CN112699604A - 一种基于神经网络算法故障建模与诊断方法 - Google Patents
一种基于神经网络算法故障建模与诊断方法 Download PDFInfo
- Publication number
- CN112699604A CN112699604A CN202011601730.9A CN202011601730A CN112699604A CN 112699604 A CN112699604 A CN 112699604A CN 202011601730 A CN202011601730 A CN 202011601730A CN 112699604 A CN112699604 A CN 112699604A
- Authority
- CN
- China
- Prior art keywords
- engine
- neural network
- fault
- data
- oil
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种基于神经网络算法故障诊断方法,包括:S10.建立航空发动机启动系统的数学模型,并进行模拟仿真;S20.在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;S30.采用时域分析法对状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;S40.测试数据作为BP神经网络的输入值,得到测试数据的输出值,将测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值。本发明通过性能和功能参数对发动机进行状态测试,有效地对发动机的故障进行查找和定位,从而提高航空发动机可靠性和寿命,降低使用成本。
Description
技术领域
本发明涉及神经网络算法技术领域、航空技术领域,更具体地涉及一种基于神经网络算法故障建模与诊断方法。
背景技术
经过数年的发展,人们在航空航天领域方面已经取得了巨大的成就,极大地促进了相关的学科新理论和新技术的产生、发展与应用。然而在今天即使科学技术高度发达,航空航天领域的重特大事故仍不断出现。近年来,国内外由于航空发动机辅助动力装置故障而造成的飞机事故屡见不鲜。
在航空发动机运行的过程中,其发动机启动过程是一个非常重要的工作阶段,是发动机能够顺利正常工作的前提。航空发动机是十分复杂的一个动力系统,其系统内部由多个辅助装置和气路单元体有机组合,比如起动机、涡轮等等。起动机作为航空发动机启动系统的核心部分,对其进行状态监测可以及时发现故障,保障飞机能够正常飞行。深入开展航空发动机起动过程建模及起动性能研究是极具现实意义和应用价值的工作。因此,有必要提供一种基于神经网络算法故障建模与诊断方法,以克服上述问题。
发明内容
本发明提供了一种基于神经网络算法故障建模与诊断方法,该方法通过性能和功能参数对发动机进行状态测试,有效地对发动机的故障进行查找和定位,从而提高航空发动机可靠性和寿命,降低发动机使用成本。
为解决上述技术问题,本发明所采用的技术方案是:一种基于神经网络算法故障诊断方法,包括如下步骤:
步骤S10.建立航空发动机启动系统的数学模型,并进行模拟仿真;
步骤S20.在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
步骤S30.采用时域分析法对状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;
步骤S40.测试数据作为BP神经网络的输入值,得到测试数据的输出值,将测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;
最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;
最大误差值或平均误差值超出设定范围,则诊断结果为异常;
其中,航空发动机启动系统包括油箱、电动油泵、化油器、单向阀和发动机,油箱的出油口分别与电动油泵的输入口和化油器的输入口连接,电动油泵的输出口与单向阀的输入口连接,单向阀的输出口与化油器的输入口连接,化油器的输出口与发动机连接,油箱用于储存航空燃油;电动油泵用于将油箱中的航空燃油进行输送;化油器用于将航空燃油与空气进行混合后输出;发动机用于通过化油器输出的混合后的航空燃油点火启动,在发动机启动后电动油泵停止泵油,依靠发动机进行泵油,油箱中的航空燃油通过化油器进入发动机。
进一步地,步骤S10包括:
步骤S101.建立航空发动机启动系统的数学模型;
步骤S102.使用SIMULINK建模工具对数学模型进行仿真,计算出航空发动机在稳态的高压转子转速、低压转子转速、尾气温度参数。
进一步地,步骤S20包括:对数学模型中输入故障参数,并进行仿真,得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
进一步地,设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。
