收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于卡尔曼滤波的商用涡扇发动机气路故障诊断

顾嘉辉  
【摘要】:商用涡扇发动机气路故障诊断技术是提高飞行安全、降低航线运营成本的重要途径。本文以某型商用大涵道比涡轮风扇发动机为研讨对象,研究基于卡尔曼滤波算法的商用涡扇发动机气路故障诊断技术。由于涡扇发动机非线性特性强,现有建模方法得到的发动机线性状态变量模型仅在建模区域附近的小范围内精度较高,无法在全寿命期限内保持精度要求,使得健康参数的估计误差随着飞行循环数的增加而增加,因此为了提高线性模型在各种性能退化情况下的精度,提出自适应拟合的方法建立包含健康参数的状态变量模型,并设计卡尔曼滤波器进行健康参数估计。该方法通过由上一个采样周期内健康参数的估计值自适应调整模型系数矩阵提高模型在全寿命期限内的精度。在设计巡航点采用该方法建立线性变参数模型,然后通过相似换算在4个飞行状态点进行数字仿真性能缓慢退化过程。经仿真验证,在4个飞行点下选取除低压涡轮流量和效率以外的8个健康参数进行估计,相比改进拟合建模方法,基于该建模方法的卡尔曼滤波器对于风扇换算转速在95%以下的飞行状态点,健康参数均方根误差总和平均减少26.4%,对于转速在95%以上的点,误差总和平均减少45.8%,同时在数字仿真时间60s下的计算时间小于20s。针对该型发动机机载传感器分布不均且个数小于健康参数的个数,使得卡尔曼滤波器估计全部健康参数时精度较低的现状,提出了两种由神经网络改进的非线性卡尔曼滤波算法:神经网络-软约束-扩展卡尔曼滤波(NN-SC-EKF)算法与神经网络-粒子滤波-卡尔曼滤波(NN-PF-KF)算法。前者通过将BP神经网络对健康参数的估计结果作为惩罚项加入卡尔曼滤波算法后验估计的目标函数中,后者利用BP神经网络的估计结果来修正粒子,通过粒子滤波算法估计出当前的均值与协方差,然后使用卡尔曼滤波算法进行更新,这两种方法都使得估计结果往神经网络的计算输出方向发生偏移。经5种典型的单部件气路故障模式与4种典型的多部件气路故障模式的数字仿真验证,这两种改进算法相比BP神经网络以及原来的两种非线性卡尔曼滤波算法在气路健康参数的估计精度上有较大的提高。其中,NN-SC-EKF算法的健康参数均方根误差总和相比BP神经网络平均降低了27.5%,相比EKF算法平均降低了31.4%;NN-PF-KF算法的健康参数均方根误差总和相比BP神经网络平均降低了33.8%,相比UKF算法平均降低了42.1%。此外,对于不包含风扇故障的情况,由于BP神经网络对故障定位正确,NN-PF-KF算法的健康参数均方根误差总和相比NN-SC-EKF算法平均降低了15.0%,而对于包含风扇故障的故障情况,由于BP神经网络对风扇部件的估计结果较不准确,使得结果相反,NN-SC-EKF算法的健康参数均方根误差总和相比NN-PF-KF算法平均降低了8.4%。在Simulink仿真平台中,搭建了一个基于自适应拟合建模方法与神经网络-软约束-卡尔曼滤波算法的气路故障诊断框架,并设计了各个功能模块。当未检测到气路突变故障时,该框架采用标准卡尔曼滤波器估计不包含低压涡轮流量和效率的8个健康参数;当检测到气路故障时,根据所在飞行区块激活对应的BP神经网络,采用神经网络-软约束-卡尔曼滤波算法估计全部10个健康参数。通过在该平台上进行所设计方法的数字仿真验证,实现了全寿命期限内的健康参数估计以及对气路突变故障实现了故障定位功能。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 吴云欢;;燃气轮机气路故障诊断技术研究[J];科技与企业;2015年02期
2 唐昌盛;曲建岭;李富荣;高峰;;基于广义回归神经网络的发动机气路故障诊断[J];兵工自动化;2008年07期
3 季军;李熠愫;侯恩敏;;混凝土搅拌站常见气路故障两例[J];建筑机械化;2006年11期
