CN116578055A - 一种apu及控制系统动态过程传感器故障诊断的方法 - Google Patents
一种apu及控制系统动态过程传感器故障诊断的方法 Download PDFInfo
- Publication number
- CN116578055A CN116578055A CN202310133302.5A CN202310133302A CN116578055A CN 116578055 A CN116578055 A CN 116578055A CN 202310133302 A CN202310133302 A CN 202310133302A CN 116578055 A CN116578055 A CN 116578055A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- flow coefficient
- dynamic process
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 187
- 230000008569 process Effects 0.000 title claims abstract description 136
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 238000002955 isolation Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 26
- 239000000446 fuel Substances 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 29
- 230000015556 catabolic process Effects 0.000 description 15
- 238000006731 degradation reaction Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
Abstract
本发明公开了一种APU及控制系统动态过程传感器故障诊断的方法,该方法包括:使用小扰动法建立APU大范围线性动态模型。在此基础上,使用卡尔曼滤波器簇设计动态过程传感器故障诊断隔离与重构逻辑。判断动态过程,然后用残差加权二乘方的方法得到传感器故障时段。在动态过程中断开卡尔曼滤波器隔离故障,将提前保存的未进入动态的流量系数带入量测方程,并以此进行传感器故障重构,计算获得正确的APU故障传感器值。本发明对APU系统处于动态过程中的故障诊断隔离与重构问题提出了解决方案。与已有的研究相比,针对由于动态过程和故障给流量系数估计造成的偏差,本发明也可以有效的消除估计误差,保证流量系数估计的精确性。
Description
技术领域
本发明涉及APU故障诊断领域,尤其涉及传感器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,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,所以,在硬件余度的基础上也必须要发展解析余度的技术。其中解析余度的方法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,常见的方法有线性卡尔曼滤波器、扩展卡尔曼滤波器和无迹卡尔曼滤波器等,这类方法通过滤波器去追踪传感器的量测值,再利用残差加权二乘方的方法对传感器故障加以诊断。
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,提供一种能在动态过程中对APU的传感器故障进行故障诊断的方法,并能够避免因传感器故障和动态过程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:
步骤A),使用小扰动法建立APU状态变量模型,将流量系数增广进状态变量模型中,在此基础上在多个工作点构建增广状态变量模型,采用转速调度建立拥有5个传感器输出量的APU大范围线性动态模型,其中模型的2个控制量为燃油流量Wf和负载功率PW,5个传感器输出量为转速N,压气机出口压力P3,压气机出口温度T3,涡轮出口压力P5,涡轮出口温度T5。动态过程通过燃油流量和负载功率变化,不断改变系统的负载功率输入,大范围线性动态模型能完成稳态与动态间运行;
步骤B),使用建立好的大范围线性动态模型,设计基于线性卡尔曼滤波器簇的动态过程传感器故障诊断隔离逻辑,针对APU拥有的5个传感器,该滤波器簇包含有5个滤波器与之一一对应,每个滤波器监视一个特定传感器,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。动态过程的开始时刻通过输入量的变化来判别,仿真过程中用残差加权二乘方的方法判断故障开始的时间,通过滤波器输出的故障指示信号与检测阈值的大小关系诊断得到APU的故障时段和故障传感器信息。动态过程或是检测到传感器故障开始发生时,因为受到不断变化的输入量的影响或是传感器故障的干扰,会导致卡尔曼滤波器对量测值的跟踪结果与真实量测值之间产生差异,所以在动态过程和故障持续时段需要断开故障滤波器进行故障隔离,将故障前设计缓存器中驻留的多步流量系数带入量测方程的状态量中,用有着正确状态量的量测方程去重构传感器故障值;
步骤C),评估APU及控制系统动态过程传感器故障诊断方法的效果,仿真是通过将转速用PID方法控制在100%转速上,然后不断地改变负载功率的输入量,再通过PID控制器改变燃油流量的输入量,实现负载功率和燃油流量的双重变化,进而构造出动态过程的。设计的仿真评估实验包括以下情况,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,故障发生的时段既有稳态过程也有动态过程,这样可以验证动态过程传感器故障诊断的效果。
