基于气路性能参数的航空发动机故障诊断方法研究

发布时间：2017-07-16 09:30

  本文关键词：基于气路性能参数的航空发动机故障诊断方法研究

  更多相关文章： 相对梯度 趋势分析 神经网络 加权D-S证据理论 故障诊断

【摘要】：航空发动机是一个复杂的系统工程,任何故障都会对飞行造成不良影响,甚至会导致灾难性事故。我国使用的航空发动机大多由国外发动机厂家制造,虽然提供了手册,但是对安全保障的核心技术方法仍对航空公司封锁。为突破此“瓶颈”,挖掘可以用于航空发动机故障诊断的方法显得尤为重要。本文针对民航发动机故障诊断开展了如下研究工作。首先,本文研究了基于性能参数相对梯度的发动机故障诊断方法。通过分析原始设备制造商(Original Equipment Manufacture,OEM)提供的客户通知报告(Customer Notification Report,CNR)可以判断OEM厂家是采用性能参数变化趋势进行故障诊断。为获取故障诊断的性能参数变化量,本文建立了发动机气路参数相对梯度数学模型,通过大量飞行循环性能参数相对梯度的试验分析,得到了基于给定正常飞行循环的性能参数相对梯度安全阈值。本文利用排气温度指示故障(EGT_F)、进口总温指示故障(TAT_F)和可调放气活门故障(VBV_F)对相对梯度安全阈值进行了验证,结果证明了该方法对故障点判别的准确性。然后,本文研究了基于多性能参数趋势分析的发动机故障诊断方法。考虑到发动机性能参数具有时序性,本文利用神经网络模型具有的高度非线性逼近性能对发动机气路性能参数进行学习,将性能变化趋势映射为[-1,1]之间的趋势评估值,将待诊断样本与故障样本趋的势评估值进行对比获得故障诊断结果。本文进行了两种趋势评估值学习方法研究:将性能参数时序样本直接作为神经网络输入;将时序样本进行拟合后获得的特征参数作为神经网络的输入。将两种方法分别应用于发动机的特定故障判别和多故障分类中,结果证明这两种方法在故障判别和多故障分类方面具有较高的准确性。最后,本文研究了一种基于加权D-S证据融合的发动机故障诊断方法。通过确定证据体及上述两种方法:相对梯度法和性能趋势分析法的基本概率分配,利用改进的证据理论求解其加权概率分配、多证据体联合作用下的信度区间及不确定度,将上述两种故障诊断方法的诊断结果进行融合判决。通过故障诊断实例证明了利用该方法进行发动机故障诊断的准确率得到了显著提高。
【关键词】：相对梯度 趋势分析 神经网络 加权D-S证据理论 故障诊断
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V263.6
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-17
• 1.1 课题来源9
• 1.2 课题研究的背景和意义9-10
• 1.2.1 课题研究背景9
• 1.2.2 课题研究意义9-10
• 1.3 国内外研究现状10-14
• 1.3.1 航空发动机气路故障诊断方法研究10-12
• 1.3.2 基于阈值的故障诊断方法研究12-13
• 1.3.3 多源信息融合故障诊断方法研究13-14
• 1.4 国内外研究综述分析14-15
• 1.5 本文主要研究内容15-17
• 第2章 基于性能参数相对梯度的发动机故障诊断17-38
• 2.1 引言17
• 2.2 发动机气路故障分类及指征参数分析17-25
• 2.2.1 飞机发动机故障诊断研究分类17-18
• 2.2.2 飞机发动机气路故障指征参数分析18-25
• 2.3 基于性能参数相对梯度的故障诊断方法25-35
• 2.3.1 飞机发动机气路参数相对梯度建模25-30
• 2.3.2 基于性能参数相对梯度的故障诊断阈值学习30-35
• 2.4 基于性能参数相对梯度的故障诊断方法验证35-37
• 2.4.1 进口总温指示故障验证35-36
• 2.4.2 可调放气活门故障验证36-37
• 2.5 本章小结37-38
• 第3章 基于多性能参数趋势分析的发动机故障诊断38-58
• 3.1 引言38
• 3.2 基于发动机气路参数离散变化趋势的故障诊断方法38-42
• 3.2.1 气路参数趋势学习神经网络输入输出设计39-40
• 3.2.2 气路参数趋势学习神经网络结构设计40-42
• 3.3 基于发动机气路参数趋势拟合的故障诊断方法42-48
• 3.3.1 气路参数趋势拟合方法研究43-46
• 3.3.2 基于气路参数趋势拟合的神经网络结构设计46-47
• 3.3.3 基于气路参数趋势拟合的神经网络学习47-48
• 3.4 基于多性能参数趋势分析的故障诊断方法验证48-57
• 3.4.1 基于发动机气路参数的特定故障判别48-53
• 3.4.2 基于发动机气路参数的多故障分类53-57
• 3.5 本章小结57-58
• 第4章 基于加权D-S证据融合的发动机故障诊断方法58-77
• 4.1 引言58-59
• 4.2 基础诊断模块59-64
• 4.2.1 RGOPP故障诊断基本概率分配59-64
• 4.2.2 DVTOPP故障诊断基本概率分配64
• 4.3 基于加权D-S证据理论的融合决策诊断64-71
• 4.3.1 改进的加权证据理论67-68
• 4.3.2 加权证据理论的融合故障诊断68-71
• 4.4 加权融合故障诊断方法验证71-76
• 4.5 本章小结76-77
• 结论77-78
• 参考文献78-82
• 攻读硕士学位期间发表的论文82-84
• 致谢84

