CN117540246A - 涡扇发动机执行机构故障诊断和识别方法及装置 - Google Patents

涡扇发动机执行机构故障诊断和识别方法及装置 Download PDF

Info

Publication number
CN117540246A
CN117540246A CN202311418744.0A CN202311418744A CN117540246A CN 117540246 A CN117540246 A CN 117540246A CN 202311418744 A CN202311418744 A CN 202311418744A CN 117540246 A CN117540246 A CN 117540246A
Authority
CN
China
Prior art keywords
faults
fault
turbofan engine
fault diagnosis
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
Application number
CN202311418744.0A
Other languages
English (en)
Inventor
陈毓智
缑林峰
张伟罡
魏艺博
陆祖贵
卢林俊
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202311418744.0A priority Critical patent/CN117540246A/zh
Publication of CN117540246A publication Critical patent/CN117540246A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

涡扇发动机执行机构故障诊断和识别方法及装置，涉及涡扇发动机故障诊断领域。为解决现有技术中存在的，以往对执行机构故障识别的发明并没有处理过多个实时并发故障，尤其是在瞬态条件下伴随着突发故障的情况的技术问题，本发明提供的技术方案为：涡扇发动机执行机构故障诊断和识别方法，故障包括稳态故障和瞬态故障，方法包括：建立涡扇发动机性能模型的步骤；将执行机构的部件级模型集成至发动机性能模型的步骤；对部件级模型运行过程中的故障进行故障描述的步骤；采集故障描述中的观测参数估计值和发动机实测的观测参数值的步骤；输出估计值和实际值间残差减小的过程中，故障参数变化的步骤。适合应用于航空发动机健康监测系统中。