作为APU及控制系统动态过程传感器故障诊断研究,提出了一种判断动态过程故障时段步骤B)的具体步骤如下:
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),在构建的线性动态模型中,线性动态模型控制量为燃油流量Wf和负载功率PW。通过改变负载功率来改变模型输入,不同的负载功率可以设定对应于不同的流量系数,通过PID算法将转速控制在100%,负载功率不断变化的同时,燃油流量也会被PID控制器不断调整,从而形成动态过程,来模拟APU的运行。采用线性卡尔曼滤波方法来估计APU处于稳态状态且无故障时的流量系数。
判定动态过程发生的状态判定信号,可以由如下公式表示:
|PW1-PWlast|>0.1
|PW2-PWlast|>0.1
|PW3-PWlast|>0.1
|Wf1-Wflast|>0.01
|Wf2-Wflast|>0.01
|Wf3-Wflast|>0.01
式中PWlast是负载功率以kW为单位时上一时刻与下一时刻差值绝对值大于0.1时上一时刻的负载功率数值,即未发生变化时的负载功率,PW1是负载功率发生变化第1时刻的数值,PW2是负载功率发生变化第2时刻的数值,PW3是负载功率发生变化第3时刻的数值,需要在负载功率上一时刻与下一时刻差值绝对值大于0.1的情况发生后的3个采样时间内都满足这一差值关系,才认为从负载功率变化情况判断,系统进入了动态过程,这样做是为了避免偶发干扰对判定的错误影响。当燃油流量以kg/s为单位时与此同理。当负载功率和燃油流量都满足上述公式时,认为系统进入了动态过程,状态判定信号为真。通过大量仿真实验的测试,当负载功率的变化导致系统进入动态过程后,动态过程会持续不超过20秒的时间,之后系统回到稳态。
为了能够适应流量系数变化的情况,针对不同的负载功率分别保存对应负载功率下的流量系数。当APU当前状态是稳态且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。动态过程造成的滤波器输入量变化,以及传感器发生故障导致滤波器对量测值的跟踪偏离真实值,两者均会影响到流量系数的估计,估计出错误的流量系数。根据状态判定信号,当APU处于动态过程中或检测到传感器故障时,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,以公式表示如下:
Δy=CΔxreal+DΔu+υ
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,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。通过使用未故障时的状态量参与重构,动态过程中的传感器故障可以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,同时也避免了动态过程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,这种方法当故障恰好发生于动态过程中时,也可以调用到正确的流量系数,不会因为身处动态过程无法获取到准确的流量系数均值而造成重构值发生误差。
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:
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,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传感器故障的信息,所以当发生传感器故障时,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。
滤波残差包含了全部5个传感器的故障信息时,任何一个传感器发生故障,该滤波残差都会变大,失去了检测故障传感器发生位置的意义。对此设立了5个滤波器分别用来监视5个传感器的故障状态,每个滤波器的输入信号都是去除了它所监视的传感器后剩余4个传感器的量测子集。例如第i个滤波器,输入的信号就是去除了第i个传感器后,其余4个传感器的量测子集。若第i个传感器发生了故障,则第i个滤波器使用的4个输入量测值均没有故障,WSSR信号会较小;若是其他传感器发生了故障,第i个滤波器使用的4个输入量测值就包含有故障,WSSR信号会较大。
以第1个传感器发生故障为例,此时的WSSR信号应当满足以下公式:
WSSR1<a
WSSR2>a
WSSR3>a
WSSR4>a
WSSR5>a
式中a为设定的检测阈值,WSSR1到WSSR5分别为滤波器簇中去除了第1至第5个传感器量测值输入的滤波器所输出的故障指示信号,以第1个传感器发生故障为例时,只有第1个滤波器没有用到故障的输入值,当只有WSSR1信号低于阈值而其他WSSR信号超过阈值时,判定第1个传感器故障,其他传感器故障时与此同理。传感器故障开始时刻的判定也选择3步判定方法,即必须从满足上述公式开始的3个采样步长内,故障指示信号都符合上述公式,才认为发生了传感器故障。
大范围线性动态模型的本身精度在动态过程中会下降,在动态过程刚开始的一段时间内,大范围线性动态模型的计算结果与真实量测值存在一定的误差,导致故障指示信号在动态过程刚开始的阶段会短暂的明显超过正常值。故障指示信号超过阈值不是传感器故障导致的,而是由于动态过程中线性动态模型本身的精度问题造成的,解决的方法是采用多级阈值,多级阈值的应用范围是故障持续期间的故障判断标准,即检测到开始发生故障以后就采用多级阈值判断故障持续时间。以第1个传感器发生故障为例,公式如下:
WSSR1<b
WSSR2>a
WSSR3>a
WSSR4>a
