CN107797543A - 一种航空发动机燃油调节器故障诊断方法 - Google Patents

Abstract

本发明公开了一种航空发动机燃油调节器故障诊断方法，包括以下步骤：基于部件级建模方法，建立燃油调节器高精准度模型；在常规模型的基础上，通过“软故障”方式加入故障参数来模拟真实燃油调节器中可能出现的各类典型故障；从燃油调节器的可测输出量中，选取能反映***状态的参数，并对各种故障模式下的参数特征值进行提取；建立不同故障模式的样本集，并将其划分为训练样本和测试样本；利用BP神经网络作为分类器，对所述样本进行训练和测试，实现燃油调节器的故障诊断。本发明有助于解决目前燃油调节器故障诊断技术中参数采集多、操作繁复、诊断精度低的问题，可应用于航空发动机燃油调节器的故障诊断领域或其他液压***的故障诊断领域。

Description

一种航空发动机燃油调节器故障诊断方法

技术领域

本发明属于故障诊断技术，具体涉及一种航空发动机燃油调节器故障诊断方法。

背景技术

航空发动机燃油调节器属于一种结构复杂的机械液压***，由多个相互之间有耦合关系的元部件组成，是航空发动机的重要组成部分。燃油调节器一方面作为主控制量燃油的执行机构，另一方面作为航空发动机数字控制***的机械液压控制备份，其性能好坏直接影响发动机的工作状态，甚至会影响飞机的安全性和可靠性。一旦航空发动机燃油调节***中某个元部件发生故障，整个燃油调节器的功能都会受到影响，如果故障不能及时排除，可能会造成重大的事故。因此，对燃油调节器进行故障诊断是非常有价值的。

在航空发动机燃油调节器的故障诊断方面，国内外公开发表的文献较少，亦未有相关专利涉及此方面的内容。在已有文献中，多是对某个单一液压元件(如电液伺服阀)进行故障诊断，未对整个燃油调节器进行故障诊断，而且所用模型多是简化模型，精度较低，与真实的物理过程存在一定差距。尤其，在工程实践中，针对整个燃油调节器没有成熟的故障诊断方法。一旦发生故障，多是采用试凑法来进行故障排查，这种方法操作繁复，效率低下，诊断精度不高，甚至可能引发新的问题。此外，该种方法需要操作人员具有较高的技术水平与工程经验，存在一定的局限性。

对于航空发动机燃油调节器而言，当前的故障诊断技术已经渐渐满足不了工程的实际需要。因此，探索出一种有效且适用于工程实践的高效故障诊断方法成为一个亟需解决的问题。燃油调节器故障的检测和诊断也因此具备了广阔的研究和应用前景。

发明内容

本发明是为了解决现有技术存在的操作繁复，效率低下，诊断精度不高的问题，而提出的一种航空发动机燃油调节器故障诊断方法。

一种航空发动机燃油调节器故障诊断方法，包括以下步骤：

步骤1：分析燃油调节器机理，通过部件级建模方法，建立燃油调节器部件级模型，在此基础上进行稳态和动态计算，得到燃油调节器的机械起动、油门速度、静态流量等特性，以燃油调节器出厂数据为标准，考核所建立的航空发动机燃油调节器部件级模型的精确度和准确度；

步骤2：根据试验数据，并与步骤1所建的燃油调节器模型的仿真数据进行对比，对流量系数、雷诺数、摩擦系数等参数进行修正，减小仿真数据与试验数据之间的差异，得到高精度的燃油调节器模型；

步骤3：根据燃油调节器维修报告，获取燃油调节器内易发生故障的类型，并对燃油调节器的失效案例及故障发生机理进行分析总结，分别为：磨损、疲劳、液压油污染和密封件老化；

步骤4：针对真实燃油调节器在运行过程中可能发生的各种故障，根据故障发生的机理，对不同的故障模式进行分类，分别为：阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏，在燃油调节器正常模型的基础上，采用增大摩擦系数、减小弹簧预紧力、减小喷嘴直径、增大壳体间隙、增大节流嘴直径等方法来模拟真实燃油调节器中可能出现的各类故障；

