CN112834226A - 一种航空发动机气路在线监测传感器优化配置方法 - Google Patents

Abstract

本发明公开了一种航空发动机气路在线监测传感器优化配置方法，该方法根据发动机气路健康参数跟踪的实际需求，采用遗传算法对气路传感器进行优化配置，并将优化配置传感器通过气路在线监测过程进行有效性检验，最终获得能够适应不同气路部件故障在线监测与诊断的最优传感器配置方案，为航空发动机气路在线测试与状态评估精准有效信息来源提供基础保障。本方法提出了对气路在线监测传感器进行优化配置的有效方法，在气路传感器经过优化配置后可有效提升气路健康参数跟踪的准确度。

Description

一种航空发动机气路在线监测传感器优化配置方法

技术领域

本发明属于航空发动机气路在线监测技术领域，尤其涉及一种航空发动机气路在线监测传感器优化配置方法。

背景技术

航空发动机气路传感器通过采集气路压强、温度、转速等参数，为发动机气路性能测试与状态评估提供关键的状态信息。但受限于航空发动机高温、高压、高转速等恶劣苛刻工作环境的影响，使得气路传感器安装位置及安装数量极其有限，且对不同气路故障状态的有效监测所需的传感器配置也不尽相同，再加之多余传感器安装造成的维护保养成本增加、工作可靠性降低等因素的影响，使得发动机气路传感器合理优化配置成为发动机气路在线监测未来发展的必然要求。而目前气路在线监测传感器选择配置一般是根据经验或安装合理性或直接沿用控制系统用传感器等方式进行，如专利CN105372071B公开了一种航空发动机气路传感器和部件故障监测方法，该方法则是直接指定设置参数测量的传感器，并未考虑航空发动机在线监测实际需求形成对气路在线监测传感器合理的优化选择。因此，如何对航空发动机气路传感器进行合理选择和优化配置，使得气路有限传感器能够物尽其用，将对提高航空发动机气路在线测试与状态评估能力具有重要意义。

发明内容

针对现有技术存在的问题，本发明目的是提供了一种航空发动机气路在线监测传感器优化配置方法，该方法根据发动机气路健康参数跟踪的实际需求，采用遗传算法对气路传感器进行优化配置，并将优化配置传感器通过气路在线监测过程进行有效性检验，最终获得能够适应不同气路部件故障在线监测与诊断的最优传感器配置方案，为航空发动机气路在线测试与状态评估精准有效信息来源提供基础保障。

本发明提供了一种航空发动机气路在线监测传感器优化配置方法，其特征在于：首先，初始化设定气路各部件故障状态的健康参数的蜕化量，依据发动机非线性模型得到对应故障模式下气路传感器输出变量数据；其次，采用互异整数编码对备选气路传感器进行编码，生成气路传感器配置初始种群；第三，将初始种群中气路传感器的输出数据代入扩展卡尔曼滤波，对气路健康参数进行跟踪，获得每个个体的适应度值并进行判断；最后，根据判断结果是否满足迭代终止条件，输出优化传感器配置方案及气路参数跟踪结果；具体包括以下步骤：

步骤1、条件初始化

步骤1.1、选定流量系数η与效率系数m作为表征气路各部件故障状态的健康参数h，利用(Δη_fan，Δm_fan)、(Δη_hpc，Δm_hpc)、(Δη_hpt，Δm_hpt)和(Δη_lpt、Δm_lpt)分别表示风扇、压气机、高压涡轮、低压涡轮出现故障时健康参数的蜕化量，其中，Δ表示健康参数的蜕化量，fan表示风扇部件，hpc表示压气机部件，hpt表示高压涡轮部件，lpt表示低压涡轮部件，并设定不同气路部件故障模式下健康参数蜕化量Δh；

步骤1.2、将部件故障状态的健康参数蜕化量Δh代入发动机非线性模型

式中，x为状态变量，u为控制变量，y为气路传感器输出变量，h为健康参数，f(·)为状态函数，g(·)为状态函数，经过发动机非线性模型计算得到对应故障模式下气路传感器输出变量数据；

步骤2、气路传感器编码生成初始种群

步骤2.1、根据气路传感器输出数据选择备选气路传感器类型及数量；

步骤2.2、考虑到发动机各特征截面测量传感器的互异性，采用互异整数编码方法对选择的气路传感器进行编码

InitialChrom＝diff(U2B_w(x)) (2)

