一種航空發(fā)動機氣路故障融合診斷方法
【專利摘要】本發(fā)明涉及基于自適應加權D?S證據(jù)理論的航空發(fā)動機氣路故障融合診斷方法，解決了采用單一類型的故障診斷方法精度不高、多方法融合過程中存在證據(jù)沖突的問題；分別構建基于粒子濾波器和極限學習機的非線性局部診斷模塊，采用自適應加權D?S證據(jù)理論對局部診斷結果進行融合。提出發(fā)動機故障的多方法融合診斷結構，通過混淆矩陣離線獲取基于粒子濾波器和極限學習機的局部診斷系統(tǒng)對各故障模式的診斷可靠度，根據(jù)診斷可靠度賦予證據(jù)體不同的權值系數(shù)，有效降低了證據(jù)沖突，提高了發(fā)動機氣路部件故障融合診斷的精度。
【專利說明】
一種航空發(fā)動機氣路故障融合診斷方法
技術領域
[0001] 本發(fā)明涉及一種基于自適應加權D-S證據(jù)理論的航空發(fā)動機氣路故障融合診斷方 法，其屬于航空發(fā)動機故障診斷領域。
【背景技術】
[0002] 航空發(fā)動機為飛機提供動力，其安全可靠性是保障飛行安全的關鍵。而航空發(fā)動 機由于機械結構非常復雜，且工作在高溫、高壓等惡劣環(huán)境中，故障率較高，據(jù)美國一項統(tǒng) 計表明，發(fā)動機故障導致的飛行事故占全部事故的30%左右。發(fā)動機健康管理技術是保證 發(fā)動機可靠運行及預防發(fā)動機故障發(fā)生的重要手段，該技術通過利用發(fā)動機各種狀態(tài)信息 (維修記錄、傳感器測量數(shù)據(jù)等），對發(fā)動機的工作狀態(tài)進行監(jiān)視，對故障進行診斷，對使用 壽命進行預測。發(fā)動機健康管理主要包括氣路分析(GPA)、振動及滑油監(jiān)視、壽命管理等方 面。相關研究表明，發(fā)動機總體故障約90%發(fā)生在氣路部件中，因此氣路分析在發(fā)動機健康 管理中占有重要的地位。典型的氣路健康診斷方法包括基于模型的、數(shù)據(jù)驅動的方法，其中 基于模型方法的發(fā)動機氣路故障診斷效果容易受到建模的不確定性、不確定性濾波估計和 系統(tǒng)噪聲等因素的影響，診斷結果受擾嚴重。數(shù)據(jù)驅動的診斷方法以發(fā)動機部件蛻化數(shù)據(jù) 作為故障診斷的依據(jù)，需大量的已有故障數(shù)據(jù)支撐，但對于航空發(fā)動機一類的故障小樣本 問題，故障模式及部件蛻化數(shù)據(jù)有限，因此這種方法對未知的故障模式診斷能力較差。
[0003] 基于模型和數(shù)據(jù)驅動的發(fā)動機故障診斷方法分別存在著不同的缺陷，而且由于發(fā) 動機工作狀態(tài)復雜，影響因素較多，氣路故障診斷使用的數(shù)據(jù)也越來越多，僅利用單一的故 障特征和故障診斷方法難以有效的完成發(fā)動機氣路故障診斷。D-S證據(jù)理論作為一種信息 組合方法，可以將不同的證據(jù)體通過Dempster規(guī)則合并成一個新的證據(jù)體，具有很強的處 理不確定性信息的能力。采用D-S證據(jù)理論，將基于模型的故障診斷方法和數(shù)據(jù)驅動的故障 診斷方法得到的發(fā)動機部件健康狀況證據(jù)體結合起來，可以克服發(fā)動機故障診斷中單個診 斷方法存在的問題。粒子濾波(PF)是近年來興起的一種非線性濾波方法，它直接利用發(fā)動 機非線性模型，以樣本均值代替積分運算，利用粒子及其權重組成的離散隨機測度近似狀 態(tài)的后驗概率分布，適用于非線性較強的系統(tǒng)，而且對噪聲分布特性沒有限制，適合用于處 理發(fā)動機這種處于復雜噪聲影響之下的非線性較強的系統(tǒng)。極限學習機作為一種特殊類型 的單隱層前向神經(jīng)網(wǎng)絡，可以任意設定隱節(jié)點的輸入權值和偏置，通過訓練獲得最優(yōu)的輸 出權值。與神經(jīng)網(wǎng)絡等傳統(tǒng)的機器學習算法相比，極限學習機學習速度快，泛化能力好。
