基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法技术

本发明专利技术公开了基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法，涉及航空发动机故障诊断领域，能够实现突变故障的快速诊断，并且诊断结果噪声水平低，估测结果精度高。本发明专利技术包括：对发动机非线性数学模型注入气路部件突变故障；设计基于伪协方差的改进高斯粒子滤波算法；发动机非线性数学模型载入改进高斯粒子滤波算法，改进高斯粒子滤波算法对气路部件突变故障进行诊断,得到诊断结果。本发明专利技术采用伪协方差代替协方差、高斯采样代替重采样，减少了诊断时间、提高了诊断精度，能够实现发动机寿命周期内气路突变故障的快速诊断。

【技术实现步骤摘要】
基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法
本专利技术涉及航空发动机故障诊断领域，尤其涉及了基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法。
技术介绍
涡扇发动机结构复杂，工作环境恶劣，属于一种故障多发系统。据统计，涡扇发动机气路部件故障占涡扇发动机总体故障的90％以上，因此，实时检测发动机健康状况并进行气路性能分析是提高发动机安全可靠性的重要途径。发动机气路部件的效率变化系数、流量变化系数等健康参数是发动机气路故障的状态特征，而这些健康参数会直接导致转速、温度、压力等发动机测量参数的变化，因此发动机气路部件故障诊断主要是采用特定的算法根据测量参数的变化来估计出健康参数，从而分析发动机气路部件的健康状况。发动机故障诊断的方法主要有基于模型(如最小二乘方法，卡尔曼滤波方法)，基于数据(如神经网络，支持向量机)和基于知识(如专家系统)的方法。随着发动机部件级模型的精度以及计算机速度的提高，基于模型的故障诊断方法在工程实际中得到了广泛的研究和应用。卡尔曼滤波算法受限于线性高斯系统，一些改进的卡尔曼算法虽然适用于非线性问题，但依然依赖于高斯噪声的假设。而粒子滤波算法适用于含非高斯噪声本文档来自技高网...

【技术保护点】
1.基于改进高斯粒子滤波的涡扇发动机故障诊断方法，其特征在于，包括：S1、对发动机非线性数学模型注入气路部件突变故障；S2、设计基于伪协方差的改进高斯粒子滤波算法；S3、所述发动机非线性数学模型载入所述改进高斯粒子滤波算法，所述改进高斯粒子滤波算法对所述气路部件突变故障进行诊断,得到诊断结果。

【技术特征摘要】
1.基于改进高斯粒子滤波的涡扇发动机故障诊断方法，其特征在于，包括：S1、对发动机非线性数学模型注入气路部件突变故障；S2、设计基于伪协方差的改进高斯粒子滤波算法；S3、所述发动机非线性数学模型载入所述改进高斯粒子滤波算法，所述改进高斯粒子滤波算法对所述气路部件突变故障进行诊断,得到诊断结果。2.根据权利要求1所述的方法，其特征在于，所述发动机非线性数学模型表征了以下故障量:SEi为效率变化程度系数，SWi流量变化程度系数；所述效率变化程度系数和所述流量变化程度系数为健康参数。3.根据权利要求1所述的方法，其特征在于，所述气路部件突变故障包括：风扇部件突变故障，压气机部件突变故障，高压涡轮部件突变故障和低压涡轮部件突变故障。4.根据权利要求1所述的方法，其特征在于，S2具体包括：S21、k表示步数，在k＝0时，赋予初始值，再进入k＝1时刻，完成初始化，其中，为状态量估计的初始值，为粒子集伪协方差估计的初始值；S22、在k时刻，根据高斯采样从获得高斯采样粒子集其中为k-1时刻的等权重的高斯采样粒子，为k-1时刻的粒子加权均值，为k-1时刻的粒子集伪协方差；S23、在k时刻，从重要密度函数中依据重要性采样法抽样得到时刻更新粒子集其中，zk为k时刻的测量值；S24、选取先验密度函数作为重要性密度函数，即所述先验密度函数为计算得到各粒子的重要性权重即为所述各粒子的后验似然概率分布，S25、将所述各粒子权值归一化，为归一化值，S26、估计状态值及粒子集伪协方差S27、判断是否达到最大步数kmax，否则令k＝k+1，返回S22，循环执行S22-S27。5.根据权利要求1所述的方法，其特征在于，发动机故障诊...

【专利技术属性】
技术研发人员：黄金泉，卢俊杰，鲁峰，刘宸闻，王启航，
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