CN116429433A - 一种apu系统传感器与执行机构混合故障诊断方法 - Google Patents

一种apu系统传感器与执行机构混合故障诊断方法 Download PDF

Info

Publication number
CN116429433A
CN116429433A CN202310136468.2A CN202310136468A CN116429433A CN 116429433 A CN116429433 A CN 116429433A CN 202310136468 A CN202310136468 A CN 202310136468A CN 116429433 A CN116429433 A CN 116429433A
Authority
CN
China
Prior art keywords
fault
sensor
actuator
filter
mixed
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.)
Pending
Application number
CN202310136468.2A
Other languages
English (en)
Inventor
鲁峰
殷梓晗
王成玖
周鑫
黄金泉
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310136468.2A priority Critical patent/CN116429433A/zh
Publication of CN116429433A publication Critical patent/CN116429433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/02—Details or accessories of testing apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种APU系统传感器与执行机构混合故障诊断方法，包括：建立APU大范围线性动态模型；设计APU线性卡尔曼滤波器簇，滤波器簇中每个滤波器的输入依次去除其中一个执行机构和一个传感器量测值，同时在无故障时实时估计流量系数；计算各个滤波器对应的故障指示信号，通过混合故障诊断机制分析故障指示信号，诊断出没有输入任何故障执行机构和故障传感器量测值的滤波器、混合故障时段和故障元件；在没有输入任何故障量测值的滤波器上使用量测方程重构传感器故障值。本发明填补了APU系统在发生传感器与执行机构混合故障时诊断方法的空白，能在混合故障中区别开执行机构故障和传感器故障，也可以避免执行机构故障或传感器故障对流量系数估计的干扰。

Description

一种APU系统传感器与执行机构混合故障诊断方法
技术领域
本发明涉及APU故障诊断领域，尤其涉及执行机构与传感器混合故障诊断和重构以及流量系数的正确估计。
背景技术
辅助动力装置(APU)作为一套装载于飞机上的不依靠飞机外部能源，并且能够自成体系的小型燃气涡轮发动机，也是航空发动机体系中的一员。由于长期工作于高温高压的恶劣环境中，APU的部件和监测它们的传感器都非常容易发生故障，出于飞行的安全性和维修的经济性考虑，执行机构和传感器故障诊断也越来越引起人们的重视。
传感器是APU非常重要的元件，传感器量测值的准确性对于飞行控制系统和诊断系统而言都至关重要。提高传感器准确性和可靠性的途径一般有两种，硬件余度和解析余度。硬件余度就是使用额外的冗余机构来提供传感器余度，而解析余度则是在硬件余度发生故障时，根据研究对象的数学模型或网络模型提供一个估计参数，用估计参数作为余度值，代替故障的传感器量测值。
硬件余度虽然可靠性较高，提供的余度数值较为准确，但作为冗余机构，在飞行器的减重上并不占优势，同时，在高温高压环境下，冗余机构也有损坏的风险。解析余度的方法分为基于模型的方法和基于数据的方法。基于数据的方法一般采用人工神经网络和极限学习机的方法，通过对已有的传感器正常数据和故障数据进行训练，得到传感器的故障类型模型。而基于模型的方法主要采用卡尔曼滤波器进行估计。
