一种航空发动机性能退化估计模型建模方法技术

本发明专利技术公开了一种航空发动机性能退化估计模型建模方法。首先选取N个最优健康参数；然后以所选取最优健康参数作为航空发动机状态变量模型的增广状态量，使用Kalman滤波器作为状态观测器构建航空发动机性能退化估计模型，其中，N为航空发动机可测被控量的数量；所述N个最优健康参数通过以下方法选取得到：先基于相关性进行健康参数的初步筛选，然后基于条件数进行健康参数的最终筛选。本发明专利技术还公开了一种航空发动机性能退化估计模型。相比现有技术，本发明专利技术以相关性和条件数为核心依据来确定最优的航空发动机健康参数，可有效提升性能退化估计模型及机载模型精度。化估计模型及机载模型精度。化估计模型及机载模型精度。

【技术实现步骤摘要】
一种航空发动机性能退化估计模型建模方法


[0001]本专利技术涉及航空发动机建模与控制
，尤其涉及一种航空发动机性能退化估计模型建模方法。

技术介绍

[0002]航空发动机在长时间恶劣的工作环境下，性能会不可避免的发生退化。由于压气机叶片、涡轮叶片腐蚀，火焰筒烧蚀，发动机壳体变形等因素影响，发动机的性能会随着飞行架次的增加发生缓慢的变化，其流通能力和运行效率也会随之发生变动，进而导致偏离额定的工作状态和发生故障，其中，气路退化引起的故障占发动机总故障的90％以上，而发动机健康参数的确定有助于提高机载模型的自适应精度，也是研究发动机故障诊断、实现综合控制等技术的基础，并且成为了航空发动机领域亟需解决的关键难题之一。
[0003]目前，国内外众多学者针对发动机健康诊断开展了系列研究。例如NASA的格伦研究中心[Kobayashi T,Simon D L.Integration of on
‑
line and off
‑
line diagnostic algorithms for aircraft engine health management[J].2007].提出离线、在线卡尔曼滤波器和机载非线性模型混合的结构，通过离线估计出航空发动机的健康参数，在线使用这些健康参数以估计出退化下的模型输出。国内方面，黄金泉等人[鲁峰,黄金泉,吕怡秋,等.基于非线性自适应滤波的发动机气路部件健康诊断方法[J].航空学报,2013,34(11):2529
‑
2538.]针对发动机气路突变下健康参数估计精度不高以及算法工程化验证周期长的问题，提出了线性自适应卡尔曼滤波算法，且将其扩展至非线性系统。
[0004]以上技术方案均取得了很好的效果，但对健康参数如何选取鲜有研究。发动机运行时间会发生各种退化，如风扇流量、效率、压气机流量、效率、高/低压涡轮流量、效率等退化，但发动机实际传感器数量有限，由于可估计的健康参数一般不多于可测量参数即传感器个数，导致所能设置的健康参数数量有限。考虑到设置不同的健康参数组合，对机载模型在发动机退化后的精度影响较大，如何选取最优健康参数，以提升性能退化估计模型及机载模型精度，成为一个亟待解决的问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于克服现有技术不足，提供一种航空发动机性能退化估计模型建模方法，以相关性和条件数为核心依据来确定最优的航空发动机健康参数，从而有效提升性能退化估计模型及机载模型精度。
[0006]本专利技术具体采用以下技术方案解决上述技术问题：
[0007]一种航空发动机性能退化估计模型建模方法，首选选取N个最优健康参数；然后以所选取最优健康参数作为航空发动机状态变量模型的增广状态量，使用Kalman滤波器作为状态观测器构建航空发动机性能退化估计模型，其中，N为航空发动机可测被控量的数量；所述N个最优健康参数通过以下方法选取得到：步骤1、基于航空发动机部件级模型，获取每一个健康参数在预设退化量下所产生的航空发动机同一组测量参数的变化量，并以这一组
测量参数变化量所构成的向量作为表征该健康参数的特征向量，以任意两个健康参数的特征向量之间的相关性作为这两种健康参数的相关性；
[0008]步骤2、从N个健康参数所构成的所有组合中剔除其中存在任意两个健康参数相关性大于预设阈值的组合，以剩余的组合作为备选健康参数组合；