[0004] D-S合成規(guī)則在局部診斷結果沖突較大的情況下，常會出現(xiàn)合成結論有悖常理的 現(xiàn)象，為了解決這一問題，國內外學者分別從證據(jù)沖突系數(shù)、證據(jù)合成公式或證據(jù)距離等層 面進行了改進。但是這些方法都旨在合成規(guī)則上進行改進，卻忽略了證據(jù)間沖突的來源。對 于發(fā)動機氣路部件故障融合診斷系統(tǒng)，不同的局部診斷系統(tǒng)由于特征域和診斷機理的不 同，對于各故障模式的診斷可靠度并不相同，導致不同的局部診斷結果之間存在沖突。

【發(fā)明內容】

[0005] 針對現(xiàn)有技術存在的問題，本發(fā)明提供基于自適應加權D-S證據(jù)理論的航空發(fā)動 機氣路故障融合診斷方法，構建基于粒子濾波器和極限學習機這兩種非線性故障診斷方法 的并行診斷模塊，采用自適應加權D-S證據(jù)理論對局部診斷的結果進行融合，克服了現(xiàn)有技 術中的不足，用于發(fā)動機壽命期內的氣路部件的健康診斷，從而保證發(fā)動機更加安全可靠 的運行。
[0006] 本發(fā)明采用如下技術方案：一種航空發(fā)動機氣路故障融合診斷方法，包括如下步 驟：
[0007] 步驟001:分別構建基于極限學習機的局部診斷方法所對應的局部診斷模塊和基 于粒子濾波器的局部診斷方法所對應的局部診斷模塊；
[0008] 步驟002:對于n類航空發(fā)動機的典型故障模式，每類故障模式隨機選取m個故障樣 本，采用基于粒子濾波器和極限學習機的局部診斷方法分別對nXm個故障樣本進行診斷， 對于每種局部診斷方法，分別得到代表該種局部診斷方法對于各故障模式的診斷準確率的 一個n X n維混淆矩陣CM: 'cm u cv?;p … cm Ui (/;? … cm
[0009] CM ^ ： '' , . / ? ?： ? ? _??iU 氣 2 … cmiw_
[0010]式中，emu表示第i類故障模式被所使用的局部診斷方法判斷成第j類故障模式的 樣本數(shù)占第i類故障模式樣本總數(shù)的百分比，對角線上的元素即為所使用的局部診斷方法 對于各故障模式的診斷準確率，i = l，2,. . .，n，j = l，2,. . .，n;則能夠得到局部診斷方法對 第j類故障模式的診斷結果可靠度&為：
[0011] 步驟003:對發(fā)動機傳感器測量信號進行采集、預處理，分別輸入至兩個局部診斷 模塊中，采用基于粒子濾波器和極限學習機的局部診斷方法進行發(fā)動機故障診斷;其中，粒 子濾波器直接利用發(fā)動機非線性模型估計發(fā)動機健康參數(shù)，連續(xù)的健康參數(shù)估計值通過模 糊邏輯轉換成具體的發(fā)動機部件故障模式及相應的基本概率函數(shù);極限學習機根據(jù)故障時 刻的發(fā)動機傳感器數(shù)據(jù)對當前發(fā)動機故障進行分類，得到當前故障屬于發(fā)動機各故障模式 的基本概率；
[0012] 步驟004:基于自適應加權D-S證據(jù)理論，對兩個局部診斷模塊的診斷結果進行融 合;根據(jù)粒子濾波器和極限學習機兩種局部診斷方法對不同故障模式的診斷可靠度，分別 對步驟003中兩個證據(jù)體得到的基本概率賦值進行加權處理;將證據(jù)體的加權概率分配結 果輸入至融合中心，根據(jù)Dempster合成規(guī)則，對加權概率分配結果進行融合，從而得到多證 據(jù)體加權融合后的最終診斷結論。
[0013] 作為本發(fā)明的一種優(yōu)選技術方案:步驟001中所述，構建基于極限學習機的局部診 斷模塊，具體構建方法如下:將航空發(fā)動機的風扇、壓氣機、高壓渦輪和低壓渦輪4個核心部 件分為正常和故障兩類故障等級，共有4種單故障模式和6種雙故障模式;在發(fā)動機地面穩(wěn) 態(tài)工作點，即:H=0m，Ma = 0點，對發(fā)動機模型依次注入這10種類型的故障，每種故障性能參 數(shù)的變化量從0.2%開始，每次增加0.2%等間隔增加到4%，供油量從1.58kg/s開始，每間 隔O.lkg/s增加到2.48kg/s，共獲得2000(10*10*20)組訓練數(shù)據(jù)，所有的數(shù)據(jù)都歸一化到 [0，1]區(qū)間，在歸一化數(shù)據(jù)中加入高斯噪聲；以發(fā)生氣路故障后的發(fā)動機傳感器測量值為輸 入，以相應的故障模式為輸出，利用生成的訓練樣本數(shù)據(jù)對極限學習機進行離線訓練;將訓 練后的極限學習機用于航空發(fā)動機氣路部件故障的診斷。