执行机构的故障诊断也分为基于模型的方法和基于数据的方法，基于数据的方法一般采用执行机构的逆模型，通过训练网络使执行机构的输入量和输出量能够对应起来。基于模型的方法一般采用卡尔曼滤波器的方法进行估计。
现有技术的缺陷在于已有的方法可以实现对于传感器故障的单独诊断和执行机构故障的单独诊断，以及两种传感器发生故障时的诊断，但对于执行机构和传感器同时发生故障的情况缺乏有效的诊断方法，本发明的创新点就在于当执行机构和传感器发生混合故障时，可以诊断出两者各自发生故障的时段，以及同时发生故障的时段，能够得出故障元件，并且能够重构。
发明内容
本发明所要解决的技术问题是针对背景技术的缺陷，提供一种能对APU系统传感器与执行机构混合故障进行诊断的方法，并能够避免因执行机构和传感器故障而对流量系数估计产生的影响。
本发明为解决上述技术问题采用以下技术方案：
一种APU系统传感器与执行机构混合故障诊断方法，包括以下步骤：
步骤A)，建立有若干个执行机构和若干个传感器的APU大范围线性动态模型；
步骤B)，面向传感器和执行机构设计APU线性卡尔曼滤波器簇，滤波器簇中每个滤波器的输入依次去除其中一个执行机构和一个传感器量测值，同时在无故障时实时估计流量系数；
步骤C)，计算各个滤波器对应的故障指示信号，通过混合故障诊断机制分析故障指示信号，诊断出完全没有输入任何故障执行机构和故障传感器量测值的滤波器、混合故障时段和故障元件；
步骤D)，在完全没有输入任何故障执行机构和故障传感器量测值的滤波器上使用量测方程重构传感器故障值。
优选的，所述故障指示信号为使用滤波残差加权二乘方对滤波残差进行处理后得到的信号值。
优选的，所述混合故障诊断机制为：设定阈值；在混合故障时段，一个故障指示信号低于阈值，其余故障指示信号均超出阈值，据此判断出现了一个传感器和一个执行机构混合故障，该故障指示信号对应的滤波器同时缺少发生混合故障的执行机构和传感器的量测值，据此判断故障元件。
优选的，在发生混合故障的时段，将之前保存的未故障时的执行机构输出值作为故障执行机构的重构值，将重构后的执行机构输出值带入到量测方程控制量中，之前存储的未故障时的流量系数均值带入到量测方程状态量中，然后用量测方程重构出传感器故障量测值。
优选的，发生执行机构故障或传感器故障或是混合故障时，通过断开滤波器的方式来避免执行机构或传感器故障对于流量系数估计造成的影响。
优选的，所述卡尔曼滤波器簇采用分布式架构，所有滤波器为并行计算。
优选的，所述执行机构包括燃油流量和负载功率，所述传感器包括转速传感器、P3传感器、T3传感器、P5传感器和T5传感器。
优选的，当故障结束后，重新接回线性卡尔曼滤波器，继续更新流量系数；将之前保存的流量系数平均值与保存时的负载功率对应起来，下次运行到同样的负载功率上时，直接调用该平均值，不必花费额外的时间重新计算。
本发明采用以上技术方案与现有方案相比，具有以下技术效果：
(1)本发明针对APU系统传感器故障和执行机构故障同时发生的混合故障问题，滤波器簇采用分布式架构，通过分析故障指示信号，能够做到甄别出发生故障的执行机构和传感器，并且将执行机构发生故障的时间和传感器发生故障的时间区别开来，通过量测方程重构，能够确保输出值无故障。
(2)本发明通过断开卡尔曼滤波器，带入正常时刻估计的流量系数的方法，可以保持在整个仿真过程中流量系数的估计一直正常，不会受到执行机构故障和传感器故障的干扰，也可以据此利用量测方程对故障传感器值进行重构。
(3)本发明测试了在偏置故障和漂移故障两种故障类型下，以及流量系数是否发生退化两种状态下的诊断效果，对于不同的故障类型和不同的APU性能状态都能够做到诊断与重构。
附图说明
图1是APU系统传感器与执行机构混合故障诊断方法系统结构图；
图2是无退化时执行机构和P3传感器双偏置故障WSSR信号仿真图，其中(a)-(j)分别为WSSR1-10信号；
图3是无退化时执行机构和P3传感器双偏置故障P3重构效果图；
图4是无退化时执行机构和P3传感器双偏置故障流量系数变化图；
图5是无退化时执行机构故障和P3传感器漂移故障WSSR信号仿真图；
图6是无退化时执行机构故障和P3传感器漂移故障P3重构效果图；
图7是无退化时执行机构故障和P3传感器漂移故障流量系数变化图；
图8是TW退化时执行机构和P3传感器双偏置故障WSSR信号仿真图；
图9是TW退化时执行机构和P3传感器双偏置故障P3重构效果图；
