一种飞机发动机性能监控与故障诊断方法技术

本发明专利技术公开了一种飞机发动机性能监控与故障诊断方法，本飞机发动机性能监控与故障诊断方法利用免疫系统的反面选择机理，并结合人工神经网络，确定发动机性能偏离正常值的程度(异常度)，实现发动机性能趋势的监控。采用本方法能够灵敏、准确地反映发动机整体性能的变化情况，提高发动机性能正常与否的识别率，并以此来发现发动机潜在早期故障，防止故障的扩大，显著提高了飞机发动机故障检测的效果。

【技术实现步骤摘要】

本专利技术涉及，具体是一种基于人工免疫 理论的飞机发动机性能监控与故障诊断方法。
技术介绍
现代飞机的复杂度日益增高，这就导致了人们对能自动检测飞机故障系统的需求 也愈发强烈。这些故障检测系统被设计出来，用以监测飞机在这些系统中的状态，以检测潜 在的故障，从而使得潜在的故障在可能导致更严重的系统故障之前被处理掉。 飞机发动机的故障检测方法是飞机故障检测系统中的一个重要组成部分，目前国 内外已发展了多种应用于飞机发动机的性能监控与故障诊断的方法，包括统计分析法、神 经网络法和综合参数法等。以综合参数法为例，是通过综合发动机多项性能指标，得到一 个定量反映发动机整体性能的综合参数，因此需要确定各参数对发动机整体性能的影响程 度，即确定各参数的权值，然而无论采用何种权值确定方法，都需要足够多的发动机异常和 故障数据作为训练样本，否则，得到的权值的推广性很差，不能反映出其他类型的异常和故 障，从而使加权法确定的综合参数失去意义。另一方面，用于计算训练的故障样本多为实验 室模拟得来，实际发动机异常和故障数据较少，且不易获取，从而限制了此类方法的应用。 综上所述，目前的故障检测方法由于缺乏故障样本数据，存在飞机发动机故障样 本获取困难，仅仅局限于检测固定的故障模式，难以对故障种类全覆盖等问题，对飞机发动 机故障检测的效果并不理想。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供一种飞机发动机性能监控与故障诊断 方法，能够灵敏、准确地反映发动机整体性能的变化情况，提高发动机性能正常与否的识别 率，并以此来发现发动机潜在早期故障，防止故障的扩大，显著提高飞机发动机故障检测的 效果。 为了实现上述目的，本飞机发动机性能监控与故障诊断方法具体包括以下步骤： 步骤1 :定义发动机的状态空间； 步骤2 :异常度检测； 异常度检测问题可以定义为：已知正常样本集合.SW/" 求取自己空间，即 正常空间的隶属度函数μ %lf，利用此函数可以对未知样本进行异常度检测，并以异常度的 形式给出定量分析结果； 步骤3:生成检测器； 原始的反面选择算法采用二进制对自己空间中的数据进行编码，因此检测器以二 进制串的形式存在；为了提高检测器的生成速度，这里采用反映发动机工作状态的特征向 量义丨/卜卜彳/:^::^卜^:丨:^以此来描述自己空间和非己空间； 检测器具有与正常模式向量相同的维数，但其分布在非己空间内； 对于检测器d需要满足以下不等式： E (d, s) > r 式中，Ε(·)表示欧氏距离，s表示自己空间的任意正常模式向量，r为阈值； 根据以上规则产生的检测器都分布在非己空间中； 步骤4 :生成反映发动机性能的异常度曲线；神经网络具有很强的非线性映射能 力，可以作为异常监测函数。 进一步，所述步骤1定义发动机的状态空间的具体步骤如下： 步骤I. 1 :对发动机各项工作参数进行记录，这些参数分别为高压转子换算转速 nhcOT、低压转子换算转速n1(：OT、低压导流叶片角度Blpha1、高压导流叶片角度alpha 2、振动值 B、滑油消耗量ph、涡轮后排气温度T4、转差率S和尾喷口指示值Ie ; 步骤1. 2 :功效函数的值反映发动机工作性能的好坏，且OS 当发 动机处于最佳工作状态时，当发动机处于故障状态时， 步骤I. 3 :功效函数构成反映发动机工作状态的特征向量 义⑴=,它是时间的函数，由此组成发动机状态空间S。 进一步，所述步骤3中在检测器的产生过程中，对于随机产生的检测器，通过以下 步骤将随机产生的检测器调整到非己空间： 步骤3. 1:规定计算步数p ; 步骤3. 2:对每个检测器d，找出与其最近邻的k个正常模式向量集Nc; 步骤3. 3:计算步长Δ : 步骤3. 4:按以下公式进行计算，其中η为计算率： d = d+ η · Δ 步骤3. 5:在每完成一次步骤3. 2至步骤3. 