[0014] 作為本發(fā)明的一種優(yōu)選技術方案:步驟001中所述，構建基于粒子濾波器的局部診 斷模塊，具體構建方法如下:將傳感器測量參數(shù)輸入至粒子濾波器中，估計出發(fā)動機健康參 數(shù)，連續(xù)的健康參數(shù)估計值通過模糊邏輯轉換成具體的發(fā)動機部件故障模式及相應的基本 概率函數(shù)，用于航空發(fā)動機氣路部件故障的診斷。
[0015] 作為本發(fā)明的一種優(yōu)選技術方案:步驟003中所述，粒子濾波器直接利用發(fā)動機非 線性模型估計發(fā)動機健康參數(shù)，連續(xù)的健康參數(shù)估計值通過模糊邏輯轉換成具體的發(fā)動機 部件故障模式及相應的基本概率函數(shù);具體包括如下內容：
[0016] 將傳感器測量參數(shù)輸入至粒子濾波器故障診斷子系統(tǒng)中，估計風扇SEi、壓氣機 SE2、高壓渦輪SE3和低壓渦輪SE4這4個發(fā)動機核心部件的效率蛻化量h= [ A SEi A SE2 A SE3 A SE4]T，得到連續(xù)的健康參數(shù)估計值；以效率蛻化量1 %為蛻化程度小至蛻化程度大的 過渡點，即發(fā)動機部件性能參數(shù)小蛻化和大蛻化的性能蛻化區(qū)間分別為（〇，1 % )、[ 1 %， 5 % ]，設計出對應的模糊邏輯規(guī)則：
[0017] 11)若 A SEi = L，A SE2 = S，A SE3 = S，A SE4=S，則風扇故障；
[0018] 12)若 ASEi = S，ASE2 = L，ASE3 = S，ASE4=S，則壓氣機故障；
[0019] 13)若 ASEi = S，ASE2 = S，ASE3 = L，ASE4=S，則高壓渦輪故障；
[0020] 14)若 ASEfS，ASE2 = S，ASE3 = S，ASE4=L，則低壓渦輪故障；
[0021] 15)若 ASEi = L，ASE2 = L，ASE3 = S，ASE4=S，則風扇和壓氣機故障；
[0022] 16)若 A SEi = L，A SE2 = S)，A SE3 = L，A SE4=S，則風扇和高壓禍輪故障；
[0023] 17)若 ASEfL，ASE2 = S，ASE3 = S，ASE4=L，則風扇和低壓渦輪故障；
[0024] 18)若 ASE1 = S，ASE2 = L，ASE3 = L，ASE4=S，則壓氣機和高壓渦輪故障；
[0025] 19)若 ASEfS，ASE2 = L，ASE3 = S，ASE4=L，則壓氣機和低壓渦輪故障；
[0026] 20)若ASE1 = S，ASE2 = S，ASE3 = L，ASE4=L，則高壓渦輪和低壓渦輪故障；
[0027]其中，S代表小蛻化，L代表大蛻化;通過模糊邏輯規(guī)則將連續(xù)的效率蛻化量轉化為 發(fā)動機部件故障程度及相應的概率函數(shù)。
[0028]作為本發(fā)明的一種優(yōu)選技術方案:所述步驟004具體包括如下內容:基于自適應加 權D-S證據(jù)理論，對兩個局部診斷模塊的診斷結果進行融合；在多證據(jù)體非線性融合過程 中，定義辨識框架?上的權重分配函數(shù)W( ?)為：
[0031 ]式中，k為加權因子，rank為該證據(jù)體對于各故障模式的基本概率賦值從大到小的 排序情況；
[0032]考慮到各局部診斷證據(jù)對不同故障模式的診斷可靠度不同，對基本概率賦值函數(shù) 進行加權處理
映射Wm: 20-[0，1 ]為辨識框架0上的加權概率賦 值函數(shù)；
[0033]局部診斷結果經(jīng)過加權處理后，傳輸至融合中心，根據(jù)D-S合成規(guī)則進行融合，自 適應加權D-S合成規(guī)則為：
[0035]式中,=[°自適應加權D-S證據(jù)理論通過對基本概率賦值 A{ r>B .-='0' 函數(shù)進行加權處理，使得合理證據(jù)進一步加強，而不合理的證據(jù)被削弱。
