航空发动机气路故障融合诊断方法研究

发布时间：2017-07-30 14:24

  本文关键词：航空发动机气路故障融合诊断方法研究

  更多相关文章： 航空发动机 气路故障诊断 传感器故障诊断 融合滤波器 不等式约束 小波变换 D-S证据理论融合

【摘要】：航空发动机故障诊断技术是保障飞行安全,降低维护费用的重要手段。本文以某型涡扇发动机模型为研究对象,围绕信息融合技术开展了航空发动机气路故障融合诊断方法研究,包括基于融合滤波方法的气路健康参数估计、气路部件故障融合诊断与定位、气路部件故障与传感器故障融合诊断。论文的主要工作和贡献如下:在发动机部件级模型的基础上建立了发动机状态变量模型,设计线性卡尔曼滤波器对发动机气路部件健康参数进行在线估计;针对集中式结构的线性卡尔曼滤波器存在计算效率低、容错性差等缺陷,提出采用线性融合卡尔曼滤波算法实现发动机气路健康参数的估计,通过理论分析和数字仿真证明了融合滤波算法的优势。由于发动机为强非线性系统且健康参数间耦合性强,线性滤波器用于发动机气路健康参数估计存在精度不够高等缺陷,将融合卡尔曼滤波器推广至非线性系统,分别基于扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器构建融合滤波器;为了将反映发动机健康状态的先验知识引入至健康参数估计中,对融合粒子滤波器进行改进,采用概率密度截断法加入不等式约束,提高了估计精度;针对测量参数统计特性未知对融合粒子滤波器估计效果的影响,采用小波变换实时估计测量噪声标准差并以此更新粒子似然函数,实现了测量噪声变化下发动机气路部件健康参数的准确估计。采用自适应加权D-S证据理论方法进行发动机气路部件故障融合诊断与定位。以基于粒子滤波器和极限学习机的气路部件故障诊断方法为基础,在决策层构建融合诊断模块对两个诊断结果进行融合;为了解决多证据融合过程中证据严重冲突的问题,通过混淆矩阵获取两种诊断方法对发动机各故障模式的诊断可靠度,从而在生成基本概率赋值函数时赋予不同的权值系数。通过发动机单、双部件故障仿真,验证了所提出的方法能有效降低证据冲突,提高了发动机气路部件故障融合诊断与定位的精度。研究了航空发动机气路部件故障与传感器故障融合诊断方法。分析了发动机传感器常见的故障形式及产生原因;以卡尔曼滤波器为基础,提出了采用融合卡尔曼滤波器组和扩展卡尔曼滤波器-自适应遗传算法(EKF-AGA)两种方法实现发动机气路部件故障与传感器故障融合诊断。仿真结果表明,两种方法均能有效的检测并隔离发动机传感器故障,在传感器故障发生后依然能得到准确的发动机健康参数估计值,具有较好的容错性。
【关键词】：航空发动机 气路故障诊断 传感器故障诊断 融合滤波器 不等式约束 小波变换 D-S证据理论融合
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V263.6
【目录】：