Description

涡扇发动机执行机构故障诊断和识别方法及装置
技术领域
涉及涡扇发动机故障诊断领域，具体涉及一种在稳态和瞬态条件下对涡扇发动机执行机构进行故障诊断和严重程度识别的方法。
背景技术
涡扇发动机是现代航空领域中关键的推进系统之一，其性能直接关系到飞机的飞行安全和经济效益。在这一复杂而高度工程化的系统中，执行机构的故障可能导致严重的后果，如失速、推力损失以及无法控制飞行速度等问题。因此，涡扇发动机的执行机构故障诊断成为学术界和工业界关注的焦点。
尽管大量的文献关注涡扇发动机执行机构故障的检测和隔离，但在现有研究中很少有文献涉及如何准确识别执行机构故障的严重程度。这一方面的研究缺失是由于执行机构故障的复杂性和多样性，以及在实际运行中难以获取详细的执行机构工作状态信息因素造成的。识别执行机构故障的严重程度对于确保飞机运行安全至关重要。失速和推力损失等问题可能导致飞机在飞行中失去控制，增加了事故的风险。因此，及时准确地诊断执行机构故障的严重程度可以帮助采取合适的紧急措施，减小事故的概率。
这种综合性的诊断体系对于提高飞机飞行安全性、降低维修成本和确保发动机性能至关重要。因此，未来的研究应该加强对执行机构故障严重程度诊断方法的深入探讨，以满足航空工业对高效、准确、可靠故障诊断的需求。但是，以往对执行机构故障识别的发明并没有处理过多个实时并发故障，尤其是在瞬态条件下伴随着突发故障的情况。
发明内容
为解决现有技术中存在的，以往对执行机构故障识别的发明并没有处理过多个实时并发故障，尤其是在瞬态条件下伴随着突发故障的情况的技术问题，本发明提供的技术方案为：
涡扇发动机执行机构故障诊断和识别方法，所述故障包括稳态故障和瞬态故障，所述方法包括：
建立涡扇发动机性能模型的步骤；
将执行机构的部件级模型集成至所述发动机性能模型的步骤；
对所述部件级模型运行过程中的故障进行故障描述的步骤；
采集模型计算的观测参数估计值和发动机实测的观测参数值的步骤；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的步骤。
进一步，提供一个优选实施方式，所述涡扇发动机性能模型采用带助推器的双转子大涵道比分排涡扇发动机。
进一步，提供一个优选实施方式，所述执行机构的部件级模型包括：可变放气阀、可变静叶、瞬态放气阀和燃油计量阀。
进一步，提供一个优选实施方式，所述故障描述中，包括：VBV、VSV和TBV的恒定偏差故障和阀门卡滞故障，以及FMV的恒定偏差故障和突发故障。
进一步，提供一个优选实施方式，，所述FMV的恒定偏差故障和突发故障通过进出口压力差表示。
进一步，提供一个优选实施方式，所述估计值和实际值间残差减小，通过求解器对所述故障描述中的故障参数进行迭代更新实现。
进一步，提供一个优选实施方式，所述迭代更新的过程中，收敛性通过均方根误差得到。
基于同一发明构思，本发明还提供了涡扇发动机执行机构故障诊断和识别装置，所述故障包括稳态故障和瞬态故障，其特征在于，所述装置包括：
建立涡扇发动机性能模型的模块；
将执行机构的部件级模型集成至所述发动机性能模型的模块；
对所述部件级模型运行过程中的故障进行故障描述的模块；
采集模型计算的观测参数估计值和发动机实测的观测参数值的模块；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的模块。
基于同一发明构思，本发明还提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行所述的涡扇发动机执行机构故障诊断和识别方法。
基于同一发明构思，本发明还提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的涡扇发动机执行机构故障诊断和识别方法。
与现有技术相比，本发明提供的技术方案的有益之处在于：
本发明提供的涡扇发动机执行机构故障诊断和识别方法，建立了用于大涵道比涡扇发动机的四种典型执行机构的部件级模型。提出了一种故障识别方法，并将其应用于大涵道比涡扇发动机的稳态和瞬态模型。
本发明提供的涡扇发动机执行机构故障诊断和识别方法，提供了一种利用瞬态效应补偿来量化执行机构故障的新方法。当发动机在稳态和瞬态条件下运行时，即使突然发生故障，也可以准确有效地识别同时发生的执行机构故障。
本发明提供的涡扇发动机执行机构故障诊断和识别方法，能够在连续的时间步长中考虑不平衡功和气体与发动机的热浸效应，进而实现在稳态和瞬态下连续高精度诊断故障。可以为涡扇发动机在稳态和瞬态条件下提供一种新的连续高精度故障诊断方法。
本发明提供的涡扇发动机执行机构故障诊断和识别方法，考虑了不平衡功和热浸效应，能在稳态和瞬态条件下快速精准识别诊断故障，包括恒定故障和突发故障。可以在0.0077秒内以0.017％的最大相对误差诊断瞬态过程的突发故障，因此本发明能够在稳态和瞬态条件下实现涡扇发动机连续高精度故障诊断。
本发明提供的涡扇发动机执行机构故障诊断和识别方法，深入研究了压气机控制系统中不同执行机构的影响。这些发现将为发动机测试台和相关人员提供有用的工具，提高涡扇发动机在线健康监测能力，为涡扇发动机安全运营保障能力提供理论和技术支持。
本发明提供的涡扇发动机执行机构故障诊断和识别方法，平均诊断误差优于现有方案。
适合应用于航空发动机健康监测系统中，可以提高航空发动机的应急响应能力。
附图说明
图1为实施方式十一提到的涡扇发动机截面示意图；
其中，FAN为风扇，LPC为低压压气机，HPC为高压压气机，BURNER为燃烧室，HPT为高压涡轮，LPT为低压涡轮；
图2为实施方式十一提到的执行机构故障诊断过程流程示意图；
图3为实施方式十一提到的稳态条件下的模型验证，(a)为P5相对误差，(b)为PCN2相对误差，(c)为T3相对误差,(d)为W2相对误差；
图4为实施方式十一提到的瞬态条件下的供油量；
图5为实施方式十一提到的瞬态条件下的模型验证，(a)为P5相对误差，(b)为PCN2相对误差，(c)为T3相对误差,(d)为W2相对误差；
图6为实施方式十一提到的发动机加速过程燃油变化曲线；
图7为实施方式十一提到的无压气机控制系统时IPC和HPC瞬态工作线，(a)为IPC瞬态工作线，(b)为HPC瞬态工作线；
图8为实施方式十一提到的VBV和VSV的控制计划；
图9为实施方式十一提到的执行机构单独工作时IPC和HPC瞬态工作线，(a)为IPC瞬态工作线，(b)为HPC瞬态工作线；