式中，x为气路传感器序号，w为二进制的位数，U2B为传感器序号的无符号数转二进制函数，diff(·)互异操作函数，通过互异整数编码方法确保每个个体中传感器具有互异性，生成气路传感器配置初始种群InitialChrom；

步骤3、个体适应度计算与判断

步骤3.1、将初始种群个体中气路传感器配置的输出数据代入扩展卡尔曼滤波器，递推跟踪得到健康参数偏差量的估计值

式中，

分别表示当前和上一步状态变量偏差量估计值，

表示当前和上一步健康参数偏差量估计值，Δy_k表示当前气路传感器测量变量偏差量，Δu_k为当前控制变量偏差量，G、H分别表示线性模型中扩展状态变量和控制变量的系数矩阵，K_k表示滤波增益矩阵；

步骤3.2、根据健康参数估计值

与健康参数蜕化量Δh之间的平方根误差，确定每个个体适应度值

式中，Fitness表示适应度函数，

表示健康参数平方根误差之和，与适应度函数成反比例，

为第i个健康参数估计值，Δh_i为第i个健康参数蜕化量；

步骤3.3、输出优化传感器配置方案与气路健康参数跟踪结果

(1)当种群个体适应度Fitness≥0.95时，则停止迭代运算，输出相应的个体适应度值；

(2)当种群个体适应度Fitness﹤0.95时，则迭代运算次数最多不超过360次，停止运算，输出相应的个体适应度值；

满足上述任一条件，则输出优化传感器配置方案与气路健康参数跟踪结果，若不满足，则执行步骤3.4；

步骤3.4、遗传运算生成新种群

步骤3.4.1、根据步骤3.3中输出的个体适应度值选出种群中最优个体，不进行其他遗传算子运算，直接遗传到下一代；

步骤3.4.2、最优个体之外的其它个体则分别进行变异操作Mut、重组操作Recdis和洗牌交叉操作Xovshrs

NewChrom＝Mut*Recdis*Xovshrs(OldChrom,Pm) (5)

式中，OldChrom表示旧种群，Pm表示遗传运算操作概率，NewChrom表示遗传运算后新种群。经过遗传运算后使得每次遗传运算后得到互异的新个体，最终生成新种群，新种群继续执行步骤3.1，直至满足迭代终止条件，输出优化传感器配置方案与气路健康参数跟踪结果。

本方法与现有技术相比，其显著优点在于：

(1)提出了对气路在线监测传感器进行优化配置的有效方法；

(2)气路传感器经过优化配置后可有效提升气路健康参数跟踪的准确度。

附图说明

图1是本发明流程图；

图2是本发明实施例提供的航空发动机部件划分与特征截面符号示意图；

图中：0截面表示远前方未受扰动大气界面，1截面表示进气道进口，13截面表示风扇出口和外涵道进口，17截面表示外涵道出口和外涵喷管进口，19截面表示外涵喷管，2截面表示进气道出口和风扇进口，25截面表示风扇出口压气机进口，3截面表示压气机出口和燃烧室进口；4截面表示燃烧室出口和高压涡轮进口；45截面表示高压涡轮出口和低压涡轮进口；5截面为低压涡轮出口；7截面表示内涵喷管进口，9截面为内涵喷管出口；