• 摘要4-5
• ABSTRACT5-13
• 第一章 绪论13-18
• 1.1 研究背景13-14
• 1.2 航空发动机故障诊断技术的研究现状14-15
• 1.3 信息融合技术及其在发动机故障诊断中的应用现状15-16
• 1.4 本文的内容安排16-18
• 第二章 基于线性融合卡尔曼滤波器的发动机气路健康参数估计18-31
• 2.1 发动机模型与气路部件故障分析18-21
• 2.1.1 发动机非线性模型18-19
• 2.1.2 发动机状态变量模型19
• 2.1.3 发动机气路部件故障分析19-20
• 2.1.4 发动机增广状态变量模型20-21
• 2.2 基于线性卡尔曼滤波器的气路健康参数估计21-22
• 2.2.1 线性卡尔曼滤波器21-22
• 2.2.2 集中式滤波估计缺点分析22
• 2.3 基于线性融合卡尔曼滤波器的气路健康参数估计22-30
• 2.3.1 线性融合卡尔曼滤波器的设计22-26
• 2.3.2 线性融合卡尔曼滤波最优性分析26-27
• 2.3.3 线性卡尔曼滤波器气路健康估计仿真与分析27-30
• 2.4 本章小结30-31
• 第三章 基于非线性融合滤波器的发动机气路健康参数估计31-48
• 3.1 基于非线性融合卡尔曼滤波器的气路健康估计31-36
• 3.1.1 扩展卡尔曼滤波31-32
• 3.1.2 无迹卡尔曼滤波32-33
• 3.1.3 非线性融合卡尔曼滤波的设计33-34
• 3.1.4 非线性卡尔曼滤波器气路健康估计仿真与分析34-36
• 3.2 基于融合自适应粒子滤波器的气路健康估计36-46
• 3.2.1 标准粒子滤波36-37
• 3.2.2 加入不等式约束的粒子滤波37-39
• 3.2.3 基于小波变换的噪声自适应粒子滤波39-41
• 3.2.4 发动机过渡态气路健康估计仿真与分析41-46
• 3.3 本章小结46-48
• 第四章 发动机气路部件故障融合诊断方法48-60
• 4.1 发动机气路部件特征层故障融合诊断方法48-51
• 4.1.1 特征参数估计48-49
• 4.1.2 基于粒子滤波器的特征层故障诊断49-51
• 4.2 发动机气路部件故障多层融合诊断方法51-56
• 4.2.1 基于极限学习机的故障诊断51-53
• 4.2.2 自适应加权D-S证据理论53-55
• 4.2.3 发动机部件故障多层融合诊断原理55-56
• 4.3 气路故障多层融合诊断仿真与分析56-59
• 4.4 本章小结59-60
• 第五章 发动机气路部件故障与传感器故障融合诊断方法60-70
• 5.1 传感器故障分析60
• 5.2 基于融合滤波算法的发动机气路部件故障与传感器故障诊断60-66
• 5.2.1 状态一致性故障检测与隔离机制60-62
• 5.2.2 状态一致性FDI仿真与分析62-66
• 5.3 基于EKF-AGA方法的发动机气路部件故障与传感器故障诊断66-69
• 5.3.1 EKF-AGA故障融合诊断方法66-67
• 5.3.2 EKF-AGA融合诊断方法仿真与分析67-69
• 5.4 本章小结69-70
• 第六章 总结与展望70-72
• 6.1 本文主要工作总结70-71
• 6.2 展望71-72
• 参考文献72-76
• 致谢76-77
• 在学期间的研究成果及发表的学术论文77

【参考文献】

中国期刊全文数据库 前10条

1 向阳辉;张干清;庞佑霞;;结合SVM和改进证据理论的多信息融合故障诊断[J];振动与冲击;2015年13期

2 黄金泉;冯敏;鲁峰;;基于自适应粒子滤波的涡扇发动机故障诊断[J];航空动力学报;2014年06期

3 胡金海;余治国;翟旭升;彭靖波;任立通;;基于改进D-S证据理论的航空发动机转子故障决策融合诊断研究[J];航空学报;2014年02期

4 李昂;李安;胡柏青;罗银波;覃方君;;基于小波变换域的实时估计噪声特性算法研究[J];计算机与数字工程;2012年12期

5 张锟;张昌芳;李杰;;基于新冲突度量的属性信息相关算法[J];控制与决策;2011年04期

6 赖际舟;周翟和;刘建业;熊剑;;混合粒子联邦滤波在多信息组合导航系统中的应用[J];中国惯性技术学报;2011年01期

7 刘清;曹国华;;基于噪声方差估计和模型参考的传感器动态补偿[J];江苏大学学报(自然科学版);2009年06期

8 王仲生;赵鹏;;基于多源信息融合的发动机转子早期故障识别[J];西北工业大学学报;2009年03期

9 赵世荣;黄向华;;应用神经网络信息融合诊断航空发动机故障[J];航空动力学报;2008年01期

10 张鹏;黄金泉;;航空发动机气路故障诊断的平方根UKF方法研究[J];航空动力学报;2008年01期

中国博士学位论文全文数据库 前6条

1 李小冬;核极限学习机的理论与算法及其在图像处理中的应用[D];浙江大学;2014年

2 刘学艺;极限学习机算法及其在高炉冶炼过程建模中的应用研究[D];浙江大学;2013年

3 袁克非;组合导航系统多源信息融合关键技术研究[D];哈尔滨工程大学;2012年

4 何映思;模糊推理方法及模糊逻辑形式系统研究[D];西南大学;2011年

5 白芳;民航发动机机群调度优化与视情维修决策方法研究[D];南京航空航天大学;2009年

6 周文祥;航空发动机及控制系统建模与面向对象的仿真研究[D];南京航空航天大学;2006年

中国硕士学位论文全文数据库 前6条

1 冯敏;涡扇发动机气路健康参数滤波估计方法研究[D];南京航空航天大学;2013年

2 陈晓智;基于INS/GPS/磁力计组合导航系统的航向角联邦滤波算法研究[D];南昌大学;2013年

3 夏超;基于卡尔曼滤波器的航空发动机传感器故障诊断研究[D];南京航空航天大学;2013年

4 刘铮;UKF算法及其改进算法的研究[D];中南大学;2009年

5 赵鹏;基于信息融合技术的航空发动机故障诊断[D];西北工业大学;2007年

6 许丽佳;组合导航系统中的信息融合研究[D];北京工业大学;2004年

，

本文编号：594666