图10是TW退化时执行机构和P3传感器双偏置故障流量系数变化图；
图11是TW退化时执行机构故障和P3传感器漂移故障WSSR信号仿真图；
图12是TW退化时执行机构故障和P3传感器漂移故障P3重构效果图；
图13是TW退化时执行机构故障和P3传感器漂移故障流量系数变化图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明的思路是使用小扰动法建立状态变量模型，在此基础上构建包含流量系数的增广状态变量模型，在多个工作点构建增广状态变量模型后，得到大范围线性动态模型。以大范围线性动态模型作为基础，使用线性卡尔曼滤波器的方法，构造卡尔曼滤波器簇，该滤波器簇包含有10个滤波器，每个滤波器的输入依次去除其中一个执行机构和一个传感器，得到特定用于监测被去除的执行机构和传感器的滤波器。将滤波器输出值与实际量测值的残差通过残差加权二乘方的方式进行处理得到故障指示信号，既没有输入故障执行机构也没有输入故障传感器的滤波器WSSR信号会低于多次试取得到的阈值，其他滤波器WSSR信号分别会在对应故障时段超过阈值，这样就能判断出故障元件和故障时段。在故障时段断开滤波器，利用量测方程进行重构。
本发明的具体实施方式是以某型APU模型为研究对象，本发明说明的一种APU系统传感器与执行机构混合故障诊断，具体包括以下步骤：
步骤A)，在多个工作点构建APU增广状态变量模型，采用转速调度建立2个执行机构输入量和5个传感器输出量的大范围线性动态模型；
步骤B)，构建卡尔曼滤波器簇，诊断对象是传感器与执行机构的混合故障，针对APU系统拥有的2个执行机构和5个传感器，每个滤波器需要依次去除其中一个执行机构和传感器，同时实时估计流量系数，在未检测到故障时，缓存器中始终储存最近20步的流量系数均值。因此滤波器簇内设计有10个线性卡尔曼滤波器，每个滤波器都会输出一个故障指示信号，使用残差加权二乘方的方法分析全部10个故障指示信号，10个故障指示信号根据输入滤波器的执行机构和传感器的不同，超出检测阈值的时段分别能诊断出执行机构故障时段、传感器故障时段以及两者的混合故障时段，只有一个滤波器在仿真时间内低于阈值。当检测到执行机构或是传感器发生故障时，断开故障滤波器进行故障隔离。在发生执行机构和传感器混合故障的时段，将之前保存的未故障时的执行机构输出值作为故障执行机构的重构值，将重构后的执行机构输出值带入到量测方程控制量中，之前存储的未故障时的最近20步流量系数均值带入到量测方程状态量中，然后用量测方程重构出传感器故障量测值。这种方法在发生执行机构和传感器的混合故障时，能够重构执行机构和传感器的故障信号值，也能避免两者的故障对流量系数估计的影响；
步骤B1)，经由线性化步骤，得到由系数矩阵和稳态基点插值表组成的线性动态模型。通过用负载功率和转速进行的插值，得到了当前状态下的系数矩阵和稳态基点。由于APU只有一个轴，因此必须确认转速是否有故障，否则可能会使用错误的转速进行插值。若上一步没有故障，就使用转速传感器的量测值进行插值，如果上一步有故障，就得使用上一步重构后的转速进行插值。
步骤B2)，当APU系统没有侦测到故障的情况下，根据线性卡尔曼滤波算法实时计算当前时刻的流量系数数值，进行流量系数的更新。执行机构和传感器发生混合故障时，滤波器错误的执行机构输入或是跟踪一个错误的量测值，都会影响到流量系数的估计，估计出错误的流量系数。当执行机构和传感器混合故障诊断系统检测到执行机构或传感器发生故障时，卡尔曼滤波器断开，流量系数不再更新，而是自动用最近20步的流量系数数值求均值，将该均值作为正确的流量系数带入扩展的量测方程中参与计算，执行机构的重构则是用无故障时的执行机构输出值作为重构值。以公式表现执行机构与传感器混合故障的重构如下：
Δy＝CΔxreal+DΔureal+υ
Δureal＝(ΔWfreal,ΔPWreal)
Δxreal＝(Δn,ΔCWreal,ΔTWreal)