[0036]本發(fā)明所述基于自適應加權D-S證據(jù)理論的航空發(fā)動機氣路故障融合診斷方法采 用以上技術方案與現(xiàn)有技術相比，具有以下技術效果:本發(fā)明設計了航空發(fā)動機氣路故障 融合診斷結構，構建基于粒子濾波器和極限學習機這兩種非線性故障診斷方法的并行診斷 模塊，采用自適應加權D-S證據(jù)理論對局部診斷的結果進行融合，克服了發(fā)動機故障診斷中 單個診斷方法存在的問題，提高了診斷的精度和可靠性;為了解決多證據(jù)融合過程中證據(jù) 嚴重沖突的問題，通過混淆矩陣獲取基于粒子和極限學習機的局部診斷系統(tǒng)對各故障模式 的診斷可靠度，從而在生成基本概率賦值函數(shù)時賦予不同的權值系數(shù)，使正確診斷的可信 度能夠提升，錯誤診斷的可信度下降，有效降低了證據(jù)沖突，提高了發(fā)動機氣路部件故障融 合診斷的精度。
【附圖說明】
[0037]圖1是渦扇發(fā)動機氣路工作截面標識圖；
[0038]圖2是本發(fā)明設計基于自適應加權D-S證據(jù)理論的航空發(fā)動機氣路故障融合診斷 方法的診斷結構圖；
[0039]圖3是A SEi的隸屬度函數(shù)圖。
[0040] 圖4是風扇故障的隸屬度函數(shù)圖。
[0041] 圖5是F1Q故障模式下單個診斷方法及兩種D-S證據(jù)理論方法融合結果對比。
【具體實施方式】
[0042]下面結合說明書附圖針對本發(fā)明的【具體實施方式】作進一步詳細的說明。
[0043]對于航空發(fā)動機氣路故障診斷方法來說，基于粒子濾波器的非線性故障診斷方法 能從氣動熱力學原理上解釋氣路測量參數(shù)與氣路健康狀況之間的深層次關系，可以在包線 內全狀態(tài)下對整個性能變化范圍進行定量診斷。但是由于其過度依賴于數(shù)學模型精度，而 建模的不確定性、不確定性濾波估計和系統(tǒng)噪聲等都將影響基于模型方法的發(fā)動機氣路故 障診斷效果。而基于極限學習機的非線性故障診斷方法以發(fā)動機部件蛻化數(shù)據(jù)作為故障診 斷的依據(jù)，需大量的已有故障數(shù)據(jù)支撐，但對于航空發(fā)動機一類的故障小樣本問題，故障模 式及部件蛻化數(shù)據(jù)有限，因此這種方法對未知的故障模式診斷能力較差。采用D-S證據(jù)理 論，對粒子濾波器和極限學習機這兩種非線性故障診斷方法得到的發(fā)動機部件健康診斷結 果進行融合，能夠克服發(fā)動機故障診斷中單個診斷方法存在的問題。
[0044] 本發(fā)明所涉及實施例所應用的渦扇發(fā)動機氣路的工作截面如圖1所示，主要部件 包括進氣道、風扇、壓氣機、燃燒室、高壓渦輪、低壓渦輪、混合室、加力燃燒室和尾噴管等， 本發(fā)明所設計的航空發(fā)動機氣路部件健康診斷方法在實際應用過程當中，首先針對航空發(fā) 動機各個指定氣路部件(風扇、壓氣機、高壓渦輪、低壓渦輪），分別設置用于指定參數(shù)測量 的各個傳感器，這里我們所設計的傳感器分別用于風扇轉速、壓氣機轉速、風扇出口溫度、 風扇出口壓力、壓氣機出口溫度、壓氣機出口壓力、高壓渦輪出口溫度、混合室進口溫度;粒 子濾波器和極限學習機根據(jù)故障時的發(fā)動機傳感器數(shù)據(jù)分別對故障進行診斷，得到局部診 斷結論，再采用自適應加權D-S證據(jù)理論對局部診斷結果進行融合，得到最終的診斷結論， 如圖2所示;所述故障診斷方法包括如下步驟：
[0045] 步驟001:構建基于極限學習機的局部診斷模塊:將航空發(fā)動機的風扇、壓氣機、高 壓渦輪和低壓渦輪4個核心部件分為正常和故障兩類故障等級，共有4種單故障模式和6種 雙故障模式;在發(fā)動機地面穩(wěn)態(tài)工作點(H=0m，Ma = 0)，對發(fā)動機模型依次注入這10種類型 的故障，每種故障性能參數(shù)的變化量從〇. 2%開始，每次增加0.2%等間隔增加到4%，供油 量從1.58kg/s開始，每間隔0. lkg/s增加到2.48kg/s，共獲得2000(10*10*20)組訓練數(shù)據(jù)， 所有的數(shù)據(jù)都歸一化到[0，1]區(qū)間，在歸一化數(shù)據(jù)中加入高斯噪聲；以發(fā)生氣路故障后的發(fā) 動機傳感器測量值為輸入，以相應的故障模式為輸出，利用生成的訓練樣本數(shù)據(jù)對極限學 習機進行離線訓練;將訓練后的極限學習機用于航空發(fā)動機氣路部件故障的診斷；