进一步地,步骤S30包括:采用时域分析法对状态变化数据提取特征值,特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
进一步地,发动机包括机械油泵,当发动机启动后通过机械油泵进行泵油。
进一步地,航空发动机启动系统还包括控制器,控制器分别与化油器、电动油泵和发动机连接,控制器用于对化油器、电动油泵和发动机的工作状态进行控制。
一种基于神经网络算法故障建模方法包括仿真模块、故障分析模块、数据处理模块和故障诊断模块;
仿真模块用于对航空发动机启动系统建立数学模型,在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
故障分析模块用于对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;
数据处理模块用于对采集到的训练数据和测试数据进行降低维度,生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块用于提取测试数据作为BP神经网络的输入值,将得到的输出值与训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
一种基于神经网络算法故障建模方法还包括用户认证模块,用户认证模块为登录终端,用户在认证模块中输入认证信息,才允许登录。
一种基于神经网络算法故障建模方法还包括信息显示模块,信息显示模块用于显示航空发动机启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,显示每个阶段中关键参数的不同变化。
与现有技术相比,本发明具有以下有益效果:本发明对航空发动机启动的整个过程进行分析,建立其数学模型,并进行故障仿真,采用时域分析对采集数据提取特征值,采用主成分分析法对数据进行预处理,通过采用BP神经网络算法对航空发动机启动系统实现故障诊断,由于神经网络的收敛时间长,权值阈值不易改变的缺点,进而采用遗传算法与BP神经网络进行结合,优化神经网络的权值阈值和网络结构,提高故障诊断的可靠性和准确性。将BP神经网络与遗传算法相结合,给出了利用遗传算法全局优化神经网络权值及结构的方案,并用到实际的案例当中。遗传算法对于全局搜索的不断迭代优化有较好的效果。而BP算法具有较强的局部搜索能力,当GA对网络全局优化到一定程度后,再使用BP进行精调,这样就大大增加了网络的收敛速度,减少了训练失败情况的出现。
本发明在启动发动机前,使用电动油泵进行泵油,启动发动机后,依靠发动机进行泵油,由于电动油泵阻力过大,航空燃油从绕过电动油泵,直接进入化油器,从而保证能够有效保证燃油压力和供油量正常,防止发动机在运转过程中出现骤停情况,从而提高航空发动机可靠性和寿命,降低发动机使用成本。
附图说明
图1为本发明的一种基于神经网络算法故障诊断方法的步骤示意图。
图2为本发明的一种基于神经网络算法故障诊断方法的航空发动机启动系统的结构示意图。
图3为本发明的一种基于神经网络算法故障诊断方法的流程示意图。
图4为本发明的一种基于神经网络算法故障建模方法的原理示意图。
图5为本发明的实施例四的防震装置的结构示意图。
图6为本发明的实施例四的防震装置与油箱配合安装的示意图。
图7为本发明的实施例四的防震件的结构示意图。
附图标记:1为油箱,2为电动油泵,3为化油器,4为单向阀,5为发动机,6为第一凸台,7为第二凸台,8为凹槽,9为安装槽,10为第一盖板,11为第二盖板,12为插销,13为锁紧弹簧,14为钩环,15为挂钩弹簧,16为气囊,17为防震室,18为顶板,19为传动杆,20为内腔,21为压板,22为缓冲弹簧,23为防震装置,24为防震件。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域的普通技术人员在没有做出创造性劳动前提下所获得的其他所用实施例,都属于本发明的保护范围。
请参阅图1至图7,图中所示者为本发明所选用的实施例结构,此仅供说明之用,在专利申请上并不受此种结构的限制。
实施例一
如图1、图2和图3所示,一种基于神经网络算法故障诊断方法,包括如下步骤:
步骤S10.建立航空发动机5启动系统的数学模型,并进行模拟仿真;
步骤S20.在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
步骤S30.采用时域分析法对状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;
步骤S40.测试数据作为BP神经网络的输入值,得到测试数据的输出值,将测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;
最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;
最大误差值或平均误差值超出设定范围,则诊断结果为异常;
其中,航空发动机5启动系统包括油箱1、电动油泵2、化油器3、单向阀4和发动机5,油箱1的出油口分别与电动油泵2的输入口和化油器3的输入口连接,电动油泵2的输出口与单向阀4的输入口连接,单向阀4的输出口与化油器3的输入口连接,化油器3的输出口与发动机5连接,油箱1用于储存航空燃油;电动油泵2用于将油箱1中的航空燃油进行输送;化油器3用于将航空燃油与空气进行混合后输出;发动机5用于通过化油器3输出的混合后的航空燃油点火启动,在发动机5启动后电动油泵2停止泵油,依靠发动机5进行泵油,油箱1中的航空燃油通过化油器3进入发动机5。
