基于部件参数估计的航空发动机故障预测技术研究

为了满足新一代航空发动机对故障预测与健康管理系统的需求,针对气路故障预测问题,以某型双转子、双涵道涡轮风扇发动机为对象,研究了把性能健康参数作为状态量扩展至状态方程,利用卡尔曼滤波器对状态变量进行估计,以估计出健康参数;并以该健康参数为基础,预测发动机的气路故障;最后以某涡扇发动机数学模型作为仿真对象,以H=15 km、Ma=1.6为仿真设计点,利用该工作点的线性状态方程设计了扩展卡尔曼滤波器,对健康参数进行了估计。仿真结果表明,状态估计器能够快速、较为准确地估计发动机的性能退化系数,从而能够较为准确地预测故障发生的时间,为航空装备的保障提供理论依据。     

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.     

自校正滤波器在卫星定位中的应用

设计了一种新的基于ARMA模型的自校正卡尔曼滤波器,对卫星定位误差模型参数进行分段在线估计,根据误差模型估计参数直接求取滤波增益阵.并提出了一种直接计算滤波误差方差阵的方法,对两个不同的定位系统进行信息融合.仿真结果表明,在未知噪声统计特性的情况下,自校正卡尔曼滤波器能有效过滤观测噪声,基于它的信息融合规则能够有效提高定位精度.计算过程简单,并可以在线建模.     

涡扇发动机气路健康的简约卡尔曼滤波估计

由于航空发动机气路中传感器的数目有限,令气路健康参数的估计结果带有不确定性,为此,我们提出基于简约卡尔曼滤波器的机载自适应模型.该模型通过矩阵变换降低健康参数矩阵的维数,把简约卡尔曼滤波器的估计偏差和方差的加权和作为最小化的目标,采用自适应遗传算法构造出一个较准确,能反映发动机性能的健康参数子集.从理论上进一步论证了简约卡尔曼滤波器的估计方法.对某型涡扇发动机气路部件进行性能估计作数值仿真,结果表明,基于简约卡尔曼滤波器的机载自适应模型方法适用于在包线内传感器个数少于健康参数条件下,有效估计出发动机气路健康性能.     

航空发动机推力估计新方法

论文针对采用卡尔曼跟踪滤波方法进行航空发动机推力估计时,在非设计点存在稳态跟踪滤波误差的问题,提出了基于控制器跟踪滤波器的推力估计方法.在航空发动机的健康参数中选择一部分作为"被调"参数,对"被调"参数的蜕化进行估计,并修正机载发动机的实时模型,使模型输出与实际发动机可测参数的输出相一致,达到对推力等不可测性能参数进行准确估计的目的.与卡尔曼跟踪滤波估计方法相比,控制器跟踪滤波方法能利用控制器的积分特性,消除非设计点的稳态跟踪滤波误差,提高推力估计的精度.     

非线性预测滤波在星敏感器姿态确定中的应用

为研究无陀螺卫星控制优化问题的新方法,针对环境干扰力矩和估计误差等不确定因素导致滤波器稳定性和估计精度降低,提出了使用星敏感器测量值在线估计模型参数和卫星姿态的非线性预测滤波方法.根据预测滤波理论推导了关于模型误差的损失函数,利用线性化的测量方程求得使损失函数最小化的模型误差值,代人状态方程求数值积分,得到卫星的姿态估计参数.仿真结果证明,不仅简化了计算,且适应性更强.而应用四元数描述卫星姿态,避免了欧拉角法的奇异性问题.仿真结果还表明,方法收敛速度较EKF更快,状态估计精度与EKF相当,并对非线性模型误差具有良好的跟踪性能.     

参数不确定系统的H∞估计问题的显式解和中心解

研究在连续时间情形下的具有部分参数不确定性的系统的H∞状态估计问题,它可 以被化简为带有一个自由可调参数对象的H∞状态估计,由此可得到滤波器的简洁通解显 式.并进一步研究了H∞估计的中心解,以及它与卡尔曼滤波器的关系.实例计算表明,对于 参数具有不确定性的系统,H∞滤波器的性能明显地优于卡尔曼滤波器.     

