CN116090266A - 一种动力装置气路性能实时故障诊断方法 - Google Patents
一种动力装置气路性能实时故障诊断方法 Download PDFInfo
- Publication number
- CN116090266A CN116090266A CN202310376333.3A CN202310376333A CN116090266A CN 116090266 A CN116090266 A CN 116090266A CN 202310376333 A CN202310376333 A CN 202310376333A CN 116090266 A CN116090266 A CN 116090266A
- Authority
- CN
- China
- Prior art keywords
- power
- fault
- compressor
- power device
- real
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种动力装置气路性能实时故障诊断方法。包括以下步骤:S1,构建动力装置数学模型;S2,基于所述动力装置数学模型,构建动力装置气路性能故障仿真模型;S3,构建非线性卡尔曼滤波器;S4,基于所述非线性卡尔曼滤波器,对所述动力装置气路性能故障仿真模型进行实时故障诊断。解决了气路性能实时故障诊断方法准确度不高、实时性差的问题。
Description
技术领域
本发明涉及航空机电技术领域,具体而言,涉及一种动力装置气路性能实时故障诊断方法。
背景技术
航空机电系统中动力装置是重要的组成部分,飞机的辅助动力功能依赖于动力装置,动力装置是航空机电技术研究的重点领域。动力装置在使用和运维阶段需要对其健康状态进行实时监测并进行故障诊断,气路部件故障诊断是动力装置健康管理中重要的部分。现有航空机电产品常用的健康状态诊断方法分为基于专家知识和基于数据驱动的故障诊断方法;基于专家知识的方法依赖于知识经验,存在偶然性大、准确度不高的特点;基于数据驱动的方法需要大量的故障数据支撑,而对于动力装置一类的故障小样本问题,故障试验数据有限,开展故障注入试验需要成本较大不适用于获取大量数据;在没有大量数据的条件下数据驱动的故障诊断方法准确度较低。同时,动力装置由于系统集成度高、非线性程度大、耦合性强的特点,开展建模机理和故障诊断研究难度大,而且为了达到实时故障诊断的效果需要其计算效率高满足实时性要求,目前对其气路性能实时故障诊断的相关研究较少。
发明内容
本发明的目的在于克服上述技术存在的不足,为解决气路性能实时故障诊断方法准确度不高、实时性差的问题,本发明提供了一种动力装置气路性能实时故障诊断方法。
第一方面,本发明提供了一种动力装置气路性能实时故障诊断方法,包括:动力装置气路性能实时故障诊断方法包括以下步骤:
S1,构建动力装置数学模型;
S2,基于动力装置数学模型,构建动力装置气路性能故障仿真模型;
S3,构建非线性卡尔曼滤波器;
S4,基于非线性卡尔曼滤波器,对动力装置气路性能故障仿真模型进行实时故障诊断。
在一些实施例中,动力装置数学模型包括:压气机数学模型、燃烧室数学模型和动力涡轮数学模型。
在一些实施例中,步骤S2,基于动力装置数学模型,构建动力装置气路性能故障仿真模型,包括:
S21,基于动力装置的工作原理,确定动力装置气路性能的健康参数和测量参数;
S22,将健康参数和测量参数的输入输出接口分别加入压气机数学模型、燃烧室数学模型和动力涡轮数学模型,得到压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型;
S23,基于流量平衡、压力平衡和能量平衡关系,结合压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型,构建动力装置气路性能故障仿真模型。
在一些实施例中,健康参数包括:压气机效率、压气机流量、燃烧室燃烧效率、燃烧室总压恢复系数、动力涡轮效率、动力涡轮流量;测量参数包括:压气机出口压力、压气机出口温度、燃烧室出口压力、燃烧室出口温度、燃油流量、动力涡轮出口温度。
在一些实施例中,基于所述健康参数改变所述压气机数学模型中压气机效率值和压气机流量值,得到所述压气机故障诊断模型的数学函数形式为:
;
式中,H1为压气机效率、H2为压气机流量,P1_in为环境压力,T1_in为环境温度,π1为压气机压比,n为动力装置轴转速,Q1_out、T1_out、P1_out、W1_out分别为压气机的出口流量、出口温度、出口压力和消耗功。
在一些实施例中,基于所述健康参数改变所述燃烧室数学模型中燃烧室效率值和燃烧室出口压力值,得到所述燃烧室故障诊断模型的数学函数形式为:
;
