[发明专利]一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法

说明书

本发明公开了一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法。首先建立变循环发动机慢车以上状态的非线性部件级模型，求取设计点下MSV为75时的状态空间模型，将健康参数增广进状态量得到增广状态空间模型；然后求取常值卡尔曼增益阵，与非线性模型相结合构成改进状态跟踪滤波器，根据传感器残差计算健康参数修正量，进而修正非线性模型，实现全包线内的模型输出自适应；之后在检测到传感器故障后，关闭滤波并将残差置零，将自适应模型对应输出参数用作故障传感器的解析余度。解决了现有的分段线性模型求取状态空间方程数量过多，滤波估计精度随着工作点变化而降低，无法准确提供解析余度的问题，并成功运用于变循环发动机。

技术领域

本发明属于航空发动机气路部件性能估计和健康管理技术领域，尤其涉及一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法。

背景技术

航空发动机作为飞机的心脏，其结构复杂且工作环境恶劣。发动机故障诊断技术是保证发动机性能与可靠性，降低使用维护成本的重要手段。基于自适应模型的故障诊断和容错控制技术能够有效提高航空发动机工作时的安全性和稳定性。自适应模型能够实时反映个体差异、部件性能蜕化等因素对发动机性能的影响，准确跟踪真实发动机的非额定工况输出，是航空发动机性能参数估计、性能寻优控制、在线故障诊断、解析余度等先进控制技术的基础。

构建航空发动机自适应模型的一种常用方法就是以卡尔曼滤波器为核心，根据实际发动机传感器参数与机载模型相应参数的残差来估计部件性能蜕化量，而后将其修正于机载模型，从而使得推力和喘振裕度等性能量匹配真实发动机。随着计算机技术的发展以及非线性滤波理论的完善，已有较多非线性滤波方法应用于发动机性能估计上，包括扩展卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波等。其中，扩展卡尔曼滤波作为一种线性卡尔曼滤波算法向非线性系统的推广，本质就是对非线性系统进行一阶线性化，从而利用传统的卡尔曼滤波理论来求解非线性滤波问题。其相对于其他非线性滤波方法有着实现简单、收敛较快的特点，是迄今为止应用最广泛的非线性状态估计方法。

目前上述研究主要集中在涡扇、涡喷等发动机型号。变循环发动机作为下一代航空动力，集涡喷的高单位推力和涡扇的低耗油率等优势于一身，对变循环发动机进行的故障诊断及健康管理研究鲜有耳闻。而且，基于卡尔曼滤波技术建立的自适应模型为分段线性模型，这类模型具有计算简单的优点，但精度往往不如部件级模型。这是因为扩展卡尔曼滤波器只能在求取状态空间方程的相应工作点附近使用，为了扩展至全包线工作，需要选取大量工作点求取对应状态空间方程，得到分段线性化的状态空间模型及相应的卡尔曼增益阵，使用时进行在线的分段插值。由于航空发动机是一个极强的非线性系统，在线分段插值这种处理会使得模型的精度难以保证，而且也会给设计和计算带来较大的复杂度和出错率。而且，当某一传感器出现故障后，对应残差置零，分段线性模型依靠剩余的残差信息将无法估计准确的健康参数，导致机载模型与真实发动机失配，无法提供故障传感器相应准确的解析余度。

发明内容

发明目的：克服现有技术不足，提供一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法。利用该方法，能够避免分段求取状态空间方程的繁琐，在全包线工作范围内有效地估计变循环发动机的健康参数，并在传感器发生故障时提供准确的解析余度。

技术方案：一种基于改进状态跟踪滤波器的变循环发动机解析余度估计方法，包括以下步骤：

步骤A)，建立变循环发动机慢车以上状态的非线性部件级模型，求取0高度、0马赫数下MSV为75时的工作点处的状态空间模型，将健康参数增广进状态量得到增广状态空间模型；

步骤B)，求取常值卡尔曼增益阵，与非线性模型相结合构成改进状态跟踪滤波器，根据传感器残差计算健康参数修正量，进而修正非线性模型，实现全包线、各工况下的非线性模型输出自适应；

步骤C)，在检测到某传感器故障后，关闭卡尔曼滤波，使健康参数不再改变，将修正后的自适应模型对应输出参数用作故障传感器的解析余度。