基于粒子滤波的航空发动机气路部件健康诊断方法
【专利摘要】本发明公开一种基于粒子滤波的航空发动机气路部件健康诊断方法，包括建立发动机的非线性数学模型；设计了基于神经网络的重要性权值调整粒子滤波算法；最后采用设计的算法实现基于发动机非线性模型的气路部件健康诊断。其中非线性模型是以反映发动机气动热力学性质的物理方程为基础建立各部件之间的共同工作方程组，采用牛顿拉夫森迭代算法求解非线性方程组获得发动机截面工作参数；基于神经网络的重要性权值调整粒子滤波算法是将BP神经网络算法和典型采样算法相结合，在标准粒子滤波算法的基础上提出增加权值分裂和粒子调整两步，有效避免了粒子退化与样本贫化现象。本发明可以实现发动机寿命期内气路部件性能发生渐变蜕化和突变故障的健康诊断。
【专利说明】基于粒子滤波的航空发动机气路部件健康诊断方法
【技术领域】:
[0001]本发明涉及一种基于粒子滤波的航空发动机气路部件健康诊断方法，其属于航空发动机故障诊断领域。
【背景技术】:
[0002]航空发动机结构日趋复杂，工作状态恶劣多变，属于故障多发系统。在美国空军维修中，常规维修更换的费用非常巨大，其中发动机的费用占到60%。因此，为了使发动机安全高效地运行，节省维修成本，就必须了解发动机的运行状况，掌握其性能变化规律，对关键部件进行健康诊断。研究表明，在航空发动机总体故障中，气路部件故障约占90%以上，因此，气路部件健康诊断在发动机健康管理中占有重要地位。典型的气路健康诊断方法包括基于模型的、数据驱动的和基于规则的方法，其中基于数据驱动和基于规则的方法对发动机典型故障的数据和先验知识需求较多，而实际中这些数据往往是缺乏的，因此为了充分利用发动机部件特性，基于模型的发动机气路故障诊断成为最有效的手段。
[0003]目前，基于模型的方法中，以基于线性卡尔曼滤波算法和线性模型的气路健康诊断最为成熟，而基于模型的气路健康诊断方法对于模型的精度要求较高，模型的精度直接决定了气路健康诊断效果，所以虽然基于线性模型的方法计算量较小，但是在对发动机这样一个强非线性系统进行线性化建模时，不可避免的会存在建模误差，从而影响健康诊断效果；同时线性卡尔曼滤波算法在非高斯噪声系统中应用存在一定的局限性，而实际中发动机往往是处在各种复杂噪声影响下工作的。计算机技术、非线性滤波理论的发展和发动机部件级非线性模型的完善，使得基于非线性滤波算法和非线性模型的气路健康诊断成为了研究热点。
[0004]扩展卡尔曼滤波(EKF)和无味卡尔曼滤波(UKF)是两种常用非线性滤波方法，EKF主要是对非线性模型进行一阶近似，采用线性滤波理论求解非线性滤波问题，当非线性较强时，线性化误差会导致滤波精度降低甚至滤波发散。UKF不需要对非线性模型进行线性化，而是对状态向量的概率密度函数进行近似化，它比EKF能更好地逼近状态方程的非线性特性，具有更高的估计精度。但是，EKF和UKF受制于卡尔曼滤波框架的制约，对于非高斯系统的应用同样存在一定的局限性，而粒子滤波(PF)是近年来兴起的一种基于蒙特卡罗方法和递推贝叶斯估计的统计滤波方法，以样本均值代替积分运算，利用粒子及其权重组成的离散随机测度近似状态的后验概率分布，适用于非线性较强的系统，而且对噪声分布特性没有限制，但是PF作为一个新兴的算法，还不够成熟，主要存在粒子退化、样本贫化、计算量较大以及收敛性证明等问题，这些都是当下研究的重点。粒子滤波的优越性让它相比于EKF和UKF更加适合用于处理发动机这种处于复杂噪声影响之下的非线性较强的系统。
【发明内容】
:
[0005]本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于神经网络的重要性权值调整粒子滤波算法和非线性模型的航空发动机气路部件健康诊断方法，用于发动机寿命期内的气路部件的健康诊断，从而保证发动机安全可靠运行。
[0006]本发明采用如下技术方案:一种基于粒子滤波的航空发动机气路部件健康诊断方法，包括以下步骤:
[0007]步骤A、建立发动机非线性数学模型；
[0008]步骤B、设计基于神经网络重要性权值调整的粒子滤波算法；
[0009]步骤C、采用设计的算法实现基于发动机非线性模型的气路部件健康诊断。
[0010]所述步骤A包括以下步骤:
[0011]根据发动机气动热力学特性和典型的部件特性数据建立发动机各个部件的模型；
[0012]根据流量连续、功率平衡和转子动力学原理建立各个部件之间的共同工作方程组；
[0013]采用牛顿拉夫森迭代算法求解非线性方程组，获得发动机各截面工作参数。
[0014]所述步骤B中，基于神经网络重要性权值调整的粒子滤波算法步骤具体如下:
[0015]⑴初始化
[0016]在k=0时刻，从重要密度函数采样N个粒子，采样得到的粒子用
[0017]iV S 表示，i/N表示初始时刻粒子的权值，重要密度函数取转移
【权利要求】
1.一种基于粒子滤波的航空发动机气路部件健康诊断方法，包括以下步骤: 步骤A、建立发动机非线性数学模型； 步骤B、设计基于神经网络重要性权值调整的粒子滤波算法； 步骤C、采用设计的算法实现基于发动机非线性模型的气路部件健康诊断。
2.如权利要求1所述基于粒子滤波的航空发动机气路部件健康诊断方法，其特征在于:所述步骤A包括以下步骤: 根据发动机气动热力学特性和典型的部件特性数据建立发动机各个部件的模型； 根据流量连续、功率平衡和转子动力学原理建立各个部件之间的共同工作方程组； 采用牛顿拉夫森迭代算法求解非线性方程组，获得发动机各截面工作参数。
3.如权利要求1所述基于粒子滤波的航空发动机气路部件健康诊断方法，其特征在于:所述步骤B中，基于神经网络重要性权值调整的粒子滤波算法步骤具体如下: (1)初始化 在k=0时刻，从重要密度函数采样N个粒子，采样得到的粒子用 r\ M
4.如权利要求1所述基于粒子滤波的航空发动机气路部件健康诊断方法，其特征在于:所述步骤C中包括以下步骤: 在发动机非线性模型中引入一组表示发动机部件健康状况的指标参数为健康参数，通常选取为旋转部件的效率变化程度系数SEi和流量变化程度系数SWi ； 通过发动机的输出值与非线性模型预测值之间的残差结合设计的粒子滤波算法对部件健康参数变化进行估计，实现发动机气路部件的健康诊断。
【文档编号】G06N3/02GK103489032SQ201310449926
【公开日】2014年1月1日 申请日期:2013年9月27日 优先权日:2013年9月27日
【发明者】黄金泉, 冯敏, 鲁峰 申请人:南京航空航天大学