CN116451484A - 一种发动机气路故障模拟方法、装置、电子设备和存储介质 - Google Patents
一种发动机气路故障模拟方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116451484A CN116451484A CN202310431029.4A CN202310431029A CN116451484A CN 116451484 A CN116451484 A CN 116451484A CN 202310431029 A CN202310431029 A CN 202310431029A CN 116451484 A CN116451484 A CN 116451484A
- Authority
- CN
- China
- Prior art keywords
- engine
- parameter
- state
- gas circuit
- model
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000002485 combustion reaction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 90
- 238000004590 computer program Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000003416 augmentation Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101001064468 Pseudozyma aphidis (strain ATCC 32657 / CBS 517.83 / DSM 70725 / JCM 10318 / NBRC 10182 / NRRL Y-7954 / St-0401) Lipase A Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/083—Safety, indicating, or supervising devices relating to maintenance, e.g. diagnostic device
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本公开提供一种发动机气路故障模拟方法、装置、电子设备和存储介质,向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息,所述发动机气路故障模拟模型模拟的确定方法包括:向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数;获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数;若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。基于此,可以对发动机故障进行精确地诊断以及预测,从而提升航空发动机的运行安全,以及航空发动机的使用寿命。
Description
技术领域
本公开涉及发动机领域,尤其涉及一种发动机气路故障模拟方法、装置、电子设备和存储介质。
背景技术
航空发动机气路故障是指航空发动机零部件表面的腐蚀、侵蚀、密封件损坏,导向叶片偏离额定位置、积污、疲劳、外物打伤等,会使发动机部件的结构尺寸发生变化,引起发动机部件性能衰退或恶化,以至于不能安全可靠地工作而产生故障。
当前气路分析和性能趋势跟踪的方法已经取得了不少成效明显的研究成果,但依然存在着许多亟待解决的难题。现有的发动机气路故障诊断和监测技术通常需要大量详细的故障履历资料,工程中经常使用的故障履历是发动机真实运行时的故障数据,或者通过故障仿真实验获得数据,但这些资料所包含的故障类型有限,并且对于新研发的发动机缺少现成的足够的故障资料。
发明内容
根据本公开的一方面,提供了发动机气路故障模拟方法,向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息,所述发动机气路故障模拟模型模拟的确定方法包括:
向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数;
获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数;
若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。
根据本公开的另一方面,提供了发动机气路故障模拟装置,包括:
模拟模块,用于向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息;
