[发明专利]一种基于差分模糊自适应共振网络的发动机喘振诊断方法

说明书

本发明公开了一种基于差分模糊自适应共振网络的发动机喘振诊断方法，包括：实时采集当前发动机部件参数数据，并将数据输入到训练好的模糊自适应共振网络中，进而得出输出结果，结合所述输出结果实现对发动机故障部件的定义及原因分析；其中，训练所述模糊自适应共振网络的具体步骤包括：S1：收集数据；S2：整理数据；S3：训练网络；S4：定义输出。本发明利用发动机历史状态参数数据对网络进行训练，并在实时监测过程中，根据发动机的实时状态参数数据，来不断训练网络，达到在线学习效果，并且实现发动机状态的精细划分。

技术领域

本发明涉及故障诊断技术领域，更具体的说是涉及一种基于差分模糊自适应共振网络的发动机喘振诊断方法。

背景技术

发动机性能及其当前工作状态直接影响整个飞机的运行情况。航空发动机喘振故障是影响其性能和安全的主要因素之一，严重时直接导致发动机的损毁，对飞机安全构成巨大威胁，因此对喘振故障的诊断显得尤为重要，我们需要了解喘振故障发生时，发动机的哪个部件的哪些参数表现异常，也即是故障原因分析。

发动机在运行过程中，由于进气口的大气环境(温度和高度)以及流场变化(气流畸变指数)或者发动机设计中导流叶片角度、叶顶间隙的不合理都可能导致发动机发生喘振；当发动机累积运行时间过长，部件呈现一定退化态(腐蚀、积垢、磨损、性能退化)，引起发动机本身参数的变化(流通能力降低、效率降低、截面变小、损耗增减)，亦容易发生喘振，喘振发生时，由于不同的部件异常所引起的发动机喘振特征参数(压气机进出口温度、压气机进出口压力、压气机转速、燃油流量、喷口温度等)也会有不同的变化趋势，因此喘振故障发生时，识别故障原因是很有必要的且有迹可循。

传统的发动机喘振故障定位方法主要表现在：一方面，基于模型的故障诊断方法，通过建立发动机非线性模型进行故障模拟，并通过算法实时对发动机的流量和效率变化量进行监测实现对个别部件的诊断及定位，该方法的缺点在于缺乏对发动机整体状态的把控；另一方面，基于数据驱动的故障诊断方法，通过收集多维历史故障数据信息，对数据进行处理后，采用非线性模型(卡尔曼滤波模型、支持向量机等)或神经网络(深度置信网络、径向基神经网络等)对故障部件进行定位，然而该类方法依赖于对历史数据信息的学习，而在实际监测发动机状态信息时，不能跟随当前状态更新网络，因此准确度依旧不高。

因此，提供一种能够根据发动机的实时状态参数数据来不断训练网络的基于差分模糊自适应共振网络的发动机喘振诊断方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于差分模糊自适应共振网络的发动机喘振诊断方法，能够更加准确地对发动机喘振原因进行分析和诊断。

为了实现上述目的，本发明采用如下技术方案：

一种基于差分模糊自适应共振网络的发动机喘振诊断方法，包括：

实时采集当前发动机部件参数数据，并将数据输入到训练好的模糊自适应共振网络中，进而得出输出结果，结合所述输出结果实现对发动机故障部件的定位及原因分析；

其中，训练所述模糊自适应共振网络的具体步骤包括：

S1：收集数据：收集发动机部件参数数据，引入差分运算，计算每个参数的隶属度；

S2：整理数据：将所述参数数据整理成模糊自适应共振网络能处理的形式，作为训练数据集；

S3：训练网络：将所述训练数据集输入所述模糊自适应共振网络中，对所述模糊自适应共振网络进行训练，直至网络输出模式满足分类需求；

S4：定义输出：构建标记数据集，并将所述标记数据集输入所述模糊自适应共振网络中，对输出模式进行定义。

优选的，S1的具体内容包括：