基于粒子濾波的航空發動機氣路部件健康診斷方法
【專利摘要】本發明公開一種基于粒子濾波的航空發動機氣路部件健康診斷方法，包括建立發動機的非線性數學模型；設計了基于神經網絡的重要性權值調整粒子濾波算法；最后采用設計的算法實現基于發動機非線性模型的氣路部件健康診斷。其中非線性模型是以反映發動機氣動熱力學性質的物理方程為基礎建立各部件之間的共同工作方程組，采用牛頓拉夫森迭代算法求解非線性方程組獲得發動機截面工作參數；基于神經網絡的重要性權值調整粒子濾波算法是將BP神經網絡算法和典型采樣算法相結合，在標準粒子濾波算法的基礎上提出增加權值分裂和粒子調整兩步，有效避免了粒子退化與樣本貧化現象。本發明可以實現發動機壽命期內氣路部件性能發生漸變蛻化和突變故障的健康診斷。
【專利說明】基于粒子濾波的航空發動機氣路部件健康診斷方法
【技術領域】:
[0001]本發明涉及一種基于粒子濾波的航空發動機氣路部件健康診斷方法，其屬于航空發動機故障診斷領域。
【背景技術】:
[0002]航空發動機結構日趨復雜，工作狀態惡劣多變，屬于故障多發系統。在美國空軍維修中，常規維修更換的費用非常巨大，其中發動機的費用占到60%。因此，為了使發動機安全高效地運行，節省維修成本，就必須了解發動機的運行狀況，掌握其性能變化規律，對關鍵部件進行健康診斷。研究表明，在航空發動機總體故障中，氣路部件故障約占90%以上，因此，氣路部件健康診斷在發動機健康管理中占有重要地位。典型的氣路健康診斷方法包括基于模型的、數據驅動的和基于規則的方法，其中基于數據驅動和基于規則的方法對發動機典型故障的數據和先驗知識需求較多，而實際中這些數據往往是缺乏的，因此為了充分利用發動機部件特性，基于模型的發動機氣路故障診斷成為最有效的手段。
[0003]目前，基于模型的方法中，以基于線性卡爾曼濾波算法和線性模型的氣路健康診斷最為成熟，而基于模型的氣路健康診斷方法對于模型的精度要求較高，模型的精度直接決定了氣路健康診斷效果，所以雖然基于線性模型的方法計算量較小，但是在對發動機這樣一個強非線性系統進行線性化建模時，不可避免的會存在建模誤差，從而影響健康診斷效果；同時線性卡爾曼濾波算法在非高斯噪聲系統中應用存在一定的局限性，而實際中發動機往往是處在各種復雜噪聲影響下工作的。計算機技術、非線性濾波理論的發展和發動機部件級非線性模型的完善，使得基于非線性濾波算法和非線性模型的氣路健康診斷成為了研究熱點。
[0004]擴展卡爾曼濾波(EKF)和無味卡爾曼濾波(UKF)是兩種常用非線性濾波方法，EKF主要是對非線性模型進行一階近似，采用線性濾波理論求解非線性濾波問題，當非線性較強時，線性化誤差會導致濾波精度降低甚至濾波發散。UKF不需要對非線性模型進行線性化，而是對狀態向量的概率密度函數進行近似化，它比EKF能更好地逼近狀態方程的非線性特性，具有更高的估計精度。但是，EKF和UKF受制于卡爾曼濾波框架的制約，對于非高斯系統的應用同樣存在一定的局限性，而粒子濾波(PF)是近年來興起的一種基于蒙特卡羅方法和遞推貝葉斯估計的統計濾波方法，以樣本均值代替積分運算，利用粒子及其權重組成的離散隨機測度近似狀態的后驗概率分布，適用于非線性較強的系統，而且對噪聲分布特性沒有限制，但是PF作為一個新興的算法，還不夠成熟，主要存在粒子退化、樣本貧化、計算量較大以及收斂性證明等問題，這些都是當下研究的重點。粒子濾波的優越性讓它相比于EKF和UKF更加適合用于處理發動機這種處于復雜噪聲影響之下的非線性較強的系統。
【發明內容】
:
[0005]本發明所要解決的技術問題在于克服現有技術的不足，提供一種基于神經網絡的重要性權值調整粒子濾波算法和非線性模型的航空發動機氣路部件健康診斷方法，用于發動機壽命期內的氣路部件的健康診斷，從而保證發動機安全可靠運行。
[0006]本發明采用如下技術方案:一種基于粒子濾波的航空發動機氣路部件健康診斷方法，包括以下步驟:
[0007]步驟A、建立發動機非線性數學模型；
[0008]步驟B、設計基于神經網絡重要性權值調整的粒子濾波算法；
[0009]步驟C、采用設計的算法實現基于發動機非線性模型的氣路部件健康診斷。
[0010]所述步驟A包括以下步驟:
[0011]根據發動機氣動熱力學特性和典型的部件特性數據建立發動機各個部件的模型；
[0012]根據流量連續、功率平衡和轉子動力學原理建立各個部件之間的共同工作方程組；
[0013]采用牛頓拉夫森迭代算法求解非線性方程組，獲得發動機各截面工作參數。
[0014]所述步驟B中，基于神經網絡重要性權值調整的粒子濾波算法步驟具體如下:
[0015]⑴初始化
[0016]在k=0時刻，從重要密度函數采樣N個粒子，采樣得到的粒子用
[0017]iV S 表示，i/N表示初始時刻粒子的權值，重要密度函數取轉移
【權利要求】
1.一種基于粒子濾波的航空發動機氣路部件健康診斷方法，包括以下步驟: 步驟A、建立發動機非線性數學模型； 步驟B、設計基于神經網絡重要性權值調整的粒子濾波算法； 步驟C、采用設計的算法實現基于發動機非線性模型的氣路部件健康診斷。
2.如權利要求1所述基于粒子濾波的航空發動機氣路部件健康診斷方法，其特征在于:所述步驟A包括以下步驟: 根據發動機氣動熱力學特性和典型的部件特性數據建立發動機各個部件的模型； 根據流量連續、功率平衡和轉子動力學原理建立各個部件之間的共同工作方程組； 采用牛頓拉夫森迭代算法求解非線性方程組，獲得發動機各截面工作參數。
3.如權利要求1所述基于粒子濾波的航空發動機氣路部件健康診斷方法，其特征在于:所述步驟B中，基于神經網絡重要性權值調整的粒子濾波算法步驟具體如下: (1)初始化 在k=0時刻，從重要密度函數采樣N個粒子，采樣得到的粒子用 r\ M
4.如權利要求1所述基于粒子濾波的航空發動機氣路部件健康診斷方法，其特征在于:所述步驟C中包括以下步驟: 在發動機非線性模型中引入一組表示發動機部件健康狀況的指標參數為健康參數，通常選取為旋轉部件的效率變化程度系數SEi和流量變化程度系數SWi ； 通過發動機的輸出值與非線性模型預測值之間的殘差結合設計的粒子濾波算法對部件健康參數變化進行估計，實現發動機氣路部件的健康診斷。
【文檔編號】G06N3/02GK103489032SQ201310449926
【公開日】2014年1月1日 申請日期:2013年9月27日 優先權日:2013年9月27日
【發明者】黃金泉, 馮敏, 魯峰 申請人:南京航空航天大學