【相似文献】

中国期刊全文数据库 前10条

1 李·安·泰格梅尔 ,成磊;发动机故障诊断技术的拓展应用[J];航空维修与工程;2005年01期

2 李华强;费逸伟;;航空发动机故障诊断技术及其发展[J];航空维修与工程;2007年05期

3 林志强;;汽车发动机故障诊断技术研究现状与趋势分析[J];黑龙江交通科技;2011年06期

4 杨小勇;陈建文;龚玉霞;;发动机故障诊断技术分析研究[J];汽车零部件;2012年06期

5 黄军;电喷发动机故障诊断2例[J];汽车技术;2000年03期

6 张远程,彭雅娟,陈振清;电喷发动机故障诊断方法[J];汽车研究与开发;2000年05期

7 杨慧,熊育婷,吴月伟;基于状态分类评价的发动机故障诊断决策系统[J];航空维修与工程;2005年01期

8 罗永前;程葆伦;;汽车发动机故障诊断四例[J];重庆职业技术学院学报;2006年01期

9 曹红兵;;尾气分析在汽车发动机故障诊断中的应用[J];汽车维修与保养;2006年10期

10 吴大钰;王岩松;李燕;汤晓林;;基于声信号的汽车发动机故障诊断方法综述[J];渤海大学学报(自然科学版);2008年03期

中国重要会议论文全文数据库 前3条

1 张鹏;李学仁;景博;杜军;张建业;;多源信息融合技术在航空发动机故障诊断中的应用研究[A];中国航空学会控制与应用第十二届学术年会论文集[C];2006年

2 李康;何卫锋;程礼;;基于谐波小波分解的航空发动机故障诊断[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

3 马龙;;基于递归神经网络的航空发动机故障诊断[A];十三省区市机械工程学会第五届科技论坛论文集[C];2009年

中国重要报纸全文数据库 前1条

1 熊燕;发动机故障诊断与维修[N];中国花卉报;2004年

中国博士学位论文全文数据库 前6条

1 李增芳;基于人工智能和虚拟仪器技术的发动机故障诊断专家系统研究[D];浙江大学;2004年

2 张晓丹;汽车发动机故障诊断中不确定性问题的贝叶斯网络解法[D];东北大学;2005年

3 郝英;基于智能技术的民航发动机故障诊断和寿命预测研究[D];南京航空航天大学;2006年

4 刘永建;基于改进神经网络的民机发动机故障诊断与性能预测研究[D];南京航空航天大学;2012年

5 吴文杰;基于信息融合的航空发动机故障诊断方法[D];电子科技大学;2011年

6 鲁峰;航空发动机故障诊断的融合技术研究[D];南京航空航天大学;2009年

中国硕士学位论文全文数据库 前10条

1 宣亮;汽车发动机故障诊断系统的软件设计与实现[D];中国科学院大学(工程管理与信息技术学院);2015年

2 那媛;基于气路性能参数的航空发动机故障诊断方法研究[D];哈尔滨工业大学;2016年

3 丁哲;基于排气气流动态特性的发动机故障诊断研究[D];桂林电子科技大学;2010年

4 任志英;基于声信号技术的发动机故障诊断系统研究[D];福州大学;2006年

5 刘召广;基于数据融合的发动机故障诊断系统研究[D];武汉科技大学;2008年

6 全首杰;实车发动机故障诊断系统的研究[D];延边大学;2010年

7 孙甲男;基于数据驱动的发动机故障诊断研究[D];吉林大学;2013年

8 秦荣;基于振动分析的发动机故障诊断实用方法研究[D];华南理工大学;2011年

9 高丽;汽车发动机故障诊断中不确定性问题的贝叶斯网络解法研究[D];沈阳航空工业学院;2009年

10 严军;基于故障树分析法的航空活塞发动机故障诊断专家系统研究[D];电子科技大学;2010年

，

本文编号：548061