鐘承豪 付夢(mèng)澤 靳建祥 吳承靜

摘要：為了有效改善基于系統(tǒng)模型和基于分析數(shù)據(jù)的系統(tǒng)部件退化性能融合缺陷退化診斷的性能遺漏和被錯(cuò)誤診斷的問題，我們已經(jīng)提出了一種主要用于進(jìn)行飛機(jī)上和發(fā)動(dòng)機(jī)系統(tǒng)部件缺陷退化性能融合缺陷診斷的模糊缺陷判斷法和融合治療機(jī)制，同時(shí)將傳感器測(cè)量值輸入到基于模型的自適應(yīng)數(shù)據(jù)中。基于診斷模塊使用卡爾曼濾波算法和最小二乘支持向量機(jī)（LSSVM）對(duì)關(guān)鍵部件的缺陷性能參數(shù)進(jìn)行估計(jì)，然后使用模糊邏輯對(duì)決策權(quán)重進(jìn)行如下調(diào)整：DS證據(jù)理論執(zhí)行晶體融合診斷渦扇發(fā)動(dòng)機(jī)的單組件和雙組件退化模擬研究表明，與單獨(dú)基于診斷模型和分析數(shù)據(jù)的融合診斷分析方法應(yīng)用相比，晶體管的融合診斷機(jī)制有效地大大提高了相關(guān)組件診斷精度。

關(guān)鍵詞：航空發(fā)動(dòng)機(jī);部件性能故障;融合診斷;方法

一、故障決策融合診斷機(jī)制

渦扇增壓發(fā)動(dòng)機(jī)的渦輪風(fēng)扇、壓氣機(jī)、高壓驅(qū)動(dòng)渦輪和采用低壓驅(qū)動(dòng)渦輪等零部件等都有一些缺陷。此外，隨著機(jī)械使用工作時(shí)間的不斷增加，部件發(fā)生磨損，氣流流動(dòng)路徑發(fā)生變形，灰塵和液壓調(diào)節(jié)傳動(dòng)機(jī)構(gòu)各個(gè)參數(shù)間的誤差也會(huì)增加，發(fā)動(dòng)機(jī)性能逐漸偏離工作參數(shù)的正常值。因此，發(fā)動(dòng)機(jī)工況參數(shù)根據(jù)發(fā)動(dòng)機(jī)部件故障狀態(tài)的變化可以確定，部件故障模式可分為無錯(cuò)誤、異常警告和錯(cuò)誤三種。測(cè)量參數(shù)為實(shí)際8個(gè)傳感器的選擇：風(fēng)扇速度Ni、壓縮機(jī)速度Ni、風(fēng)扇出口總壓力pez、總溫度和壓力總出口壓力ps、總溫度T、低壓渦輪出口總壓力p6和總溫度T6。

飛機(jī)發(fā)動(dòng)機(jī)部件缺陷判定融合診斷系統(tǒng)由四個(gè)模塊組成：基于兩種模型的融合診斷決策模塊、基于c和lssvm的融合診斷決策模塊、性能缺陷特征模糊回歸模塊和其與ds類型證據(jù)決策融合技術(shù)判定診斷模塊，傳感器通過測(cè)量性能參數(shù)作為診斷缺陷數(shù)據(jù)輸入。同時(shí)使用卡爾曼濾波處理算法和其他lssvm模糊回歸處理算法對(duì)各診斷部件的具有性能參數(shù)數(shù)據(jù)進(jìn)行模糊估計(jì)，輸入后得到性能決策信息融合技術(shù)診斷系統(tǒng)，同時(shí)通過輸入中國航空工業(yè)自適應(yīng)診斷模型和其他lssvm模型數(shù)據(jù)用以挖掘融合診斷模塊子系統(tǒng)。對(duì)具有性能參數(shù)數(shù)據(jù)進(jìn)行模糊回歸處理，將連續(xù)的一個(gè)部件具有性能參數(shù)的值轉(zhuǎn)化成較為離散的性能失效診斷模式中所表示出的值，得到數(shù)據(jù)相應(yīng)的基本概率函數(shù)，采用c和ds類型證據(jù)決策融合診斷決策判定模塊將基于兩種模型的診斷信息和基于兩種類型證據(jù)的決策信息直接融合在一起。獲得發(fā)動(dòng)機(jī)部件在整個(gè)退化空間的失效模式。

二、故障診斷系統(tǒng)算法

一旦確定了輸入指令和輸入條件，發(fā)動(dòng)機(jī)上的氣路控制元件的狀態(tài)故障識(shí)別診斷主要問題就是它可以直接轉(zhuǎn)化成作為氣路元件運(yùn)行狀態(tài)的非線性信號(hào)識(shí)別和狀態(tài)估計(jì)診斷問題，因?yàn)樵顟B(tài)參數(shù)是影響發(fā)動(dòng)機(jī)的主要因素。參數(shù)化設(shè)計(jì)健康參數(shù)平方根UKF濾波器估計(jì)算法為：

1.基于機(jī)載自適應(yīng)模型的性能參數(shù)估計(jì)

機(jī)載自動(dòng)化適應(yīng)性能模型計(jì)算是在柴油發(fā)動(dòng)機(jī)各個(gè)部件性能級(jí)計(jì)算模型上通過小粒子擾動(dòng)的方法計(jì)算得到的一種線性計(jì)算模型，其中將一個(gè)部件的所有性能參數(shù)實(shí)時(shí)擴(kuò)展而成為一個(gè)狀態(tài)變量，卡爾曼濾波器的算法同樣可以應(yīng)用于：即對(duì)確定一個(gè)組件的所有性能參數(shù)實(shí)時(shí)進(jìn)行估計(jì)。