确定模块,用于向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数,获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数,若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。
根据本公开的另一方面,提供了一种电子设备,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
根据本公开的另一方面,提供了一种非瞬时计算机可读存储介质,用于存储有计算机指令,所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
本公开实施例中提供的一个或多个技术方案中,在向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在故障状态下的气路故障信息,发动机气路故障模拟模型模拟的确定方法包括:通过向虚拟发动机非线性模型输入发动机驱动参数,可以获得发动机的预测运行状态参数;并获取物理发动机在发动机驱动参数驱动下的实际运行状态参数;若实际运行状态参数与预测运行状态参数匹配,确定虚拟发动机非线性模型为发动机气路故障模拟模型。可见,本公开示例性实施例可以基于通过对比虚拟发动机非线性模型与物理发动机在同样的发动机驱动参数下所产生的状态参数,获得发动机气路故障模拟模型,该发动机气路故障模拟模型可以真实地模拟出物理发动机在真实场景下的动作状况,从而实现典型故障模型化,基于此,可以对发动机故障进行精确地诊断以及预测,从而提升航空发动机的运行安全,以及航空发动机的使用寿命。并且,通过发动机在故障状态下的模拟,可深化对发动机内部运行本质和规律的认识,提前暴露可能出现的故障、发现设计缺陷,大幅提高研制效率和质量,减少实物试验反复,降低研制风险和成本,从而加快研制进程。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1示出了本公开示例性实施例的发动机气路故障模拟方法流程图;
图2示出了本公开示例性实施例的发动机部件级气路故障模拟模型故障注入计算流程示意图;
图3示出了本公开示例性实施例的卡尔曼滤波器对风扇效率的预测效果;
图4示出了本公开示例性实施例的卡尔曼滤波器对高压涡轮流量的预测效果;
图5示出了本公开示例性实施例的发动机气路故障模拟的模块示意性框图;
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
在实际应用中,航空发动机气路故障主要是指航空发动机零部件表面受到腐蚀、侵蚀或者密封件损坏,以及导向叶片偏离额定位置、或者导向叶片表面积污、遭受外物打伤等,基于上述问题会使得发动机部件的结构尺寸发生变化,从而引起发动机部件性能衰退或恶化,导致不能安全可靠地工作而产生故障。
目前有很多种气路分析和性能趋势跟踪的方法,上述多种方法的基本原理是相同的,大多为发动机发生故障或退化后,发动机将与发动机出厂时的额定工作状态存在较大的差异。此时,传感器测量到的发动机各气路部件参数,例如,气体温度、压力、流量、转子转速、工作效率、几何面积等将发生变化。可见,气路分析和性能趋势跟踪的能够准确的实现的前提就是从这些变化的参数中获得发动机的健康状况。
通常发动机气路故障诊断和监测技术通常需要大量详细的故障履历资料,工程中经常使用的故障履历是发动机真实运行时的故障数据,或者通过故障仿真实验获得数据。这些资料所包含的故障类型有限,并且对于新研发的发动机缺少现成的足够的故障资料。基于此,通过数值仿真发动机故障来获取发动机故障数据是弥补故障资料不足的途径之一,也避免了成本较高的气路故障实验。
现有技术中大都是通过搭建试验平台,模拟发动机气路故障,通过气路中金属或非金属颗粒的静电信号得到故障数据,然而试验台环境与真实发动机工作环境有一定差别,并且试验台中限制了研究对象发动机大小等相关条件,即只能针对特性型号发动机气路故障进行模拟,同时能够进行模拟的故障形式较少。
针对上述问题,本公开示例性实施例提供一种发动机气路故障模拟方法,能够基于状态估计的预测算法在发动机非线性模型、状态变量模型和增广状态变量模型基础上采用卡尔曼滤波算法,并通过最小化发动机模型和测量值之间的误差获取用于预报未来的特征参数;在部件级模型的基础上,引入用于表示各部件由于蜕化或者故障导致的特征参数蜕化量,进行故障注入,实现典型故障模型化,通过模型仿真,生成故障数据,将成为航空发动机气路故障模拟的一种重要手段。
图1示出了本公开示例性实施例的发动机气路故障模拟方法流程图。如图1所示,本公开示例性实施例的方法包括:
向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在故障状态下的气路故障信息,发动机气路故障模拟模型模拟的确定方法包括:
步骤101:向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数。其中,对于虚拟发动机非线性模型输入发动机驱动参数可以包括主燃烧室供油量参数以及发动机叶片喉道面积参数。其中,主燃烧室供油量是用来供给、调节发动机在各种工作条件和各种工作状态下所需的燃油,以保证发动机安全可靠地工作,并充分发挥其性能;而喉道面积指的是燃气流经导向器的收敛形通道中最小排气边面积,也可以称为导向器喉道面积,涡轮导向器喉道面积的大小直接影响发动机的性能。
示例性的,虚拟发动机非线性模型为可以发动机部件级非线性模型,发动机气路故障模拟模型为可以发动机部件级气路故障模拟模型,并且可以基于发动机气路故障模拟模型监视发动机的健康状态。
举例来说,首先分析发动机的整机模型,进而根据部件法构建发动机的各部分计算模型,用一组非线性气动热力学数学方程来描述发动机,并遵循流量连续、功率平衡以及转子动力学原理求解非线性工作方程组,实现对于发动机动、稳态工作过程的仿真。
在实际应用中,可以以发动机部件特性数据为依据,按部件间的共同工作关系来建立发动机数学模型,并根据发动机结构,对发动机进行合理的部件模块划分;依据部件特性,根据各个部件工作工程中所遵循的气动热力学原理,建立各个部件模块的气动热力学模型;并遵循流量平衡与功率平衡,根据各部件间的共同工作关系,建立各个部件共同工作的方程组;进而选择适当的数值解法对共同工作方程组进行求解,从而构建发动机部件级气路故障模拟模型。
图2示出了本公开示例性实施例的发动机部件级气路故障模拟模型故障注入计算流程示意图。如图2所示发动机部件级气路故障模拟模型可以包括进气装置、压气机、燃烧室、燃气涡轮、动力涡轮以及喷管等部件。
其中,进气装置的作用为利用进口气流的动能来压缩流向发动机的空气,在压气机进口形成均匀的压力场和速度场。并且,进气装置属于燃气轮机的辅机系统,用来处理进入发动机的空气,滤除杂质,在空气从进气道流入发动机时,空气温度不变,但会有一定的压力损失。
压气机的作用是压缩气体,使压气机出口即燃烧室进口的气体总压达到有利于燃烧的压力。在发动机部件级气路故障模拟模型中对于压气机部件的输入可以为压气机进口温度、压力、转速、压比系数,输出可以为压气机出口的温度、压力、压气机功率以及压气机出口空气流量等参数。并可以根据压气机特性图对压气机换算转速和压比系数进行插值,可以获得压气机的压比、流量和效率。对于压气机设计点,可以引入耦合系数的定义,即使得实际装机压气机的设计点与部件设计点在特性图上通过比例缩放的形式达到重合,其中耦合系数可以包括压比耦合系数、效率耦合系数以及流量耦合系数。
燃烧室是核心机的重要组成部分,可以将化学能转化为热能。当经过压气机增压后的空气流入燃烧室中,在燃烧室内空气和燃油混合燃烧生成高温高压气体后流向燃气涡轮膨胀做功。在发动机部件级气路故障模拟模型中对于燃烧室部件可以通过压气机出口空气质量流量、主燃油流量、燃烧室效率和总压恢复系数计算燃烧室出口的总温以及总压。其中,燃烧室效率以及总压恢复系数为已知系数。
燃气涡轮是燃气发生器的最后面一个部件,作用是在高温高压燃气作用下高速旋转,将燃气中的部分热能和压力能转化为机械能,带动压气机和附件工作。
动力涡轮可以包括高压涡轮以及低压涡轮,其中,高压涡轮是将燃气的热能转化为涡轮机械能的装置。可以将从燃烧室出来的高温高压气体的热能转换为高压涡轮转子的机械能,该机械能用来供给压气机转子转动所需用的功率。与压气机相似,首先根据设计点数据对特性进行修正,然后根据进口数据级气动热力方程计算燃气涡轮出口参数。低压涡轮与高压涡轮类似,在此不做赘述。
喷管主要功用为排气。
上述发动机部件级气路故障模拟模型的建模方法是根据各个部件的特征以及各部件的工作原理,利用已知外部环境参数和燃气轮机输入参数,从进气装置开始,以上一截面的输出作为下一截面的输入,按气体流程逐个截面的进行计算,最终将各部件连成一个整体。而部件之间应满足共同工作要求,表现为前后两部件间流量连续,同一截面上压力平衡以及同一轴上的两个部件功率平衡等。如果部件间不满足共同工作条件,则沿流程的气体热力计算无法进行,因此要确定部件协调工作时需满足的方程,即共同方程。
基于此,当上述任一部件发生故障时,可以结合发动机的驱动参数,对发动机部件级气路故障模拟模型进行故障注入,进而获取发动机各个部件的预测运行状态参数,其中,预测运行状态参数可以为故障时候虚拟发动机非线性模型在故障时候的运行参数,也可以为预测后续状态的预测运行状态参数。
在实际应用中,如图2所示,当发生突发故障或者部件老化等的情况时,首先获取部件的特性故障因子,可以为压气机故障特性因子,也可以为燃气涡轮故障特性因子,还可以为动力涡轮故障特性因子等,进而,基于将部件的特性故障因子注入虚拟发动机非线性模型中,并对部件协调工作时满足共同方程进行求解。
步骤102:获取物理发动机在发动机驱动参数驱动下的实际运行状态参数。
示例性的,基于同样的驱动参数对物理发动机进行驱动,获取物理发动机各个部件的实际运行参数。其中,物理发动机为真实的发动机。