[0046] 對于 N 個訓練樣本的集合{(Xi，di) |i = l，2，...，N}，其中輸入 Xi= [Xii，Xi2，'"，xin ]TG Rn，輸出di = [di，d2，…，dN]T G Rm;設存在擬合函數(shù)f: xi-di，在具有L個隱層神經(jīng)元的單 L 隱層前向神經(jīng)網(wǎng)絡，擬合函數(shù)能夠表示為：/(4 = 2>(?/1 + \)々，：='(4#3」=[&1^ /:1 ， a2j，…，anj]T為連接第j個隱含節(jié)點的輸入權值向量;bj為第j個隱含節(jié)點偏置;0= [fo … 為輸出權值向量，h(x) = [g(aiTx+bi)…g(aLTx+bL)]T為特征映射，g(x)為隱層神經(jīng)元 激活函數(shù);隨機選定(aubO,將學習樣本映射到一個新的特征空間，生成線性方程組:h(x) ztgUJx+h)…g(aLTx+k)]T，在新的特征空間內，采用最小二乘法求解線性方程組;輸 出權值能夠通過最小二范數(shù)最小二乘解得到:肩=及V，雙*是^的Moore-Penrose(MP)廣義 逆。
[0047] 步驟002:對于n類航空發(fā)動機的典型故障模式，每類故障模式隨機選取m個故障樣 本，采用基于粒子濾波器和極限學習機的局部診斷方法分別對nXm個故障樣本進行診斷， 對于每種局部診斷方法，分別得到代表該種局部診斷方法對于各故障模式的診斷準確率的 一個n X n維混淆矩陣CM: 頌 u cmr cmln cin, cm" … cm,
[0048] CM =. : 一 .. , ; * * ! _C7M#1 crn,2 cmM _
[0049] 式中，emu表示第i類故障模式被所使用的局部診斷方法判斷成第j類故障模式的 樣本數(shù)占第i類故障模式樣本總數(shù)的百分比，對角線上的元素即為所使用的局部診斷方法 對于各故障模式的診斷準確率;則能夠得到局部診斷方法對第j類故障模式的診斷結果可 靠度Rj為：
[0051]步驟003:對發(fā)動機傳感器測量信號進行采集、預處理，將傳感器測量參數(shù)輸入至 粒子濾波器故障診斷子系統(tǒng)中，估計風扇、壓氣機、高壓渦輪和低壓渦輪4個發(fā)動機核心部 件的效率蛻化量h= [ A SEi A SE2 A SE3 A SE4]T，得到連續(xù)的健康參數(shù)估計值；以效率蛻化 量1%為蛻化程度小至蛻化程度大的過渡點，即發(fā)動機部件性能參數(shù)小蛻化和大蛻化的性 能蛻化區(qū)間分別為(〇，1 % )、[ 1 %，5% ]，設計出對應的模糊邏輯規(guī)則：
[0052] 21)若 ASE1 = L(大），ASE2 = S(?。?，ASE3 = S(小），ASE4=S(?。瑒t風扇故障；
[0053] 22)若 ASE1 = S(?。?，ASE2 = L(大），ASE3 = S(?。珹SE4=S(?。?，則壓氣機故障；
[0054] 23)若 ASE1 = S(?。?，ASE2 = S(小），ASE3 = L(大），ASE4 = S(?。?，則高壓渦輪故 障；
[0055] 24)若 ASE1 = S(小），ASE2 = S(?。珹SE3 = S(?。?，ASE4 = L(大），則低壓渦輪故 障；
[0056] 25)若 ASE1 = L(大），ASE2 = L(大），ASE3 = S(?。?，ASE4 = S(?。?，則風扇和壓氣 機故障；
[0057] 26)若 A SEi = L(大），A SE2 = S(?。珹 SE3 = L(大），A SE4 = S(小），則風扇和高壓 渦輪故障；
[0058] 27)若 ASE1 = L(大），ASE2 = S(?。珹SE3 = S(?。珹SE4 = L(大），則風扇和低壓 渦輪故障；
[0059] 28)若 ASE1 = S(?。?，ASE2 = L(大），ASE3 = L(大），ASE4 = S(?。?，則壓氣機和高 壓渦輪故障；
[0060] 29)若 ASE1 = S(?。?，ASE2 = L(大），ASE3 = S(?。?，ASE4 = L(大），則壓氣機和低 壓渦輪故障；
