一种航空发动机气路故障融合诊断方法技术

本发明专利技术涉及基于自适应加权D‑S证据理论的航空发动机气路故障融合诊断方法，解决了采用单一类型的故障诊断方法精度不高、多方法融合过程中存在证据冲突的问题；分别构建基于粒子滤波器和极限学习机的非线性局部诊断模块，采用自适应加权D‑S证据理论对局部诊断结果进行融合。提出发动机故障的多方法融合诊断结构，通过混淆矩阵离线获取基于粒子滤波器和极限学习机的局部诊断系统对各故障模式的诊断可靠度，根据诊断可靠度赋予证据体不同的权值系数，有效降低了证据冲突，提高了发动机气路部件故障融合诊断的精度。

【技术实现步骤摘要】

本专利技术涉及一种基于自适应加权D-S证据理论的航空发动机气路故障融合诊断方法，其属于航空发动机故障诊断领域。
技术介绍
航空发动机为飞机提供动力，其安全可靠性是保障飞行安全的关键。而航空发动机由于机械结构非常复杂，且工作在高温、高压等恶劣环境中，故障率较高，据美国一项统计表明，发动机故障导致的飞行事故占全部事故的30％左右。发动机健康管理技术是保证发动机可靠运行及预防发动机故障发生的重要手段，该技术通过利用发动机各种状态信息(维修记录、传感器测量数据等)，对发动机的工作状态进行监视，对故障进行诊断，对使用寿命进行预测。发动机健康管理主要包括气路分析(GPA)、振动及滑油监视、寿命管理等方面。相关研究表明，发动机总体故障约90％发生在气路部件中，因此气路分析在发动机健康管理中占有重要的地位。典型的气路健康诊断方法包括基于模型的、数据驱动的方法，其中基于模型方法的发动机气路故障诊断效果容易受到建模的不确定性、不确定性滤波估计和系统噪声等因素的影响，诊断结果受扰严重。数据驱动的诊断方法以发动机部件蜕化数据作为故障诊断的依据，需大量的已有故障数据支撑，但对于航空发动机一类的故障小样本问题，故障模式及部件蜕化数据有限，因此这种方法对未知的故障模式诊断能力较差。基于模型和数据驱动的发动机故障诊断方法分别存在着不同的缺陷，而且由于发动机工作状态复杂，影响因素较多，气路故障诊断使用的数据也越来越多，仅利用单一的故障特征和故障诊断方法难以有效的完成发动机气路故障诊断。D-S证据理论作为一种信息组合方法，可以将不同的证据体通过Dempster规则合并成一个新的证据体，具有很强的处理不确定性信息的能力。采用D-S证据理论，将基于模型的故障诊断方法和数据驱动的故障诊断方法得到的发动机部件健康状况证据体结合起来，可以克服发动机故障诊断中单个诊断方法存在的问题。粒子滤波(PF)是近年来兴起的一种非线性滤波方法，它直接利用发动机非线性模型，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，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。极限学习机作为一种特殊类型的单隐层前向神经网络，可以任意设定隐节点的输入权值和偏置，通过训练获得最优的输出权值。与神经网络等传统的机器学习算法相比，极限学习机学习速度快，泛化能力好。D-S合成规则在局部诊断结果冲突较大的情况下，常会出现合成结论有悖常理的现象，为了解决这一问题，国内外学者分别从证据冲突系数、证据合成公式或证据距离等层面进行了改进。但是这些方法都旨在合成规则上进行改进，却忽略了证据间冲突的来源。对于发动机气路部件故障融合诊断系统，不同的局部诊断系统由于特征域和诊断机理的不同，对于各故障模式的诊断可靠度并不相同，导致不同的局部诊断结果之间存在冲突。
技术实现思路