步骤S10包括:
步骤S101.建立航空发动机5启动系统的数学模型;
步骤S102.使用SIMULINK建模工具对数学模型进行仿真,计算出航空发动机5在稳态的高压转子转速、低压转子转速、尾气温度参数。
步骤S20包括:对数学模型中输入故障参数,并进行仿真,得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机5启动过程出现起动机带转困难、点火失败、起动超温故障。
步骤S30包括:采用时域分析法对状态变化数据提取特征值,特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
发动机5包括机械油泵,当发动机5启动后通过机械油泵进行泵油。
航空发动机5启动系统还包括控制器,控制器分别与化油器3、电动油泵2和发动机5连接,控制器用于对化油器3、电动油泵2和发动机5的工作状态进行控制。
如图4所示,一种基于神经网络算法故障建模方法包括仿真模块、故障分析模块、数据处理模块和故障诊断模块;
仿真模块用于对航空发动机5启动系统建立数学模型,在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
故障分析模块用于对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;
数据处理模块用于对采集到的训练数据和测试数据进行降低维度,生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块用于提取测试数据作为BP神经网络的输入值,将得到的输出值与训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
一种基于神经网络算法故障建模方法还包括用户认证模块,用户认证模块为登录终端,用户在认证模块中输入认证信息,才允许登录。
一种基于神经网络算法故障建模方法还包括信息显示模块,信息显示模块用于显示航空发动机5启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,显示每个阶段中关键参数的不同变化。
实施例二
实施例二为实施例一的进一步优化。
目前市面上用的航空活塞发动机5供油方式大部分为化油器3形式,在发动机5启动及运行的过程中需要设置油泵泵油到化油器3中。当前的发动机5一般自带有一个机械油泵,但该机械油泵只有在发动机5运行时,依靠发动机5的转动才能进行工作。因此,发动机5上需额外配备一个和机械油泵串联的电动油泵2,在启动发动机5之前,依靠电动油泵2泵油到化油器3中,发动机5才能正常点火启动。
经本申请发明人仔细研究发现上述方案存在一个重大的问题,在发动机5运行过程中由机械泵泵油的情况下,油流经电子油泵,电子油泵会产生较大的阻力(在启动时该阻力可以忽略,因为此时仅电动油泵2工作,只需保证泵油到化油器3就行,无需考虑燃油压力和流量多少),此时会导致发动机5燃油压力降低,供油量减少,使发动机5停止运转。
以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果。解决方法如下:
如图2所示,在启动发动机5前,使用电动油泵2进行泵油,启动发动机5后,依靠发动机5进行泵油,由于电动油泵2阻力过大,航空燃油从绕过电动油泵2,直接进入化油器3,从而保证能够有效保证燃油压力和供油量正常,防止发动机5在运转过程中出现骤停情况,从而提高航空发动机5可靠性和寿命,降低发动机5使用成本。
控制器采用可编程逻辑控制器或者电子控制单元。控制器可控制化油器3启动或者关闭,控制电动油泵2启动或者关闭,以及控制发动机5启动或者关闭等。
控制器可以使用一个或多个通用处理器和/或专用处理器来实现。处理器的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。需要说明的是,应当将软件广义地解释为表示指令、数据或其任意组合,而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。例如,控制器可以采用可编程逻辑控制器或者电子控制单元(Electronic Control Unit,ECU)。
航空发动机5启动系统还包括设置在发动机5内,并与控制器电性连接,用于检测发动机5内的润滑油状态并将检测到的润滑油状态发送给控制器的润滑油传感器,控制器用于根据润滑油状态发出提示信号。例如,当润滑油状态达到预定状态时,控制器可提示飞行员当前润滑油状态以达到预定状态。
润滑油传感器为压力传感器和/或流量传感器。例如,可以仅检测润滑油的压力从而得到润滑油状态,也可以仅检测润滑油的流量从而得到润滑油状态,同时为了提高润滑油状态的精确度,也可以同时检测润滑油的压力和流量,从而综合性地分析出润滑油状态。
航空发动机5启动系统还包括固定设置在控制器上用于对控制器进行散热的散热片。由此可通过散热片实现对控制器的散热,以保证控制器的正常工作状态。