步骤103:若实际运行状态参数与预测运行状态参数匹配,确定虚拟发动机非线性模型为发动机气路故障模拟模型,此时,判断仿真结束,结束计算,并生成故障数据。此时,虚拟发动机非线性模型的预测运行状态参数与物理发动机的实际运行状态参数一致。
如图2所示,可以基于对共同方程的求解,获得发动机相关状态参数,进而判断发动机相关状态参数是否收敛,若发动机相关状态参数不收敛,则对各个部件的参数进行修正,若发动机相关状态参数收敛,则对负载功率进行计算,进而基于转子动力学计算下一时刻的转速,并确定实际运行状态参数与预测运行状态参数是否匹配。
若实际运行状态参数与预测运行状态参数不匹配,可以对输入参数进行修正,基于修正后参数的进行参数初始化,并重新进行故障因子注入仿真。在此过程中,还可以基于实际运行状态参数和预测运行状态参数确定运行状态的误差信息;并基于运行状态的误差信息和发动机驱动参数确定发动机蜕化参数,基于发动机蜕化参数更新虚拟发动机非线性模型。其中,运行状态的误差信息包括发动机运行状态误差值和发动机运行状态的误差值积分结果,而运行状态的误差信息包括:风扇状态参数的预测数值与风扇状态参数的稳态响应点数值的误差信息、压气机状态参数的稳态响应点数值的误差信息、涡轮状态参数的稳态响应点数值的误差信息中的至少一种。
示例性的,风扇状态参数包括风扇的转速参数、风扇的出口参数中的至少一种;压气机状态参数包括压气机的转速参数、压气机的出口参数中的至少一种;涡轮状态参数包括涡轮出口总温度、涡轮流量中的至少一种。基于运行状态的误差信息和发动机驱动参数确定发动机蜕化参数,包括:采用卡尔曼滤波模型对运行状态的误差信息和发动机驱动参数进行处理,获得发动机蜕化参数。
本公开示例性实施例还包括基于改进卡尔曼滤波器的自适应模型,其中,自适应模型可以由若干功能模块,而卡尔曼滤波器是发动机自适应模型的重要组成部分,卡尔曼滤波器可以根据发动机与线性模型输出参数之间的残差,估计出状态变量与不可测的部件健康参数。并且,由气路故障机理分析可知,部件特性偏差量直接反映出当前发动机部件的蜕化或故障的程度。因此,通过设定对应部件特性参数的偏差量,可以实现发动机不同部件气路故障的模拟。开展气路故障采参数模拟的关键是获得发动机故障后的部件特性。在部件级模型的基础上,引入卡尔曼滤波器得到的部件性能蜕化量,进行故障注入,实现典型故障模型化,通过模型仿真,生成故障数据。
上述卡尔曼滤波器是在增广状态变量模型的基础上设计的,用来估计增广状态变量模型中的增广状态量,即发动机各部件性能蜕化。其中,增广状态变量模型是将各部件性能蜕化量增广为系统的状态量,然后基于增广状态变量模型设计卡尔曼滤波器。本公开示例性实施例的卡尔曼滤波器的输入不仅包含了可测参数的误差Δy,还包含了Δy的积分项Δy',在输出偏差Δy和Δy'的同时作用下,不断进行迭代,最终使Δy=0。在通过卡尔曼滤波估计发动机的蜕化情况的时候,将蜕化量增广为了系统的状态量,而对于发动机而言,在不考虑外物突然撞击造成的损伤的时候,蜕化量的变化是一个比较缓慢的过程,可以假设
上述卡尔曼滤波模型由物理发动机的线性模型、物理发动机的噪声信息确定,噪声信息包括系统噪声和/或测量噪声。
示例性的,为了能够利用发动机的可测输出偏离估计发动机的健康参数(如主要部件的气体流量,效率),在状态变量模型中考虑了发动机健康参数蜕化因素的影响以及噪声的影响。应理解,状态变量模型可以为物理发动机的线性模型。
在实际应用中,发动机在工作过程中会产生各种噪音,基于此,将噪音引入物理发动机后,物理发动机的动态模型可以为:
其中,Δx为状态变量x=[nL nH]与某稳态点x0之间对应变量的差值,nL为风扇转速nH为压气机转速;为Δx的一阶导数;△h为蜕化量,/>为蜕化量的一阶导数;I为单位矩阵,Δu为发动机驱动参数u与稳态点u0之间的差值,u=[WdA8],Wf为主燃烧室供油量,A8为喉道面积;△y为状态变量y与稳态点y0之间的差值,y=[nLnHT21P21T3P3T5],T21为风扇出口总温度,P21为风扇出口总压力,T3为压气机出口总温度,P3为压气机出口总压力,T5为低压涡轮出口总温度;A,B,C,D为适维的已知常值系数矩阵;ω为系统噪声矩阵、υ测量噪声矩阵。应理解,对于状态变量x=[nLnH],nL为风扇转速,nH为压气机转速来说,△x=[nLnH]-[nL0nH0]=[△nL△nH]。应理解,参数稳态点为发动机在稳态工作过程中各个部件的稳态参数。
通常来说,系统噪声和测量噪声均为不相关正态分布的高斯白噪声,即满足:
E[W(t)WT(t)]=Q·δ(t-τ)
E[V(t)VT(t)]=R·δ(t-τ)E[W(t)VT(t)]=0
其中,Q为系统噪声矩阵的方差阵;R为测量噪声矩阵的方差阵,E为计算协方差矩阵;W为系统噪声矩阵;t为当前时刻;δ为t-τ=0时为1,其他时刻为0的函数;τ为时间间隔;V为测量噪声矩阵;T为转置矩阵的标识。
