[发明专利]基于AANN网络系统的航空发动机控制系统多重故障诊断方法

说明书

本发明提出一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法，首先采集航空发动机的不同工作状态中，航空发动机处于健康状态以及不同部件故障状态下，航空发动机控制系统中的若干可测传感器数据，用于构建样本数据集；根据设定的航空发动机工作状态数，建立相同组数的AANN网络组构建AANN网络系统；每个AANN网络组中又建立了个数与部件故障状态数相同的AANN网络；每个AANN网络对应相应的航空发动机工作状态以及相应的部件故障状态；将将相对应的样本数据训练集输入到相应的AANN网络中，训练AANN网络系统直至达到要求。本发明实现对发动机部件和传感器发生的故障进行同步区分、定位和调节功能，同时满足鲁棒性的要求，对噪声干扰不敏感。

技术领域

本发明属于航空发动机控制系统故障诊断领域，具体涉及一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法。

背景技术

航空发动机控制系统是在高速、高负荷、长时间高温环境条件下工作的复杂热力机械。航空发动机作为飞机的心脏，起着至关重要的作用，对安全性要求很高。由于航空发动机控制系统依赖于传感器的测量数据工作，因此一旦传感器发生故障，结果将是灾难性的。且航空发动机部件会由于磨损、失效、外物损伤等引起部件性能的蜕化，影响发动机工作的安全和效率。因此，对航空发动机进行传感器故障和部件故障进行检测、隔离和调节是提高其可靠性的关键。

传统的故障诊断的方法是基于分析模型的方法。如有文献是基于发动机模型，将卡尔曼滤波算法和支持向量机相结合，进行部件故障分类和健康参数估计。但基于模型的故障诊断方法需要对被诊断对象建立一个高精度的模型。随着建模不确定性和非线性复杂性的增加，航空发动机等复杂非线性系统模型的可靠性降低，从而降低了诊断系统的可靠性。随着智能算法的出现，以模型和信号处理为核心的原有诊断过程被以知识处理和知识推理为核心的诊断过程所取代，其中包括神经网络。神经网络具有自学习能力和拟合任意连续非线性函数的能力，是目前应用最广泛的故障诊断方法。AANN网络提取最具代表性的低维子空间反映了系统的高维参数空间结构网络输入，有效地滤除噪声和测量误差的测量数据，所以它可以用于自动修正的测量数据的测试和故障诊断。

神经网络具有自学习能力和拟合任意连续非线性函数的能力，是目前应用最广泛的故障诊断方法。但目前文献中所提到的诸多故障诊断技术可以完成故障的诊断与隔离，但是都需要分两步或者多步进行。而根据对诊断快速性的要求，需要诊断系统能够对故障的检测、隔离、恢复同时进行。其中的AANN网络能够提取最具代表性的低维子空间反映了系统的高维参数空间结构网络输入，有效地滤除噪声和测量误差的测量数据，所以它可以用于故障诊断和信号重构。如现有技术中针对火电机组提出了一种基于AANN网络模型的传感器故障诊断方法及诊断流程。但航空发动机是一个多变量、多耦合的综合系统，存在着复杂的不确定性，如有时候动态系统的参数会随着时间发生改变。且传感器工作条件十分严峻，存在作用于系统的干扰和噪声信号。此外，航空发动机飞行包线大，工作多变，不同的工作状态下各输出量的解析关系不同。而基本的AANN网络不能精准的模拟了发动机气路系统里各变量之间的相互作用关系，因此难以适应发动机工作中的不确定性和复杂工况，会造成误判、漏判的情况。且航空发动机常常存在部件故障，即各个部件由于长期工作在高温高压的工况下，加上外界对发动机腐蚀等原因，主要部件的性能会随着服役年限逐渐退化，因此单一的AANN网络无法对发动机存在多故障时(存在部件故障和传感器故障)进行诊断。

发明内容

为了准确识别复杂非线性的航空发动机系统的故障模式，对噪声干扰不敏感，并可以精确对多种故障模式进行分类，同步进行部件故障和传感器故障的检测、隔离、恢复，本发明将AANN网络与自适应阈值、非线性主要部件分析法的理念相结合，提出了一种基于自适应阈值和AANN网络系统的航空发动机控制系统多重故障诊断方法。

本发明的技术方案为：

所述一种基于AANN网络系统的航空发动机控制系统多重故障诊断方法，其特征在于：包括以下步骤：