WSSR5>a
式中的b是二级阈值,仍然采用一级阈值a时,会造成动态过程刚开始阶段WSSR1超过阈值a而造成漏诊问题,设计检测阈值时b一般情况下应当设置的比a要大,应当超过线性动态模型精度误差对故障指示信号造成的影响。采用多级阈值的方法可以在动态过程故障诊断中对线性动态模型的精度有一定容错,即便在动态过程中,线性动态模型精度有一定误差,也不会影响到动态过程中的故障诊断效果。这种方法能够把故障传感器准确的检测出来,并重构出正确的量测值。
作为APU及控制系统动态过程传感器故障诊断方法仿真分析,步骤C)的具体步骤如下:
步骤C1),仿真时设定5个传感器依次发生偏置故障,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数不发生退化。仿真给出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5个传感器依次发生漂移故障,以一个固定速率增加漂移故障量,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数不发生退化。仿真给出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5个传感器依次发生偏置故障,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数中的涡轮流量系数退化0.01。仿真给出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5个传感器依次发生漂移故障,以一个固定速率增加漂移故障量,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数中的涡轮流量系数退化0.01。仿真给出P3传感器重构效果图和流量系数的估计结果图。
进一步的,所述步骤B2)中在传感器发生故障或是整个系统处于动态过程时,通过断开滤波器的方式来避免传感器故障和动态过程对于流量系数估计造成的影响,在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传感器的值。
进一步的,所述步骤B3)中的卡尔曼滤波器簇为分布式结构,5个滤波器并行计算。当传感器故障发生在动态过程中时,因为此时滤波器已经断开,所以不会再去跟踪错误的量测值,而是将之前估计好的流量系数带入状态变量模型的量测方程中,利用量测方程进行重构,这样即便是动态过程,也可以对故障传感器进行诊断和重构。
所述步骤C)中,传感器发生偏置故障或是漂移故障,发生故障的时段是稳态或是动态,以及流量系数是否发生退化的情况都做了仿真分析,说明该动态过程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。
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及控制系统在动态过程的故障诊断问题提出解决方法,弥补了APU系统使用卡尔曼滤波器方法进行动态过程故障诊断的空白。
(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,不会受到传感器故障和动态过程时段的干扰,也可以据此利用量测方程在动态过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及控制系统动态过程传感器故障诊断系统结构图;
图2是APU及控制系统动态过程传感器故障诊断原理框图;
图3是负载功率随时间变化的情况;
图4是无退化时偏置故障传感器重构效果图,(a)-(e)分别表示N、P3、T3、P5、T5;
图5是无退化时偏置故障流量系数变化图;
图6是无退化时漂移故障传感器重构效果图;
图7是无退化时漂移故障流量系数变化图;
图8是TW退化时偏置故障传感器重构效果图;
图9是TW退化时偏置故障流量系数变化图;
图10是TW退化时漂移故障传感器重构效果图;
图11是TW退化时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,APU的5个传感器分别有一个滤波器用于监视其故障情况,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,通过多次试取阈值来验证效果,就可以在监测故障传感器的滤波器故障指示信号超过阈值时判定故障,此时断开滤波器,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及控制系统动态过程传感器故障诊断,具体包括以下步骤:
步骤A),使用小扰动法建立APU状态变量模型,将流量系数增广进状态变量模型中,在此基础上在多个工作点构建增广状态变量模型,采用转速调度建立拥有5个传感器输出量的APU大范围线性动态模型,其中模型的2个控制量为燃油流量Wf和负载功率PW,5个传感器输出量为转速N,压气机出口压力P3,压气机出口温度T3,涡轮出口压力P5,涡轮出口温度T5。动态过程通过燃油流量和负载功率变化,不断改变系统的负载功率输入,大范围线性动态模型能完成稳态与动态间运行;
步骤B),使用建立好的大范围线性动态模型,设计基于线性卡尔曼滤波器簇的动态过程传感器故障诊断隔离逻辑,针对APU拥有的5个传感器,该滤波器簇包含有5个滤波器与之一一对应,每个滤波器监视一个特定传感器,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。动态过程的开始时刻通过输入量的变化来判别,仿真过程中用残差加权二乘方的方法判断故障开始的时间,通过滤波器输出的故障指示信号与检测阈值的大小关系诊断得到APU的故障时段和故障传感器信息。动态过程或是检测到传感器故障开始发生时,因为受到不断变化的输入量的影响或是传感器故障的干扰,会导致卡尔曼滤波器对量测值的跟踪结果与真实量测值之间产生差异,所以在动态过程和故障持续时段需要断开故障滤波器进行故障隔离,将故障前设计缓存器中驻留的多步流量系数带入量测方程的状态量中,用有着正确状态量的量测方程去重构传感器故障值;