式中的Δxreal是带入未故障时的流量系数均值后的状态量向量，Δureal是未故障时的控制量向量，ΔCWreal是未故障时的压气机流量系数，ΔTWreal是未故障时的涡轮流量系数，ΔWfreal是未故障时的燃油流量，ΔPWreal是未故障时的负载功率。执行机构与传感器混合故障时，先重构执行机构，用未故障时的执行机构输出量重构执行机构的故障值，之后重构传感器故障信号时，将已经重构好的执行机构输出量带入到量测方程的控制量中，之前保存的未故障时的流量系数均值带入量测方程状态量，在混合故障发生过程中依赖大范围线性动态模型的计算结果重构出正确的量测值，这样也可以避免执行机构故障或是传感器故障对流量系数估计的影响。
当故障诊断隔离与重构系统认为故障结束后，重新接回线性卡尔曼滤波器，继续更新流量系数。将之前保存的流量系数平均值与保存时的负载功率对应起来，下次运行到同样的负载功率上时，直接调用该平均值，不必花费额外的时间重新计算。
步骤B2)中在执行机构和传感器发生故障时，通过断开滤波器的方式来避免执行机构和传感器故障对于流量系数估计造成的影响，在执行机构和传感器正常时保存流量系数，断开滤波器后将正常的流量系数带入量测方程参与重构故障值。
步骤B3)，故障隔离机制在于传感器有不为0的测量噪声，所以传感器的量测值和卡尔曼滤波器的估计值也会不一致，通过状态变量方程给出定义：
Figure BDA0004086098260000061
Figure BDA0004086098260000062
WSSR＝eiT(∑i)-1ei
其中上标i表示第i个滤波器，Δyi k为量测值Δyk去除掉第i行后的子集，
Figure BDA0004086098260000063
为Δyi k的估计值；Ci、Di为矩阵C、D去除掉第i行后剩余的部分。将ei定义为第i个滤波器的滤波残差。
这些滤波残差包含有执行机构和传感器故障的信息，所以当发生执行机构和传感器故障时，滤波残差也将随之改变。使用滤波残差加权二乘方eiT(∑i)-1ei对滤波残差进行处理，并将该公式命名为故障指示信号WSSR。其中，∑i＝diag[σi]2，向量σi为第i个传感器子集的标准偏差。
无故障发生时，传感器量测值与滤波器估计值会十分接近，所以WSSR信号也会较小。当某个传感器发生故障时，滤波器估计值要跟踪上故障量测值需要一点时间，此时，WSSR信号会迅速变大。通过设定合理的阈值，可以检测出故障是否发生。
为了诊断传感器与执行机构的混合故障，一共设立10个卡尔曼滤波器，其中每一个滤波器都去除一个执行机构输出量和一个APU传感器量测值，1号滤波器到5号滤波器均去除燃油流量输入量，从1号滤波器到5号滤波器再依次去除转速传感器、P3传感器、T3传感器、P5传感器和T5传感器，对应输出的滤波残差数值命名为WSSR1到WSSR5。6号滤波器到10号滤波器均去除负载功率输入量，从6号滤波器到10号滤波器再依次去除转速传感器、P3传感器、T3传感器、P5传感器和T5传感器，对应输出的滤波残差数值命名为WSSR6到WSSR10。
由传感器与执行机构混合故障诊断与隔离原理可知，10个滤波器中只有一个滤波器完全没有使用到任何故障执行机构或是故障传感器，这个滤波器的滤波残差数值因此维持在一个较小值，其余9个滤波器均会在对应故障时段超出阈值。在设定诊断逻辑时，以P3传感器和负载功率为例，设定P3传感器和负载功率在某一时间段发生混合故障，则WSSR7信号保持在较小值，WSSR1、WSSR3、WSSR4、WSSR5同时输入了2个故障信号，因此负载功率和P3传感器的故障均能够检测到，故障指示信号在这两种故障发生的时间段均会超过阈值。WSSR2信号只使用了错误的执行机构输入量，但使用了正确的APU传感器信号，因此只会在负载功率出现故障的时段内超过阈值。WSSR6、WSSR8、WSSR9、WSSR10滤波器只使用了错误的APU传感器信号，执行机构的信号输入仍然正确，因此它们会在传感器发生故障的时段内超过阈值。通过WSSR信号的4种不同表现类型，能够综合判断出执行机构和APU传感器的故障情况。将WSSR信号分为两组，以判断P3传感器故障为例，WSSR1、WSSR3、WSSR4、WSSR5和WSSR7为一组，WSSR6、WSSR8、WSSR9、WSSR10和WSSR2为一组，每一组中前4个信号大于阈值而最后一个信号小于阈值，且另一组最后一个信号也大于阈值时，能够诊断出发生了执行机构故障或传感器故障。而WSSR2和WSSR7两个故障指示信号中，只有一个全程低于阈值，另一个会在执行机构发生故障时超过阈值，这样就能把完全不受执行机构和APU传感器故障影响的滤波器给找出来，即WSSR2或WSSR7信号小于阈值，且其余9个故障指示信号均大于阈值时，能够诊断出发生了执行机构与传感器混合故障。