式中,H3为燃烧室燃烧效率、H4为燃烧室总压恢复系数,P2_in、T2_in、Q2_in、Qfuel分别为燃烧室的进口压力、进口温度、进口流量和燃油量,Q2_out、T2_out、P2_out分别为燃烧室的出口流量、出口温度和出口压力。
在一些实施例中,基于健康参数改变动力涡轮数学模型中动力涡轮效率值和动力涡轮流量值,得到动力涡轮故障诊断模型的数学函数形式为:
;
式中,H5、H6分别为动力涡轮效率、动力涡轮流量,P3_in、T3_in、π3分别为动力涡轮的进口压力、进口温度和膨胀比,n为动力装置轴转速,Q3_out、T3_out、P3_out、W3_out为动力涡轮出口流量、出口温度、出口压力和输出功。
在一些实施例中,步骤S3,构建非线性卡尔曼滤波器,包括:
S31,采用小扰动法构建动力装置故障仿真模型的雅克比矩阵;
S32,结合系统噪声的影响,构建动力装置状态协方差矩阵;
S33,基于雅克比矩阵和动力装置状态协方差矩阵,构建非线性卡尔曼滤波增益矩阵;
S34,基于非线性卡尔曼滤波增益矩阵,构建非线性卡尔曼滤波器。
在一些实施例中,步骤S4,基于非线性卡尔曼滤波器,对动力装置的气路性能进行实时故障诊断,包括:
S41,设定传感器采样周期,通过传感器实时采集动力装置故障仿真模型参数,将参数实时代入非线性卡尔曼滤波器中;
S42,通过非线性卡尔曼滤波器实时求解输出动力装置气路性能的健康参数预测值;
S43,基于健康参数预测值变化情况定位故障部件以及故障属性;
S44,基于故障部件及故障属性制定部件维护或部件更换策略。
本发明提供的技术方案具有以下有益效果:
1、本发明通过构建动力装置故障仿真模型,可实现故障注入仿真,并为构建非线性卡尔曼滤波器提供模型支撑,减少了故障注入试验成本;
2、本发明基于非线性卡尔曼滤波算法能够实现各部件气路故障的准确诊断,不依赖于大量试验数据,根据各部件健康度情况制定维护或更换策略,从而保障动力装置的可靠运行;
3、本发明方法计算效率高,能实现实时故障诊断,可以在运维阶段第一时间定位到故障部件。
4、本发明基于模型的故障诊断方法以反映装置气动热力学性质的物理方程为基础,在构建装置数学模型的基础上进行气路性能故障诊断,相比于基于数据驱动的方法,对故障数据依赖性较小,因此在工程实际中有较大应用价值。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1示出了一种动力装置气路性能实时故障诊断结果图。
具体实施方式
现在将参照若干示例性实施例来论述本公开的内容。应当理解,论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本公开的内容,而不是暗示对本公开的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
动力装置在使用和运维阶段需要对其健康状态进行实时监测并进行故障诊断,其中,气路部件故障诊断是动力装置健康管理中重要的部分。基于模型的故障诊断方法以反映装置气动热力学性质的物理方程为基础,在建立装置数学模型的基础上进行气路性能故障诊断,对故障数据依赖性较小。本发明提出一种动力装置的气路性能实时故障诊断方法,动力装置气路性能实时故障诊断方法包括以下步骤:S1,构建动力装置数学模型;S2,基于动力装置数学模型,构建动力装置气路性能故障仿真模型;S3,构建非线性卡尔曼滤波器;S4,基于非线性卡尔曼滤波器,对动力装置气路性能故障仿真模型进行实时故障诊断。
在本实施例中,通过构建动力装置故障仿真模型,可实现故障注入仿真,并为构建非线性卡尔曼滤波器提供模型支撑,减少了故障注入试验成本,同时,基于非线性卡尔曼滤波算法能够实现各部件气路故障的准确诊断,不依赖于大量试验数据;
在一些实施例中,动力装置数学模型包括:压气机数学模型、燃烧室数学模型和动力涡轮数学模型。影响动力装置气路性能的主要部件为压气机、燃烧室、动力涡轮,因此,主要构建这三个部件的数学模型,可以为后续构建故障仿真模型提供基础。
在一些实施例中,步骤S2,基于动力装置数学模型,构建动力装置气路性能故障仿真模型,包括:S21,基于动力装置的工作原理,确定动力装置气路性能的健康参数和测量参数;S22,将健康参数和测量参数的输入输出接口分别加入压气机数学模型、燃烧室数学模型和动力涡轮数学模型,得到压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型;S23,基于流量平衡、压力平衡和能量平衡关系,结合压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型,构建动力装置气路性能故障仿真模型。
在一些实施例中,健康参数包括:压气机效率、压气机流量、燃烧室燃烧效率、燃烧室总压恢复系数、动力涡轮效率、动力涡轮流量;测量参数包括:压气机出口压力、压气机出口温度、燃烧室出口压力、燃烧室出口温度、燃油流量、动力涡轮出口温度。