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),在构建的线性动态模型中,线性动态模型控制量为燃油流量Wf和负载功率PW。通过改变负载功率来改变模型输入,不同的负载功率可以设定对应于不同的流量系数,通过PID算法将转速控制在100%,负载功率不断变化的同时,燃油流量也会被PID控制器不断调整,从而形成动态过程,来模拟APU的运行。采用线性卡尔曼滤波方法来估计APU处于稳态状态且无故障时的流量系数。
判定动态过程发生的状态判定信号,可以由如下公式表示:
|PW1-PWlast|>0.1
|PW2-PWlast|>0.1
|PW3-PWlast|>0.1
|Wf1-Wflast|>0.01
|Wf2-Wflast|>0.01
|Wf3-Wflast|>0.01
式中PWlast是负载功率以kW为单位时上一时刻与下一时刻差值绝对值大于0.1时上一时刻的负载功率数值,即未发生变化时的负载功率,PW1是负载功率发生变化第1时刻的数值,PW2是负载功率发生变化第2时刻的数值,PW3是负载功率发生变化第3时刻的数值,需要在负载功率上一时刻与下一时刻差值绝对值大于0.1的情况发生后的3个采样时间内都满足这一差值关系,才认为从负载功率变化情况判断,系统进入了动态过程,这样做是为了避免偶发干扰对判定的错误影响。当燃油流量以kg/s为单位时与此同理。当负载功率和燃油流量都满足上述公式时,认为系统进入了动态过程,状态判定信号为真。通过大量仿真实验的测试,当负载功率的变化导致系统进入动态过程后,动态过程会持续不超过20秒的时间,之后系统回到稳态。
为了能够适应流量系数变化的情况,针对不同的负载功率分别保存对应负载功率下的流量系数。当APU当前状态是稳态且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。动态过程造成的滤波器输入量变化,以及传感器发生故障导致滤波器对量测值的跟踪偏离真实值,两者均会影响到流量系数的估计,估计出错误的流量系数。根据状态判定信号,当APU处于动态过程中或检测到传感器故障时,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,以公式表示如下:
Δy=CΔxreal+DΔu+υ
-xreal=(Δn,-CWreal,-TWreal)
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,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。通过使用未故障时的状态量参与重构,动态过程中的传感器故障可以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,同时也避免了动态过程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,这种方法当故障恰好发生于动态过程中时,也可以调用到正确的流量系数,不会因为身处动态过程无法获取到准确的流量系数均值而造成重构值发生误差。
步骤B2)中在传感器发生故障或是整个系统处于动态过程时,通过断开滤波器的方式来避免传感器故障和动态过程对于流量系数估计造成的影响,在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传感器的值。
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:
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,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传感器故障的信息,所以当发生传感器故障时,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。
滤波残差包含了全部5个传感器的故障信息时,任何一个传感器发生故障,该滤波残差都会变大,失去了检测故障传感器发生位置的意义。对此设立了5个滤波器分别用来监视5个传感器的故障状态,每个滤波器的输入信号都是去除了它所监视的传感器后剩余4个传感器的量测子集。例如第i个滤波器,输入的信号就是去除了第i个传感器后,其余4个传感器的量测子集。若第i个传感器发生了故障,则第i个滤波器使用的4个输入量测值均没有故障,WSSR信号会较小;若是其他传感器发生了故障,第i个滤波器使用的4个输入量测值就包含有故障,WSSR信号会较大。
以第1个传感器发生故障为例,此时的WSSR信号应当满足以下公式:
WSSR1<a
WSSR2>a
WSSR3>a
WSSR4>a
WSSR5>a
式中a为设定的检测阈值,WSSR1到WSSR5分别为滤波器簇中去除了第1至第5个传感器量测值输入的滤波器所输出的故障指示信号,以第1个传感器发生故障为例时,只有第1个滤波器没有用到故障的输入值,当只有WSSR1信号低于阈值而其他WSSR信号超过阈值时,判定第1个传感器故障,其他传感器故障时与此同理。传感器故障开始时刻的判定也选择3步判定方法,即必须从满足上述公式开始的3个采样步长内,故障指示信号都符合上述公式,才认为发生了传感器故障。