判断P3传感器或是执行机构发生故障(即系统中存在故障)的公式可以表达如下，当满足
WSSR1＞a
WSSR3＞a
WSSR4＞a
WSSR5＞a
WSSR7<a
WSSR2>a
其中a为检测阈值，能够诊断出7号滤波器是完全没有输入任何故障执行机构和故障传感器的滤波器，重构应在7号滤波器上使用量测方程重构传感器故障值。WSSR7低于阈值，而WSSR2高于阈值，可知发生故障的执行机构是负载功率，WSSR1、WSSR3、WSSR4、WSSR5超过阈值的时段是执行机构或传感器发生故障的时段，WSSR2超过阈值时段是执行机构发生故障时段，WSSR6、WSSR8、WSSR9、WSSR10超过阈值时段是传感器发生故障时段，这样就能把执行机构的故障与传感器故障给区别开来。
当满足
WSSR6>a
WSSR8>a
WSSR9>a
WSSR10>a
WSSR2<a
WSSR7>a
其中a为检测阈值，能够诊断出2号滤波器是完全没有输入任何故障执行机构和故障传感器的滤波器，重构应在2号滤波器上使用量测方程重构传感器故障值。WSSR2低于阈值，而WSSR7高于阈值，可知发生故障的执行机构是燃油流量，WSSR6、WSSR8、WSSR9、WSSR10超过阈值的时段是执行机构或传感器发生故障的时段，WSSR7超过阈值时段是执行机构发生故障时段，WSSR1、WSSR3、WSSR4、WSSR5超过阈值时段是传感器发生故障时段，这样就能把执行机构的故障与传感器故障给区别开来。
当某一时间段内，满足WSSR2＜a或是WSSR7＜a，且其他9个故障指示信号全部大于检测阈值，就表明在该段时间内，发生的故障是传感器与执行机构的混合故障，传感器与执行机构在这段时间内同时发生了故障。WSSR2＜a时，该段时间内是燃油流量执行机构和P3传感器发生混合故障；WSSR7＜a时，该段时间内是负载功率执行机构和P3传感器发生混合故障。
当满足
WSSR1＞a WSSR6＜a
WSSR2＞a WSSR7＜a
WSSR3＞a WSSR8＜a
WSSR4＞a WSSR9＜a
WSSR5＞a WSSR10＜a
其中a为检测阈值，能够诊断出6-10号滤波器均没有输入故障值，1-5号滤波器均有故障值输入，可以诊断出，满足当前条件时，APU系统仅有负载功率执行机构发生故障。可以据此总结出一般结论，当仅发生执行机构故障时，低于阈值的滤波器的故障指示信号数量为模型拥有的传感器的数量。当满足
WSSR1＞a WSSR2＜a
WSSR3>a WSSR7<a
WSSR4>a
WSSR5>a
WSSR6>a
WSSR8>a
WSSR9>a
WSSR10>a
其中a为检测阈值，能够诊断出2号和7号滤波器没有输入故障值，其余滤波器均有故障值输入，可以诊断出，满足当前条件时，APU系统仅有P3传感器发生故障。可以据此总结出一般结论，当仅发生传感器故障时，低于阈值的滤波器的故障指示信号数量为模型拥有的执行机构的数量。
为了避免偶发干扰因素的影响，设定3步诊断的规则，从满足上述公式的时刻起，这一时刻后连续3个采样步长都满足上述公式，才认为传感器故障或是执行机构故障开始发生。
步骤B3)中卡尔曼滤波器簇采用分布式架构，10个滤波器为并行计算，不会造成延时的问题。并且通过对10组故障指示信号和阈值关系的分析，可以将执行机构发生故障的时间和传感器发生故障的时间区别开来，在混合故障诊断中正确区分执行机构故障和传感器故障。
步骤C)，评估APU系统传感器与执行机构混合故障诊断方法的效果，为了体现APU系统发生的是混合故障，执行机构故障比传感器故障早10秒出现，两种故障都持续20秒后撤销，所以中间有10秒时间发生的是执行机构和传感器的混合故障。设计的仿真评估实验包括以下情况，执行机构发生的故障均为偏置故障，传感器发生的故障分为偏置故障和漂移故障两种情况进行验证，流量系数分为不退化和发生退化两种情况进行验证，通过这四种情况，验证在故障指示信号超过阈值的时段内，故障诊断与重构系统的效果。
步骤C1)，仿真时设定负载功率发生向上的偏置故障，在负载功率发生故障的10秒后，P3传感器也发生偏置故障，此时即为执行机构和传感器同时发生故障的混合故障情况，两者均在发生故障20秒后撤销故障，流量系数不发生退化，仿真给出故障指示信号效果图，P3传感器重构效果图和流量系数的估计结果图。