4 李一波;张光明;蒋丽英;;航空发动机气路故障诊断技术研究现状[J];航空维修与工程;2009年04期
5 王赟虓;;航空燃气涡轮发动机气路故障诊断现状与展望[J];价值工程;2014年32期
6 姚华廷;贾琳渊;王曦;;涡扇发动机气路故障诊断在寿命试验中的应用[J];燃气涡轮试验与研究;2013年02期
7 黄亚男;;国产胶印机气路故障解析[J];印刷世界;2011年07期
8 黄亚男;;国产胶印机气路故障解析[J];印刷杂志;2011年10期
9 李明;;民航发动机气路故障诊断技术探析[J];硅谷;2013年10期
10 莫翔宇;唐庆如;杨晓强;;基于灰色关联分析的航空发动机气路故障诊断方法研究[J];航空维修与工程;2009年05期
11 贾生强;;降低浆纱气路故障的措施[J];棉纺织技术;2007年11期
12 赵晶;;燃气轮机气路故障诊断技术[J];民营科技;2016年05期
13 黄宣钦;CWGP80型~(60)Co远距离治疗机气路故障排除1例[J];医疗设备信息;2003年12期
14 刘翠芳;冯学晓;;小型多旋翼无人机发动机气路故障残差参数偏差值挖掘[J];科技通报;2016年10期
15 李家弘;;TYCO PB700系列呼吸机气路故障维修[J];中国医疗设备;2008年07期
16 曲建岭;唐昌盛;肖辉雄;李万泉;;人工神经网络融合诊断航空发动机气路故障[J];航空动力学报;2008年11期
17 张宗杰;蒋丽英;黄燕;;基于多分类器融合的航空发动机气路故障诊断[J];沈阳航空工业学院学报;2010年02期
18 王旭辉;黄圣国;施鼎豪;舒平;;基于支持向量机的发动机气路故障预诊断[J];交通运输工程学报;2008年05期
中国重要会议论文全文数据库 前4条
1 梁磊;陈杰;蒋东翔;;航空发动机常见气路故障和振动故障特征分析[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
2 曲建岭;高峰;唐昌盛;李富荣;于建立;;基于概率神经网络的发动机气路故障诊断[A];2008中国仪器仪表与测控技术进展大会论文集(Ⅲ)[C];2008年
3 李小林;屈卫东;;基于D-S证据理论的航空发动机气路故障融合诊断[A];第37届中国控制会议论文集(D)[C];2018年
4 姜繁生;孙志岩;陈仲光;邱明星;;航空发动机预测健康管理关键技术分析[A];第十五届中国科协年会第13分会场:航空发动机设计、制造与应用技术研讨会论文集[C];2013年
中国博士学位论文全文数据库 前3条
1 蒲星星;基于模型的重型燃气轮机气路故障诊断研究[D];清华大学;2013年
2 刘鹏鹏;航空发动机气路故障静电监测方法及系统研究[D];南京航空航天大学;2013年
3 陈煜;基于非线性模型的涡喷发动机气路故障诊断研究[D];南京航空航天大学;2014年
中国硕士学位论文全文数据库 前10条
1 顾嘉辉;基于卡尔曼滤波的商用涡扇发动机气路故障诊断[D];南京航空航天大学;2018年
2 单晨晨;基于深度置信网络的发动机状态监控研究[D];中国民航大学;2017年
3 蔡鼎;融合先验知识的燃气轮机欠定气路故障诊断方法研究[D];哈尔滨工业大学;2015年
4 李辉;燃气轮机气路故障诊断技术研究[D];哈尔滨工程大学;2012年
5 彭淑宏;航空发动机气路故障诊断技术研究[D];上海交通大学;2012年
6 欧惠宇;船舶燃气轮机气路故障诊断技术研究[D];哈尔滨工程大学;2013年
7 侯凤阳;基于人工神经网络的燃气轮机气路故障诊断研究[D];南京航空航天大学;2007年
8 鞠红飞;航空发动机气路故障诊断的非线性滤波方法研究[D];南京航空航天大学;2015年
9 王亚凡;航空发动机气路故障融合诊断方法研究[D];南京航空航天大学;2016年
10 朱柳;基于滤波方法的航空发动机故障诊断研究[D];清华大学;2014年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978