步骤5：从燃油调节器的可测输出量中，选取压力、流量、温度等物理量作为反映***状态的特征参数，并对步骤4中，各种故障模式下的特征参数值进行提取；

步骤6：针对每种故障模式，分别做多组仿真，提取步骤5所述特征参数值，建立不同故障模式对应的样本集，并将所述样本集划分为训练样本和测试样本；

步骤7：选择基于Leverberg-Marquardt算法的BP神经网络作为燃油调节器故障诊断的分类器，对各故障模式进行分类描述，以步骤6中所述样本作为输入项，样本对应的分类描述作为输出项，实现燃油调节器的故障诊断。

步骤7中的具体步骤为：

步骤7.1：获取燃油调节器在各种状态下的特征参数，作为神经网络的输入项。对于燃油调节器来说，这些参数可以是流量、压力、温度等物理量；

步骤7.2：根据燃油调节器的五种故障模式：阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏，对每种故障模式进行分类描述；

步骤7.3：设计神经网络。需要设定的参数包括神经网络的层数和各层神经元个数。其中，输入层神经元数由选取的特征参数个数决定，为3；输出层神经元个数由状态数决定，为5；

步骤7.4：训练。以步骤6得到的多组训练样本作为输入，各样本对应的分类描述作为输出，从而得到神经网络模型；

步骤7.5：检测。神经网络训练完成后，即可对步骤6得到的测试样本进行检测。在检测的过程中，可能会出现误判，这时需要把误判的样本加入到训练样本中去，对神经网络进一步训练，从而达到要求。

本发明的有益效果：

现有故障诊断方法多是针对燃油调节器内部的某个单一部件，难以实现对整个燃油调节***的故障诊断。在工程实践中，目前普遍采用的试凑法操作繁复，效率低下，诊断准确度不高。本发明提供了一种基于BP神经网络的航空发动机燃油调节器故障诊断方法，弥补了现有技术的不足。本发明将BP神经网络应用到燃油调节器的故障诊断上，操作简单，准确率高，并可实现整个燃油调节***的故障诊断。该方法具有一定的拓展性，可推广到其它领域。

附图说明

图1为燃油调节器故障分类图。

图2为BP神经网络的训练过程流程图。

图3为BP神经网络的训练效果图。

具体实施方式

为了使本发明的目的、技术及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。

一种基于BP神经网络的航空发动机燃油调节器故障诊断方法，包括以下步骤：

步骤1：燃油调节器主要由计量活门、压差活门、连锁活门、占空比活门、分布器活门、起动电磁阀、定压活门、高速电磁阀、停车电磁阀和位移传感器以及壳体、电连接器等组成。

按照从部件到***、由简单到复杂的思路对整个燃油调节***进行建模。首先，根据各部件的工作原理建立部件级模型，并将具体数据代入部件级模型进行仿真，验证各部件的典型特性。接着，按照燃油调节器的工作原理，将各部件模型连接起来，建立燃油调节器的整体模型，并对其进行稳态和动态仿真，得到机械起动、油门速度、静态流量等特性。以燃油调节器出厂数据为标准，考核所建燃油调节器模型的精确度和准确度。

步骤2：对燃油调节器的结构及工作原理进行深入分析，收集现有的试验、检验与工作数据，并根据这些数据对步骤1所建燃油调节器模型中的流量系数、雷诺数、摩擦系数等参数进行微调，减小所建模型与真实燃油调节器性能之间的差异，从而构建高置信度、高精度的燃油调节器模型。

步骤3：燃油调节器作为一个结构复杂的机械液压***，在实际运行过程中较容易发生故障，且故障一旦发生不易排除。通过总结大量的燃油调节器失效案例可知，液压元件的失效形式多种多样。但是，归纳总结起来一般可以分为：磨损、疲劳、液压油污染和密封件老化等几种，如图1所示。