图3是本发明实施例提供的基于遗传算法的风扇在线监测传感器优化搜索过程的适应度函数值变化曲线；

图4是本发明实施例提供的基于遗传算法的压气机在线监测传感器优化搜索过程的适应度函数值变化曲线；

图5是本发明实施例提供的基于遗传算法的高压涡轮在线监测传感器优化搜索过程的适应度函数值变化曲线；

图6是本发明实施例提供的基于遗传算法的低压涡轮在线监测传感器优化搜索过程的适应度函数值变化曲线；

图7是本发明实施例提供的气路传感器优化前风扇故障健康参数跟踪结果；

图8是本发明实施例提供的气路传感器优化后风扇故障健康参数跟踪结果；

图9是本发明实施例提供的气路传感器优化前压气机故障健康参数跟踪结果；

图10是本发明实施例提供的气路传感器优化后压气机故障健康参数跟踪结果；

图11是本发明实施例提供的气路传感器优化前高压涡轮故障健康参数跟踪结果；

图12是本发明实施例提供的气路传感器优化后高压涡轮故障健康参数跟踪结果；

图13是本发明实施例提供的气路传感器优化前低压涡轮故障健康参数跟踪结果；

图14是本发明实施例提供的气路传感器优化后低压涡轮故障健康参数跟踪结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明目的是提供了一种航空发动机气路在线监测传感器优化配置方法，该方法根据发动机气路健康参数跟踪的实际需求，采用遗传算法对气路传感器进行优化配置，并将优化配置传感器通过气路在线监测过程进行有效性检验，最终获得能够适应不同气路部件故障在线监测与诊断的最优传感器配置方案，为航空发动机气路在线测试与状态评估精准有效的信息来源提供基础保障。

为了便于理解，以双涵道、非加力式分开排气涡轮风扇发动机为研究对象，如图2所示，对本发明的技术方案进行详细说明。

图2中航空发动机各部件特征截面通过数字来进行区分，0截面表示远前方未受扰动大气界面，1截面表示进气道进口，13截面表示风扇出口和外涵道进口，17截面表示外涵道出口和外涵喷管进口，19截面表示外涵喷管，2截面表示进气道出口和风扇进口，25截面表示风扇出口压气机进口，3截面表示压气机出口和燃烧室进口；4截面表示燃烧室出口和高压涡轮进口；45截面表示高压涡轮出口和低压涡轮进口；5截面为低压涡轮出口；7截面表示内涵喷管进口，9截面为内涵喷管出口。

步骤1、条件初始化

步骤1.1、步骤1.1、选定流量系数η与效率系数m作为表征气路各部件故障状态的健康参数h，利用(Δη_fan，Δm_fan)、(Δη_hpc，Δm_hpc)、(Δη_hpt，Δm_hpt)和(Δη_lpt、Δm_lpt)分别表示风扇、压气机、高压涡轮、低压涡轮出现故障时健康参数的蜕化量Δh，其中，Δ表示健康参数的蜕化量，fan表示风扇部件，hpc表示压气机部件，hpt表示高压涡轮部件，lpt表示低压涡轮部件。选取H＝0km,Ma＝0,N_l＝70％N_l.design状态，设定风扇、压气机、高压涡轮以及低压涡轮中单个部件在t＝2s发生突变故障，在不同故障模式下健康参数蜕化量Δh如表1所示。

表1部件故障时健康参数蜕化量设定

步骤1.2、将部件故障状态的健康参数蜕化量Δh代入发动机非线性模型

式中，x为状态变量，u为控制变量，y为气路传感器输出变量，h为健康参数，f(·)为状态函数，g(·)为状态函数，经过发动机非线性模型计算得到对应故障模式下气路传感器输出变量数据；

步骤2、气路传感器编码生成初始种群

步骤2.1、根据气路传感器输出数据和发动机的工作环境，选择13个备选气路传感器如下表2所示。

表2备选传感器类型

序号	0	1	2	3	4	5	6	7	8	9	10	11	12
														传感器类型	Tt<sub>25</sub>	Pt<sub>13</sub>	Pt<sub>5</sub>	Pt<sub>3</sub>	Tt<sub>3</sub>	Pt<sub>25</sub>	Nl	Nh	Tt<sub>13</sub>	Fn	Pt<sub>45</sub>	Tt<sub>45</sub>	Tt<sub>5</sub>

表2中，Pt、Tt分别表示压力传感器与温度传感器，数字下标分别表示对应发动机各特征截面，Nl、Nh分别表示低压转子与高压转子转速传感器，Fn表示等效测量推力；

步骤2.2、考虑到发动机各特征截面测量传感器的互异性，采用互异整数编码方法对选择的气路传感器进行编码

InitialChrom＝diff(U2B_w(x)) (2)

式中，x为气路传感器序号，w为二进制的位数，U2B为传感器序号的无符号数转二进制函数，diff(·)互异操作函数。通过互异整数编码方法从13个备选传感器中选取9个传感器进行编码，并考虑到传感器顺序对跟踪结果的影响，共计组合生成规模为

的气路传感器配置初始种群InitialChrom；

步骤3、个体适应度计算与判断

步骤3.1、将初始种群个体中气路传感器配置的输出数据代入扩展卡尔曼滤波器，递推跟踪得到健康参数偏差量的估计值

式中，

分别表示当前和上一步状态变量偏差量估计值，

表示当前和上一步健康参数偏差量估计值，Δy_k表示当前气路传感器测量变量偏差量，Δu_k为当前控制变量偏差量，G、H分别表示线性模型中扩展状态变量和控制变量的系数矩阵，K_k表示滤波增益矩阵；