图10为实施方式十一提到的加速过程中VBV和VSV的位置变化，(a)为VBV的位置，(b)为VSV的位置；
图11为实施方式十一提到的执行机构共同工作时IPC和HPC瞬态工作线，(a)为IPC瞬态工作线，(b)为HPC瞬态工作线；
图12为实施方式十一提到的稳态条件下故障值和预测值的比较，(a)为VBV，(b)为VSV，(c)为FMV；
图13为实施方式十一提到的稳态条件下故障诊断的平均误差；
图14为实施方式十一提到的瞬态条件下恒定偏差故障值与预测值的比较；
图15为实施方式十一提到的瞬态条件下恒定偏差故障诊断平均误差；
图16为实施方式十一提到的瞬态条件下突发故障值和预测值的比较；
图17为实施方式十一提到的瞬态条件下突发故障诊断平均误差。
具体实施方式
为使本发明提供的技术方案的优点和有益之处体现得更清楚，现结合附图对本发明提供的技术方案进行进一步详细地描述，
实施方式一、本实施方式提供了涡扇发动机执行机构故障诊断和识别方法，所述故障包括稳态故障和瞬态故障，所述方法包括：
建立涡扇发动机性能模型的步骤；
将执行机构的部件级模型集成至所述发动机性能模型的步骤；
对所述部件级模型运行过程中的故障进行故障描述的步骤；
采集模型计算的观测参数估计值和发动机实测的观测参数值的步骤；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的步骤。
实施方式二、本实施方式是对实施方式一提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述涡扇发动机性能模型采用带助推器的双转子大涵道比分排涡扇发动机。
实施方式三、本实施方式是对实施方式一提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述执行机构的部件级模型包括：可变放气阀、可变静叶、瞬态放气阀和燃油计量阀。
实施方式四、本实施方式是对实施方式一提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述故障描述中，包括：VBV、VSV和TBV的恒定偏差故障和阀门卡滞故障，以及FMV的恒定偏差故障和突发故障。
实施方式五、本实施方式是对实施方式四提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述FMV的恒定偏差故障和突发故障通过进出口压力差表示。
实施方式六、本实施方式是对实施方式一提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述估计值和实际值间残差减小，通过求解器对所述故障描述中的故障参数进行迭代更新实现。
实施方式七、本实施方式是对实施方式六提供的涡扇发动机执行机构故障诊断和识别方法的进一步限定，所述迭代更新的过程中，收敛性通过均方根误差得到。
实施方式八、本实施方式提供了涡扇发动机执行机构故障诊断和识别装置，所述故障包括稳态故障和瞬态故障，所述装置包括：
建立涡扇发动机性能模型的模块；
将执行机构的部件级模型集成至所述发动机性能模型的模块；
对所述部件级模型运行过程中的故障进行故障描述的模块；
采集模型计算的观测参数估计值和发动机实测的观测参数值的模块；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的模块。
实施方式九、本实施方式提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行实施方式一提供的涡扇发动机执行机构故障诊断和识别方法。
实施方式十、本实施方式提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行实施方式一提供的涡扇发动机执行机构故障诊断和识别方法。
实施方式十一、结合图1-17说明本实施方式，本实施方式是对实施方式一提供的涡扇发动机执行机构故障诊断和识别方法提供一个优选的具体实施方式，具体的：
本实施方式的技术方案具体步骤如下：
步骤1：建立涡扇发动机性能模型；
步骤2：建立涡扇发动机四种典型执行机构的部件级模型；
步骤3：涡扇发动机故障描述；
步骤4：通过求解器对故障参数进行迭代更新，使得故障诊断模型输出的观测参数估计值与发动机测得的参数之间的残差最小；
本实施方式的进一步技术方案是：所述步骤1中，采用带助推器的双转子高涵道比分排涡扇发动机，且模型能同时模拟发动机的稳态和瞬态性能。
本实施方式的进一步技术方案是：所述步骤2中，四种典型执行机构的部件级模型集成到发动机性能模型，分别为：
(1)可变放气阀(Variable Bleed Valve，VBV)，通过排出一部分空气来防止LPC转子的攻角达到临界值，喉部面积通过方程式1得出：
AVBV＝PosVBV·AVBV，value (1)
其中，AVBV为可变放气阀喉部面积，AVBV，value为可变放气阀喉部完全打开时面积，PosVBV为阀门的归一化开启位置，用0到1之间的值表示；
(2)可变静叶(Variable Stator Vane,VSV)，通过改变进气角来防止HPC转子的攻角达到临界值，压比偏差dPR、换算质量流量偏差dWA和效率偏差dET通过方程式2、3、4得出：
dPR＝1+α·PRcoeff (2)
dWA＝1+α·WAcoeff (3)
dET＝1-α2·ETcoeff (4)
其中，dPR表示压比偏差，dWA表示换算质量流量偏差，dET表示效率偏差，这种偏差是相对于基线性能特征而言的，α表示VSV角度，PRcoeff表示压比因子，WAcoeff表示换算流量因子，ETcoeff表示效率因子。
(3)瞬态放气阀(Transient Bleed Valve,TBV)，阀门面积通过方程式5得出
ATBV＝PosTBV·ATBV，value (5)
其中，ATBV为瞬态放气阀完全打开时的面积，PosTBV值在0到1之间，ATBV，value表示TBV完全打开时的面积。
(4)燃油计量阀(Fuel-metering Valve,FMV))，阀门面积和燃油流量通过方程式6和7得出
AFMV＝PosFMV·AFMV，value (6)
其中，Q为燃油流量，μ为流量系数，ΔP为进出口的压力差，AFMV表示阀门的开度，ΔP表示入口和出口之间的压力偏差，ρ表示燃料密度。
本实施方式的进一步技术方案是：所述步骤3中，考虑VBV、VSV和TBV的恒定偏差故障和阀门卡滞故障，前者为持续故障，后者为突然故障。FMV的恒定偏差故障和突发故障均用进出口压力差表示；