大范围线性动态模型的本身精度在动态过程中会下降,在动态过程刚开始的一段时间内,大范围线性动态模型的计算结果与真实量测值存在一定的误差,导致故障指示信号在动态过程刚开始的阶段会短暂的明显超过正常值。故障指示信号超过阈值不是传感器故障导致的,而是由于动态过程中线性动态模型本身的精度问题造成的,解决的方法是采用多级阈值,多级阈值的应用范围是故障持续期间的故障判断标准,即检测到开始发生故障以后就采用多级阈值判断故障持续时间。以第1个传感器发生故障为例,公式如下:
WSSR1<b
WSSR2>a
WSSR3>a
WSSR4>a
WSSR5>a
式中的b是二级阈值,仍然采用一级阈值a时,会造成动态过程刚开始阶段WSSR1超过阈值a而造成漏诊问题,设计检测阈值时b一般情况下应当设置的比a要大,应当超过线性动态模型精度误差对故障指示信号造成的影响。采用多级阈值的方法可以在动态过程故障诊断中对线性动态模型的精度有一定容错,即便在动态过程中,线性动态模型精度有一定误差,也不会影响到动态过程中的故障诊断效果。这种方法能够把故障传感器准确的检测出来,并重构出正确的量测值。
步骤B3)中的卡尔曼滤波器簇为分布式结构,5个滤波器并行计算。当传感器故障发生在动态过程中时,因为此时滤波器已经断开,所以不会再去跟踪错误的量测值,而是将之前估计好的流量系数带入状态变量模型的量测方程中,利用量测方程进行重构,这样即便是动态过程,也可以对故障传感器进行诊断和重构。
步骤C),评估APU及控制系统动态过程传感器故障诊断方法的效果,仿真是通过将转速用PID方法控制在100%转速上,然后不断地改变负载功率的输入量,再通过PID控制器改变燃油流量的输入量,实现负载功率和燃油流量的双重变化,进而构造出动态过程的。设计的仿真评估实验包括以下情况,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,故障发生的时段既有稳态过程也有动态过程,这样可以验证动态过程传感器故障诊断的效果。
步骤C1),仿真时设定5个传感器依次发生偏置故障,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数不发生退化。仿真给出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5个传感器依次发生漂移故障,以一个固定速率增加漂移故障量,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数不发生退化。仿真给出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5个传感器依次发生偏置故障,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数中的涡轮流量系数退化0.01。仿真给出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5个传感器依次发生漂移故障,以一个固定速率增加漂移故障量,每个传感器发生故障时都是既有稳态过程发生故障的情况,也有动态过程发生故障的情况,流量系数中的涡轮流量系数退化0.01。仿真给出P3传感器重构效果图和流量系数的估计结果图。
步骤C)中传感器发生偏置故障或是漂移故障,发生故障的时段是稳态或是动态,以及流量系数是否发生退化的情况都做了仿真分析,说明该动态过程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及控制系统动态过程传感器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及控制系统动态过程传感器故障诊断方法的系统结构图如图1所示,原理框图如图2所示。
仿真设置在地面点条件下,仿真时间设定在300秒,在仿真时间内,通过不断改变输入量中的负载功率PW来形成仿真的动态过程,负载功率变化情况如图3所示。本发明分为4种情况对APU及控制系统动态过程传感器故障诊断方法的效果进行验证。
(1)无退化情况下的偏置故障
在300秒的仿真时间内,为了体现传感器故障诊断的效果,安排5个传感器依次发生偏置故障,偏置故障幅值均为向上偏置3%。转速传感器故障时间为第45秒至第65秒,P3传感器故障时间为第95秒至第115秒,T3传感器故障时间为第145秒至第165秒,P5传感器故障时间为第195秒至第215秒,T5传感器故障时间为第245秒至第265秒,流量系数不发生退化,输入量负载功率的变化情况与图3一致,这样在每个传感器发生故障的20秒内,既包含稳态过程,也包含动态过程。5个传感器信号的重构效果图如图4所示,流量系数估计效果图如图5所示。
(2)无退化情况下的漂移故障
在300秒的仿真时间内,为了体现传感器故障诊断的效果,安排5个传感器依次发生漂移故障。转速传感器故障时间为第30秒至第60秒,P3传感器故障时间为第90秒至第110秒,T3传感器故障时间为第140秒至第160秒,P5传感器故障时间为第190秒至第210秒,T5传感器故障时间为第240秒至第260秒,流量系数不发生退化,输入量负载功率的变化情况与图3一致。5个传感器的故障表达式可以表示为:
yN=yN+0.0015*yN*(t-30)
yP3=yP3+0.0015*yP3*(t-90)
yT3=yT3+0.0015*yT3*(t-140)
yP5=yP5+0.0015*yP5*(t-190)
yT5=yT5+0.0015*yT5*(t-240)
5个传感器信号的重构效果图如图6所示,流量系数估计效果图如图7所示。
(3)TW退化情况下的偏置故障
在300秒的仿真时间内,为了体现传感器故障诊断的效果,安排5个传感器依次发生偏置故障,偏置故障幅值均为向上偏置3%。各传感器发生故障的时间与仿真无退化下偏置故障时设置的时间相同。TW发生退化,增加0.01,输入量负载功率的变化情况与图3一致。5个传感器信号的重构效果图如图8所示,流量系数估计效果图如图9所示。
(4)TW退化情况下的漂移故障
