一种航空发动机部件退化因子状态估计方法技术

本发明专利技术公开了一种航空发动机部件退化因子状态估计方法，构建发动机部件退化因子状态转移方程；对发动机气路过程进行建模，得到“退化因子

【技术实现步骤摘要】
一种航空发动机部件退化因子状态估计方法


[0001]本专利技术属于航空发动机性能监控
，尤其涉及一种航空发动机部件退化因子状态估计方法。

技术介绍

[0002]由于发动机的退化因子无法直接测量或直接由测量参数计算，因此，航空发动机的退化评估本质上是一个不可测参数的估计问题。
[0003]按照气路退化因子估计方法的不同，航空发动机的退化评估又可分为以下几类：
[0004](1)线性及非线性回归方法
[0005]上世纪70年代，局限于有限的计算能力，对热力学模型中的非线性方程组进行多退化因子的优化回归是极为困难的。线性回归方法通过在给定工作点(如最大或巡航状态)引入线性近似，将部件退化因子向量和可测量参数向量之间的非线性关系转化为线性关系，则部件退化因子可通过矩阵求逆过程进行估计。线性方法在线性化的过程中不可避免地引入了建模误差，降低了退化评估的准确性。
[0006]随着计算能力及优化算法的发展，越来越多的非线性回归方法被引入到求解原始的非线性方程组中，使用Newton
‑
Raphson方法直接对非线性方程组进行迭代求解，将发动机非线性的热力学过程考虑在内，其评估精度得到了有效地提高。
[0007](2)遗传算法
[0008]为了更加精确地对非线性模型进行求解，遗传算法被引入到航空发动机退化因子评估之中。遗传算法首先定义了适应度函数来衡量发动机模型计算的测量参数估计值与实际测量参数的差异，通过“交叉
‑
突变
‑
选择”过程迭代退化因子来逐渐降低上述差异。通过对遗传算法模型参数精细专业的调整，可以得到使适应度函数全局最优的退化因子解。
[0009](3)数据驱动方法
[0010]数据驱动方法利用机器学习算法，如专家系统、支持向量回归、神经网络等，将航空发动机的工作状态描述为“黑盒”模型，通过对训练数据的学习，直接建立测量参数到退化因子间的映射关系。在训练阶段，通过大量“测量参数
‑
退化因子”映射样本对“黑盒”模型进行训练，使得模型能够学习到测量参数到退化因子的某种映射关系；在测试阶段，向“黑盒”模型输入截面参数的测量值，退化因子估计值便可以通过训练阶段得到的映射关系计算。
[0011](4)Kalman滤波方法
[0012]为了考虑建模误差及测量噪声对退化因子估计的影响，Kalman滤波被引入到航空发动机气路分析领域。
[0013]Kalman滤波以状态转移方程引入发动机的退化先验知识，以测量方程的形式引入发动机建模误差与传感器噪声。退化因子的评估过程分为预测和更新两个阶段：在预测阶段，通过状态转移方程计算退化因子的先验估计值；在更新阶段，将退化因子先验值及测量参数反映的退化因子观测值进行融合，得到统计最优的退化因子后验估计值。
[0014]通过上述分析，现有技术存在的问题及缺陷为：
[0015]一是军用发动机极为有限的可测气路参数使得退化因子到测量参数的非线性函数本身无法满足可回归的条件。为了对其进行求解，需要加入更多的条件约束，而这些约束很难契合发动机复杂的退化过程，导致对退化因子的估计不准确；
[0016]二是上述方法没有考虑到建模误差及传感器噪声的影响作用。军用涡扇发动机复杂的工作状态使得发动机热力学模型的建模误差较大；同时，复杂的流场畸变使得某个点上的传感器测量值难以代表整个截面的测量参数分布情况，导致传感器噪声较大。上述因素极大地降低了退化因子估计的准确性。
[0017]数据驱动方法直接建立测量参数到退化因子的映射关系，可以在某种程度上缓解上述因素的影响，但其要求有大量能够反映真实发动机状态的“测量参数
‑
退化因子”训练样本进行学习，这在实际工作中是难以满足的。
[0018]鉴于上述问题，Kalman滤波方法作为能够同时考虑建模误差与传感器噪声，亦能够将发动机退化先验以状态方程的形式加入退化评估过程的数据融合方法，是一种行之有效的军用涡扇发动机气路分析思路。
[0019]解决以上问题及缺陷的难度为：
[0020]但是，Kalman滤波应用于军用涡扇发动机仍存在以下问题：
[0021]Kalman滤波要求退化因子的状态转移方程尽量准确，同时测量噪声应符合高斯分布且能够给出较为准确的噪声方差估计值。而目前在实际的发动机气路分析过程中，上述三点要求均难以满足。这就导致基于Kalman滤波的气路分析方法在退化过程、噪声分布及方差已知的仿真数据集上表现较好，而在退化过程、噪声分布及方差未知的实际飞行数据上表现较差。
[0022]解决以上问题及缺陷的意义为：
[0023]上述问题的解决具有理论意义与应用价值。
[0024]在理论意义方面，上述问题的解决可为非线性方程组的迭代求解不收敛问题及系统状态评估的噪声匹配问题提供解决思路，进而为相关的研究方向，如机械部件的健康评估、导弹的跟踪制导及飞行器的状态监测等，提供可行的方法。
[0025]在应用价值方面，上述问题的解决可以补足军用涡扇发动机气路分析方法缺失的短板。在综合评估编队各发动机退化状态的基础上，将具体任务合理分配给个体战斗机/发动机，提高任务完成率与飞行安全性，从而达到优化编队任务部署、增强航空兵部队作战效能的目的。