本实施方式的进一步技术方案是：所述步骤4中，故障诊断的收敛性通过均方根误差(RMSE)来评估，通过方程式8得出；
其中n是测量参数的数量，Zr表示发动机实测的观测参数值，Zp表示模型计算的观测参数估计值。
本实施方式的进一步技术方案是：所述步骤4中，在执行机构的故障诊断中选择了11个收敛标准，将瞬态效应补偿集成到故障诊断中，实现在每个瞬时对涡扇发动机执行机构健康状态的连续监测。
本实施方式的进一步技术方案是：所述步骤4中，考虑不平衡功的具体方法：
由于发动机转子转速N是按时序测定的，转子加速度通过方程式9在有限时间内的转子转速偏差得出；
其中，t为时刻；
在这种情况下，不平衡功SW由转子加速度，转子转速N和转动惯量I通过方程式10计算；
然后，通过方程式11得到各轴之间的轴功平衡；该方程同时适用于稳态和瞬态条件，其中SW在稳态条件下为0；因此，当稳态和瞬态条件下都考虑不平衡功时，满足功率平衡的条件；
TW＝SW+CW+AW (11)
其中TW为涡轮做功，CW为压气机消耗功，AW为辅助设备耗功。
本实施方式的进一步技术方案是：考虑热浸效应的具体方法：
发动机金属部件和气流之间的热传递由方程式12得出；
φ＝K·AS·(TG-TM)·(e-Δt/τ-1) (12)
其中，φ为换热量，K为传热系数，AS为有效换热面积，TG为当前步中未考虑热浸效应的气体温度，Δt为时间步长，τ为时间常数。
具体的，在具体模拟实验中：
本实施方式建立了几个假设，在不牺牲系统精度的情况下简化系统模型：
(1)广泛的研究集中在解决测量噪声上，因此，测量噪声不包括在本实施方式中，其主要目的是测试一种新的诊断方法的预测精度和计算效率。
(2)假设阀门位置和喉部面积之间存在线性相关性。
(3)HPC可变定子叶片输入量α表示可变几何偏差，将成比例地影响质量流量和压比。
(4)瞬态放气阀开启和关闭具有一阶滞后性，由一个开关量控制，以表示实际执行机构延迟。
本实施方式选用带助推器的双轴大涵道比分排涡扇发动机，如图1所示，建立的热力学模型能够模拟发动机的稳态和瞬态性能，表1展示了涡扇发动机可用的气路测量参数。发动机控制系统的主要执行机构包括压气机控制系统(CCS)和燃油系统。CCS由VBV、VSV和TBV组成，此外，燃油系统中还包括FMV。本实施方式将四个执行机构整合到发动机性能模型中，对其进行故障诊断。
表1涡扇发动机的可测参数
编号 可测量参数 符号
1 环境温度 T1
2 环境压力 P1
3 外涵道入口总压 P13
4 LPC出口总温 T24
5 LPC出口总压 P24
6 HPC出口总温 T3
7 HPC出口总压 P3
8 LPT入口总温 T45
9 LPT入口总压 P45
10 LPT出口总温 T49
11 LPT出口总压 P49
12 LP轴转速 N1
13 HP轴转速 N2
14 飞行马赫数 MA
航空发动机设计点是在涡扇发动机的最佳运行条件下选择的，通常是巡航条件，然而，在整个飞行过程中，发动机可能低于巡航/设计点条件，在这种情况下，安装的CCS需要正常运行，以防止压气机喘振和失速，此外，燃油系统应向燃烧室提供准确的燃油。四个执行机构的数学模型描述如下。
(1)可变放气阀
当发动机在低工况下工作时，LPC轴流速度会下降，在这种情况下，动叶处的迎角会增大，LPC喘振和失速的风险会增大。为了防止迎角达到临界位置，在低工况时，需要从LPC出口向外涵道放出一定量的空气。
VBV的喉部面积(AVBV)由等式(1)定义，与VBV位置(POSVBV)成比例，该位置控制排向外涵道的空气量。
AVBV＝PosVBV·AVBV，value (1)
其中，AVBV为可变放气阀喉部面积，AVBV，value为可变放气阀喉部完全打开时面积，PosVBV为阀门的归一化开启位置，用0到1之间的值表示。
由于外涵道入口气路条件和涵道面积都是已知的，因此可以获得外涵道入口处的静压PS，BP。从LPC出口排放到外涵道的气流应具有相同的静压PS，BP，其马赫数MABP可通过等式(2)获得。
式中Pt，Core为LPC出口处的总压。
从LPC出口排放到外涵道的气流的总温和静温之间的关系由等式(3)定义。
此外，从LPC出口排放到外涵道的气流的总温和临界温度之间的关系可以由方程(4)确定，其中临界马赫数MACr等于1。
因此，可以通过将等式(3)除以等式(4)来消除Tt，Core，得出临界条件和外涵道静温之间的温度比(TRCr/BP)，如下所示：
外涵道和临界条件之间的面积比(ARBP/Cr)可以通过方程(6)获得。
喉部与临界面积之比通过等式(7)间接获得。
如果猜测了喉部马赫数，则可以直接通过等式(8)计算临界条件与喉部的温度比(TRCr/Th)。
相应地，喉部与临界面积的比值可以由方程(9)计算。
如果和之间的误差足够小，则MATh的迭代收敛，然后，可以相应地获得喉部的空气密度(ρTh)和速度(VTh)，放气质量流量(WTh)通过等式(10)获得。
WTh＝ATh·ρTh·VTh (10)
最后，LPC出口和外涵道的质量流量由等式(11)和(12)更新。
WCore，new＝WCore，old-WTh (11)
WBP，new＝WBP，old+WTh (12)
(2)可变静叶
VSV处于HPC前部，为了防止迎角达到临界状态，VSV角度必须相应地调整，以保持合适的转子叶片迎角。VSV角度的变化将改变HPC的特性参数，包括压比、换算质量流量和效率，影响偏差由等式(13)-(15)定义。
dPR＝1+α·PRcoeff (13)
dWA＝1+α·WAcoeff (14)
dET＝1-α2·ETcoeff (15)
其中，dPR表示压比偏差，dWA表示换算质量流量偏差，dET表示效率偏差，这种偏差是相对于基线性能特征而言的，α表示VSV角度，PRcoeff表示压比因子，WAcoeff表示换算质量流量因子，ETcoeff表示效率因子。
(3)瞬态放气阀
除了VSV之外，TBV也用于防止HPC在低工况下失速。TBV仅在瞬态条件下工作，如启动、加速和喘振恢复，而VSV在稳态和瞬态条件下工作，TBV的引气将从HPC出口排放到LPT空腔。需要注意的是，控制系统中有两种TBV设置：全开和全关。
通过设置TBV位置(PosTBV)，可以由等式(16)计算阀门面积ATBV。
ATBV＝PosTBV·ATBV，value (16)
其中，ATBV为瞬态放气阀完全打开时的面积，PosTBV值在0到1之间，ATBV，value表示TBV完全打开的面积。