航空发动机5启动系统还包括安装在油箱1的出油口,用于截留杂质的粗滤器。当发动机5工作时,含有灰尘的空气切向进入粗滤器,灰尘产生会离心力,在离心力的作用下,杂质粒子运动到粗滤器外圆内壁并排出,从而防止航空发动机5启动系统由于杂质例子发生运转不灵的情况。
航空燃油是指专门为飞行器而设的燃油品种,质素比暖气系统和汽车所使用的燃油高,通常都含有不同的添加物以减低结冰和因高温而爆炸的风险。航空燃油分为两大类:航空汽油(Aviation Gasoline,Avgas),用于往复式发动机5的飞机上。航空煤油(Jetfuel),在航空燃气涡轮发动机5和冲压发动机5上使用。
在发动机5运转之前,通过配备的电动油泵2泵油到化油器3中,发动机5才能正常点火启动。
化油器3(Carburetor)是在发动机5工作产生的真空作用下,将一定比例的汽油与空气混合的机械装置。化油器3作为一种精密的机械装置,它利用吸入空气流的动能实现航空燃油的雾化,其完整的装置可以包括起动装置、怠速装置、中等负荷装置、全负荷装置、加速装置。进一步地,化油器3还可以根据发动机5的不同工作状态需求,自动配比出相应的浓度,输出相应的量的混合气,为了使配出的混合气混合的比较均匀,化油器3还可以具备使燃油雾化的效果,以供发动机5正常运行。
当发动机5启动后通过其机械油泵进行泵油,从而无需电动油泵2继续泵油,节省能源。
实施例三
实施例三为实施例二的进一步优化。
本发明先通过对航空发动机5启动系统建立数学模型,再用MATLAB软件(MATLAB软件用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要包括MATLAB和Simulink两大部分。)对其进行模型仿真,得出并提取仿真数据,利用故障诊断算法来实现诊断的目的。由于系统的模型(状态方程)已经建立,可以根据已知的系统模型,确定系统的状态、参数和输入/输出等之间的关系,从而可以通过模型分析、变化监测、数据处理、特征提取以及分类与推理的方法来实现系统的故障诊断功能。通过使用BP神经网络算法以及使用遗传算法和BP神经网络结合的算法,分别对航空发动机5启动系统进行故障诊断,并进行对比评价,发现其优缺点,从而实现对算法在航空发动机5控制领域的合理应用。
本发明实现基于神经网络算法故障诊断方法包括如下4个步骤:
步骤S10.对航空发动机5启动的整个过程进行分析,建立航空发动机5启动系统的数学模型,并进行仿真;对发动机5启动系统建模时,用SIMULINK建立系统框图(Simulink是MATLAB最重要的组件之一,它提供一个动态系统建模、仿真和综合分析的集成环境。),状态参数建模用S函数编写,实现正常情况的仿真。
步骤S20.对数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;其中,设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机5启动过程出现起动机带转困难、点火失败、起动超温故障。的状态变化数据包括航空发动机5在稳态的高压转子转速、低压转子转速、尾气温度等参数。
步骤S30.对故障模拟仿真的状态变化数据进行分析及数据预处理,得到训练数据和测试数据。
由于在起动机带转困难、点火失败、起动超温故障的三种情况下,每一种情况所对应的参数变化(高压转子转速、低压转子转速、尾气温度三个参数的变化)是明显不同的,因此,根据参数的变化情况来分析出现故障的类型。采用时域分析对采集数据提取特征值(包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标、裕度指标等),采用主成分分析法对数据进行预处理(数据预处理是指在主要的处理以前对数据进行的一些处理。这里主要的处理指的是应用BP神经网络算法来进行数据处理,而预处理指的是用主成分分析法降低数据维度,减少计算的工作量),将分析和预处理之后得到的数据特征量分为训练数据和测试数据,训练数据用于对神经网络的训练构造,测试数据用于测试算法是否能够有效地对故障进行分类判断。
步骤S40.利用训练数据训练构造BP神经网络,测试数据作为BP神经网络的输入值,将得到的输出值与训练数据构造的BP神经网络的输出值进行比较,通过对比评价,判断出现的故障情况,从而得出诊断结果。
具体的,测试数据的输出值为一个非空矩阵,矩阵上每一行的元素代表每一种可能发生的故障情况,将该矩阵上每个元素与BP神经网络的输出矩阵上的相应位置的元素进行比较,求出其每个元素的相对误差,进而求出每一行元素的最大误差和平均误差。若最大误差和平均误差都在各自要求的误差范围内,则认为诊断结果是正常的。若某一行的最大误差或平均误差超出所允许的误差范围,则说明该对应的故障情况很有可能发生,此时诊断结果发生异常。
换而言之,本发明采用了BP神经网络算法以及使用遗传算法和BP神经网络结合的算法,分别对航空发动机5启动系统进行故障诊断,并进行对比评价,发现其优缺点,从而提高故障诊断的可靠性和准确性。
本发明在上述故障诊断方法的基础上,建立了一种基于神经网络算法故障建模方法,包括建立航空发动机5启动系统的故障模拟系统,故障模拟系统包括:
仿真模块,用于对航空发动机5启动系统建立数学模型,在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数;
故障分析模块,对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;即采用时域分析法对状态变化数据提取特征值;
数据处理模块,用于对采集到的训练数据和测试数据进行预处理(降低数据维度),生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块,提取测试数据作为BP神经网络的输入值,将得到的
输出值与训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
具体为:将测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;最大误差值或平均误差值超出设定范围,则诊断结果为异常。
此外,故障模拟系统中,还包括用户认证模块和信息显示模块。
用户认证模块:为该平台的登录终端,通过输入账号和密码即可登录到该平台,保障了使用的安全性。
信息显示模块:在通过用户认证模块后,方可登陆(使用)信息显示模块,信息显示模块用于显示航空发动机5启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,显示每个阶段中关键参数的不同变化。
该平台主要实现三大功能:一是模拟各种故障情况下参数的变化,并对其提取特征值。二是对采集到的数据进行预处理,生成提供构造BP神经网络算法所使用的训练数据和测试结果准确性的测试数据。三是运用BP神经网络算法以及遗传算法和BP神经网络结合的算法进行故障情况的诊断,实现对算法程序的调用,并进行两种算法的比较评价,并在信息显示模块对相应的参数信息进行实时显示。
本发明建立了一种实用的发动机5故障诊断及测试方法和故障模拟系统,提高发动机5运行的可靠性,确保飞行的安全性,减小发动机5的维修周期,简化维护步骤,并可降低维修成本,减少备件,还能为实现维修策略从经验型的定期维修向更科学的视情维修提供重要的基础。
实施例四
实施例四为实施例三的进一步优化。
航空飞机在飞行时产生震动,震动会影响油箱1,导致油箱1内的油晃动,而油箱内的油晃动会影响航空飞机的平衡,所以目前需要减少航空飞机与油箱1之间的相互作用力。
如图5和图6所示,油箱1设置有防震装置23,油箱1两侧均设置有第一凸台6,第一凸台6由外向油箱1方向逐渐收敛,第一凸台6远离油箱1的端面设置有第二凸台7,第二凸台7由外向第一凸台6方向逐渐收敛,第一凸台6和第二凸台7的截面均为梯形,防震装置23中间开设有凹槽8,凹槽8两侧壁设置有与第一凸台6和第二凸台7相匹配的安装槽9,第一凸台6和第二凸台7插入安装槽9,即油箱1通过第一凸台6、第二凸台7、安装槽9和凹槽8镶嵌式安装在防震装置23内。
如图5所示,防震装置23顶端两侧均设置有盖板,盖板通过插销12与防震装置23转动连接,插销12套设有锁紧弹簧13,且套设有锁紧弹簧13的插销12使得盖板向防震装置23的顶端贴合,两侧盖板分别为第一盖板10和第二盖板11,第一盖板10远离插销12的一端设置有钩环14,第二盖板11远离插销12的一端设置有挂钩弹簧15,挂钩弹簧15与钩环14相匹配,当油箱1嵌入防震装置23后,挂钩弹簧15与钩环14挂钩式连接,使得油箱1固定在防震装置23内。减少了航空飞机与油箱1之间的相互作用力。
如图5所示,防震装置23在安装槽9下方和与油箱1接触的底侧均设置有若干气囊16,若干气囊16形成气囊16阵列环绕着油箱1下部及底部,能够有效减少外界力对油箱1的影响。减少了航空飞机与油箱1之间的相互作用力。
如图5所示,防震装置23在安装槽9、气囊16与外壳壁之间均设置有若干防震室17,防震室17类安装有防震件24,若干防震件24形成防震阵列间接环绕着油箱1底部及四个侧面,能够有效减少外界力对油箱1的影响。减少了航空飞机与油箱1之间的相互作用力。
如图7所示,防震件24包括顶板18、传动杆19、内腔20和压板21,顶板18与防震装置23的外壳壁接触,顶板18远离外壳壁一端与传动杆19固定连接,传动杆19远离顶板18一端延伸进内腔20,且传动杆19延伸进内腔20的一端与压板21固定连接,压板21与内腔20的四周紧密接触,压板21与内腔20相匹配,即压板21将内腔20划分为两个腔体,传动杆19延伸进内腔20的部分套设有缓冲弹簧22,缓冲弹簧22一端与压板21固定连接,另一端与传动杆19延伸进内腔20的侧壁固定连接。防震件24能够有效将受力缓冲、削弱,从而减少外界力对油箱1的影响,达到防震的目的。减少了航空飞机与油箱1之间的相互作用力。
以上所述实施例是用以说明本发明,并非用以限制本发明,所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。
由以上详细说明,可使本领域普通技术人员明了本发明的确可达成前述目的,实已符合专利法的规定。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,应当指出的是,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络算法故障诊断方法,其特征在于,包括如下步骤:
步骤S10.建立航空发动机启动系统的数学模型,并进行模拟仿真;
步骤S20.在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
步骤S30.采用时域分析法对状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;
步骤S40.测试数据作为BP神经网络的输入值,得到测试数据的输出值,将测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;
最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;
最大误差值或平均误差值超出设定范围,则诊断结果为异常;
其中,航空发动机启动系统包括油箱、电动油泵、化油器、单向阀和发动机,油箱的出油口分别与电动油泵的输入口和化油器的输入口连接,电动油泵的输出口与单向阀的输入口连接,单向阀的输出口与化油器的输入口连接,化油器的输出口与发动机连接,油箱用于储存航空燃油;电动油泵用于将油箱中的航空燃油进行输送;化油器用于将航空燃油与空气进行混合后输出;发动机用于通过化油器输出的混合后的航空燃油点火启动,在发动机启动后电动油泵停止泵油,依靠发动机进行泵油,油箱中的航空燃油通过化油器进入发动机。
2.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,步骤S10包括:
步骤S101.建立航空发动机启动系统的数学模型;
步骤S102.使用SIMULINK建模工具对数学模型进行仿真,计算出航空发动机在稳态的高压转子转速、低压转子转速、尾气温度参数。
3.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,步骤S20包括:对数学模型中输入故障参数,并进行仿真,得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
4.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。
5.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,步骤S30包括:采用时域分析法对状态变化数据提取特征值,特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
6.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,发动机包括机械油泵,当发动机启动后通过机械油泵进行泵油。
7.如权利要求1所述的一种基于神经网络算法故障诊断方法,其特征在于,航空发动机启动系统还包括控制器,控制器分别与化油器、电动油泵和发动机连接,控制器用于对化油器、电动油泵和发动机的工作状态进行控制。
8.一种基于神经网络算法故障建模方法,其特征在于,包括仿真模块、故障分析模块、数据处理模块和故障诊断模块;
仿真模块用于对航空发动机启动系统建立数学模型,在数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
故障分析模块用于对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;
数据处理模块用于对采集到的训练数据和测试数据进行降低维度,生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块用于提取测试数据作为BP神经网络的输入值,将得到的输出值与训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
9.如权利要求8所述的一种基于神经网络算法故障建模方法,其特征在于,还包括用户认证模块,用户认证模块为登录终端,用户在认证模块中输入认证信息,才允许登录。
10.如权利要求9所述的一种基于神经网络算法故障建模方法,其特征在于,还包括信息显示模块,信息显示模块用于显示航空发动机启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,显示每个阶段中关键参数的不同变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601730.9A CN112699604B (zh) | 2020-12-29 | 2020-12-29 | 一种基于神经网络算法故障建模与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601730.9A CN112699604B (zh) | 2020-12-29 | 2020-12-29 | 一种基于神经网络算法故障建模与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699604A true CN112699604A (zh) | 2021-04-23 |
CN112699604B CN112699604B (zh) | 2023-04-18 |