[0061 ] 30)若 ASEi = S(小），ASE2 = S(?。?，ASE3 = L(大），ASE4 = L(大），則高壓渦輪和 低壓渦輪故障。
[0062] A SEi的隸屬度函數(shù)如圖3所示，風扇故障的隸屬度函數(shù)如圖4所示。通過模糊邏輯 規(guī)則將連續(xù)的效率蛻化量轉化為發(fā)動機部件故障程度及相應的概率函數(shù)。
[0063]利用訓練后的極限學習機進行故障分類，得到當前故障屬于各故障模式的基本概 率。
[0064] 步驟004:基于自適應加權D-S證據(jù)理論，對兩個局部診斷模塊的診斷結果進行融 合;根據(jù)粒子濾波器和極限學習機兩種局部診斷方法對不同故障模式的診斷可靠度，分別 對步驟003中兩個證據(jù)體得到的基本概率賦值進行加權處理;將證據(jù)體的加權概率分配結 果輸入至融合中心，根據(jù)Dempster合成規(guī)則，對加權概率分配結果進行融合，從而得到多證 據(jù)體加權融合后的最終診斷結論。
[0065]在多證據(jù)體融合過程中，定義辨識框架?上的權重分配函數(shù)W( ?)為：
[0068]式中，k為加權因子，rank為該證據(jù)體對于各故障模式的基本概率賦值從大到小的 排序情況;考慮到各局部診斷證據(jù)對不同故障模式的診斷可靠度不同，對基本概率賦值函
數(shù)進行加權處理： 映射Wm: 20-[O，1 ]為辨識框架?上的加權概率 賦值函數(shù)；
[0069]局部診斷結果經(jīng)過加權處理后，傳輸至融合中心，根據(jù)D-S合成規(guī)則進行融合，自 適應加權D-S合成規(guī)則為：
[0071]式中/= Z ):自適應加權D-S證據(jù)理論通過對基本概率賦值 函數(shù)進行加權處理，使得合理證據(jù)進一步加強，而不合理的證據(jù)被削弱。
[0072]為了驗證本發(fā)明所設計基于自適應加權D-S證據(jù)理論的航空發(fā)動機氣路故障融合 診斷方法的有效性，在MATLAB環(huán)境下進行氣路健康診斷的數(shù)字仿真。
[0073]基于粒子濾波器的局部診斷作為證據(jù)體1，在發(fā)動機地面工作點（H=0m，Ma = 0，Wf = 1.65kg/s)選取發(fā)動機模型各故障模式下典型樣本各100組進行測試，得到證據(jù)體1的混 淆矩陣CM1:
[0075]基于極限學習機的局部診斷作為證據(jù)體2,選取同樣的故障樣本進行測試，得到證 據(jù)體2的混淆矩陣CM2:
[0077]分別計算得到兩個證據(jù)體對10種故障模式診斷的可靠度如表1所示。
[0078]表1證據(jù)體&、扮對各故障模式識別的可靠度
[0080]現(xiàn)取發(fā)動機高壓渦輪故障與低壓渦輪故障同時發(fā)生(F1())為樣本，分別采取標準D-S證據(jù)理論方法與加權D-S證據(jù)理論方法進行融合診斷。各局部診斷證據(jù)體的標準基本概率 分配和加權概率分配如表2、表3所示。
[0081 ] 表2證據(jù)體Ei、E2的標準基本概率分配
[0083]表3證據(jù)體Ei 32的加權概率分配
[0085] 最后進行多證據(jù)的合成運算，將僅采用粒子濾波器和極限學習機的計算結果與采 用標準D-S證據(jù)理論方法融合、加權D-S證據(jù)理論方法融合的計算結果進行對比，如圖5所 不。
[0086] 從表2、表3和圖5可以看出，兩個局部診斷證據(jù)體E4PE2的判決結論沖突嚴重，Edt F 3錯誤識別的可信度為0.2210，而對內〇正確識別的可信度僅為0.1098;扮對?7錯誤識別的可 信度為〇 . 2123，而對F1Q正確識別的可信度為0.2438。采用標準D-S證據(jù)理論方法進行融合 后，融合結果對F 3錯誤識別的可信度為0.3217，而對F1Q正確識別的可信度僅為0.2380，顯然 證據(jù)融合結果更支持F 3,得到了完全錯誤的診斷結果。而根據(jù)診斷可靠度對各證據(jù)體進行 加權處理后，證據(jù)體Ed#F3錯誤識別的可信度下降到了 0.1611，對F1Q正確識別的可信度升 高至0.1404;證據(jù)體E：^F7錯誤識別的可信度下降到了 0.1808,對F1Q正確識別的可信度升 高至0.4530。采用改進的加權D-S證據(jù)理論方法進行融合后，對F 3錯誤識別的可信度下降為 0.1850，而對F1Q正確識別的可信度升高至0.5210，能夠正確診斷該故障為F 1Q。由此可見，多 證據(jù)體經(jīng)過加權處理后，正確識別的結論得到加強，而錯誤識別的結論得到削弱，從而能夠 提高故障融合診斷系統(tǒng)對故障的診斷與定位能力。