由于TBV入口总压(Pin)和出口总压(Pout)已知，则进出口压比(PRTBV)可由式(17)求得。进口总压按k步计算，而出口总压在性能仿真时按k-1步计算，这样做是因为计算TBV模型时，当前步的LPT出口条件是未知的。
单位面积的质量流量(WTBV，A)是PRTBV的函数，可以通过方程(18)获得。
WTBV，A＝f(PRTBV) (18)
最后，通过TBV的空气质量流量(WTBV)由等式(19)计算。
其中Tin是TBV入口温度。
需要注意的是，在切换输入的情况下，需要一段时间才能将TBV作动至预期位置，因此，采用了等式(20)的一阶滤波器。
PosTBV，k＝PosTBV，k-1·FOF+PosTBV，expe·(1-FOF) (20)
式中FOF为一阶滤波系数，且根据其处于开启或关闭位置，其值为1或0。
(4)燃油计量阀
燃烧室燃油流量由FMV提供，并通过公式(21)定义的FMV位置(PosTBV)进行调整。
AFMV＝PosFMV·AFMV，value (21)
体积流量可以通过方程(22)获得，采用压力装置来保持ΔP的恒定。
其中，Q为燃油流量，μ为流量系数，AFMV表示燃油阀区域的开度，ΔP表示入口和出口之间的压力偏差，ρ表示燃料密度。
故障描述
通常情况下，执行机构在相应的控制计划下移动到预期位置，起到防止喘振或提供精确燃油量的作用。然而，执行机构故障是发动机在整个使用寿命内都会遇到的故障，对于VBV、VSV和TBV，本实施方式考虑了阀门的恒定故障和突发故障。对于FMV，恒定故障和突发故障均由等式(23)中ΔP的相对偏差表示，等式(23)中总结了四个执行机构的恒定故障。
其中X为退化参数，下标“act”、“norm”和“bias”分别代表实际、正常和偏差。kFMV表示压力装置故障引起的压力偏差的相对变化。
等式(24)总结了突发故障，其中前三个代表了阀门的卡滞位置。
其中下标“lip”表示卡滞位置。
故障诊断方法
发动机的故障参数(X)将影响发动机气路可测参数(Z)，非线性关系可以定义为:
Z＝f(X) (25)
X作为牛顿-拉夫逊方法的迭代变量，最小化参考发动机测量的参数(Zr)与故障诊断模型预测的相应参数(Zm)之间的误差，用等式(26)定义的均方根误差(RMSE)和预定义阈值来评估故障诊断的收敛性。
其中n是测量参数的数量，Zr表示发动机实测的观测参数值，Zp表示模型计算的观测参数估计值。
执行机构的故障诊断流程如图2所示，其中发动机燃油流量是控制参数，迭代变量显示在紫色方框中，测量参数显示在绿色方框中，检验误差显示在蓝色方框中，具体步骤如下所述。
发动机进口条件可由飞行马赫数和飞行高度得到，此外，还在机翼上测量了外涵道的总压(P13)，风扇出口条件可以根据压力比、轴转速和特性图计算。
对于LPC，压比由式(28)计算，其中P24为测量值，P21由风扇模型计算。在已知压比、轴转速、LPC特性图和LPC进口条件的情况下，利用LPC模型计算出LPC出口条件，LPC的功率是基于LPC特性图得到的质量流量计算的，发动机总进气质量流量由上一步的风扇模型得到，因此，外涵道质量流量由发动机总进口质量流量减去LPC质量流量来确定，然后，可以计算出涵道比和风扇功。
利用VBV模型计算了旁路的引气量，得到了HPC入口的质量流量。在HPC中，压比由式(29)求得，其中P3为气路测量值，P25由LPC模型确定。根据压比、轴转速、HPC特性图和HPC入口条件，可以得到HPC出口条件和压气机功。
已知燃烧室入口条件和燃油流量，可以计算出燃烧室出口条件，然后，由混合室模型得到HPT入口条件。在HPT处，压比由式(30)求得，其中P45由测量得到，P41由混合室模型确定。知道了进口条件、压比、轴转速和HPT特性图，就可以确定HPT的出口条件。
LPT的压比由式(31)求得，其中P5为测量值，P45由混合室模型确定。当压比、轴转速、LPT特性图和进口条件已知时，就可以确定LPT的出口条件。
在执行机构的故障诊断中选择了11个收敛标准，如图2中的蓝色块所示，可分为两类。第一类由质量流量、轴功率平衡和喷嘴压力平衡组成，第二类由气路测量组成，包括T24、T3、T45和T5。值得注意的是，在瞬态条件下存在转子动力学效应和传热现象，因此，将瞬态效应补偿到故障诊断中，以实现在每个时刻对航空发动机执行机构健康状态的连续监测。
执行机构故障诊断过程。
对于轴功率平衡，涡轮功等于压气机功加上稳态工况下的辅助设备耗功，如式(32)所示。
TW＝CW+AW (32)
其中TW是涡轮机功，CW是压气机功，AW是辅助设备耗功。
但在瞬态条件下，由于存在剩余功率(SW)来改变轴的转速，式(32)不相等。在本实施方式中，时间序列数据被应用于执行机构在稳态和瞬态状态下的故障诊断，通过两个相邻的时间步长，可以从轴转速中获得SW，加速度由式(33)计算。
然后，SW可以通过式(34)获得。
其中是I轴转动惯量，N是速度。
则轴功率平衡可改写为式(35)，注意，在稳态条件下，SW等于零，并且满足发动机的工作兼容性，如式(35)所示。
TW＝SW+CW+AW (35)
稳态和瞬态之间的另一个主要区别是热浸现象，在瞬态过程中，气体和发动机金属部件的温度不处于热平衡状态，导致气体和发动机金属部件之间发生热传递。这种热浸现象可能会导致压气机喘振，因此，在瞬态过程的执行机构故障诊断中，应考虑热浸现象的影响，图2中绿色框表示的测量温度应与考虑热浸的仿真温度进行比较。
本实施方式考虑热浸现象，使执行机构故障诊断算法更加可靠，发动机金属部件与气流之间的换热速率如式(36)所示。
φ＝K·AS·(TG-TM)·(e-Δt/τ-1) (36)
其中，φ为换热量，K为传热系数，AS为有效换热面积，TG为当前步中未考虑热浸效应的气体温度，Δt为时间步长，τ为时间常数。
发动机模型验证
图1显示了双轴涡扇发动机的原理图，所开发的发动机模型已通过著名的商业软件GasTurb在稳态和瞬态条件下进行了验证，所涉及的涡扇发动机的设计点参数见表2。
表2涡扇发动机设计点参数
稳态模型验证
涡扇发动机为不同的飞行阶段提供不同的推力，因此，性能模型应该能够模拟发动机在不同工况下的性能。稳态模型由设计点和非设计点组成，所开发模型和GasTurb的设计点验证结果如表3所示，发动机各参数的最大相对误差小于0.31％，这表明所开发的发动机模型与GasTurb相比在设计点达到了较高的精度。