1)磨损。当液压油中的固体颗粒物较多时，不断和液压元件表面发生摩擦，使得元件表面发生变形，产生磨损。磨损较严重时，液压缸与缸壁之间的缝隙变大，液压油由高压腔一侧流向低压腔一侧，形成内泄漏。

2)疲劳。疲劳最典型的表现形式是弹簧的疲劳。在燃油调节器内部元件中，弹簧需要在外部力的作用下反复运动，长时间的工作会使得弹簧发生断裂或者是失去弹力。弹簧出现疲劳失效时，常表现为劲度系数减小和初始弹力减小。

3)密封件老化。燃油调节器需要在恶劣的外部条件下工作，密封件在工作一段时间后较易发生老化。一旦密封件出现老化，就不能起到应有的密封作用，燃油调节器壳体表面产生缝隙，***内部的液压油将经由这些缝隙流向外部环境，造成外泄漏。

4)液压油污染。当液压油中混入杂质颗粒或者是油液中混入过多的气体时，会造成液压油污染。液压油中的污染物较多时，会阻碍燃油调节器内部元件的运动，造成阀芯卡紧甚至卡死的现象。同时，油液中的污染物长期积累，会阻碍油液的正常流动，可能会造成喷嘴的堵塞。

步骤4：针对真实燃油调节器在运行过程中可能发生的各种故障，对不同的故障模式进行分类，分别为：阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏。之后，通过分析各故障发生时的机理，基于步骤2所建立的燃油调节器模型，向模型中注入故障，用于模拟真实燃油调节器中可能出现的各类故障。各类故障的模拟方法如表1所示。

表1燃油调节器典型故障及模拟方法

步骤5：当燃油调节器发生某种故障时，会引起许多可测参数的变化。对燃油调节器进行故障诊断，首先要提取能反映燃油调节器工作状态的参数。当燃油调节器发生故障时，这些参数会直接或是间接地发生变化。因此，通过对这些参数的变化进行分析，就可以诊断出***所发生的故障。如果特征参数选择不当，就会增加故障诊断的难度。特征参数选择过多，可能会产生冗余信息，增加参数采集成本；特征参数选择过少，则会降低诊断的正确性，甚至可能会造成误判。因此，特征参数的选取起着至关重要的作用。

对于燃油调节器来说，油液的压力、流量和温度最能反映***的工作状态。一旦发生故障，***的输出压力和输出流量就会出现异常，或其值降低，或其值增加，或产生波动。当油液温度升高，超出正常范围时，则意味着燃油调节器的能量损失过大，温度能反映出***的实际运行状态。因此，选择压力、流量、温度等物理量作为表征燃油调节器工作状态的特征参数。

步骤6：按照步骤4中所述模拟故障的方法，根据故障的严重程度，对不同的故障模式进行多组仿真，得到各故障状态下对应的仿真结果。接着，在不同故障模式下，分别对步骤5中所述特征参数的值进行提取，建立不同故障模式所对应的样本集，并将其划分为训练样本和测试样本，这些样本将是故障诊断的基础。

步骤7：选择基于Leverberg-Marquardt算法的BP神经网络作为燃油调节器故障诊断的分类器。BP神经网络是一种多层的前向型神经网络，在BP网络中，信号是正向传播的，而误差则是反向传播的。BP神经网络通常具有一个或多个sigmoid隐层和线性输出层，能够对具有有限个不连续点的函数进行逼近。BP神经网络的训练过程如图2所示。

利用BP神经网络对燃油调节器进行故障诊断，步骤如下：

步骤7.1：获取训练样本。训练样本的获取过程已在步骤6中有详细介绍，此处不再赘述。在得到训练样本之后，将其作为神经网络的输入项。

步骤7.2：故障分类描述。根据燃油调节器的故障模式和故障机理，为检测对象进行分类描述。对于正常、阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏、外泄漏等六种模式分别描述为[0 0 0 0 0]^T、[1 0 0 0 0]^T、[0 1 0 0 0]^T、[0 0 1 0 0]^T、[0 0 0 1 0]^T、[0 0 00 1]^T。每种模式对应不同的分类描述，作为神经网络的输出项。

步骤7.3：生成BP神经网络。有了训练样本，就可以生成相应的神经网络。选取隐层神经元的数目为10，输出层神经元数目由故障状态数决定，其值为5.