[0087] 進一步對改進的D-S證據(jù)理論融合診斷系統(tǒng)進行驗證，隨機選取不同故障模式下 的樣本各1〇〇組分別進行局部子系統(tǒng)故障診斷與融合故障診斷測試，診斷結果對比如表4所 不。
[0088] 表4測試樣本故障診斷識別結果對比
[0090] 從表4可知，相比于單一的故障診斷方法，經(jīng)過D-S證據(jù)理論融合后的發(fā)動機氣路 部件故障診斷與定位的精度得到了有效提高。而改進的加權D-S證據(jù)理論融合診斷方法由 于通過混淆矩陣獲取了局部診斷系統(tǒng)對各故障模式的可靠度，對基本概率賦值進行了加權 處理，降低了證據(jù)間的沖突，進一步提高了發(fā)動機氣路部件故障融合診斷與定位的精度。
[0091]上面結合說明書附圖針對本發(fā)明的實施方式作了詳細說明，但是本發(fā)明并不限于 上述實施方式，在本領域普通技術人員所具備的知識范圍內，還可以在不脫離本發(fā)明宗旨 的前提下做出各種變化。
【主權項】
1. 一種航空發(fā)動機氣路故障融合診斷方法，其特征在于:包括如下步驟： 步驟001:分別構建基于極限學習機的局部診斷方法所對應的局部診斷模塊和基于粒 子濾波器的局部診斷方法所對應的局部診斷模塊； 步驟002:對于n類航空發(fā)動機的典型故障模式，每類故障模式隨機選取m個故障樣本， 采用基于粒子濾波器和極限學習機的局部診斷方法分別對nXm個故障樣本進行診斷，對于 每種局部診斷方法，分別得到代表該種局部診斷方法對于各故障模式的診斷準確率的一個 n Xn維混淆矩陣CM:式中，emu表示第i類故障模式被所使用的局部診斷方法判斷成第j類故障模式的樣本 數(shù)占第i類故障模式樣本總數(shù)的百分比，對角線上的元素即為所使用的局部診斷方法對于 各故障模式的診斷準確率，i = l，2, . . .，n，j = l，2, . . .，n;則能夠得到局部診斷方法對第j 類故障模式的診斷結果可靠度Rj為步驟003:對發(fā)動機傳感器測量信號進行采集、預處理，分別輸入至兩個局部診斷模塊 中，采用基于粒子濾波器和極限學習機的局部診斷方法進行發(fā)動機故障診斷;其中，粒子濾 波器直接利用發(fā)動機非線性模型估計發(fā)動機健康參數(shù)，連續(xù)的健康參數(shù)估計值通過模糊邏 輯轉換成具體的發(fā)動機部件故障模式及相應的基本概率函數(shù);極限學習機根據(jù)故障時刻的 發(fā)動機傳感器數(shù)據(jù)對當前發(fā)動機故障進行分類，得到當前故障屬于發(fā)動機各故障模式的基 本概率； 步驟004:基于自適應加權D-S證據(jù)理論，對兩個局部診斷模塊的診斷結果進行融合;根 據(jù)粒子濾波器和極限學習機兩種局部診斷方法對不同故障模式的診斷可靠度，分別對步驟 003中兩個證據(jù)體得到的基本概率賦值進行加權處理;將證據(jù)體的加權概率分配結果輸入 至融合中屯、，根據(jù)Dempster合成規(guī)則，對加權概率分配結果進行融合，從而得到多證據(jù)體加 權融合后的最終診斷結論。2. 根據(jù)權利要求1所述一種航空發(fā)動機氣路故障融合診斷方法，其特征在于:步驟OOl 中所述，構建基于極限學習機的局部診斷模塊，具體構建方法如下：將航空發(fā)動機的風扇、 壓氣機、高壓滿輪和低壓滿輪4個核屯、部件分為正常和故障兩類故障等級，共有4種單故障 模式和6種雙故障模式;在發(fā)動機地面穩(wěn)態(tài)工作點，即：H = Om，Ma = 0點，對發(fā)動機模型依次 注入運10種類型的故障，每種故障性能參數(shù)的變化量從0.2%開始，每次增加0.2 %等間隔 增加到4%，供油量從1.58kg/s開始，每間隔O.lkg/s增加到2.48kg/s，共獲得2000組訓練數(shù) 據(jù)，所有的數(shù)據(jù)都歸一化到[〇，1]區(qū)間，在歸一化數(shù)據(jù)中加入高斯噪聲；W發(fā)生氣路故障后 的發(fā)動機傳感器測量值為輸入，W相應的故障模式為輸出，利用生成的訓練樣本數(shù)據(jù)對極 限學習機進行離線訓練;將訓練后的極限學習機用于航空發(fā)動機氣路部件故障的診斷。