步骤C2)，仿真时设定负载功率发生向上的偏置故障，在负载功率发生故障的10秒后，P3传感器发生漂移故障，以一个固定速率增加漂移故障量，此时即为执行机构和传感器同时发生故障的混合故障情况，两者均在发生故障20秒后撤销故障，流量系数不发生退化，仿真给出故障指示信号效果图，P3传感器重构效果图和流量系数的估计结果图。
步骤C3)，仿真时设定负载功率发生向上的偏置故障，在负载功率发生故障的10秒后，P3传感器也发生偏置故障，此时即为执行机构和传感器同时发生故障的混合故障情况，两者均在发生故障20秒后撤销故障，流量系数中的涡轮流量系数退化0.01，仿真给出故障指示信号效果图，P3传感器重构效果图和流量系数的估计结果图。
步骤C4)，仿真时设定负载功率发生向上的偏置故障，在负载功率发生故障的10秒后，P3传感器发生漂移故障，以一个固定速率增加漂移故障量，此时即为执行机构和传感器同时发生故障的混合故障情况，两者均在发生故障20秒后撤销故障，流量系数中的涡轮流量系数退化0.01，仿真给出故障指示信号效果图，P3传感器重构效果图和流量系数的估计结果图。
步骤C)中对于执行机构发生偏置故障情况下，传感器发生偏置故障或是漂移故障，以及流量系数是否发生退化的情况都做了仿真分析，说明该混合故障诊断方法具有普适性，在不同的故障类型以及APU系统性能衰退情况下均可以诊断。
为了验证本发明所设计的APU系统传感器与执行机构混合故障诊断方法的有效性，在Simulink软件环境中进行地面点故障诊断仿真实验。其中APU系统传感器与执行机构混合故障诊断方法的系统结构图如图1所示。
仿真设置在地面点条件下，仿真时间设定在50秒，在仿真时间内，负载功率维持在0kW保持不变。本发明分为4种情况对APU系统传感器与执行机构混合故障诊断方法的效果进行验证。
(1)无退化时P3传感器偏置故障仿真
仿真时间设定为50秒，故障信号为负载功率和P3传感器，其中负载功率在10秒到30秒内向上偏置20kW，P3传感器在20秒到40秒内向上偏置3％。流量系数无退化。负载功率正常数值维持在0kW。图2是10个WSSR信号的效果图，图3是P3传感器重构效果图，图4是输出重构量测值的滤波器的流量系数估计情况。
(2)无退化时P3传感器漂移故障仿真
仿真时间设定为50秒，故障信号为负载功率和P3传感器，其中负载功率在10秒到30秒内向上偏置20kW，P3传感器在20秒到40秒内变化规律为y＝y+0.0015*y*(t-20)。流量系数无退化。负载功率正常数值维持在0kW。图5是10个WSSR信号的效果图，图6是P3传感器重构效果图，图7是输出重构量测值的滤波器的流量系数估计情况。
(3)TW退化时P3传感器偏置故障仿真
流量系数TW增加0.01，其余仿真条件设定与(1)一致。图8是10个WSSR信号的效果图，图9是P3传感器重构效果图，图10是输出重构量测值的滤波器的流量系数估计情况。
4)TW退化时P3传感器漂移故障仿真
流量系数TW增加了0.01，其余仿真设定均与(2)中一致。图11是10个WSSR信号的效果图，图12是P3传感器重构效果图，图13是输出重构量测值的滤波器的流量系数估计情况。
效果图以(1)为例，从图中可以看出，同时去除了负载功率输入量和P3传感器量测值的7号滤波器输出的故障指示信号始终保持在较低值。针对P3传感器进行重构时，可以先任意选择2号滤波器或是7号滤波器提供重构输出值，本文中选择了7号滤波器。10秒之前，2号滤波器和7号滤波器都输出无故障信号，P3传感器按原值输出，第10秒开始，7号滤波器能够检测到故障发生，2号滤波器不能检测到故障发生，判断两者的WSSR信号，WSSR2超过阈值，而WSSR7低于阈值，所以继续选择7号滤波器输出重构值，若原先选择2号滤波器此时需要切换回7号滤波器。检测到故障发生时，卡尔曼滤波器被断开，带入故障前的流量系数值继续进行计算，在故障持续期间，输出重构值，检测到40秒故障结束时，则输出原值。
需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，包括以下步骤：
步骤A)，建立有若干个执行机构和若干个传感器的APU大范围线性动态模型；