对于开发的发动机模型和GasTurb模型的非设计点验证，选择相同的特性图，其中，控制参数低压轴转速范围为0.7～1.0，比较了LPT出口总压(P5)、HPC百分比转速(PCN2)、HPC出口总温(T3)和进口质量流量(W2)。图3显示四个参数中最大的相对误差小于0.57％，与GasTurb模型相比，所建立的发动机模型在不同稳态工况下具有较高的预测精度。
表3设计点模型验证
瞬态模型验证
在整个飞行阶段，发动机必须在不同的工况下运行，并且需要从一种运行状态切换到另一种运行状态，因此，在瞬态条件下进行了精度验证，包括加速和减速。首先，进行15s的加速，使PCN1从80％变为100％，然后开始15s的减速，从100％减速到80％，时间步长为0.1s，GasTurb和所开发的模型都选择图4所示的燃油计划作为控制参数。
图5为所开发的发动机模型与GasTurb模型4个参数的对比，最大相对误差小于0.57％，出现在W2减速阶段的1.7s。可以看出，在瞬态条件下，所开发的发动机模型与GasTurb之间存在可接受的一致性。
本实施方式中包括四个案例，以对商用发动机进行执行机构故障诊断，是通过个人电脑上的VisualStudio软件实现的，该电脑采用Intel(R)Core(TM)i5-8250UCPU@1.6GHz和12GBRAM。四个案例的目的总结如下：
案例1：证明CCS在低工况时具有防止IPC和HPC失速和喘振的作用。
案例2：证明所提出的执行机构故障诊断方法在稳态条件下的作用。
案例3：揭示所提出的方法在瞬态条件下，四个执行机构发生恒定故障时的诊断精度和计算效率。
案例4：验证所提出的方法在瞬态条件下面对四个执行机构突发故障时的诊断精度和计算效率。
案例1：压气机控制系统的影响
对IPC和HPC的加速工作线进行了分析，以阐明CCS中各执行机构的作用。15s加速的燃油计划如图6所示，从图7中可以清楚地看出，如果CCS未发挥作用，IPC和HPC工作线超出喘振边界，这会使发动机面临危险。因此，采用VBV、VSV和TBV来防止转子叶片处的攻角在低工况时达到临界条件。
VBV的位置与IPC的换算转速(N1,c)有关，VSV的角度由HPC的换算转速(N2,c)控制，图8给出了VBV和VSV的控制计划，对于TBV,当N2,c小于0.82时打开，当N2,c大于0.82时关闭。图9显示了VBV、VSV和TBV对IPC和HPC喘振裕度的影响,很明显，在低工况时，VBV可以增加IPC的喘振裕度，其中VSV和TBV对IPC喘振裕度的影响可以忽略不计，与此相反，VSV和TBV对HPC喘振裕度有积极的影响，但它们不能防止IPC喘振。
为了防止IPC和HPC喘振，商用大涵道比涡扇发动机采取VBV、VSV和TBV共同工作的方式，图10给出了在上述燃油和执行机构控制计划下VBV、VSV和TBV位置随时间的变化。如图11所示，当三个执行机构同时作用时，IPC和HPC在加速过程中都能保持足够的喘振幅度。
案例2：稳态条件下的故障诊断
本实施方式使用恒定偏差来表示执行机构在稳态条件下的故障，对5种不同工况进行了测试，验证了该方法的有效性。表4给出了5个工况的故障输入，其中PCN1的变化范围为1.0～0.6，步长为0.1。
图12显示了四个执行机构的实际值、命令值和预测值，很明显，预测值与实际值非常相近，五种工况中，VBV的的最大相对误差为0.057％，VSV的最大相对误差为0.035％，FMV的最大相对误差为0.003％，每个执行机构的最大相对误差都小于0.06％。
从图13中可以清楚地看出，VBV、VSV和FMV在五种工况下的平均误差分别小于0.024％、0.021％和0.002％，此外，五种工况的最长计算时间和平均计算时间分别为0.0064s和0.0057s(表5)。因此，该方法能够在稳态条件下实时准确地诊断故障。
表4故障输入
表5五种工况的最大相对误差和计算时间
案例3：瞬态条件下的恒定故障诊断
本案例旨在测试所提出方法在瞬态条件下对于恒定偏差故障的诊断效果，表6总结了由式(23)表示的四个执行机构注入的故障。图14显示了四个执行机构的实际值、命令值和预测值，预测值与实际值非常接近，AVBV，act、αVSV，act、ATBV，act和kFMV的最大相对误差分别为0.069％、0.021％、0.020％和0.008％，四个执行机构的最大平均误差均小于0.03％，这表明所提出的方法能够用于执行机构故障诊断。在瞬态过程中，kFMV的最大相对误差远小于其他三个，是因为kFMV偏差将对发动机气路测量产生更显著的影响。
图15给出了四个执行机构在整个瞬态过程中的平均误差，此外，瞬态过程中每一步的平均计算时间为0.0085s，显示出良好的实时故障诊断能力。值得注意的是，TBV的植入故障为正值，使得打开TBV的响应时间小于关闭TBV的响应时间。
表6故障输入
案例4：瞬态条件下的突发故障诊断
在案例3中，对恒定偏差故障进行了测试，验证了所提方法的有效性。然而，在瞬态过程中，可能会发生阀的卡滞和压差活门压力偏差的突然变化，此外，与稳态条件相比，在加速过程中喘振裕度会减小，因此，对于瞬态条件下执行机构的突发故障，有必要评估所提出方法的有效性。
在图6所示的加速过程中，突发故障发生在3s处，突发故障前后的故障相关参数汇总如表7所示，3s之前的故障由式(22)表示，从3s到结束的故障由式(23)表示。图16显示了整个过程中AVBV,act、αVSV,act、ATBV,act、kFMV的实际值、预测值和命令值，AVBV,act、αVSV,act、ATBV,act和kFMV的最大相对误差分别为0.016％、0.021％、0.020％和0.008％。值得注意的是，诊断准确率略高于恒定故障，这是因为与恒定故障相比，突发性故障具有相对较大的故障特征，故障越大，故障越容易识别。图17给出了四个执行机构在整个加速过程中的平均相对误差，分别为0.008％、0.005％、0.008％和0.001％，此外，突发故障每一步的平均计算时间为0.0076s，表明该方法具有良好的实时性。
表7输入故障
以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了突出本发明提供的技术方案的优点和有益之处，不过以上所述的几个具体实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则范围内的，对本发明的合理修改和改进、实施方式的组合和等同替换等，均应当包含在本发明的保护范围之内。
在本说明书的描述中，仅为本发明的较佳实施例，不能以此限定本发明之权利范围；另外，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