在300秒的仿真时间内,为了体现传感器故障诊断的效果,安排5个传感器依次发生漂移故障。各传感器发生故障的时间设置和漂移故障的幅值设置均与无退化时漂移故障的仿真设定一致。TW发生退化,向上增加0.01,输入量负载功率的变化情况与图3一致。5个传感器信号的重构效果图如图10所示,流量系数估计效果图如图11所示。
从仿真效果图可以得知,对于偏置故障,从故障发生的时刻起,重构值就基本上能够取代故障量测值,无论是稳态过程还是动态过程,重构值与真实值都能够较好地做到吻合。对于漂移故障,从故障发生的时刻起,需要过一段时间才能检测到故障并进行重构,这是因为故障指示信号从开始增长到超过阈值需要一定时间。重构发生后,可以看出重构值与真实值较为吻合。线性卡尔曼滤波器在仿真的动态过程和检测到传感器故障时,会自动断开,由之前计算好的流量系数均值带入计算,这样可以确保在仿真过程中不会因为动态过程或是传感器故障的影响而得到错误的流量系数,无论流量系数是否发生退化,都可以估计出正确的流量系数。
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 (5)
1.一种APU及控制系统动态过程传感器故障诊断的方法,其特征在于,包括以下步骤:
步骤A),使用小扰动法采用转速调度建立拥有若干个传感器输出量的APU大范围线性动态模型;其中模型的控制量为燃油流量Wf和负载功率PW,传感器输出量为转速N,压气机出口压力P3,压气机出口温度T3,涡轮出口压力P5,涡轮出口温度T5;动态过程通过燃油流量和负载功率变化,不断改变系统的负载功率输入,大范围线性动态模型能完成稳态与动态间运行;
步骤B),设计基于线性卡尔曼滤波器簇的动态过程传感器故障诊断隔离逻辑,滤波器簇中每个滤波器的输入依次去除一个传感器量测值,保留其它传感器量测值;动态过程的开始时刻通过输入量的变化来判别,仿真过程中用残差加权二乘方的方法判断故障开始的时间,通过滤波器输出的故障指示信号与检测阈值的大小关系诊断得到APU的故障时段和故障传感器信息;动态过程或是检测到传感器故障开始发生时,需要断开故障滤波器进行故障隔离,将故障前设计缓存器中驻留的多步流量系数带入量测方程的状态量中,用有着正确状态量的量测方程去重构传感器故障值。
2.如权利要求1所示的一种APU及控制系统动态过程传感器故障诊断的方法,其特征在于,所述步骤B)的具体步骤如下:
步骤B1),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;若上一步转速没有故障,就使用转速传感器的量测值进行插值,如果上一步转速有故障,就得使用上一步重构后的转速进行插值;
步骤B2),在构建的线性动态模型中,线性动态模型控制量为燃油流量Wf和负载功率PW;采用线性卡尔曼滤波方法来估计APU处于稳态状态且无故障时的流量系数;当APU当前状态是稳态且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;根据状态判定信号,当APU处于动态过程中或检测到传感器故障时,卡尔曼滤波器断开,流量系数不再更新,而是自动用最近若干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;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;
步骤B3),计算各个滤波器对应的故障指示信号;在故障时段,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发生故障,该故障指示信号对应的滤波器缺少故障传感器的量测值,据此判断故障传感器。
3.如权利要求1所示的一种APU及控制系统动态过程传感器故障诊断的方法,其特征在于,判定动态过程发生的状态判定信号,由如下公式表示:
|PW1-PWlast|>0.1
|PW2-PWlast|>0.1
|PW3-PWlast|>0.1
|Wf1-Wflast|>0.01
|Wf2-Wflast|>0.01
|Wf3-Wflast|>0.01
式中PWlast是负载功率以kW为单位时上一时刻与下一时刻差值绝对值大于0.1时上一时刻的负载功率数值,即未发生变化时的负载功率,PW1是负载功率发生变化第1时刻的数值,PW2是负载功率发生变化第2时刻的数值,PW3是负载功率发生变化第3时刻的数值,需要在负载功率上一时刻与下一时刻差值绝对值大于0.1的情况发生后的3个采样时间内都满足这一差值关系,才认为从负载功率变化情况判断,系统进入了动态过程;当燃油流量以kg/s为单位时与此同理;当负载功率和燃油流量都满足上述公式时,认为系统进入了动态过程,状态判定信号为真。
4.如权利要求1所示的一种APU及控制系统动态过程传感器故障诊断的方法,其特征在于,为了能够适应流量系数变化的情况,针对不同的负载功率分别保存对应负载功率下的流量系数;当APU当前状态是稳态且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;根据状态判定信号,当APU处于动态过程中或检测到传感器故障时,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,以公式表示如下:
Δy=CΔxreal+DΔu+υ
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,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;
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。