在以上实施例中,动力装置在气路性能分析中主要以流量、效率、总压恢复系数等为研究目标,结合影响动力装置性能的主要部件为压气机、燃烧室、动力涡轮的因素,最终确定动力装置健康参数为压气机效率、压气机流量、燃烧室燃烧效率、燃烧室总压恢复系数、动力涡轮效率、动力涡轮流量共6个健康参数;同时,测量参数需选择传感器可采集到数据的参数,目前常用的传感器有压力传感器、温度传感器、流量计等,结合动力装置传感器易安装布置、不影响总体性能的特点,选择在压气机出口布置温度、压力传感器,燃烧室出口布置温度、压力传感器,燃油泵处布置流量计,动力涡轮出口布置温度传感器,因此,最终确定动力装置测量参数为压气机出口压力、压气机出口温度、燃烧室出口压力、燃烧室出口温度、燃油流量、动力涡轮出口温度共6个测量参数。
在一些实施例中,基于所述健康参数改变所述压气机数学模型中压气机效率值和压气机流量值,得到所述压气机故障诊断模型的数学函数形式为:
;
式中,H1为压气机效率、H2为压气机流量,P1_in为环境压力,T1_in为环境温度,π1为压气机压比,n为动力装置轴转速,Q1_out、T1_out、P1_out、W1_out分别为压气机的出口流量、出口温度、出口压力和消耗功。
在一些实施例中,基于所述健康参数改变所述燃烧室数学模型中燃烧室效率值和燃烧室出口压力值,得到所述燃烧室故障诊断模型的数学函数形式为:
;
式中,H3为燃烧室燃烧效率、H4为燃烧室总压恢复系数,P2_in、T2_in、Q2_in、Qfuel分别为燃烧室的进口压力、进口温度、进口流量和燃油量,Q2_out、T2_out、P2_out分别为燃烧室的出口流量、出口温度和出口压力。
在一些实施例中,基于健康参数改变动力涡轮数学模型中动力涡轮效率值和动力涡轮流量值,得到动力涡轮故障诊断模型的数学函数形式为:
;
式中,H5、H6分别为动力涡轮效率、动力涡轮流量,P3_in、T3_in、π3分别为动力涡轮的进口压力、进口温度和膨胀比,n为动力装置轴转速,Q3_out、T3_out、P3_out、W3_out为动力涡轮出口流量、出口温度、出口压力和输出功。
在一些实施例中,基于压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型,根据流量平衡、压力平衡、能量平衡关系,建立动力装置故障仿真模型的数学函数形式为:
;
式中,S1、S2、S3、S4、S5、S6分别表示参数P1_out、T1_out、P2_out、T2_out、Qfuel、T3_out的值,Wout为动力装置整体输出轴功率。
在一些实施例中,步骤S3,构建非线性卡尔曼滤波器,包括:
S31,采用小扰动法构建动力装置故障仿真模型的雅克比矩阵,雅克比矩阵反映了动力装置气路性能故障仿真模型中健康参数对测量参数的影响关系,其数学函数形式如下;
;
式中,ΔH为无穷小量,u表示动力装置故障仿真模型除健康参数之外的输入参数,结合以上公式,最终建立动力装置故障仿真模型雅克比矩阵C如下:
;
S32,结合系统噪声的影响,构建动力装置状态协方差矩阵,状态协方差矩阵反映了每两个健康参数间的影响关系,通过状态协方差矩阵可减少不同类型故障间的耦合影响,其数学函数形式如下:
;
式中,P(k-1)为k-1时刻的状态协方差矩阵,初始时刻状态协方差矩阵为单位对角矩阵,Q(k)为k时刻系统噪声的协方差矩阵。
S33,基于雅克比矩阵和动力装置状态协方差矩阵,构建非线性卡尔曼滤波增益矩阵,非线性卡尔曼滤波增益矩阵反映了故障仿真模型的输出值与真实传感器测量值的偏差对健康参数变化的影响,其数学函数形式如下:
;
式中,K(k)为k时刻非线性卡尔曼滤波增益矩阵,R(k)为k时刻测量噪声协方差矩阵。
S34,基于非线性卡尔曼滤波增益矩阵,构建非线性卡尔曼滤波器。
在一些实施例中,步骤S4,基于非线性卡尔曼滤波器,对动力装置的气路性能进行实时故障诊断,包括:S41,设定传感器采样周期,通过传感器实时采集动力装置故障仿真模型参数,将参数实时代入非线性卡尔曼滤波器中;S42,通过非线性卡尔曼滤波器实时求解输出动力装置气路性能的健康参数预测值;S43,基于健康参数预测值变化情况定位故障部件以及故障属性;S44,基于故障部件及故障属性制定部件维护或部件更换策略。
在本实施例中,更新k时刻各健康参数预测值并输出:
;
式中,为k-1时刻6个健康参数H1、H2、H3、H4、H5、H6的值,为k时刻各健康参数值,u(k-1)为k-1时刻模型其它输入量的值,y(k)为k时刻试验采集到的传感器测量参数值。
然后,更新k时刻动力装置状态协方差矩阵:
;
最后,开始下一时刻的非线性卡尔曼滤波,并更新时刻:
。
实例1
根据所选压气机、燃烧室、动力涡轮等部件的特性进行数学建模。基于各部件模型,建立各部件故障仿真模型,根据流量平衡、压力平衡、能量平衡关系,建立动力装置故障仿真模型为:
;
根据非线性卡尔曼滤波算法构建非线性卡尔曼滤波器,流程如下:
步骤一,采用小扰动法构建动力装置故障仿真模型的雅克比矩阵C如下:
;
步骤二,建立动力装置状态协方差矩阵,考虑系统噪声的影响:
;
式中,P(k-1)为k-1时刻的状态协方差矩阵,初始时刻状态协方差矩阵为单位对角矩阵,Q(k)为k时刻系统噪声的协方差矩阵,赋值如下:
;
步骤三,建立非线性卡尔曼滤波增益矩阵:
;
式中,K(k)为k时刻非线性卡尔曼滤波增益矩阵,R(k)为k时刻测量噪声协方差矩阵,赋值如下:
;
步骤四,更新k时刻各健康参数预测值并输出:
;
式中,为k-1时刻6个健康参数H1、H2、H3、H4、H5、H6的值,为k时刻各健康参数值,u(k-1)为k-1时刻模型其它输入量n、P1_in、T1_in、Wout的值,y(k)为k时刻试验采集到的传感器测量参数值。
步骤五,更新k时刻动力装置状态协方差矩阵:
;
步骤六,返回至步骤二开始下一时刻的非线性卡尔曼滤波,并更新时刻:
;
在此实施例中,将动力装置仿真模型传输至实时仿真机中,通过实时仿真机输出传感器信号代替动力装置试验输出的传感器信号,传感器采样周期设置为100ms,即k+1时刻和k时刻的时间间隔为100ms。每个传感器信号采集时刻,将传感器信号中的测量参数值与故障仿真模型输出值求差代入至非线性卡尔曼滤波器,得到各健康参数预测值,将健康参数预测值代入至故障仿真模型中继续下一时刻的计算求解,如此循环即可得到全部时刻的健康参数预测结果,实现动力装置气路性能的实时故障诊断。
本实施例中各输入参数设置如下:
;
初始时刻将各健康参数值均设置为100%,在t=2s时刻将压气机效率健康参数注入4%的突变故障,将传感器采集数据代入非线性卡尔曼滤波器进行实时求解,得到健康参数预测值如图1所示,使用均方根误差(RMSE)和计算时间(t)两个指标对预测结果进行检验,其中RMSE定义如下:
;
式中,S为采样步数,为健康参数估计值,xi为健康参数真实值。得到本次预测过程的RMSE=0.0152,即平均误差为1.52%,准确度较高。平均计算时间为81ms,小于传感器信号采集周期100ms,即满足实时性要求。
通过动力装置气路性能实时故障诊断结果图可以看出在t=2s之后非线性卡尔曼滤波器诊断出压气机效率发生了对应的健康参数退化,且有效排除了系统噪声和测量噪声的干扰,通过非线性卡尔曼滤波器可以较好地诊断气路性能故障情况,其它部件健康参数的预测可使用同样的流程实现。通过本发明的方法可以实现动力装置的气路性能实时故障诊断。
可以理解的是,本公开中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作。
进一步可以理解的是,除非有特殊说明,“连接”包括两者之间不存在其他构件的直接连接,也包括两者之间存在其他元件的间接连接。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种动力装置气路性能实时故障诊断方法,其特征在于,所述动力装置气路性能实时故障诊断方法包括以下步骤:
S1,构建动力装置数学模型;
S2,基于所述动力装置数学模型,构建动力装置气路性能故障仿真模型;
S3,构建非线性卡尔曼滤波器;
S4,基于所述非线性卡尔曼滤波器,对所述动力装置气路性能故障仿真模型进行实时故障诊断。
2.根据权利要求1所述的一种动力装置气路性能实时故障诊断方法,其特征在于,所述动力装置数学模型包括:压气机数学模型、燃烧室数学模型和动力涡轮数学模型。
3.根据权利要求2所述的一种动力装置气路性能实时故障诊断方法,其特征在于,所述步骤S2,基于所述动力装置数学模型,构建动力装置气路性能故障仿真模型,包括:
S21,基于所述动力装置的工作原理,确定所述动力装置气路性能的健康参数和测量参数;
S22,将所述健康参数和测量参数的输入输出接口分别加入所述压气机数学模型、燃烧室数学模型和动力涡轮数学模型,得到压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型;
S23,基于流量平衡、压力平衡和能量平衡关系,结合所述压气机故障仿真模型、燃烧室故障仿真模型和动力涡轮故障仿真模型,构建动力装置气路性能故障仿真模型。
4.根据权利要求3所述的一种动力装置气路性能实时故障诊断方法,其特征在于,所述健康参数包括:压气机效率、压气机流量、燃烧室燃烧效率、燃烧室总压恢复系数、动力涡轮效率、动力涡轮流量;所述测量参数包括:压气机出口压力、压气机出口温度、燃烧室出口压力、燃烧室出口温度、燃油流量、动力涡轮出口温度。
5.根据权利要求3所述的一种动力装置气路性能实时故障诊断方法,其特征在于,基于所述健康参数改变所述压气机数学模型中压气机效率值和压气机流量值,得到所述压气机故障诊断模型的数学函数形式为:
;
式中,H1为压气机效率、H2为压气机流量,P1_in为环境压力,T1_in为环境温度,π1为压气机压比,n为动力装置轴转速,Q1_out、T1_out、P1_out、W1_out分别为压气机的出口流量、出口温度、出口压力和消耗功。