Claims (10)

1.涡扇发动机执行机构故障诊断和识别方法，所述故障包括稳态故障和瞬态故障，其特征在于，所述方法包括：
建立涡扇发动机性能模型的步骤；
将执行机构的部件级模型集成至所述发动机性能模型的步骤；
对所述部件级模型运行过程中的故障进行故障描述的步骤；
采集模型计算的观测参数估计值和发动机实测的观测参数值的步骤；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的步骤。
2.根据权利要求1所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述涡扇发动机性能模型采用带助推器的双转子大涵道比分排涡扇发动机。
3.根据权利要求1所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述执行机构的部件级模型包括：可变放气阀、可变静叶、瞬态放气阀和燃油计量阀。
4.根据权利要求1所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述故障描述中，包括：VBV、VSV和TBV的恒定偏差故障和阀门卡滞故障，以及FMV的恒定偏差故障和突发故障。
5.根据权利要求4所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述FMV的恒定偏差故障和突发故障通过进出口压力差表示。
6.根据权利要求1所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述估计值和实际值间残差减小，通过求解器对所述故障描述中的故障参数进行迭代更新实现。
7.根据权利要求6所述的涡扇发动机执行机构故障诊断和识别方法，其特征在于，所述迭代更新的过程中，收敛性通过均方根误差得到。
8.涡扇发动机执行机构故障诊断和识别装置，所述故障包括稳态故障和瞬态故障，其特征在于，所述装置包括：
建立涡扇发动机性能模型的模块；
将执行机构的部件级模型集成至所述发动机性能模型的模块；
对所述部件级模型运行过程中的故障进行故障描述的模块；
采集模型计算的观测参数估计值和发动机实测的观测参数值的模块；
输出所述估计值和实际值间残差减小的过程中，故障参数变化的模块。
9.计算机储存介质，用于储存计算机程序，其特征在于，当所述计算机程序被计算机读取时，所述计算机执行权利要求1所述的涡扇发动机执行机构故障诊断和识别方法。
10.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行权利要求1所述的涡扇发动机执行机构故障诊断和识别方法。
CN202311418744.0A 2023-10-30 2023-10-30 涡扇发动机执行机构故障诊断和识别方法及装置 Pending CN117540246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311418744.0A CN117540246A (zh) 2023-10-30 2023-10-30 涡扇发动机执行机构故障诊断和识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311418744.0A CN117540246A (zh) 2023-10-30 2023-10-30 涡扇发动机执行机构故障诊断和识别方法及装置