[0009]步骤3、对于每一个备选健康参数组合，以其中N个健康参数的特征向量所组成的矩阵作为该备选健康参数组合的特征矩阵，选取特征矩阵条件数最小的备选健康参数组合中的N个健康参数作为所述N个最优健康参数。
[0010]优选地，使用皮尔逊相关系数作为所述相关性的度量。
[0011]优选地，所述预设退化量为1％～20％。
[0012]基于同一专利技术构思还可以得到以下技术方案：
[0013]一种航空发动机性能退化估计模型，使用如上任一技术方案所述建模方法建模得到。
[0014]相比现有技术，本专利技术技术方案具有以下有益效果：
[0015]本专利技术基于航空发动机健康参数对测量值影响的特点，首次提出以相关性和条件数为依据的健康参数选取方法，相关性越大，说明健康参数耦合越明显，对发动机参数影响越大；然后通过条件数对组合进行筛选，通过上述方法可得到最佳健康参数组合，进而有效提升所建模性能退化估计模型及机载模型精度。
附图说明
[0016]图1为航空发动机各个截面结构图；
[0017]图2为退化后测量参数变化的相关性系数图；
[0018]图3为相关性对健康参数估计影响图；
[0019]图4为不同组合的条件数图；
[0020]图5为测量参数均方差、平均值偏差，变化幅度分布图；
[0021]图6为其余测量参数稳态数据筛选效果图。
具体实施方式
[0022]针对现有技术不足，本专利技术的解决思路是基于航空发动机健康参数对测量值影响的特点，以相关性和条件数为核心依据来确定最优的航空发动机健康参数，相关性越大，说明健康参数耦合越明显，对发动机参数影响越大；然后通过条件数对组合进行筛选得到最优健康参数组合，最后以最优健康参数组合为增广控制量，基于卡尔曼滤波器构建航发性能退化估计模型。
[0023]本专利技术所提出的航空发动机性能退化估计模型建模方法，具体如下：
[0024]首选选取N个最优健康参数；然后以所选取最优健康参数作为航空发动机状态变量模型的增广状态量，使用Kalman滤波器作为状态观测器构建航空发动机性能退化估计模型，其中，N为航空发动机可测被控量的数量；所述N个最优健康参数通过以下方法选取得到：
[0025]步骤1、基于航空发动机部件级模型，获取每一个健康参数在预设退化量下所产生的航空发动机同一组测量参数的变化量，并以这一组测量参数变化量所构成的向量作为表
征该健康参数的特征向量，以任意两个健康参数的特征向量之间的相关性作为这两种健康参数的相关性；
[0026]步骤2、从N个健康参数所构成的所有组合中剔除其中存在任意两个健康参数相关性大于预设阈值的组合，以剩余的组合作为备选健康参数组合；
[0027]步骤3、对于每一个备选健康参数组合，以其中N个健康参数的特征向量所组成的矩阵作为该备选健康参数组合的特征矩阵，选取特征矩阵条件数最小的备选健康参数组合中的N个健康参数作为所述N个最优健康参数。
[0028]为了便于公众理解，下面通过一个实施例并结合附图对本专利技术的技术方案进行详细说明：
[0029]本实施例使用的为某型号涡扇发动机部件级模型，其各个部件截面情况如图1所示，主要的气路部件包括：进气道、压气机、高压压气机、燃烧室、高压涡轮、低压涡轮，混合室和喷嘴。
[0030]假设该发动机的部件级模型可以表示为：
[0031][0032]式中，状态变量x＝[N
1 N2]为低压转子转数和高压转子转数，控制量u＝[W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空发动机性能退化估计模型建模方法，首选选取N个最优健康参数；然后以所选取最优健康参数作为航空发动机状态变量模型的增广状态量，使用Kalman滤波器作为状态观测器构建航空发动机性能退化估计模型，其中，N为航空发动机可测被控量的数量；其特征在于，所述N个最优健康参数通过以下方法选取得到：步骤1、基于航空发动机部件级模型，获取每一个健康参数在预设退化量下所产生的航空发动机同一组测量参数的变化量，并以这一组测量参数变化量所构成的向量作为表征该健康参数的特征向量，以任意两个健康参数的特征向量之间的相关性作为这两种健康参数的相关性；步骤2、从N个健康参数所构成的所有组合中剔除其中存...

【专利技术属性】
技术研发人员：陈铖，郑前钢，刘伟民，张书博，胡晨旭，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：