基于联邦滤波的室内多传感器融合导航定位方法研究

针对室内多传感器融合导航定位问题,提出一种基于联邦滤波的INS/3D LASER/单目视觉融合的室内导航定位方法.该方法是通过联邦滤波将INS分别同3D LASER与单目视觉构成子滤波器,主滤波器根据最小方差准则,利用最优系数加权法融合各子滤波器的最优估计,从而获得全局最优融合结果.实验证明,该方法能有效提高室内导航定位的精度和鲁棒性,比传统的视觉里程计法或激光雷达里程表法更准确.     

基于自适应拟合建模的航空发动机健康参数估计

针对航空发动机各部件会发生性能缓慢退化,而现有的发动机线性模型建模方法无法在全寿命期限内满足精度要求,导致滤波算法对健康参数的估计误差随着飞行循环数的增加而增加的问题,提出自适应拟合的方法建立包含健康参数的状态变量模型(SVM),并设计卡尔曼滤波器进行健康参数估计。方法利用上一个采样周期内健康参数的估计值实时更新健康参数相关系数矩阵,以提高线性模型的精度。以某型商用航空发动机部件级模型为基础,在设计巡航点采用提出的方法建立线性变参数模型。通过相似换算,在多个飞行状态点,进行数字仿真性能缓慢退化过程。经验证:相比改进拟合法,基于所提建模方法的卡尔曼滤波器能较大地提高对健康参数的估计精度,同时具有较好的实时性。     

带约束卡尔曼滤波对涡扇发动机状态估计

提出了一种加入线性不等式约束的卡尔曼滤波方法,并用于涡扇发动机的健康状况估计。涡扇发动机数字模型包含10个状态变量、12个量测量、6个控制输入量以及8个健康状况参数。不等式约束不仅保证了状态变量估计在用户自定义的范围内随时间变化平稳缓慢,而且还提高了滤波计算效率,改善了滤波估计精度。同时系统还允许滤波器沿确定的方向修正状态变量估计,以保持状态变量真值恒定。对比传统的无约束卡尔曼滤波,线性化滤波结果显示,该方法对涡扇发动机的健康状况估计尤其行之有效。     

基于冗余信息的多传感器数据融合算法研究

针对当前数据融合算法中存在的静态融合和计算量问题,提出了一种基于冗余信息的多传感器数据融合算法,首先,利用强跟踪滤波算法完成对于局部状态的估计,然后,依据局部状态估计值之间的冗余信息判定局部状态自身的可信度,从而实现对其权系数动态的合理分配。通过Monte-Carlo仿真验证了该算法的有效性。     

Distributed filtering over sensor networks for autonomous navigation of UAVs

The paper studies the problem of localization and autonomous navigation of a multi-UAV system with the use of Distributed Filtering methods (DF). It is considered that m UAV (helicopter) models are monitored by n different ground stations. The overall concept is that at each monitoring station a filter is used to track each UAV by fusing measurements which are provided by various UAV sensors, while by fusing the state estimates from the distributed local filters an aggregate state estimate for each UAV is obtained. In particular, the paper proposes first the extended information filter (EIF) and the unscented information filter (UIF) as possible approaches for fusing the state estimates provided by the local monitoring stations, under the assumption of Gaussian noises. The EIF and UIF estimated state vector is in turn used by a flatness-based controller that makes the UAV follow the desirable trajectory. Moreover, the distributed particle filter (DPF) is proposed for fusing the state estimates provided by the local monitoring stations (local filters). The motivation for using DPF is that it is well-suited to accommodate non-Gaussian measurements. The DPF estimated state vector is again used by the flatness-based controller to make each UAV follow a desirable flight path. Finally, a derivative-free implementation of the extended information filter (DEIF) is introduced aiming at obtaining more accurate estimates of the UAV state vector in real-time. The performance of the EIF, of the UIF, of the DPF and of the DEIF is evaluated through simulation experiments in the case of a 2-UAV model monitored and remotely navigated by two local stations.     

