CN106815641A - 一种基于模型和模糊模式识别的气路故障诊断方法 - Google Patents
一种基于模型和模糊模式识别的气路故障诊断方法 Download PDFInfo
- Publication number
- CN106815641A CN106815641A CN201710039051.9A CN201710039051A CN106815641A CN 106815641 A CN106815641 A CN 106815641A CN 201710039051 A CN201710039051 A CN 201710039051A CN 106815641 A CN106815641 A CN 106815641A
- Authority
- CN
- China
- Prior art keywords
- gas path
- model
- failure
- deviation
- fault diagnosis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模型和模糊模式识别的气路故障诊断方法,属于发动机故障试验设计领域。通过未知故障与已知故障数据库进行模式算法匹配,找到最可能发生的故障类型。该发明克服了现有的基于模型的方法对发动机模型的过分依赖,扩展了基于模型的气路故障诊断方法的适用范围;在发动机模型的计算精度不高的情况下,能够有效的对基于模型的计算结果进行修正,从而提高气路故障诊断的精度。
Description
技术领域
本发明属于发动机故障试验设计领域,具体涉及一种基于模型和模糊模式识别的气路故障诊断方法。
背景技术
气路故障诊断(或称气路分析)是指通过监测气路测量参数数据的变化,利用数学方法识别并定位发动机整机及气路部件的性能变化趋势或故障。通常情况下,气路故障诊断通过测量参数来诊断机理复杂的物理故障,其原理是对发动机的健康状态的评估,依赖于各个相对独立的部件的健康状态,而部件的健康状态可以用发动机独立变量来表示,比如效率、流量等。自从1972年Lou i s A.Urban首次提出了基于模型的气路故障诊断方法后,气路故障诊断方法已经广泛应用于军用和民用发动机故障诊断***。相比振动、滑油、可视性监视等其他故障诊断方法,气路故障诊断方法具有独特的优势:由于只需要通过气路测量参数数据进行分析,而不需要通过添加额外的传感器或者监控设备来完成故障诊断。因此,气路故障诊断方法也为搭建机载健康管理***提供了非常有利的基础,有效的提高航空发动机的安全性、可靠性、可维修性和经济性。
气路故障诊断主要形成了以下几种方法:基于模型的方法、基于数据的方法以及人工智能方法。基于模型的气路故障诊断方法主要包括:线性I CM法、最小二乘法和卡尔曼滤波等。目前的基于模型的气路故障诊断方法的主要问题有:
(1)基于模型的气路故障诊断方法对发动机仿真模型的精度过于依赖,发动机模型的精度直接影响基于模型的方法的计算精度,在发动机模型的精度不高的情况下,基于模型的方法会出现计算误差大和不收敛等情况,甚至会出现错误的故障诊断结果,导致无法实现正常的气路故障诊断;
(2)很多基于模型的方法,其中包括非线性加权最小二乘法,需要先验知识和数据挖掘,但是协方差矩阵通常是随机的,这就导致了随机误差;
(3)现有的基于模型的气路故障诊断方法对试车数据的处理能力不足,往往会出现精度低、误差大和不收敛的情况;
(4)基于模型的气路故障诊断方法往往会产生扩散效应,导致没有发生故障或异常的健康参数产生较大的偏差,影响故障定位的精确性。
发明内容
为了解决上述问题,本发明提供了一种基于模型和模糊模式识别的气路故障诊断方法,包括如下步骤:
步骤一、获得多个已知气路故障模式下的测量参数偏差并根据所述测量参数偏差求取已知故障健康参数偏差形成已知故障信息的样本空间
步骤二、获得未知故障的测量参数偏差并采用与步骤一相同的方法求取未知故障健康参数偏差
步骤三、采用如下公式计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度:
其中,κ为与两个向量的二范数的相关系数,为向量的二范数,为向量的二范数;
步骤四、找出最大的模糊贴近度λi,其对应的第i个典型气路故障模式则为最可能发生的部件故障类型。
优选的是,根据所述测量参数偏差求取已知故障健康参数偏差包括利用基于模型的最小二乘法。
优选的是,根据所述测量参数偏差求取已知故障健康参数偏差包括采用卡尔曼滤波法。
优选的是,所述步骤一中,获得多个已知气路故障模式下的测量参数偏差包括通过试验测量获取。
优选的是,所述步骤一中,获得多个已知气路故障模式下的测量参数偏差包括通过模拟故障仿真获取。
本发明具有如下优点:
(1)该发明克服了现有的基于模型的方法对发动机模型的过分依赖,扩展了基于模型的气路故障诊断方法的适用范围;
(2)在发动机模型的计算精度不高的情况下,能够有效的对基于模型的计算结果进行修正,从而提高气路故障诊断的精度;
(3)该发明克服了扩散效应对气路故障诊断结果的影响,提高了计算结果的精度;
(4)利用本发明,能够判断气路故障诊断结果的置信度,提高了工程实用性。
附图说明
图1为按照本发明基于模型和模糊模式识别的气路故障诊断方法的一优选实施例的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
本发明提供了一种基于模型和模糊模式识别的气路故障诊断方法,利用基于模型的气路故障诊断,例如加权最小二乘法或卡尔曼滤波,计算出典型气路故障对应的健康参数偏差特征,从而建立故障信息样本库。在此基础上,本文利用模糊模式识别做进一步的修正,从而形成了一种新的复合气路故障诊断方法。技术方案示意图如图1所示。主要包括以下步骤:
步骤一、获得多个已知气路故障模式下的测量参数偏差并根据所述测量参数偏差求取已知故障健康参数偏差形成已知故障信息的样本空间
步骤二、获得未知故障的测量参数偏差并采用与步骤一相同的方法求取未知故障健康参数偏差
步骤三、采用如下公式计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度:
其中,κ为与两个向量的二范数的相关系数,为向量的二范数,为向量的二范数;
步骤四、找出最大的模糊贴近度λi,其对应的第i个典型气路故障模式则为最可能发生的部件故障类型。
本实施例以三个气路故障模式为例进行说明。
步骤一、首先获得三个已知气路故障模式下的测量参数偏差(i=1,2,3),比如获得风扇出口总温、增压级出口总温、高压压气机的进出口总温和总压、高压涡轮出口总温、燃油流量、高压转子转速的测量参数偏差:
需要说明的是,上述获得参数偏差的方法为:针对各个典型气路故障的故障模式,得到测量数据,在没有测量数据的情况下,利用模拟故障数据代替。
其次,对上述数据进行处理,利用基于发动机性能仿真模型的非线性加权最小二乘法,计算各个测量参数偏差向量对应的健康参数偏差得到模拟故障信息样本空间如下:
可以理解的是,除采用最小二乘法以外,还可以采用其它算法,例如卡尔曼滤波法。
步骤二、采用与步骤一中相同的方法,利用已经测量得到的未知故障对应的测量参数偏差:
从而计算出未知故障对应的健康参数偏差:
步骤三,采用公式
计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度,得到λ1=0.88、λ2=0.31、λ3=0.13;
系数κ的范围为大于等于1的实数,数学表示为[1,+∞],本实施例中该值取1。
最后,找出模糊贴近度最大的λ1=0.88,从而可以确定最可能发生的故障类型为对应的第1个典型气路故障模式,即高压压气机的风蚀。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于模型和模糊模式识别的气路故障诊断方法,其特征在于,包括:
步骤一、获得多个已知气路故障模式下的测量参数偏差并根据所述测量参数偏差求取已知故障健康参数偏差形成已知故障信息的样本空间
步骤二、获得未知故障的测量参数偏差并采用与步骤一相同的方法求取未知故障健康参数偏差
步骤三、采用如下公式计算未知故障健康参数偏差与所述各已知故障健康参数偏差之间的模糊贴近度:
其中,κ为与两个向量的二范数的相关系数,为向量的二范数,为向量的二范数;
步骤四、找出最大的模糊贴近度λi,其对应的第i个典型气路故障模式则为最可能发生的部件故障类型。
2.如权利要求1所述的于模型和模糊模式识别的气路故障诊断方法,其特征在于,根据所述测量参数偏差求取已知故障健康参数偏差包括利用基于模型的最小二乘法。
3.如权利要求1所述的于模型和模糊模式识别的气路故障诊断方法,其特征在于,根据所述测量参数偏差求取已知故障健康参数偏差包括采用卡尔曼滤波法。
4.如权利要求1所述的于模型和模糊模式识别的气路故障诊断方法,其特征在于,所述步骤一中,获得多个已知气路故障模式下的测量参数偏差包括通过试验测量获取。
5.如权利要求1所述的于模型和模糊模式识别的气路故障诊断方法,其特征在于,所述步骤一中,获得多个已知气路故障模式下的测量参数偏差包括通过模拟故障仿真获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039051.9A CN106815641A (zh) | 2017-01-19 | 2017-01-19 | 一种基于模型和模糊模式识别的气路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039051.9A CN106815641A (zh) | 2017-01-19 | 2017-01-19 | 一种基于模型和模糊模式识别的气路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106815641A true CN106815641A (zh) | 2017-06-09 |
Family
ID=59112186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710039051.9A Pending CN106815641A (zh) | 2017-01-19 | 2017-01-19 | 一种基于模型和模糊模式识别的气路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106815641A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443783A (zh) * | 2018-10-18 | 2019-03-08 | 哈尔滨工业大学 | 一种基于先验知识的燃气轮机欠定气路故障诊断方法 |
CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200062A (zh) * | 2014-08-04 | 2014-12-10 | 南京航空航天大学 | 一种航空发动机气路故障的融合诊断方法 |
CN105203327A (zh) * | 2015-09-15 | 2015-12-30 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种应用于发动机气路分析的气路测量参数选择方法 |
JP2016053307A (ja) * | 2014-09-02 | 2016-04-14 | 株式会社神戸製鋼所 | 液圧ポンプの故障診断装置 |
-
2017