步骤7.4：训练。以生成的训练样本作为输入，对应的分类描述作为输出，采用基于Leverberg-Marquardt算法的BP神经网络进行训练。在经过13次迭代之后，神经网络达到了预定目标，精度达到了1×10^-8。训练效果如图3所示。

步骤7.5：检测。神经网络训练完成后，即可对待检测对象进行检测。作为示例，在步骤6中所述的测试样本中，每种模式各取一组样本，将其放入到已生成的神经网络模型中进行测试，得出的诊断结果如表2所示。

表2 BP神经网络的输出

神经网络的输出值在0～0.1之间时，判定为正常；输出值在0.9～1.0之间时，判定为故障。从表2可以看出，所选六组测试样本分别被诊断为：正常、阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏，诊断结果完全正确，说明本发明所提出的燃油调节器故障诊断方法是有效的、可行的。

Claims (1)

1.一种航空发动机燃油调节器故障诊断方法，其特征在于，步骤如下：

步骤1：分析燃油调节器机理，通过部件级建模方法，建立燃油调节器部件级模型，在此基础上进行稳态和动态计算，得到燃油调节器的机械起动、油门速度和静态流量，以燃油调节器出厂数据为标准，考核所建立的航空发动机燃油调节器部件级模型的精确度和准确度；

步骤2：根据试验数据，并与步骤1所建的燃油调节器部件级模型的仿真数据进行对比，对流量系数、雷诺数、摩擦系数参数进行修正，减小仿真数据与试验数据之间的差异，得到高精度的燃油调节器模型；

步骤3：根据燃油调节器维修报告，获取燃油调节器内易发生故障的类型，并对燃油调节器的失效案例及故障发生机理进行分析总结，分别为磨损、疲劳、液压油污染和密封件老化；

步骤4：针对真实燃油调节器在运行过程中可能发生的各种故障，根据故障发生的机理，对不同的故障模式进行分类，分别为阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏，在燃油调节器正常模型的基础上，采用增大摩擦系数、减小弹簧预紧力、减小喷嘴直径、增大壳体间隙、增大节流嘴直径结合的方法来模拟真实燃油调节器中可能出现的各类故障；

步骤5：从燃油调节器的可测输出量中，选取压力、流量、温度等物理量作为反映***状态的特征参数，并对步骤4中，各种故障模式下的特征参数值进行提取；

步骤6：针对每种故障模式，分别做多组仿真，提取步骤5所述特征参数值，建立不同故障模式对应的样本集，并将所述样本集划分为训练样本和测试样本；

步骤7：选择基于Leverberg-Marquardt算法的BP神经网络作为燃油调节器故障诊断的分类器，对各故障模式进行分类描述，以步骤6中所述样本作为输入项，样本对应的分类描述作为输出项，实现燃油调节器的故障诊断；

步骤7.1：获取燃油调节器在各种状态下的特征参数，作为神经网络的输入项；特征参数为流量、压力和温度；

步骤7.2：根据燃油调节器的五种故障模式：阀芯卡死、弹簧疲劳断裂、喷嘴堵塞、内泄漏和外泄漏，对每种故障模式进行分类描述；

步骤7.3：设计神经网络：需要设定的参数包括神经网络的层数和各层神经元个数；其中，输入层神经元数由选取的特征参数个数决定，为3；输出层神经元个数由状态数决定，为5；

步骤7.4：训练：以步骤6得到的多组训练样本作为输入，各样本对应的分类描述作为输出，从而得到神经网络模型；

步骤7.5：检测：神经网络训练完成后，即对步骤6得到的测试样本进行检测；在检测的过程中，可能会出现误判，这时把误判的样本加入到训练样本中去，对神经网络进一步训练，从而达到要求。