步骤3.2、根据健康参数估计值

与健康参数蜕化量Δh之间的平方根误差，确定每个个体适应度值

式中，Fitness表示适应度函数，

表示健康参数平方根误差之和，与适应度函数成反比例，

为第i个健康参数估计值，Δh_i为第i个健康参数蜕化量；

步骤3.3、经过遗传运算验证后，如图3～图6所示，当迭代至360代时优化算法基本都趋于收敛，且个体适应度值基本趋近于0.95，则分别设定个体适应度值Fitness≥0.95或最大迭代次数为360代作为算法的迭代终止条件。

(1)当种群个体适应度Fitness≥0.95，则停止迭代运算，输出相应的个体适应度值；

(2)当种群个体适应度Fitness小于0.95，则迭代运算最大不超过360次时，停止运算，输出相应的个体适应度值；

满足上述任一条件，则输出优化传感器配置方案与气路健康参数跟踪结果，若不满足，则执行步骤4；

步骤4、遗传运算生成新种群

步骤4.1、根据步骤3.3中输出的个体适应度值进行排序，前10％的个体确认为最优个体，不进行其他遗传算子运算，直接遗传到下一代；

步骤4.2、最优个体之外90％的个体则分别进行变异操作Mut、重组操作Recdis和洗牌交叉操作Xovshrs

NewChrom＝Mut*Recdis*Xovshrs(OldChrom,Pm) (5)

式中，OldChrom表示旧种群，Pm表示遗传运算操作概率，NewChrom表示遗传运算后新种群。经过遗传运算后使得每次遗传运算后得到互异的新个体，最终生成新种群，新种群继续执行步骤3，直至满足迭代终止条件，输出优化传感器配置方案与气路健康参数跟踪结果。

所述步骤1-步骤4得到如图3～图14所示的计算结果。

图3～图6表示遗传算法优化搜索过程对应各气路部件适应度函数值变化结果。从适应度函数值变化情况来看，各气路部件故障均能在多个局部最优解附近徘徊后得到全局最优解，其中高压涡轮收敛最快，在第65代时收敛到全局最优点，适应度函数值为0.9712；高压压气机收敛最慢，在第281代时收敛到全局最优点，适应度函数值为0.9800。经过遗传优化后，可分别得到各气路部件在线监测的最优气路传感器组合和对应的适应度函数值，如表3所示。根据优化后最优传感器组合可以看出，适用于各部件故障在线监测的最优气路传感器组合主要包含Nl、Nh、Pt₂₅、Tt₂₅、Pt₃、Tt₃、Pt₄₅、Tt₄₅、Fn等。

表3基于遗传算法优化的各部件在线监测最优传感器组合与适应度函数值

图7和图8分别表示气路传感器优化前和优化后风扇故障健康参数跟踪结果对比，图9和图10分别表示气路传感器优化前和优化后压气机故障健康参数跟踪结果对比，图11和图2分别表示气路传感器优化前和优化后高压涡轮故障健康参数跟踪结果对比，图13和图14分别表示气路传感器优化前和优化后低压涡轮故障健康参数跟踪结果对比。从图7和图8种风扇故障健康参数跟踪对比结果可以看出，气路在线监测传感器经过优化后，对风扇效率系数和流量系数蜕化量跟踪精度分别提升43％和21％，并降低对其它气路部件效率系数和流量系数的干扰，跟踪误差趋近于0；从图9～图14中压气机、高压涡轮和低压涡轮中健康参数跟踪对比结果也能得到相类似的结论。综上所述，气路在线监测传感器经过优化后，可明显提高各部件故障健康参数跟踪的精度。

Claims (4)

1.一种航空发动机气路在线监测传感器优化配置方法，其特征在于：首先，初始化设定气路各部件故障状态的健康参数的蜕化量，依据发动机非线性模型得到对应故障模式下气路传感器输出变量数据；其次，采用互异整数编码对备选气路传感器进行编码，生成气路传感器配置初始种群；第三，将初始种群中气路传感器的输出数据代入扩展卡尔曼滤波，对气路健康参数进行跟踪，获得每个个体的适应度值并进行判断；最后，根据判断结果是否满足迭代终止条件，输出优化传感器配置方案及气路参数跟踪结果；具体包括以下步骤：

