航空发动机故障诊断技术及其发展

《航空发动机故障诊断技术及其发展》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、航空发动机故障诊断技术及其发展日期：08-01-2113:01:07作者：李华强费逸伟阐述了发动机控制系统故障诊断技术的研究现状，并探讨了现有的各种故障诊断方法及特点，指出了该领域有待进一步研究的主要问题和发展趟势。随着航空发动机控制系统自动化水平的提高，系统H趋大型化、复杂化。一旦系统发主故障会造成巨大损失，因此，提高系统的町靠性与安全性，提高故障诊断技术水平具有十分重要的意义。影响系统可靠性与安全性的因素很多且关系复杂，其中对故障辨识、定位及预测的准确率及可靠性是故障诊断研究的关键。从本质上讲，故障诊断是利

2、川被诊断系统运行屮的各种状态信息和已佇的各种知识进行信息的综A处理，最终得到关于系统运行状况和故障状况的综合评价的过程。航空发动机故障诊断依赖于传感技术、测试技术、计算机技术、显示技术以及人工智能分析和大量维修试验经验的支持而发展。当系统发生故障时，如何找出故障的特征描述，并利用它进行故障检测、预报、分离、辨识，进而实现故障决策是故障诊断的主要任务。它包括故障特征提取、故障建模、故障检测、故障预报、故障分离与辨识和故障评价与决策等儿个方而的内容，是融合众多知识的交叉学科。在过去的几十年里，故障分析与诊断方法的研

3、究得到了飞速发展，出现了一些新的理论与方法。本文按照国际故障诊断权威徳国的P.M.弗兰克教授的观点，将现有的航空发动机故障诊断方法分为慕于动态数学模型的方法、基于信号处理的方法和基于知识的智能诊断方法，并补充介绍近年来一些新的研究成果。系统动态数学模型分析技术基于系统动态数学模型的方法是通过将航空发动机的可测信息和rh模型表达的系统先验信息进行比较，以产生残差，并对残差进行分析和处理而实现故障诊断的技术，该类方法发展最早也最为深入，它需要建立被诊断对象的精确数学模型，优点是充分利川了系统内部的深层知识，利于系统

4、的故障诊断。-•般而言，基于动态数学模型的故障诊断包括两个阶段：残差产生利残差评价。根据残差产生形式的不同，该类方法又可以分为状态估计方法、等价空间方法利参数估计方法。尽管这三种方法是各自独立发展起來的，但它们彼此之间却不相互孤立，而是存在一定的相互关系。目前该类方法的研究己集中在非线性系统的研究以及发展新的关于eti系统的诊断方法并提高其性能等方而。信号处理分析技术由于控制航空发动机系统的I/O信号模型在幅值、相位、频率及相关性上为故障源2间存在一定的联系，当故障发生吋，可应用某种信号处理方法和特征提取方法进

5、行故障检测与分离，这里简要介绍近年来出现的儿种棊于信号处理的方法。1.主元分析方法主元分析（PCA）川于故障诊断的基本思想是：对过程的历史数据采用主元分析方法建立正常情况下的主元模型，一旦实测信号与主元模型发牛冲突，就可判断有故障发牛，通过数据分析可分离出故障。2.基于小波变换的诊断方法小波变换是一种时频分析方法，非常适合非平稳信号的奇异性分析。故障诊断时，对信号进行小波变换，在变换后的信号中去除山于输入变化引起的奇异点，剩下的奇异点即为系统发生的故障点。1.利用*9啄算子的方法基于*9啄算子构造Hilbert

6、空间中的最小M乘止交投影向量集，推导出完整的格形滤波器作为故障检测滤波器，用*9啄算子描述的后向预测误差向量的首位元素作为残差，并采用白适应噪声抵消技术使残差仅对故障敏感。2.利用Kullback信息准则(KDI)检测故障该准则能够度量系数的变化，在不存在未建模动态特性吋将具和阈值作比较，可以有效地检测故障。但是如果存在未建模动态特性，KDI波动很大，阈值检验的方法将不再适用。3.基于信息融合的方法信息融合能将来自某一目标的多元信息加以智能化合成，产生比单一信源更精确更完全的估计和判决，有望解决对复杂系统进行故

7、障诊断。智能故障诊断分析技术口前的故障分析与诊断已具备人工智能的特点，即智能故障诊断研究。它以基于知识寻求來提高系统智能化程度和诊断准确率为目标，其”智能化”程度体现在诊断过程中，问题求解建立的数学模型与真实系统间问题木质的逼近程度，以及领域专家知识的人工智能再现是人工智能、其他相关学科的理论与技术在故障诊断学科中的综合体现，具体有模糊理论、人工神经网络、机器学习、模式识别、智能决策支持系统、专家系统等技术方法。而提高航空发动机故障诊断智能化的途径是建立合理的混合推理模型。1.基于模糊理论的方法模糊逻辑系统在一

8、定条件下可以以任意精度逼近给定的作线性函数。基于模糊模型的故障诊断主要有以下两种基木方法：一种是先建立征兆与故障类型z间的因果关系矩阵，再建立故障与征兆的模糊关系方程；另种方法是根据先验知识建立起故障征兆与对应的原因z间的模糊规则库，根据规则库进行模糊逻辑推理。2.基于神经网络的方法人工神经网络(ANN)rh于具有处理非线性、口学习、高容错性以及并行计算能力，已广泛应用于复杂非线性系统