基于滑油监控信息的发动机磨损状态融合评估

《基于滑油监控信息的发动机磨损状态融合评估》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第4期张鹏飞等：基于滑油监控信息的发动机磨损状态融合评估95依据经验对输出变量g(哟)U=1，2，3)进行模糊化处理，将其分为“较小”、二“一般”、“较大”3个类别，并划分其各自的模糊集合，建立相应的隶属度函图3输出变量隶属度函数数肛1(g㈨)∥(g㈨)∥(g∽))(『=1，2，3)，如图3所示。本文中选用梯形和三角函数的隶属度形式。1．3．2建立模糊规则模糊规则的建立一般需基于专家知识或大量的试验数据，可表示为“n·then⋯”。基于发动机领域知识，针对s。和s：2个故障征兆，建立磨损状态评估规则库，评估规则见表1。表1发动机磨损状态评估

2、规则模糊推理需要选取适当的关系生成方法和推理合成算法，本文采用M锄daIli方法。反模糊化是模糊化的逆过程，将推理输出的模糊值转变为确定值的过程，此处采用重心法。各算法的具体计算过程详见文献[12一14】。1．4Max运算经模糊推理，光谱分析各监控对象所得到的发动机轴承磨损状态可能向量可表示为d=瞄(∞。)，茁(∞：)，Z(∞，))，(．

3、}=1，2)；自动磨粒检测各监控对象所得到的发动机轴承磨损状态可能向量可表示为G：=磁((c，。)，磊(∞z)，磊(∞，))，(z=l，2，3)。进行Ma)(运算，在2种滑油分析方法中，分别选取推理结果中

4、异常磨损可能性最大的监控对象，将该监控对象的推理结果作为各自滑油分析方法最终的推理结果。即若∥(∞，)=max(新(∞3)，薪(∞3))，则光谱分析融合结果为G。=《=(茁(∞。)，茁(∞：)，茁(∞，))(1)若或((c’，)=max(g：(∞。)，反(∞：)，反(∞，))，则自动磨粒检测信息融合结果为G：=G：=(葭(cc，。)，葭(∞：)，Z(∞，))(2)1．5推理结果的融合决策运用D—S证据理论进行融合决策时，一般包括4个重要步骤：识别框架的构建、基本置信度分配、证据合成和证据决策。针对滑油监控的融合诊断，具体设计如下。1．5．1

5、识别框架的构建在证据理论中，一些完备的独立元素组成的集合称为识别框架。在发动机轴承的磨损状态集Q=f∞，，∞：，∞，}中，各元素两两互斥、并穷尽了所有状态，可将其视为状态评估的识别框架。1．5．2基本置信度分配2种滑油分析方法检测信息所得的推理结果可分别表示为G。={g。(∞-)，蜀(ccJ：)，蜀(∞，))、Gz={＆(∞-)，＆(∞：)，＆(∞，))。对其进行归一化处理，即可得到2条证据体所对应的基本置信度向量m．、m：。2种滑油分析方法对评估发动机磨损状态的贡献不一，因此在归一化时应考虑2种滑油分析方法对评估发动机轴承磨损状态的可靠程

6、度a。，仅：。光谱分析在实际应用时间较长，因此可依据专家经验给出其较为准确的可靠程度值理。。依据粗糙集理论求解得出2种滑油检测手段的相对重要度p：。，即可得自动磨粒检测的可靠程度d2_Q21·a1。(1)相对重要度的求解本文依据条件属性的属性重要度㈣来求解2种滑油分析方法的相对重要度。设一信息表达系统S=

7、为眦)．-萋*l。＆(并)(4)航空发动机第41卷式中：M为集合u中的元素个数。依据Shannon熵的概念，当条件属性C已知时，决策属性D的条件熵H(D／C)可定义为H(D／C)=萋弄掣logalIt．／I(掣ICil)(5)i=岛1日(D／C)可用来表示决策属性D对条件属性c的依赖度。针对任一条件属性a,EC，则删除属性at可得日(D／C-{a,})，属性儡对决策系统影响的重要度可表示为，D(儡)=日(D／C一{吼))一H(D／C)(6)则对V吼、吼∈C，可定义其相对重要度Q。。=，D(吼)，，D(吩)(7)(2)归一化处理分别设2个证据

8、体的基本置信度向量为me=(me(∞，)，me(to：)，me(to，)，m。(日)，(e=l，2)，则归一化公式为m。(q)：{丛生，(『：1，2，3)(8)∑童(q)j=lmo(H)=l—Ole(9)1．5．3证据合成基于Dempster规则，对基本置信度向量m。、m：进行证据合成。合成后结果表示为m=(m(∞。)，m(∞：)，m(∞，)，m(H))，则合成运算为∑ml(A)×耽(曰)m(q)=m·(q)+耽(吵)2f}笼L磊忑r污石承可(10)1．5．4证据决策根据合成结果m，依据最大置信度的方法作出决策。设汕CH，若有m(∞。=ma

9、x(m(cEJl)，m(∞2)，m(∞，)，m(H))，则“即为评估的发动机磨损状态。2实例应用某型发动机滑油分析数据见表2。表2某型发动机滑油检测结果注：光谱浓度单位为10。，