步骤1、条件初始化；

步骤2、气路传感器编码生成初始种群；

步骤3、个体适应度计算与判断。

2.根据权利要求1所述的一种航空发动机气路在线监测传感器优化配置方法，其特征在于：所述“步骤1：条件初始化”具体包括以下步骤：

步骤1.1、选定流量系数η与效率系数m作为表征气路各部件故障状态的健康参数h，利用(Δη_fan，Δm_fan)、(Δη_hpc，Δm_hpc)、(Δη_hpt，Δm_hpt)和(Δη_lpt、Δm_lpt)分别表示风扇、压气机、高压涡轮、低压涡轮出现故障时健康参数的蜕化量，其中，Δ表示健康参数的蜕化量，fan表示风扇部件，hpc表示压气机部件，hpt表示高压涡轮部件，lpt表示低压涡轮部件，并设定不同气路部件故障模式下健康参数蜕化量Δh；

步骤1.2、将部件故障状态的健康参数蜕化量Δh代入发动机非线性模型

式中，x为状态变量，u为控制变量，y为气路传感器输出变量，h为健康参数，f(·)为状态函数，g(·)为状态函数，经过发动机非线性模型计算得到对应故障模式下气路传感器输出变量数据。

3.根据权利要求1所述的一种航空发动机气路在线监测传感器优化配置方法，其特征在于：所述“步骤2：气路传感器编码生成初始种群”具体包括以下步骤：

步骤2.1、根据气路传感器输出数据选择备选气路传感器类型及数量；

步骤2.2、考虑到发动机各特征截面测量传感器的互异性，采用互异整数编码方法对选择的气路传感器进行编码

InitialChrom＝diff(U2B_w(x)) (2)

式中，x为气路传感器序号，w为二进制的位数，U2B为传感器序号的无符号数转二进制函数，diff(·)互异操作函数，通过互异整数编码方法确保每个个体中传感器具有互异性，生成气路传感器配置初始种群InitialChrom。

4.根据权利要求1所述的一种航空发动机气路在线监测传感器优化配置方法，其特征在于：所述“步骤3：个体适应度计算与判断”具体包括以下步骤：

步骤3.1、将初始种群个体中气路传感器配置的输出数据代入扩展卡尔曼滤波器，递推跟踪得到健康参数偏差量的估计值

式中，

分别表示当前和上一步状态变量偏差量估计值，

表示当前和上一步健康参数偏差量估计值，Δy_k表示当前气路传感器测量变量偏差量，Δu_k为当前控制变量偏差量，G、H分别表示线性模型中扩展状态变量和控制变量的系数矩阵，K_k表示滤波增益矩阵；

步骤3.2、根据健康参数估计值

与健康参数蜕化量Δh之间的平方根误差，确定每个个体适应度值

式中，Fitness表示适应度函数，

表示健康参数平方根误差之和，与适应度函数成反比例，

为第i个健康参数估计值，Δh_i为第i个健康参数蜕化量；

步骤3.3、输出优化传感器配置方案与气路健康参数跟踪结果

(1)当种群个体适应度Fitness≥0.95时，则停止迭代运算，输出相应的个体适应度值；

(2)当种群个体适应度Fitness﹤0.95时，则迭代运算次数最多不超过360次，停止运算，输出相应的个体适应度值；

满足上述任一条件，则输出优化传感器配置方案与气路健康参数跟踪结果，若不满足要求上述条件，则执行步骤3.4；

步骤3.4：遗传运算生成新种群

步骤3.4.1、根据步骤3.3中输出的个体适应度值选出种群中最优个体，不进行其他遗传算子运算，直接遗传到下一代；

步骤3.4.2、最优个体之外的其它个体则分别进行变异操作Mut、重组操作Recdis和洗牌交叉操作Xovshrs

NewChrom＝Mut*Recdis*Xovshrs(OldChrom,Pm) (5)

式中，OldChrom表示旧种群，Pm表示遗传运算操作概率，NewChrom表示遗传运算后新种群。经过遗传运算后使得每次遗传运算后得到互异的新个体，最终生成新种群，新种群继续执行步骤3.1，直至满足迭代终止条件，输出优化传感器配置方案与气路健康参数跟踪结果。

Images