Family
ID=75512198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011601730.9A Active CN112699604B (zh) | 2020-12-29 | 2020-12-29 | 一种基于神经网络算法故障建模与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学(Cn) | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU4109U1 (ru) * | 1996-12-10 | 1997-05-16 | Акционерное общество открытого типа "ОКБ Сухого" | Многоцелевой высокоманевренный сверхзвуковой самолет, его агрегаты планера, оборудование и системы |
CN2440119Y (zh) * | 2000-09-28 | 2001-07-25 | 吴春华 | 直接喷射燃油式电子控制助力器 |
CN201193578Y (zh) * | 2008-03-28 | 2009-02-11 | 江苏财经职业技术学院 | 可倾式小型四冲程汽油机 |
CN201395048Y (zh) * | 2009-03-25 | 2010-02-03 | 黄山顺昌汽车电器有限公司 | 一种新型汽车油箱盖 |
JP2010066346A (ja) * | 2008-09-09 | 2010-03-25 | Dainippon Printing Co Ltd | 画像コントラスト向上フィルター、その製造方法及び画像表示装置 |
CN203099280U (zh) * | 2012-12-04 | 2013-07-31 | 大连华锐重工集团股份有限公司 | 一种风电润滑系统 |
JP2013157279A (ja) * | 2012-01-31 | 2013-08-15 | Toyota Motor Corp | 燃料電池スタックの締結方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN207485577U (zh) * | 2017-11-30 | 2018-06-12 | 浙江睿峰电喷系统有限公司 | 一种低噪音且具有散热功能的燃油泵 |
CN208294685U (zh) * | 2018-05-08 | 2018-12-28 | 弥勒浩翔科技有限公司 | 航空发动机系统及轻型飞机 |
CN111496720A (zh) * | 2020-04-26 | 2020-08-07 | 攀钢集团西昌钢钒有限公司 | 一种法兰快速紧固装置及法兰快速紧固方法 |
-
2020
- 2020-12-29 CN CN202011601730.9A patent/CN112699604B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU4109U1 (ru) * | 1996-12-10 | 1997-05-16 | Акционерное общество открытого типа "ОКБ Сухого" | Многоцелевой высокоманевренный сверхзвуковой самолет, его агрегаты планера, оборудование и системы |
CN2440119Y (zh) * | 2000-09-28 | 2001-07-25 | 吴春华 | 直接喷射燃油式电子控制助力器 |
CN201193578Y (zh) * | 2008-03-28 | 2009-02-11 | 江苏财经职业技术学院 | 可倾式小型四冲程汽油机 |
JP2010066346A (ja) * | 2008-09-09 | 2010-03-25 | Dainippon Printing Co Ltd | 画像コントラスト向上フィルター、その製造方法及び画像表示装置 |
CN201395048Y (zh) * | 2009-03-25 | 2010-02-03 | 黄山顺昌汽车电器有限公司 | 一种新型汽车油箱盖 |
JP2013157279A (ja) * | 2012-01-31 | 2013-08-15 | Toyota Motor Corp | 燃料電池スタックの締結方法 |
CN203099280U (zh) * | 2012-12-04 | 2013-07-31 | 大连华锐重工集团股份有限公司 | 一种风电润滑系统 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN207485577U (zh) * | 2017-11-30 | 2018-06-12 | 浙江睿峰电喷系统有限公司 | 一种低噪音且具有散热功能的燃油泵 |
CN208294685U (zh) * | 2018-05-08 | 2018-12-28 | 弥勒浩翔科技有限公司 | 航空发动机系统及轻型飞机 |
