论文部分内容阅读
航空发动机是一个复杂的系统工程,任何故障都会对飞行造成不良影响,甚至会导致灾难性事故。我国使用的航空发动机大多由国外发动机厂家制造,虽然提供了手册,但是对安全保障的核心技术方法仍对航空公司封锁。为突破此“瓶颈”,挖掘可以用于航空发动机故障诊断的方法显得尤为重要。本文针对民航发动机故障诊断开展了如下研究工作。首先,本文研究了基于性能参数相对梯度的发动机故障诊断方法。通过分析原始设备制造商(Original Equipment Manufacture,OEM)提供的客户通知报告(Customer Notification Report,CNR)可以判断OEM厂家是采用性能参数变化趋势进行故障诊断。为获取故障诊断的性能参数变化量,本文建立了发动机气路参数相对梯度数学模型,通过大量飞行循环性能参数相对梯度的试验分析,得到了基于给定正常飞行循环的性能参数相对梯度安全阈值。本文利用排气温度指示故障(EGT_F)、进口总温指示故障(TAT_F)和可调放气活门故障(VBV_F)对相对梯度安全阈值进行了验证,结果证明了该方法对故障点判别的准确性。然后,本文研究了基于多性能参数趋势分析的发动机故障诊断方法。考虑到发动机性能参数具有时序性,本文利用神经网络模型具有的高度非线性逼近性能对发动机气路性能参数进行学习,将性能变化趋势映射为[-1,1]之间的趋势评估值,将待诊断样本与故障样本趋的势评估值进行对比获得故障诊断结果。本文进行了两种趋势评估值学习方法研究:将性能参数时序样本直接作为神经网络输入;将时序样本进行拟合后获得的特征参数作为神经网络的输入。将两种方法分别应用于发动机的特定故障判别和多故障分类中,结果证明这两种方法在故障判别和多故障分类方面具有较高的准确性。最后,本文研究了一种基于加权D-S证据融合的发动机故障诊断方法。通过确定证据体及上述两种方法:相对梯度法和性能趋势分析法的基本概率分配,利用改进的证据理论求解其加权概率分配、多证据体联合作用下的信度区间及不确定度,将上述两种故障诊断方法的诊断结果进行融合判决。通过故障诊断实例证明了利用该方法进行发动机故障诊断的准确率得到了显著提高。