钟承豪 付梦泽 靳建祥 吴承静

摘要：为了有效改善基于系统模型和基于分析数据的系统部件退化性能融合缺陷退化诊断的性能遗漏和被错误诊断的问题，我们已经提出了一种主要用于进行飞机上和发动机系统部件缺陷退化性能融合缺陷诊断的模糊缺陷判断法和融合治疗机制，同时将传感器测量值输入到基于模型的自适应数据中。基于诊断模块使用卡尔曼滤波算法和最小二乘支持向量机（LSSVM）对关键部件的缺陷性能参数进行估计，然后使用模糊逻辑对决策权重进行如下调整：DS证据理论执行晶体融合诊断涡扇发动机的单组件和双组件退化模拟研究表明，与单独基于诊断模型和分析数据的融合诊断分析方法应用相比，晶体管的融合诊断机制有效地大大提高了相关组件诊断精度。

关键词：航空发动机;部件性能故障;融合诊断;方法

一、故障决策融合诊断机制

涡扇增压发动机的涡轮风扇、压气机、高压驱动涡轮和采用低压驱动涡轮等零部件等都有一些缺陷。此外，随着机械使用工作时间的不断增加，部件发生磨损，气流流动路径发生变形，灰尘和液压调节传动机构各个参数间的误差也会增加，发动机性能逐渐偏离工作参数的正常值。因此，发动机工况参数根据发动机部件故障状态的变化可以确定，部件故障模式可分为无错误、异常警告和错误三种。测量参数为实际8个传感器的选择：风扇速度Ni、压缩机速度Ni、风扇出口总压力pez、总温度和压力总出口压力ps、总温度T、低压涡轮出口总压力p6和总温度T6。

飞机发动机部件缺陷判定融合诊断系统由四个模块组成：基于两种模型的融合诊断决策模块、基于c和lssvm的融合诊断决策模块、性能缺陷特征模糊回归模块和其与ds类型证据决策融合技术判定诊断模块，传感器通过测量性能参数作为诊断缺陷数据输入。同时使用卡尔曼滤波处理算法和其他lssvm模糊回归处理算法对各诊断部件的具有性能参数数据进行模糊估计，输入后得到性能决策信息融合技术诊断系统，同时通过输入中国航空工业自适应诊断模型和其他lssvm模型数据用以挖掘融合诊断模块子系统。对具有性能参数数据进行模糊回归处理，将连续的一个部件具有性能参数的值转化成较为离散的性能失效诊断模式中所表示出的值，得到数据相应的基本概率函数，采用c和ds类型证据决策融合诊断决策判定模块将基于两种模型的诊断信息和基于两种类型证据的决策信息直接融合在一起。获得发动机部件在整个退化空间的失效模式。

二、故障诊断系统算法

一旦确定了输入指令和输入条件，发动机上的气路控制元件的状态故障识别诊断主要问题就是它可以直接转化成作为气路元件运行状态的非线性信号识别和状态估计诊断问题，因为元件状态参数是影响发动机的主要因素。参数化设计健康参数平方根UKF滤波器估计算法为：

1.基于机载自适应模型的性能参数估计

机载自动化适应性能模型计算是在柴油发动机各个部件性能级计算模型上通过小粒子扰动的方法计算得到的一种线性计算模型，其中将一个部件的所有性能参数实时扩展而成为一个状态变量，卡尔曼滤波器的算法同样可以应用于：即对确定一个组件的所有性能参数实时进行估计。

2.基于LSSVM的性能参数估计

lssvm回归性能综合评估回归模型的一个基本概念也就是通过非线性函数映射将统计数据y线性映射嵌入到一个高维度的特征计算空间，并在该特征空间之内进行回归估计。通过识别发动机传感器的测量参数和发动机的劣化量，评估各部件的劣化量和故障程度。

3.部件特征模糊化

每个关键部件级别分为无故障、故障启动警告和双重故障三种主要故障警告等级，因此对于风机、压缩机、高压驱动涡轮和电机低压驱动涡轮四个主要关键部件分别有8种单重双故障警告模式和24种双重单故障警告模式。错误级别定义空间{0，1，2}，其中0表示无错误，1表示警告，2表示错误。如果压缩机发出错误警告，其错误模式为q=[0，1，0，0]。它是一种从连续性能退化空间中提取特征信息并将其转换为离散元件失效模式空间的方法。变换模块是通过清除元件性能参数，将连续退化参数直接转化为元件失效程度和相应的概率函数，关键是选择合适的特征概率函数。劣化参数根据操作的性质，飞行时间的增加决定了零件性能的劣化，劣化速度变快，劣化越大，零件失效的概率就越大。选择高斯分布函数作为变换概率函数。

4.D-S决策融合

ds型的晶体特征融合诊断机制主要用于分析融合电子组件晶体特征点的模糊化和经处理后的两个融合子系统相关证据的综合诊断分析结果。DS证据理论融合是同时​​使用来自独立和不同信息源的两个或多个子证据集。为大大提高一个事件的证据可靠性而近年提出的一种信息证据组合计算法则。ds&d证据组合理论分析推理计算规则：首先分配计算每个给定证据体的基数和概率后再分配计算函数，然后使用DS合成规则计算所有证据体作用下的组合基概率分配函数，最后确定支持最大证据的假设体选择。根据特定的决策规则组合动作。

结束语

在本文中，我们基于通用航空器自适应系统模型的卡尔曼滤波设计算法研究构建了一个新的并行lssvm健康性能参数回归故障预测计算系统来通过估计健康性能参数，并提出使用每个组件中的退化性能参数进行模糊化的并行dsvm理论。通过评估两个部件子系统互相结合性能融合的故障诊断测试结果，获得系统的性能故障診断模式可以避免两种滤波算法应用中的系统建模计算错误和系统噪声，并通过限制统计样本量和统计数据验证样本的不可靠性通过单个部件发动机主要部件的故障模拟双动机部件故障诊断验证系统效率我们提出的单个部件系统故障模拟诊断系统可以具有较高的故障诊断性和准确性。

参考文献

[1]黄伟斌，黄金泉.航空发动机故障诊断的机载自适应模型[J].航空动力学报，2008，（3）.580-584.

[2]赵世荣，黄向华.应用神经网络信息融合诊断航空发动机故障[J].航空动力学报，2008，（1）.163-168.

[3]冯志刚，信太克规，王祈.基于最小二乘支持向量机预测器的传感器故障检测与数据恢复[J].仪器仪表学报，2007，（2）.193-197.

[4]黄向华，丁毅.基于几何模式识别的发动机传感器故障诊断[J].航空学报，2006，（6）.1018-1022.

[5]陈恬，孙健国.粗糙集与神经网络在航空发动机气路故障诊断中的应用[J].航空动力学报，2006，（1）.207-212.

[6]陈恬，孙健国，郝英.基于神经网络和证据融合理论的航空发动机气路故障诊断[J].航空学报，2006，（6）.1014-1017.