针对现有技术存在的问题，本专利技术提供基于自适应加权D-S证据理论的航空发动机气路故障融合诊断方法，构建基于粒子滤波器和极限学习机这两种非线性故障诊断方法的并行诊断模块，采用自适应加权D-S证据理论对局部诊断的结果进行融合，克服了现有技术中的不足，用于发动机寿命期内的气路部件的健康诊断，从而保证发动机更加安全可靠的运行。本专利技术采用如下技术方案：一种航空发动机气路故障融合诊断方法，包括如下步骤：步骤001：分别构建基于极限学习机的局部诊断方法所对应的局部诊断模块和基于粒子滤波器的局部诊断方法所对应的局部诊断模块；步骤002：对于n类航空发动机的典型故障模式，每类故障模式随机选取m个故障样本，采用基于粒子滤波器和极限学习机的局部诊断方法分别对n×m个故障样本进行诊断，对于每种局部诊断方法，分别得到代表该种局部诊断方法对于各故障模式的诊断准确率的一个n×n维混淆矩阵CM：式中，cmij表示第i类故障模式被所使用的局部诊断方法判断成第j类故障模式的样本数占第i类故障模式样本总数的百分比，对角线上的元素即为所使用的局部诊断方法对于各故障模式的诊断准确率，i＝1,2,...,n，j＝1,2,...,n；则能够得到局部诊断方法对第j类故障模式的诊断结果可靠度Rj为：步骤003：对发动机传感器测量信号进行采集、预处理，分别输入至两个局部诊断模块中，采用基于粒子滤波器和极限学习机的局部诊断方法进行发动机故障诊断；其中，粒子滤波器直接利用发动机非线性模型估计发动机健康参数，连续的健康参数估计值通过模糊逻辑转换成具体的发动机部件故障模式及相应的基本概率函数；极限学习机根据故障时刻的发动机传感器数据对当前发动机故障进行分类，得到当前故障属于发动机各故障模式的基本概率；步骤004：基于自适应加权D-S证据理论，对两个局部诊断模块的诊断结果进行融合；根据粒子滤波器和极限学习机两种局部诊断方法对不同故障模式的诊断可靠度，分别对步骤003中两个证据体得到的基本概率赋值进行加权处理；将证据体的加权概率分配结果输入至融合中心，根据Dempster合成规则，对加权概率分配结果进行融合，从而得到多证据体加权融合后的最终诊断结论。作为本专利技术的一种优选技术方案：步骤001中所述，构建基于极限学习机的局部诊断模块，具体构建方法如下：将航空发动机的风扇、压气机、高压涡轮和低压涡轮4个核心部件分为正常和故障两类故障等级，共有4种单故障模式和6种双故障模式；在发动机地面稳态工作点，即：H＝0m,Ma＝0点，对发动机模型依次注入这10种类型的故障，每种故障性能参数的变化量从0.2％开始，每次增加0.2％等间隔增加到4％，供油量从1.58kg/s开始，每间隔0.1kg/s增加到2.48kg/s，共获得2000(10*10*20)组训练数据，所有的数据都归一化到[0,1]区间，在归一化数据中加入高斯噪声；以发生气路故障后的发动机传感器测量值为输入，以相应的故障模式为输出，利用生成的训练样本数据对极限学习机进行离线训练；将训练后的极限学习机用于航空发动机气路部件故障的诊断。作为本专利技术的一种优选技术方案：步骤001中所述，构建基于粒子滤波器的局部诊断模块，具体构建方法如下：将传感器测量参数输入至粒子滤波器中，估计出发动机健康参数，连续的健康参数估计值通过模糊逻辑转换成具体的发动机部件故障模式及相应的基本概率函数，用于航空发动机气路部件故障的诊断。作为本专利技术的一种优选技术方案：步骤003中所述，粒子滤波器直接利用发动机非线性模型估计发动机健康参数，连续的健康参数估计值通过模糊逻辑转换成具体的发动机部件故障模式及相应的基本概率函数；具体包括如下内容：将传感器测量参数输入至粒子滤波器故障诊断子系统中，估计风扇SE1、压气机SE2、高压涡轮SE3和低压涡轮SE4这4个发动机核心部件的效率蜕化量h＝[ΔSE1 ΔSE2 ΔSE3 ΔSE4]T，得到连续的健康参数估计值；以效率蜕化量1％为蜕化程度小至蜕化程度大的过渡点，即发动机部件性能参数小蜕化和大蜕化的性能蜕化区间分别为(0,1％)、[1％,5％]，设计出对应的模糊逻辑规则：11)若ΔSE1＝L，ΔSE2＝S，ΔSE3＝S，ΔSE4＝S，则风扇故障；12)若ΔSE1＝S，ΔSE2＝L，ΔSE3＝S，ΔSE4＝S，则压气机故障；13)若ΔSE本文档来自技高网...