3. 根據(jù)權利要求1所述一種航空發(fā)動機氣路故障融合診斷方法，其特征在于:步驟OOl 中所述，構建基于粒子濾波器的局部診斷模塊，具體構建方法如下:將傳感器測量參數(shù)輸入 至粒子濾波器中，估計出發(fā)動機健康參數(shù)，連續(xù)的健康參數(shù)估計值通過模糊邏輯轉換成具 體的發(fā)動機部件故障模式及相應的基本概率函數(shù)，用于航空發(fā)動機氣路部件故障的診斷。4. 根據(jù)權利要求1所述一種航空發(fā)動機氣路故障融合診斷方法，其特征在于:步驟003 中所述，粒子濾波器直接利用發(fā)動機非線性模型估計發(fā)動機健康參數(shù)，連續(xù)的健康參數(shù)估 計值通過模糊邏輯轉換成具體的發(fā)動機部件故障模式及相應的基本概率函數(shù);具體包括如 下內容： 將傳感器測量參數(shù)輸入至粒子濾波器故障診斷子系統(tǒng)中，估計風扇SEi、壓氣機SE2、高 壓滿輪S&和低壓滿輪5私運4個發(fā)動機核屯、部件的效率蟻化量h=[ASEi ASE2 ASE3 A SE4]t，得到連續(xù)的健康參數(shù)估計值；W效率蟻化量1 %為蟻化程度小至蟻化程度大的過渡 點，即發(fā)動機部件性能參數(shù)小蟻化和大蟻化的性能蟻化區(qū)間分別為(0，1 % )、[ 1 %，5% ]，設 計出對應的模糊邏輯規(guī)則： 1) 若ASEl = L，ASE2 = S，ASE3 = S，ASE4 = S，則風扇故障； 2) 若ASEl = S，A沈2 = L，A沈3 = S，ASE4 = S，則壓氣機故障； 3) 若ASEl = S，ASE2 = S，ASE3 = L，ASE4 = S，則高壓滿輪故障； 4) 若ASEl = S，A沈2 = S，A沈3 = S，ASE4 = L，則低壓滿輪故障； 5) 若ASEl = L，A沈2 = L，A沈3 = S，ASE4 = S，則風扇和壓氣機故障； 6) 若ASEl = L，A沈2 = S)，A沈3 = L，ASE4 = S，則風扇和高壓滿輪故障； 7) 若ASEl = L，A沈2 = S，A沈3 = S，ASE4 = L，則風扇和低壓滿輪故障； 8) 若A SEi = S, A沈2 = L, A沈3 = L, A SE4 = S，則壓氣機和高壓滿輪故障； 9) 若A SEi = S, A沈2 = L, A沈3 = S, A SE4 = L，則壓氣機和低壓滿輪故障； 10) 若ASEl = S，A沈2 = S，A沈3 = L，ASE4 = L，則高壓滿輪和低壓滿輪故障； 其中，S代表小蟻化，L代表大蟻化;通過模糊邏輯規(guī)則將連續(xù)的效率蟻化量轉化為發(fā)動 機部件故障程度及相應的概率函數(shù)。5. 根據(jù)權利要求1所述一種航空發(fā)動機氣路故障融合診斷方法，其特征在于:所述步驟 004具體包括如下內容:基于自適應加權D-S證據(jù)理論，對兩個局部診斷模塊的診斷結果進 行融合;在多證據(jù)體非線性融合過程中，定義辨識框架0上的權重分配函數(shù)W( ?)為：式中，k為加權因子，rank為該證據(jù)體對于各故障模式的基本概率賦值從大到小的排序 情況； 考慮到各局部診斷證據(jù)對不同故障模式的診斷可靠度不同，對基本概率賦值函數(shù)進行 加權處理為辨識框架0上的加權概率賦值函 數(shù)； 局部診斷結果經(jīng)過加權處理后，傳輸至融合中屯、，根據(jù)D-S合成規(guī)則進行融合，自適應 加權D-S合成規(guī)則為：
【文檔編號】G05B23/02GK105911975SQ201610231577
【公開日】2016年8月31日
【申請日】2016年4月14日
【發(fā)明人】魯峰, 王亞凡, 黃金泉, 黃桓, 黃一桓, 江春宇
【申請人】南京航空航天大學