基于卡尔曼滤波器获得的全维观测器方程为:
其中,为状态变量x与设计点误差估计值,/>为估计值的导数,/>为上述状态变量y与设计点误差估计值,/>为发动机工作效率误差估计值。
K为卡尔曼滤波器增益阵。K=P·CIT·R-1
其中,P为发动机状态协方差矩阵,CIT为已知常值系数矩阵C与单位矩阵I转置矩阵的乘积,T为转置矩阵标识,-1为逆矩阵的标识。
进一步可以将上式表示为:
图3示出了本公开示例性实施例的卡尔曼滤波器对风扇效率的预测效果。图4示出了本公开示例性实施例的卡尔曼滤波器对高压涡轮流量的预测效果。如图3所示,基于本公开示例性实施例的方法所获得的风扇效率预测值与实际风扇效率下降曲线基本一致。如图3所示,基于本公开示例性实施例的方法所获得的高压涡轮流量预测值与实际高压涡轮流量变化曲线基本一致。
本公开示例性实施例的气路故障模拟模型是在发动机气动热力学模型基础上进行扩充构建。以双转子涡扇发动机为例,涉及到需要扩充的模块包括风扇模块、压气机模块、高压涡轮模块、低压涡轮模块。以风扇模型说明气路故障模拟模型中风扇模型的构建,气动热力学模型中风扇模块的输入包括进口压力,进口温度,转速,压比系数,出口参数包括风扇流量、出口总温、出口总压、风扇所需功率。明气路故障模拟模型中风扇模型的输入增加了风扇的效率因子、流量因子。其他三个模块和风扇模块一样,增加压气机的效率因子、流量因子、高压涡轮的效率因子、流量因子、低压涡轮的效率因子、流量因子。在部件级模型的基础上,引入表示各部件由于蜕化或者故障导致的性能蜕化量,进行故障注入,实现典型故障模型化,并可以对发动机模型不可测的参数进行修正,通过模型仿真,生成故障数据,从而真实的反映发动机的动作状况。
本公开示例性实施例的方法,具有以下技术效果可以基于状态估计的预测算法在发动机非线性模型、状态变量模型和增广状态变量模型基础上采用卡尔曼滤波算法,并通过最小化发动机模型和测量值之间的误差获取卡尔曼滤波算法结构参数,并用于预报未来的特征参数。在构造状态向量后,利用状态转移等式更新状态向量,实现相关失效特征预测,将相关失效特征预测结果引入建立的气路故障模型中,开展气路故障模拟仿真,获得气路故障数据。
本公开实施例可以根据上述方法示例对终端和服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,本公开示例性实施例提供一种发动机气路故障模拟装置。图5示出了本公开示例性实施例的发动机气路故障模拟的模块示意性框图。如图5所示,向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息,所述发动机气路故障模拟模型模拟的确定装置包括:
模拟模块501,用于向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息。
确定模块502,用于向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数,获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数,若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。
作为一种可能的实现方式,所述驱动参数包括主燃烧室供油量参数以及喉道面积参数。
作为一种可能的实现方式,所述虚拟发动机非线性模型为发动机部件级非线性模型,所述发动机气路故障模拟模型为发动机部件级气路故障模拟模型。
作为一种可能的实现方式,若所述实际运行状态参数与所述预测运行状态参数不匹配,基于所述实际运行状态参数和所述预测运行状态参数确定运行状态的误差信息;基于所述运行状态的误差信息和所述发动机驱动参数确定所述发动机蜕化参数,基于所述发动机蜕化参数更新所述虚拟发动机非线性模型。
作为一种可能的实现方式,所述运行状态的误差信息包括发动机运行状态误差值和发动机运行状态的误差值积分结果。
作为一种可能的实现方式,所述运行状态的误差信息包括:风扇状态参数的预测数值与风扇状态参数的稳态响应点数值的误差信息、压气机状态参数的稳态响应点数值、涡轮状态参数的稳态响应点数值中的至少一种。
作为一种可能的实现方式,所述风扇状态参数包括风扇的转速参数、风扇的出口参数中的至少一种;所述压气机状态参数包括压气机的转速参数、压气机的出口参数中的至少一种;所述涡轮状态参数包括涡轮出口总温度、涡轮流量中的至少一种。
作为一种可能的实现方式,所述基于所述运行状态的误差信息和所述发动机驱动参数确定发动机蜕化参数,包括:采用卡尔曼滤波模型对所述运行状态的误差信息和所述发动机驱动参数进行处理,获得所述发动机蜕化参数。
作为一种可能的实现方式,所述卡尔曼滤波模型由所述物理发动机的线性模型、所述物理发动机的噪声信息确定,所述噪声信息包括系统噪声和/或测量噪声。
作为一种可能的实现方式,所述物理发动机的动态模型为:
其中,Δx为状态变量x=[nL nH]与某稳态点x0之间对应变量的差值,nL为风扇转速nH为压气机转速;为Δx的一阶导数,△h为蜕化量,/>为蜕化量的一阶导数I为单位矩阵,△h为蜕化量;Δu为发动机驱动参数u与稳态点u0之间的差值,Δu=[WfA8],Wf为主燃烧室供油量,A8为喉道面积;△y为状态变量y与稳态点y0之间的差值,y=[nLnHT21P21T3P3T5],T21为风扇出口总温度,P21为风扇出口总压力,T3为压气机出口总温度,P3为压气机出口总压力,T5为低压涡轮出口总温度;A,B,C,D为适维的已知常值系数矩阵;ω为系统噪声矩阵、υ测量噪声矩阵。
本公开实施例中提供的一个或多个技术方案中,在向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在故障状态下的气路故障信息,发动机气路故障模拟模型模拟的确定方法包括:通过向虚拟发动机非线性模型输入发动机驱动参数,可以获得发动机的预测运行状态参数;并获取物理发动机在发动机驱动参数驱动下的实际运行状态参数;若实际运行状态参数与预测运行状态参数匹配,确定虚拟发动机非线性模型为发动机气路故障模拟模型。可见,本公开示例性实施例可以基于通过对比虚拟发动机非线性模型与物理发动机在同样的发动机驱动参数下所产生的状态参数,获得发动机气路故障模拟模型,该发动机气路故障模拟模型可以真实地模拟出物理发动机在真实场景下的动作状况,从而实现典型故障模型化,基于此,可以对发动机故障进行精确地诊断以及预测,从而提升航空发动机的运行安全,以及航空发动机的使用寿命。并且,通过发动机在故障状态下的模拟,可深化对发动机内部运行本质和规律的认识,提前暴露可能出现的故障、发现设计缺陷,大幅提高研制效率和质量,减少实物试验反复,降低研制风险和成本,从而加快研制进程。
本公开示例性实施例的控制器所执行的相关功能可以由控制器内的芯片实现,也可以由相关的电子设备实现。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的控制器执行的功能。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的控制器执行的功能。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的控制器执行的功能。
参考图5,现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元507可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理。上文所描述的各个方法均可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管结合具体特征及其实施例对本公开进行了描述,显而易见的,在不脱离本公开的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明,且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包括这些改动和变型在内。
Claims (14)
1.一种发动机气路故障模拟方法,其特征在于,所述方法包括:
向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息,所述发动机气路故障模拟模型模拟的确定方法包括:
向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数;
获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数;
若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。
2.根据权利要求1所述的方法,其特征在于,所述驱动参数包括主燃烧室供油量参数以及喉道面积参数。
3.根据权利要求1所述的方法,其特征在于,所述虚拟发动机非线性模型为发动机部件级非线性模型,所述发动机气路故障模拟模型为发动机部件级气路故障模拟模型。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述方法还包括:
若所述实际运行状态参数与所述预测运行状态参数不匹配,基于所述实际运行状态参数和所述预测运行状态参数确定运行状态的误差信息;
基于所述运行状态的误差信息和所述发动机驱动参数确定所述发动机蜕化参数,基于所述发动机蜕化参数更新所述虚拟发动机非线性模型。
5.根据权利要求4所述的方法,其特征在于,所述运行状态的误差信息包括发动机运行状态误差值和发动机运行状态的误差值积分结果。
6.根据权利要求4所述的方法,其特征在于,所述运行状态的误差信息包括:风扇状态参数的预测数值与风扇状态参数的稳态响应点数值的误差信息、压气机状态参数的稳态响应点数值的误差信息、涡轮状态参数的稳态响应点数值的误差信息中的至少一种。