步骤B)，面向传感器和执行机构设计APU线性卡尔曼滤波器簇，滤波器簇中每个滤波器的输入依次去除其中一个执行机构和一个传感器量测值，保留其它执行机构和传感器量测值，同时在无故障时实时估计流量系数；
步骤C)，计算各个滤波器对应的故障指示信号，通过混合故障诊断机制分析故障指示信号，诊断出完全没有输入任何故障执行机构和故障传感器量测值的滤波器、混合故障时段和故障元件；
步骤D)，在完全没有输入任何故障执行机构和故障传感器量测值的滤波器上使用量测方程重构传感器故障值。
2.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，所述故障指示信号为使用滤波残差加权二乘方对滤波残差进行处理后得到的信号值。
3.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，所述混合故障诊断机制为：设定阈值；在混合故障时段，一个故障指示信号低于阈值，其余故障指示信号均超出阈值，据此判断一个传感器和一个执行机构混合故障，该故障指示信号对应的滤波器同时缺少发生混合故障的执行机构和传感器的量测值，据此判断故障元件。
4.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，在发生混合故障的时段，将之前保存的未故障时的执行机构输出值作为故障执行机构的重构值，将重构后的执行机构输出值带入到量测方程控制量中，之前存储的未故障时的流量系数均值带入到量测方程状态量中，然后用量测方程重构出传感器故障量测值。
5.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，发生执行机构故障或传感器故障或是混合故障时，通过断开滤波器的方式来避免执行机构或传感器故障对于流量系数估计造成的影响。
6.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，所述卡尔曼滤波器簇采用分布式架构，所有滤波器为并行计算。
7.根据权利要求1所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，所述执行机构包括燃油流量和负载功率，所述传感器包括转速传感器、P3传感器、T3传感器、P5传感器和T5传感器。
8.根据权利要求5所述的一种APU系统传感器与执行机构混合故障诊断方法，其特征在于，当故障结束后，重新接回线性卡尔曼滤波器，继续更新流量系数；将之前保存的流量系数平均值与保存时的负载功率对应起来，下次运行到同样的负载功率上时，直接调用该平均值。
CN202310136468.2A 2023-02-20 2023-02-20 一种apu系统传感器与执行机构混合故障诊断方法 Pending CN116429433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310136468.2A CN116429433A (zh) 2023-02-20 2023-02-20 一种apu系统传感器与执行机构混合故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310136468.2A CN116429433A (zh) 2023-02-20 2023-02-20 一种apu系统传感器与执行机构混合故障诊断方法

Publications (1)

Publication Number Publication Date
CN116429433A true CN116429433A (zh) 2023-07-14

Family

ID=87078554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310136468.2A Pending CN116429433A (zh) 2023-02-20 2023-02-20 一种apu系统传感器与执行机构混合故障诊断方法

Country Status (1)

Country Link
CN (1) CN116429433A (zh)

Similar Documents