4后，检查d是否满足要求，如果满足 匹配规则，则d为有效检测器，将其加入到有效检测器集D中；如果达到步数p，检测器仍不 能满足要求，则去除该检测器； 通过以上过程，产生能够覆盖非己空间的有效检测器集D。 进一步，所述检测器的产生步骤如下： 步骤3. 6. 1 :设置所需检测器的数量nd; 步骤3. 6. 2 :设置阀值r ; 步骤3. 6. 3 :随机产生一个实值向量d ; 步骤 3. 6. 4 :计算 E ; 步骤3. 6. 5 :判断检测器数量是否为nd。 进一步，所述步骤4中的具体步骤如下： 步骤4. 1 :在发动机正常工作状态下，充分收集其正常的样本，并计算相应的功效 函数，形成自己空间； 步骤4. 2 :根据反面选择方法生成检测器，即异常样本。这些检测器不与自己空间 相匹配，只与非己空间相匹配，因此检测器实质上代表的是异常样本； 步骤4. 3 :利用发动机工作的正常样本和上一步得到的异常样本，对神经网络进 行训练； 步骤4. 4 :利用训练好的神经网络进行异常监测； 在训练过程中，使正常样本的输出为1，异常样本的输出为0 ;在异常监测过程中， 神经网络的输出反映了发动机整体性能的异常程度，其值越小，表示发动机的整体性能越 偏离正常值； 为了使神经网络的输出可以曲线形式清晰地表示出来，采用以下公式进行平滑处 理； 式中：s为平滑的窗口宽度；ζ为输出的平均值，即平滑结果； 根据异常度曲线的变化可以判别发动机的工作状态以及是否发生故障。 与现有技术相比，本飞机发动机性能监控与故障诊断方法利用免疫系统的反面选 择机理，并结合人工神经网络，确定发动机性能偏离正常值的程度（异常度），实现发动机 性能趋势的监控。由外场装备的使用与维修经验可知，飞机发动机的大部分故障是渐进性 的，往往是由于某种缺陷不断扩大经由异常然后再进一步发展而形成的。从异常到故障阶 段，发动机的有关参数会越来越偏离正常值，许多情况下发动机状态参数变化是产生严重 故障的开始。因此本专利技术根据发动机工作状态参数的变化情况，确定发动机性能偏离正常 值的程度（异常度），以此作为发动机整体健康水平的一个评定标准。采用本方法能够灵 敏、准确地反映发动机整体性能的变化情况，提高发动机性能正常与否的识别率，并以此来 发现发动机潜在早期故障，防止故障的扩大，显著提高了飞机发动机故障检测的效果。【附图说明】 图1是本专利技术中检测器产生算法流程图； 图2是本专利技术中神经网络的训练和监测过程示意图； 图3是本专利技术中异常度和综合参数反映的发动机性能曲线图一； 图4是本专利技术中异常度和综合参数反映的发动机性能曲线图二。【具体实施方式】 下面结合附图对本专利技术做进一步说明。 本飞机发动机性能监控与故障诊断方法具体包括以下步骤： 步骤1 :定义发动机的状态空间； 步骤2 :异常度检测； 反面选择算法只能监测自己空间样本有无变化，不能监测自己空间样本变化的程 度，通过对反面选择算法进行改进，检测出待测样本的异常程度。采用模糊空间的异常度对 自己空间和非己空间的界限进行模糊化，通过自己空间的隶属度函数μ self将发动机的状 态空间S映射到区间，即yMlf: n- ，这种情况下，对应的数值表示发动机 正常的程度：1表示正常，0表示异常，0~1之间的值表示异常度，值越小，表示异常程度越 大。 因本文档来自技高网...

【技术保护点】
一种飞机发动机性能监控与故障诊断方法，其特征在于，具体包括以下步骤：步骤1：定义发动机的状态空间；步骤2：异常度检测，已知正常样本集合求取自己空间，即正常空间的隶属度函数μself，利用此函数可以对未知样本进行异常度检测，并以异常度的形式给出定量分析结果；步骤3：生成检测器；原始的反面选择算法采用二进制对自己空间中的数据进行编码，因此检测器以二进制串的形式存在；为了提高检测器的生成速度，这里采用反映发动机工作状态的特征向量以此来描述自己空间和非己空间；检测器具有与正常模式向量相同的维数，但其分布在非己空间内；对于检测器d需要满足以下不等式：E(d,s)＞r式中，E(·)表示欧氏距离，s表示自己空间的任意正常模式向量，r为阈值；根据以上规则产生的检测器都分布在非己空间中；步骤4：生成反映发动机性能的异常度曲线；神经网络具有很强的非线性映射能力，作为异常监测函数。

【技术特征摘要】

【专利技术属性】
技术研发人员：侯胜利，李乐喜，周扬，史霄霈，乔丽，沐爱勤，王涛，
申请(专利权)人：中国人民解放军空军勤务学院，
类型：发明
国别省市：江苏;32