7.根据权利要求6所述的方法,其特征在于,所述风扇状态参数包括风扇的转速参数、风扇的出口参数中的至少一种;
所述压气机状态参数包括压气机的转速参数、压气机的出口参数中的至少一种;
所述涡轮状态参数包括涡轮出口总温度、涡轮流量中的至少一种。
8.根据权利要求7所述的方法,其特征在于,所述出口参数包括出口总温度参数和/或出口总压力。
9.根据权利要求4所述的方法,其特征在于,所述基于所述运行状态的误差信息和所述发动机驱动参数确定发动机蜕化参数,包括:
采用卡尔曼滤波模型对所述运行状态的误差信息和所述发动机驱动参数进行处理,获得所述发动机蜕化参数。
10.根据权利要求9所述的方法,其特征在于,所述卡尔曼滤波模型由所述物理发动机的线性模型、所述物理发动机的噪声信息确定,所述噪声信息包括系统噪声和/或测量噪声。
11.根据权利要求6所述的方法,其特征在于,所述物理发动机的动态模型为:
其中,Δx为状态变量x=[nL nH]与某稳态点x0之间对应变量的差值,nL为风扇转速nH为压气机转速;为Δx的一阶导数;△h为蜕化量;/>为蜕化量的一阶导数;I为单位矩阵;Δu为发动机驱动参数u与稳态点u0之间的差值,Δu=[Wf A8],Wf为主燃烧室供油量,A8为喉道面积;△y为状态变量y与稳态点y0之间的差值,y=[nL nH T21 P21 T3 P3 T5],T21为风扇出口总温度,P21为风扇出口总压力,T3为压气机出口总温度,P3为压气机出口总压力,T5为低压涡轮出口总温度;A,B,C,D为适维的已知常值系数矩阵;ω为系统噪声矩阵、υ测量噪声矩阵。
12.一种发动机气路故障模拟装置,其特征在于,所述装置包括:
模拟模块,用于向发动机气路故障模拟模型模拟输入发动机在故障状态下的驱动参数,获得发动机在所述故障状态下的气路故障信息;
确定模块,用于向虚拟发动机非线性模型输入发动机驱动参数,获得发动机的预测运行状态参数,获取物理发动机在所述发动机驱动参数驱动下的实际运行状态参数,若所述实际运行状态参数与所述预测运行状态参数匹配,确定所述虚拟发动机非线性模型为发动机气路故障模拟模型。
13.一种电子设备,其特征在于,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1~11任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310431029.4A CN116451484A (zh) | 2023-04-20 | 2023-04-20 | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310431029.4A CN116451484A (zh) | 2023-04-20 | 2023-04-20 | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451484A true CN116451484A (zh) | 2023-07-18 |
Family
ID=87128428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310431029.4A Pending CN116451484A (zh) | 2023-04-20 | 2023-04-20 | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451484A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668470A (zh) * | 2024-01-31 | 2024-03-08 | 天津市职业大学 | 一种发动机进排气故障智能检测方法及系统 |
-
2023
- 2023-04-20 CN CN202310431029.4A patent/CN116451484A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668470A (zh) * | 2024-01-31 | 2024-03-08 | 天津市职业大学 | 一种发动机进排气故障智能检测方法及系统 |
CN117668470B (zh) * | 2024-01-31 | 2024-04-12 | 天津市职业大学 | 一种发动机进排气故障智能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857094B (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 | |
Asgari et al. | NARX models for simulation of the start-up operation of a single-shaft gas turbine | |