多传感器标量加权最优信息融合稳态Ka lman 滤波器

提出一种新的标量加权多传感器线性最小方差意义下的最优信息融合准则．该准则考虑了局部估计误差之间的相关性，只需计算加权标量系数，避免了加权矩阵的计算，明显减小了计算量，便于实时应用．运用稳态Kalman滤波理论，基于该融合准则，给出了多传感器最优信息融合稳态Kalman滤波器．在所有局部滤波器达到稳态时，只需一次融合便可获得信息融合稳态滤波器，算法简单．仿真例子验证了其有效性．     

Simulation and experimental validation of the flow field at the entrance and within the filter housing of a production spark-ignition engine

The paper aims to analyse the flow field at the entrance and within the filter housing of a production four-cylinder, spark-ignition engine during the intake phase. To this purpose a computational fluid dynamic (CFD) analysis was carried out adopting a finite volume code, while an experimental activity was performed at a steady flow rig to validate the computational model.The comparison between numerical data and experimental measurements showed a good agreement and it demonstrated the capabilities of the proposed CFD model to predict in detail the flow field within a complex production automobile component that largely influences the efficiency and reliability of actual internal combustion engines (ICEs).     

涡扇发动机气路故障的信息融合诊断方法

为了提高包线内气路部件故障诊断能力,提出一种加权D-S(Dempster-Shafer)合成理论的故障诊断方法.基于传感器测量值,分别利用扩展卡尔曼滤波算法(EKF)和受限玻尔兹曼-极限学习机(RB-ELM)对主要气路部件性能进行估计,将计算值与基准值的偏差作为基本概率赋值函数.使用飞行状态参数结合混淆矩阵求解子证据体加权系数,最后进行决策级加权融合诊断.通过某型涡扇发动机仿真验证,结果表明与单独使用基于模型和数据驱动的诊断方法相比,融合诊断方法有效地提高了部件故障诊断精度.     

Distributed particle filter based speaker tracking in distributed microphone networks under non-Gaussian noise environments

Non-Gaussian noise distorts the speech signals and leads to the degradation of speaker tracking performance. In this paper, a distributed particle filter (DPF) based speaker tracking method in distributed microphone networks under non-Gaussian noise and reverberant environments is proposed. A generalized correntropy function is first presented to estimate the time differences of arrival (TDOA) for speech signals at each node in distributed microphone networks. Next, to address spurious TDOA estimations caused by noise and reverberation, a multiple-hypothesis likelihood model is introduced to calculate the local likelihood functions of the DPF. Finally, a DPF fusing local likelihood functions with an average consensus algorithm is employed to estimate a moving speaker's positions. The proposed method can accurately track the speaker under non-Gaussian noise and reverberant environments, and it is scalable and robust against the nodes failure in distributed networks. Simulation experiments show the validation of the proposed speaker tracking method.     

基于卷积神经网络的发动机故障预测方法

近年来,卷积神经网络(CNN)等深度学习方法的发展为发动机故障诊断和预测带来了新的思路。CNN具有局部连接、权值共享、池化操作以及多层结构等特点,能够有效提取局部特征,降低网络的训练难度,使CNN具有很强的学习能力和特征表达能力。开展了深度卷积神经网络故障预测方法研究,实现了面向发动机气路故障预测算法架构。利用基于发动机试验仿真数据对该方法进行了验证,并与其他几种常见的基于数据驱动的预测方法进行了比较,验证结果表明本文提出的基于卷积神经网络的预测方法具有较好的可行性和效果,可作为开展发动机PHM技术研究的参考。     

主元分析在航空发动机关键系统状态识别中的应用

航空发动机是飞机的心脏,因此,对其状态识别进行研究,一直是业界研究并试图解决的热点问题之一。本文以某型真实发动机气路系统为具体研究对象,通过在专业试验平台对其各种运行状态进行试验,采集其大量试验数据,在对其深入分析的基础上,提出采用高压转子相对物理转速、发动机进口温度、发动机进口压力、压气机出口压力、25截面压气机进口温度、低压转子相对物理转速、低压涡轮后温度、低压涡轮后压力等8个主要参数进行状态识别的方法,首先对其进行标准化处理,再对其进行主元分析,采用主元贡献率法计算出主元个数,并据此构建状态识别模型,确定 统计量和SPE统计量。并以确定的 统计量和SPE统计量作为航空发动机气路系统状态健康与异常识别的标志,对航空发动机气路系统健康与否进行识别研究,研究结果表明,该方法可以很好识别出航空发动机气路系统的运行状态,对航空发动机实际运行及所处状态的识别具有重要的使用价值与工程指导意义。