Publication Publication Date Title
CN110118128B (zh) 微型燃气轮机传感器故障诊断和容错控制方法
Kobayashi et al. Application of a bank of Kalman filters for aircraft engine fault diagnostics
Marinai et al. Prospects for aero gas-turbine diagnostics: a review
JP4149899B2 (ja) システム上で診断を行うための方法
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
CA3023957C (en) Controlling a gas turbine considering a sensor failure
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
Zhang et al. Robust fault diagnosis of aircraft engines: A nonlinear adaptive estimation-based approach
Kobayashi et al. Evaluation of an enhanced bank of Kalman filters for in-flight aircraft engine sensor fault diagnostics
CN109325293B (zh) 一种基于相关性模型的多故障诊断方法
Xin et al. Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine
Simon et al. Benchmarking gas path diagnostic methods: a public approach
Sankavaram et al. An integrated health management process for automotive cyber-physical systems
Yang et al. Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis
Li et al. Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence
Lu et al. Application of autoassociative neural network on gas-path sensor data validation
CN110991024A (zh) 一种航空发动机控制系统并发故障下的气路部件突变监测方法
Wei et al. Aircraft engine sensor fault diagnostics based on estimation of engine's health degradation
Ogaji et al. Novel approach for improving power-plant availability using advanced engine diagnostics
CN116429433A (zh) 一种apu系统传感器与执行机构混合故障诊断方法
CN116578055A (zh) 一种apu及控制系统动态过程传感器故障诊断的方法
CN112749789A (zh) 基于自联想型神经网络的航空发动机多重故障诊断器
Yang et al. An IMM-GLR approach for marine gas turbine gas path fault diagnosis
CN112801267A (zh) 动态阈值的航空发动机多重故障诊断器
Li et al. Multiple fault diagnosis of aeroengine control system based on autoassociative neural network

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