技术实现思路

[0026]为克服相关技术中存在的问题，本专利技术公开实施例提供了一种航空发动机部件退化因子状态估计方法。
[0027]所述技术方案如下：一种航空发动机部件退化因子状态估计方法，具体的方法步骤如下：
[0028]S1、根据飞行参数数据和持久试车数据，构建发动机部件退化因子状态转移方程；
[0029]S2、基于S1中的退化因子状态转移方程，对发动机气路过程进行建模，得到“退化因子
‑
气路测量参数”观测模型；
[0030]S3、利用S2中的观测模型对真实飞行数据进行评估，根据得到的评估值和真实飞行数据获得测量噪声，对测量噪声进行自适应高斯映射；
[0031]S4、对发动机部件退化因子状态转移方程的过程噪声和S3中的测量噪声协同迭代，确定过程噪声方差和测量噪声方差；
[0032]S5、基于S4获得的过程噪声方差和测量噪声方差，采用卡尔曼滤波不断对退化因子进行预测及更新，得到发动机部件退化因子随时间的变化曲线。
[0033]作为优选的实施例，步骤S1具体包括：
[0034]S11、利用多台发动机的持久试车数据，分别计算得到各部件的多条流量、效率等随时间变化的退化曲线；
[0035]S12、选取多种退化函数形式对S11中多条退化曲线分布进行拟合，得到退化函数的形式表达：
[0036]g
i
＝g
i
(t)+∈
i
[0037]其中，g
i
为第i种退化包线，g
i
(t)为第i种退化曲线的函数拟合形式，t是该发动机的使用时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空发动机部件退化因子状态估计方法，其特征在于，方法步骤如下：S1、根据飞行参数数据和持久试车数据，构建发动机部件退化因子状态转移方程；S2、基于S1中的退化因子状态转移方程，对发动机气路过程进行建模，得到“退化因子
‑
气路测量参数”观测模型；S3、利用S2中的观测模型对真实飞行数据进行评估，根据得到的评估值和真实飞行数据获得测量噪声，对测量噪声进行自适应高斯映射；S4、对发动机部件退化因子状态转移方程的过程噪声和S3中的测量噪声协同迭代，确定过程噪声方差和测量噪声方差；S5、基于S4获得的过程噪声方差和测量噪声方差，采用卡尔曼滤波不断对退化因子进行预测及更新，得到发动机部件退化因子随时间的变化曲线。2.根据权利要求1所述的航空发动机部件退化因子状态估计方法，其特征在于，其特征在于，步骤S1具体包括：S11、利用多台发动机的持久试车数据，分别计算得到各部件的多条流量、效率等随时间变化的退化曲线；S12、选取多种退化函数形式对S11中多条退化曲线分布进行拟合，得到退化函数的形式表达：g
i
＝g
i
(t)+∈
i
其中，g
i
为第i种退化包线，g
i
(t)为第i种退化曲线的函数拟合形式，t是该发动机的使用时间或循环数，∈
i
为第i种退化包线的误差容限；S13、选取同一型号多台到寿发动机的飞行数据，将飞行时间序列输入退化函数，得到不同的退化因子时序序列；S14、将飞行数据与S13中的退化因子时序序列输入到热力学模型中，得到多条不同退化过程的测量参数估计值时序序列；S15、将S14中获得的估计值时序序列与飞行数据中的实际值进行匹配，选择误差容限内匹配度最高的退化函数作为该部件的退化过程曲线，将退化曲线离散化，得到用于Kalman滤波的退化因子状态转移方程：x
t+1
＝x
t
+ε
t
式中，x
t
为t时刻发动机各部件的退化因子，ε
t
为t时刻的过程噪声。3.根据权利要求2所述的航空发动机部件退化因子状态估计方法，其特征在于，S2中采用数据方法对发动机气路过程进行建模，选取飞行数据中发动机入口参数及工作参数作为输入，飞行数据中的截面参数作为输出，采用数据驱动方法对数据模型进行训练，得到入口参数、工作参数到截面参数的映射关系。4.根据权利要求2所述的航空发动机部件退化因子状态估计方法，其特征在于，S2中采用热力学模型建模对发动机气路过程进行建模，建立发动机部件级热力学模型并利用飞行数据对模型进行修正。5.根据权利要求3或4所述的航空发动机部件退化因子状态估计方法，其特征在于，S3具体包括：S31、利用S2获得的观测模型对真实飞行数据的截面测量参数z
t
进行评估得到h(x
t
)，通过对比评估值与飞行数据实际值...

【专利技术属性】
技术研发人员：任立坤，秦海勤，谢镇波，蔡娜，谢静，李边疆，于晓琳，贾明明，马中原，赵纬，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：