[发明专利]一种基于性能偏移量的航空发动机故障诊断方法

摘要

一种基于性能偏移量的航空发动机故障诊断方法，本发明涉及基于性能偏移量的航空发动机故障诊断方法。本发明是为了解决现有技术忽略航空发动机个体之间的差异、航空发动机故障样本数据量较少以及现有方法大多采用仿真数据导致实用性较低的问题。本发明步骤为：步骤一：进行航空发动机气路性能数据获取及分组；步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类。本发明方法在故障分类准确率和泛化性上均好于传统的基于时间序列拟合的故障诊断方法。本发明应用于航空发动机维修优化技术领域。

主权项

1.一种基于性能偏移量的航空发动机故障诊断方法，其特征在于，所述基于性能偏移量的航空发动机故障诊断方法包括以下步骤：步骤一：进行航空发动机气路性能数据获取及分组；步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类；所述步骤一中进行航空发动机气路性能数据获取及分组的具体过程为：通过航空发动机的维修报告获得故障发动机的拆发时间tj，从OEM解算的ACARS数据中提取发动机j拆发时间tj前n个飞行循环的气路性能参数偏差值：△EGT、△N2、△FF，分别表示为式(1)、(2)、(3)的形式；其中OEM为航空发动机制造商，ACARS为飞机通讯寻址与报告系统，△EGT为排气温度偏差值，△N2为核心机转速偏差值，△FF为燃油流量偏差值；ΔEGT＝{ΔEGTn,ΔEGTn‑1,ΔEGTn‑2,...,ΔEGTi,...,ΔEGT3,ΔEGT2,ΔEGT1}   (1)ΔN2＝{ΔN2n,ΔN2n‑1,ΔN2n‑2,...,ΔN2i,...,ΔN23,ΔN22,ΔN21}   (2)ΔFF＝{ΔFFn,ΔFFn‑1,ΔFFn‑2,...,ΔFFi,...,ΔFF3,ΔFF2,ΔFF1}   (3)将每台航空发动机拆发前n个飞行循环的气路参数按飞行时序进行分组，将与tj相邻的一组数据作为故障征候数据样本组，将其他各分组作为正常数据样本组；设X为涡扇航空发动机因故障而拆发的前n个飞行循环的性能参数，即：X＝{xn,xn‑1,xn‑2,...,xi,...,x3,x2,x1}，其中的xi为拆发时间tj以前第i飞行循环的性能参数；若以k个飞行循环为一个分组，则性能参数X分为m个循环段，m用式(4)进行表示；其中为非整数的整数部分取值符号；分组后的航空发动机性能参数表示为式(5)的形式：其中Xm,…,X2为发动机的正常数据样本组，X1为发动机故障征候数据样本组；所述步骤二中进行航空发动机性能偏移量模型建立及性能偏移量求解的具体过程为：采用BP神经网络建立航空发动机的性能偏移量计算模型，以各正常样本组的性能参数作为模型输入，以健康性能指标值1作为正常样本组的输出预期，对发动机性能偏移量神经网络进行训练；求解当次拆发的故障征候性能偏移量时，将故障征候样本组作为训练好的偏移量神经网络模型的输入，通过模型得到的输出量即为发动机的性能偏移量；将性能参数：△EGT、△N2、△FF、△EGT/△N2的性能偏移量作为航空发动机的无量纲故障背景参数集合，其形式用式(6)表示：A＝{AΔEGT,AΔN2,AΔFF,AΔN2/ΔEGT}   (6)其中AΔEGT为参数△EGT的性能偏移量，AΔN2为参数△N2的性能偏移量，AΔFF为参数△FF的性能偏移量，AΔN2/ΔEGT为参数△N2与△EGT比值的偏移量；所述步骤三中进行支持向量机多核函数的确定及故障分类的具体过程为：一种构造多核函数的方法就是运用多个基本核函数的凸组合组成形如式(7)的形式：其中Kmulti为组合后的多核核函数，Kj为基本核函数，βj为各核函数的权重系数，M为基本核函数的总个数；在多核支持向量机中，原始样本空间RN中的样本参数y1,y2...yn有多核函数Kmulti映射到组合空间Z中；多核函数Kmulti是由多个基本核函数K1,K2,...,Km组合而成，则组合空间Z是由Z1,Z2,...,Zm组合而成的特征空间，即Z可由式(8)表示；Z1＝Z1∪Z2∪…∪Zm   (8)若核函数Kmulti的形式是由多个基本核函数K1,K2,...,Km组合而成，则Kmulti的表达转化为K1,K2,...,Km权重系数βj的确定；采用粒子群优化算法对多核支持向量机中各基本核函数权重系数βj进行确定；支持向量机的多核函数写成式(9)的形式：K(x,xi)＝β1·K1(x,xi)+β2·K2(x,xi)+β3·K3(x,xi)   (9)其中K1(x,xi)、K2(x,xi)、K3(x,xi)为核函数，β1、β2、β3表示核函数的权重系数；在粒子群优化算法中，在对权重系数空间{β1,β2,β3}进行搜索时，适应度函数则用式(10)表示：其中N_right为核函数的权重系数为时的分类准确个数，为第c次迭代时的核函数的权重系数；N_all为样本的总体数量，F_fit为核函数的权重系数为时的分类准确率；粒子群优化算法的步骤为：步骤三一：初始化基础核函数系数β；步骤三二：计算系数对应的分类准确率Ffit；步骤三三：根据分类准确率更新个体极值pi,j与全局极值pg,j；步骤三四：根据公式(8)更新系数所组成粒子空间的速度与位置；步骤三五：判断是否达到迭代终止条件，若是则执行步骤三六，若否则返回步骤二迭代执行；步骤三六：获得最优基础核函数系数；步骤三七：结束；在确定多核支持向量机的核函数后，即可利用发动机的故障指征参数及对应的故障分类对多核支持向量机进行分类，并获得故障诊断模型；获得故障诊断模型后，将待诊断的航空发动机性能数据按照步骤一和步骤二进行处理，获得性能偏移量后即可用步骤三获得的多核支持向量机对发动机进行故障诊断。