CN111496720A (zh) * | 2020-04-26 | 2020-08-07 | 攀钢集团西昌钢钒有限公司 | 一种法兰快速紧固装置及法兰快速紧固方法 |
Non-Patent Citations (1)
Title |
---|
KALOGIROU: "rtificial intelligence for the modeling and control of combustion processes: a review", 《PROGRESS IN ENERGY AND COMBUSTION SCIENCE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学(Cn) | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
CN115596654B (zh) * | 2022-09-21 | 2023-12-22 | 西安交通大学 | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112699604B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109184913B (zh) | 基于稳定性估计与预测的航空发动机气动稳定性主动复合控制方法 | |
CN105021403A (zh) | 航空发动机启动系统故障诊断方法及故障模拟系统 | |
CN111709164B (zh) | 一种车用增程器轴系扭转振动的分析方法 | |
CN107014623A (zh) | 电动汽车增程器系统试验台架及增程器系统可靠性试验方法 | |
CN112699604B (zh) | 一种基于神经网络算法故障建模与诊断方法 | |
CN113574259B (zh) | 用于监控燃气涡轮机的减速器的状态的方法和系统 | |
CN110457861B (zh) | 一种机载涡轴发动机动力系统可视化诊断平台及构建方法 | |
CN110735669B (zh) | 一种航空燃气涡轮发动机旋转失速判断方法及装置 | |
US20190033843A1 (en) | System and method for detecting abnormal operating condition of genset power system component | |
CN106815396B (zh) | 车用径流式增压器涡轮叶片叶根疲劳蠕变寿命预测方法 | |
CN104976007B (zh) | 一种高压汽油泵的测试装置 | |
Roy et al. | Experimental investigation of turbocharger mapped by data-logger in IC engine | |
CN104458236A (zh) | 一种增压器涡轮心部强度加速试验验证方法 | |
Patil et al. | vibration analysis of CI engine using FFT analyzer | |
CN115288849A (zh) | 一种往复式发动机燃烧室磨损状态评价方法及装置 | |
CN105043775A (zh) | 一种航空发动机关键系统危险分析系统及方法 | |
CN114297778A (zh) | 航空发动机液压机械装置壳体压力循环寿命符合性验证方法 | |
Jiang | Fault detection method of motor bearing based on improved random forest algorithm | |
Wei et al. | Fault Status Information Monitoring Technology for Large Complex Electromechanical System. | |
Zhang et al. | Effects of pulse flow and leading edge sweep on mixed flow turbines for engine exhaust heat recovery | |
CN113915094A (zh) | 一种内燃机泵组的控制系统 | |
CN107567603B (zh) | 对压缩机速度进行建模的方法 | |
CN216691264U (zh) | 涡轮增压器智能预警维护系统 | |
Anantharaman et al. | Efficiency, safety, and reliability analysis of turbocharging in a large container vessel | |
Gu et al. | Carbon deposition fault diagnosis of small piston engine based on optimized VMD |
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 |