6.根据权利要求3所述的一种动力装置气路性能实时故障诊断方法,其特征在于,基于所述健康参数改变所述燃烧室数学模型中燃烧室效率值和燃烧室出口压力值,得到所述燃烧室故障诊断模型的数学函数形式为:
;
式中,H3为燃烧室燃烧效率、H4为燃烧室总压恢复系数,P2_in、T2_in、Q2_in、Qfuel分别为燃烧室的进口压力、进口温度、进口流量和燃油量,Q2_out、T2_out、P2_out分别为燃烧室的出口流量、出口温度和出口压力。
7.根据权利要求3所述的一种动力装置气路性能实时故障诊断方法,其特征在于,基于所述健康参数改变所述动力涡轮数学模型中动力涡轮效率值和动力涡轮流量值,得到所述动力涡轮故障诊断模型的数学函数形式为:
;
式中,H5、H6分别为动力涡轮效率、动力涡轮流量,P3_in、T3_in、π3分别为动力涡轮的进口压力、进口温度和膨胀比,n为动力装置轴转速,Q3_out、T3_out、P3_out、W3_out为动力涡轮出口流量、出口温度、出口压力和输出功。
8.根据权利要求1所述的一种动力装置气路性能实时故障诊断方法,其特征在于,所述步骤S3,构建非线性卡尔曼滤波器,包括:
S31,采用小扰动法构建动力装置故障仿真模型的雅克比矩阵;
S32,结合系统噪声的影响,构建动力装置状态协方差矩阵;
S33,基于所述雅克比矩阵和动力装置状态协方差矩阵,构建非线性卡尔曼滤波增益矩阵;
S34,基于所述非线性卡尔曼滤波增益矩阵,构建非线性卡尔曼滤波器。
9.根据权利要求1所述的一种动力装置气路性能实时故障诊断方法,其特征在于,所述步骤S4,基于所述非线性卡尔曼滤波器,对所述动力装置的气路性能进行实时故障诊断,包括:
S41,设定传感器采样周期,通过传感器实时采集所述动力装置故障仿真模型参数,将所述参数实时代入所述非线性卡尔曼滤波器中;
S42,通过所述非线性卡尔曼滤波器实时求解输出所述动力装置气路性能的健康参数预测值;
S43,基于所述健康参数预测值变化情况定位故障部件以及故障属性;
S44,基于所述故障部件及故障属性制定部件维护或部件更换策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310376333.3A CN116090266B (zh) | 2023-04-11 | 2023-04-11 | 一种动力装置气路性能实时故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310376333.3A CN116090266B (zh) | 2023-04-11 | 2023-04-11 | 一种动力装置气路性能实时故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090266A true CN116090266A (zh) | 2023-05-09 |
CN116090266B CN116090266B (zh) | 2023-06-20 |
Family
ID=86199557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310376333.3A Active CN116090266B (zh) | 2023-04-11 | 2023-04-11 | 一种动力装置气路性能实时故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090266B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740384A (zh) * | 2024-02-07 | 2024-03-22 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能系统气路故障诊断装置及方法 |
CN115640741A (zh) * | 2022-09-21 | 2023-01-24 | 明光利拓智能科技有限公司 | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 |
-
2023
- 2023-04-11 CN CN202310376333.3A patent/CN116090266B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能系统气路故障诊断装置及方法 |
CN115640741A (zh) * | 2022-09-21 | 2023-01-24 | 明光利拓智能科技有限公司 | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 |
Non-Patent Citations (1)
Title |
---|