【技术保护点】
一种航空发动机气路故障融合诊断方法，其特征在于：包括如下步骤：步骤001：分别构建基于极限学习机的局部诊断方法所对应的局部诊断模块和基于粒子滤波器的局部诊断方法所对应的局部诊断模块；步骤002：对于n类航空发动机的典型故障模式，每类故障模式随机选取m个故障样本，采用基于粒子滤波器和极限学习机的局部诊断方法分别对n×m个故障样本进行诊断，对于每种局部诊断方法，分别得到代表该种局部诊断方法对于各故障模式的诊断准确率的一个n×n维混淆矩阵CM：式中，cmij表示第i类故障模式被所使用的局部诊断方法判断成第j类故障模式的样本数占第i类故障模式样本总数的百分比，对角线上的元素即为所使用的局部诊断方法对于各故障模式的诊断准确率，i＝1,2,...,n，j＝1,2,...,n；则能够得到局部诊断方法对第j类故障模式的诊断结果可靠度Rj为：步骤003：对发动机传感器测量信号进行采集、预处理，分别输入至两个局部诊断模块中，采用基于粒子滤波器和极限学习机的局部诊断方法进行发动机故障诊断；其中，粒子滤波器直接利用发动机非线性模型估计发动机健康参数，连续的健康参数估计值通过模糊逻辑转换成具体的发动机部件故障模式及相应的基本概率函数；极限学习机根据故障时刻的发动机传感器数据对当前发动机故障进行分类，得到当前故障属于发动机各故障模式的基本概率；步骤004：基于自适应加权D‑S证据理论，对两个局部诊断模块的诊断结果进行融合；根据粒子滤波器和极限学习机两种局部诊断方法对不同故障模式的诊断可靠度，分别对步骤003中两个证据体得到的基本概率赋值进行加权处理；将证据体的加权概率分配结果输入至融合中心，根据Dempster合成规则，对加权概率分配结果进行融合，从而得到多证据体加权融合后的最终诊断结论。...

【技术特征摘要】
1.一种航空发动机气路故障融合诊断方法，其特征在于：包括如下步骤：步骤001：分别构建基于极限学习机的局部诊断方法所对应的局部诊断模块和基于粒子滤波器的局部诊断方法所对应的局部诊断模块；步骤002：对于n类航空发动机的典型故障模式，每类故障模式随机选取m个故障样本，采用基于粒子滤波器和极限学习机的局部诊断方法分别对n×m个故障样本进行诊断，对于每种局部诊断方法，分别得到代表该种局部诊断方法对于各故障模式的诊断准确率的一个n×n维混淆矩阵CM：式中，cmij表示第i类故障模式被所使用的局部诊断方法判断成第j类故障模式的样本数占第i类故障模式样本总数的百分比，对角线上的元素即为所使用的局部诊断方法对于各故障模式的诊断准确率，i＝1,2,...,n，j＝1,2,...,n；则能够得到局部诊断方法对第j类故障模式的诊断结果可靠度Rj为：步骤003：对发动机传感器测量信号进行采集、预处理，分别输入至两个局部诊断模块中，采用基于粒子滤波器和极限学习机的局部诊断方法进行发动机故障诊断；其中，粒子滤波器直接利用发动机非线性模型估计发动机健康参数，连续的健康参数估计值通过模糊逻辑转换成具体的发动机部件故障模式及相应的基本概率函数；极限学习机根据故障时刻的发动机传感器数据对当前发动机故障进行分类，得到当前故障属于发动机各故障模式的基本概率；步骤004：基于自适应加权D-S证据理论，对两个局部诊断模块的诊断结果进行融合；根据粒子滤波器和极限学习机两种局部诊断方法对不同故障模式的诊断可靠度，分别对步骤003中两个证据体得到的基本概率赋值进行加权处理；将证据体的加权概率分配结果输入至融合中心，根据Dempster合成规则，对加权概率分配结果进行融合，从而得到多证据体加权融合后的最终诊断结论。2.根据权利要求1所述一种航空发动机气路故障融合诊断方法，其特征在于：步骤001中所述，构建基于极限学习机的局部诊断模块，具体构建方法如下：将航空发动机的风扇、 压气机、高压涡轮和低压涡轮4个核心部件分为正常和故障两类故障等级，共有4种单故障模式和6种双故障模式；在发动机地面稳态工作点，即：H＝0m,Ma＝0点，对发动机模型依次注入这10种类型的故障，每种故障性能参数的变化量从0.2％开始，每次增加0.2％等间隔增加到4％，供油量从1.58kg/s开始，每间隔0.1kg/s增加到2.48kg/s，共获得2000组训练数据，所有的数据都归一化到[0,1]区间，在归一化数据中加入高斯噪声；以发生气路故障后的发动机传感器测量值为输入，以相应的故障模式为输出，利用生成的训练样本数据对极限学习机进行离线训练；将训练后的极限学习机用于航空发动机气路部件故障的诊断。3.根据权利要求1所述一种航空发动机气路故障融合诊断方法，其特征在于：步骤001中所述，构建...

【专利技术属性】
技术研发人员：鲁峰，王亚凡，黄金泉，黄一桓，江春宇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32