CN110717219B (zh) | 航空发动机整机状态下压气机进口流量的获取方法及装置 | |
CN108829928B (zh) | 一种涡轴发动机自适应部件级仿真模型构建方法 | |
Panov | Auto-tuning of real-time dynamic gas turbine models | |
EP2388672A1 (en) | Identifying of turbomachine faults | |
Lambiris et al. | Adaptive modeling of jet engine performance with application to condition monitoring | |
Kim et al. | Diagnostics using a physics-based engine model in aero gas turbine engine verification tests | |
CN116451484A (zh) | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 | |
Li et al. | Nonlinear weighted-least-squares estimation approach for gas-turbine diagnostic applications | |
Togni et al. | A combined technique of Kalman filter, artificial neural network and fuzzy logic for gas turbines and signal fault isolation | |
JP2012067741A (ja) | 燃焼基準温度の推定 | |
Asgari et al. | Modeling and simulation of the start-up operation of a heavy-duty gas turbine by using NARX models | |
CN113915156A (zh) | 一种基于柴油机增压器瞬态模型的压气机喘振故障检测方法 | |
JP6889008B2 (ja) | 較正された性能モデルによる機械の制御 | |
Ying et al. | An improved performance diagnostic method for industrial gas turbines with consideration of intake and exhaust system | |
Liu et al. | Aero-engine health degradation estimation based on an underdetermined extended Kalman filter and convergence proof | |
Pinelli et al. | Gas turbine health state determination: methodology approach and field application | |
Huang et al. | Gas path deterioration assessment for turbofan engines based on stochastic dynamics responses in the thermodynamic cycle | |
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 | |
CN114154234A (zh) | 一种航空发动机建模方法、系统、存储介质 | |
Zaccaria et al. | A model-based solution for gas turbine diagnostics: Simulations and experimental verification | |
Cruz-Manzo et al. | A thermodynamic transient model for performance analysis of a twin shaft Industrial Gas Turbine | |
Liu et al. | Nonlinear model based diagnostic of gas turbine faults: a case study | |
Huang et al. | Gas path deterioration observation based on stochastic dynamics for reliability assessment of aeroengines |
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 |