公司 | 一种自联想神经网络诊断风机故障方法 |
CN113359623A (zh) * | 2021-05-08 | 2021-09-07 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
CN113359623B (zh) * | 2021-05-08 | 2022-08-23 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
CN113700558A (zh) * | 2021-09-01 | 2021-11-26 | 哈尔滨工业大学(威海) | 柴油发动机空气系统故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111506049B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
JP4149899B2 (ja) | システム上で診断を行うための方法 | |
US6898554B2 (en) | Fault detection in a physical system | |
EP2047339B1 (en) | Methods and apparatuses for monitoring a system | |
CN110378042B (zh) | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
Zhang et al. | Remaining useful life prediction of rolling bearings using electrostatic monitoring based on two-stage information fusion stochastic filtering | |
Vatani et al. | Health monitoring and degradation prognostics in gas turbine engines using dynamic neural networks | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
Li et al. | Multiple fault diagnosis of aeroengine control system based on autoassociative neural network | |
CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Yang et al. | An IMM-GLR approach for marine gas turbine gas path fault diagnosis | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
Xue et al. | Application of Kalman filters for the fault diagnoses of aircraft engine | |
Li et al. | Fault diagnosis and reconstruction for sensor of aeroengine control system based on AANN network | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
Eklund | Using synthetic data to train an accurate real-world fault detection system | |
CN116578055A (zh) | 一种apu及控制系统动态过程传感器故障诊断的方法 |
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 |