Publications (1)

Publication Number Publication Date
CN117540246A true CN117540246A (zh) 2024-02-09

Family

ID=89790891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311418744.0A Pending CN117540246A (zh) 2023-10-30 2023-10-30 涡扇发动机执行机构故障诊断和识别方法及装置

Country Status (1)

Country Link
CN (1) CN117540246A (zh)

Similar Documents

Publication Publication Date Title
US6466858B1 (en) Methods and apparatus for monitoring gas turbine engine operation
EP2149824B1 (en) Methods and systems for estimating operating parameters of an engine
US6502085B1 (en) Methods and systems for estimating engine faults
EP2388672B1 (en) Identifying of turbomachine faults
Kim et al. Diagnostics using a physics-based engine model in aero gas turbine engine verification tests
Panov Auto-tuning of real-time dynamic gas turbine models
EP2904242A2 (en) Model based engine inlet condition estimation
Kraft et al. Engine fleet-management: The use of digital twins from a MRO perspective
Gorinevsky et al. Model-based diagnostics for an aircraft auxiliary power unit
US20210062675A1 (en) Method for Operating a Turbo Machine
Kim Generating a virtual physical model through measurement data and reverse engineering: Applying a performance prediction model for an industrial gas turbine during start-up
Cheng et al. Surrogate model-based real-time gas path fault diagnosis for gas turbines under transient conditions
Zhang et al. Physics-based model and neural network model for monitoring starter degradation of APU
US10197472B2 (en) Method for performing maintenance on an engine
Herrera et al. A comparative analysis of turbine rotor inlet temperature models
CN117540246A (zh) 涡扇发动机执行机构故障诊断和识别方法及装置
Bazmi et al. New Thermodynamic Model and Mathematical Analytical in T400 Turboshaft Power Assurance Test Process
Kim A data-driven modeling method for an aero gas turbine engine system based on the transient data
Kurzke et al. Model based performance analysis
Yuzhi et al. Actuator fault diagnosis and severity identification of turbofan engines for steady-state and dynamic conditions
Kim et al. Suitability of performance adaptation methods for updating the thermodynamic cycle model of a turboprop engine
Gorinevsky et al. Model-based diagnostics for small-scale turbomachines
Kim et al. Diagnostics Using First-Principles Based Digital Twin and Application for Gas Turbine Verification Test
Panov et al. Application of Digital Twin Technology on Simulation and Optimization of Prime Movers in Energy Systems
Salilew et al. Variable Geometry Industrial Gas Turbine Part-Load Performance

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
CB03 Change of inventor or designer information

Inventor after: Chen Yuzhi

Inventor after: Zhang Weigang

Inventor after: Gou Linfeng

Inventor after: Wei Yibo

Inventor after: Lu Zugui

Inventor after: Lu Linjun

Inventor before: Chen Yuzhi

Inventor before: Gou Linfeng

Inventor before: Zhang Weigang

Inventor before: Wei Yibo

Inventor before: Lu Zugui

Inventor before: Lu Linjun

CB03 Change of inventor or designer information