- 2017-01-19 CN CN201710039051.9A patent/CN106815641A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200062A (zh) * | 2014-08-04 | 2014-12-10 | 南京航空航天大学 | 一种航空发动机气路故障的融合诊断方法 |
JP2016053307A (ja) * | 2014-09-02 | 2016-04-14 | 株式会社神戸製鋼所 | 液圧ポンプの故障診断装置 |
CN105203327A (zh) * | 2015-09-15 | 2015-12-30 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种应用于发动机气路分析的气路测量参数选择方法 |
Non-Patent Citations (1)
Title |
---|
盛艳燕: "电力电子电路故障诊断与预测技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443783A (zh) * | 2018-10-18 | 2019-03-08 | 哈尔滨工业大学 | 一种基于先验知识的燃气轮机欠定气路故障诊断方法 |
CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
CN110672328B (zh) * | 2019-11-05 | 2020-08-14 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
Dorr et al. | Detection, isolation, and identification of sensor faults in nuclear power plants | |
Li et al. | A method to improve the robustness of gas turbine gas-path fault diagnosis against sensor faults | |
CN103776654B (zh) | 多传感器信息融合的故障诊断方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及*** | |
Aretakis et al. | Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach | |
CN108804740A (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
CN104819107A (zh) | 一种风电机组功率曲线异常漂移的诊断方法及*** | |
CN109407649A (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
Ganguli | Fuzzy logic intelligent system for gas turbine module and system fault isolation | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
Li et al. | Study on gas turbine gas-path fault diagnosis method based on quadratic entropy feature extraction | |
CN108445867A (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
Jami et al. | Impeller fault detection under variable flow conditions based on three feature extraction methods and artificial neural networks | |
CN103853144B (zh) | 基于采油生产数据的现场传感器故障检测方法 | |
CN105071380A (zh) | 一种电力***广域同调辨识方法及其装置 | |
CN100478650C (zh) | 改善发电设备故障检测的方法和装置 | |
Loboda et al. | A mixed data-driven and model based fault classification for gas turbine diagnosis | |
Yan et al. | Unscented Kalman-filter-based simultaneous diagnostic scheme for gas-turbine gas path and sensor faults | |
CN108269197A (zh) | 风电机组功率特性评估方法及装置 | |
CN106815641A (zh) | 一种基于模型和模糊模式识别的气路故障诊断方法 | |
CN103207567A (zh) | 一种低误报率的改进主元分析过程监测方法及其监测*** | |
Mathioudakis et al. | Probabilistic neural networks for validation of on-board jet engine data | |
CN106124933B (zh) | 一种基于等价输入干扰法的电力***故障诊断方法 | |
CN115563868A (zh) | 一种航空交流发电机油路***故障诊断方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170609 |