鞠红飞: ""航空发动机气路故障诊断的非线性滤波方法研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 031 - 991 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740384A (zh) * | 2024-02-07 | 2024-03-22 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
CN117740384B (zh) * | 2024-02-07 | 2024-04-16 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116090266B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109779894B (zh) | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 | |
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 | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN102680235B (zh) | 用于涡轮机的分析的方法和系统 | |
CN106055770B (zh) | 一种基于滑模理论的航空发动机气路故障诊断方法 | |
CN109857094A (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 | |
CN116090266B (zh) | 一种动力装置气路性能实时故障诊断方法 | |
EP1930568B1 (en) | Method and system for monitoring process states of an internal combustion engine | |
JP2018092511A (ja) | 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム | |
CN112861425A (zh) | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 | |
CN107977526B (zh) | 大涵道比民航发动机性能诊断方法及系统 | |
CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
CN109543279A (zh) | 一种基于动态模型的燃气轮机气路故障诊断方法 | |
US20220242592A1 (en) | System and method for monitoring an aircraft engine | |
JP2011090382A (ja) | 監視システム | |
CN107045575A (zh) | 基于自调整维纳模型的航空发动机性能模型建模方法 | |
Ganguli | Fuzzy logic intelligent system for gas turbine module and system fault isolation | |
CN116104663A (zh) | 一种火箭发动机故障诊断方法、装置及介质 | |
JP3922426B2 (ja) | ガスタービンの性能診断方法 | |
CN108681614B (zh) | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 | |
Borguet et al. | On-line transient engine diagnostics in a Kalman filtering framework | |
Herrera et al. | A comparative analysis of turbine rotor inlet temperature models | |
Visser et al. | A generic approach for gas turbine adaptive modeling | |
Wang et al. | Gas flow path fault diagnosis and sensor fault diagnosis for aeroengine based on fusion filter algorithm | |
KR20230009484A (ko) | 엔진의 이상 진단 방법, 엔진의 이상 진단 프로그램 및 엔진의 이상 진단 시스템 |
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 |