5.如权利要求1所示的一种APU及控制系统动态过程传感器故障诊断的方法,其特征在于,所述卡尔曼滤波器簇为分布式结构,所有滤波器并行计算;当传感器故障发生在动态过程中时,滤波器已经断开,不再跟踪错误的量测值,而是将之前估计好的流量系数带入状态变量模型的量测方程中,利用量测方程进行重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133302.5A CN116578055A (zh) | 2023-02-20 | 2023-02-20 | 一种apu及控制系统动态过程传感器故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133302.5A CN116578055A (zh) | 2023-02-20 | 2023-02-20 | 一种apu及控制系统动态过程传感器故障诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578055A true CN116578055A (zh) | 2023-08-11 |
Family
ID=87540170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133302.5A Pending CN116578055A (zh) | 2023-02-20 | 2023-02-20 | 一种apu及控制系统动态过程传感器故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578055A (zh) |
-
2023
- 2023-02-20 CN CN202310133302.5A patent/CN116578055A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hanachi et al. | Performance-based gas turbine health monitoring, diagnostics, and prognostics: A survey | |
CN109154236B (zh) | 考虑传感器故障来控制燃气涡轮 | |
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 | |
JP4149899B2 (ja) | システム上で診断を行うための方法 | |
Marinai et al. | Prospects for aero gas-turbine diagnostics: a review | |
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 | |
CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
CN111474919A (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 | |
Xin et al. | Fault diagnosis based on measurement reconstruction of HPT exit pressure for turbofan engine | |
Yang et al. | Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis | |
Lu et al. | Gas path on-line fault diagnostics using a nonlinear integrated model for gas turbine engines | |
Yang et al. | A strong tracking filter based multiple model approach for gas turbine fault diagnosis | |
Wei et al. | Aircraft engine sensor fault diagnostics based on estimation of engine's health degradation | |
Volponi | Data fusion for enhanced aircraft engine prognostics and health management | |
CN116578055A (zh) | 一种apu及控制系统动态过程传感器故障诊断的方法 | |
Fentaye et al. | Discrimination of rapid and gradual deterioration for an enhanced gas turbine life-cycle monitoring and diagnostics | |
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 | |
CN116429433A (zh) | 一种apu系统传感器与执行机构混合故障诊断方法 | |
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 | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
Xue et al. | Application of Kalman filters for the fault diagnoses of aircraft engine | |
Guo et al. | A distributed fault-detection and diagnosis system using on-line parameter estimation |
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 |