2.基于LSSVM的性能參數(shù)估計(jì)

lssvm回歸性能綜合評(píng)估回歸模型的一個(gè)基本概念也就是通過非線性函數(shù)映射將統(tǒng)計(jì)數(shù)據(jù)y線性映射嵌入到一個(gè)高維度的特征計(jì)算空間，并在該特征空間之內(nèi)進(jìn)行回歸估計(jì)。通過識(shí)別發(fā)動(dòng)機(jī)傳感器的測(cè)量參數(shù)和發(fā)動(dòng)機(jī)的劣化量，評(píng)估各部件的劣化量和故障程度。

3.部件特征模糊化

每個(gè)關(guān)鍵部件級(jí)別分為無故障、故障啟動(dòng)警告和雙重故障三種主要故障警告等級(jí)，因此對(duì)于風(fēng)機(jī)、壓縮機(jī)、高壓驅(qū)動(dòng)渦輪和電機(jī)低壓驅(qū)動(dòng)渦輪四個(gè)主要關(guān)鍵部件分別有8種單重雙故障警告模式和24種雙重單故障警告模式。錯(cuò)誤級(jí)別定義空間{0，1，2}，其中0表示無錯(cuò)誤，1表示警告，2表示錯(cuò)誤。如果壓縮機(jī)發(fā)出錯(cuò)誤警告，其錯(cuò)誤模式為q=[0，1，0，0]。它是一種從連續(xù)性能退化空間中提取特征信息并將其轉(zhuǎn)換為離散元件失效模式空間的方法。變換模塊是通過清除元件性能參數(shù)，將連續(xù)退化參數(shù)直接轉(zhuǎn)化為元件失效程度和相應(yīng)的概率函數(shù)，關(guān)鍵是選擇合適的特征概率函數(shù)。劣化參數(shù)根據(jù)操作的性質(zhì)，飛行時(shí)間的增加決定了零件性能的劣化，劣化速度變快，劣化越大，零件失效的概率就越大。選擇高斯分布函數(shù)作為變換概率函數(shù)。

4.D-S決策融合

ds型的晶體特征融合診斷機(jī)制主要用于分析融合電子組件晶體特征點(diǎn)的模糊化和經(jīng)處理后的兩個(gè)融合子系統(tǒng)相關(guān)證據(jù)的綜合診斷分析結(jié)果。DS證據(jù)理論融合是同時(shí)??使用來自獨(dú)立和不同信息源的兩個(gè)或多個(gè)子證據(jù)集。為大大提高一個(gè)事件的證據(jù)可靠性而近年提出的一種信息證據(jù)組合計(jì)算法則。ds&d證據(jù)組合理論分析推理計(jì)算規(guī)則：首先分配計(jì)算每個(gè)給定證據(jù)體的基數(shù)和概率后再分配計(jì)算函數(shù)，然后使用DS合成規(guī)則計(jì)算所有證據(jù)體作用下的組合基概率分配函數(shù)，最后確定支持最大證據(jù)的假設(shè)體選擇。根據(jù)特定的決策規(guī)則組合動(dòng)作。

結(jié)束語

在本文中，我們基于通用航空器自適應(yīng)系統(tǒng)模型的卡爾曼濾波設(shè)計(jì)算法研究構(gòu)建了一個(gè)新的并行l(wèi)ssvm健康性能參數(shù)回歸故障預(yù)測(cè)計(jì)算系統(tǒng)來通過估計(jì)健康性能參數(shù)，并提出使用每個(gè)組件中的退化性能參數(shù)進(jìn)行模糊化的并行dsvm理論。通過評(píng)估兩個(gè)部件子系統(tǒng)互相結(jié)合性能融合的故障診斷測(cè)試結(jié)果，獲得系統(tǒng)的性能故障診斷模式可以避免兩種濾波算法應(yīng)用中的系統(tǒng)建模計(jì)算錯(cuò)誤和系統(tǒng)噪聲，并通過限制統(tǒng)計(jì)樣本量和統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證樣本的不可靠性通過單個(gè)部件發(fā)動(dòng)機(jī)主要部件的故障模擬雙動(dòng)機(jī)部件故障診斷驗(yàn)證系統(tǒng)效率我們提出的單個(gè)部件系統(tǒng)故障模擬診斷系統(tǒng)可以具有較高的故障診斷性和準(zhǔn)確性。

參考文獻(xiàn)

[1]黃偉斌，黃金泉.航空發(fā)動(dòng)機(jī)故障診斷的機(jī)載自適應(yīng)模型[J].航空動(dòng)力學(xué)報(bào)，2008，（3）.580-584.

[2]趙世榮，黃向華.應(yīng)用神經(jīng)網(wǎng)絡(luò)信息融合診斷航空發(fā)動(dòng)機(jī)故障[J].航空動(dòng)力學(xué)報(bào)，2008，（1）.163-168.

[3]馮志剛，信太克規(guī)，王祈.基于最小二乘支持向量機(jī)預(yù)測(cè)器的傳感器故障檢測(cè)與數(shù)據(jù)恢復(fù)[J].儀器儀表學(xué)報(bào)，2007，（2）.193-197.

[4]黃向華，丁毅.基于幾何模式識(shí)別的發(fā)動(dòng)機(jī)傳感器故障診斷[J].航空學(xué)報(bào)，2006，（6）.1018-1022.

[5]陳恬，孫健國.粗糙集與神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)氣路故障診斷中的應(yīng)用[J].航空動(dòng)力學(xué)報(bào)，2006，（1）.207-212.

[6]陳恬，孫健國，郝英.基于神經(jīng)網(wǎng)絡(luò)和證據(jù)融合理論的航空發(fā)動(dòng)機(jī)氣路故障診斷[J].航空學(xué)報(bào)，2006，（6）.1014-1017.