论文部分内容阅读
随着机器学习与人工智能的发展,基于数据驱动的建模方法在没有系统过程先验知识的情况下也可以获得复杂系统的精确输出,基于系统辨识理论开展了发动机传感器故障诊断方法的研究,主要研究内容为:首先,对DGEN380涡扇发动机开展了系统辨识建模研究,完成了发动机在3种典型工况下的系统辨识实验设计与数据采集工作。在发动机3种典型工况下的小邻域内将DGEN380发动机视为线性系统,采用预测误差FPE准则选择合适的线性系统模型结构,并基于最小二乘原理RLS(Recursive Least Square Algorithm)完成了对发动机线性系统的辨识。随后采用了一种能够对线性系统模型结构和参数同步辨识的UD分解算法,并将UD分解算法其推广到MIMO线性系统的模型辨识。然后,将DGEN380发动机视为非线性系统,并采用非线性自回归滑动平均NARMAX模型建立发动机非线性模型。提出一种基于AIC(Akaike Information Criterion)显著性准则的前向选择法对NARMAX模型结构进行选择。鉴于LOLIMOT(Local Linear Model Tree)网络模型较强的非线性映射能力且能够反映非线性系统阶次和数据空间结构,基于LOLIMOT网络分别建立了从发动机燃油输入到主要输出变量的非线性模型。通过对比线性辨识方法和非线性辨识方法发现,非线性辨识模型精度高于线性辨识模型,但可通过增加模型阶次来提高线性模型的预测精度。为了解决线性系统传感器故障诊断问题,提出一种改进RLS辨识算法,将传感器故障参数视为待辨识参数,通过最小化损失函数指标获得故障参数的最优估计,将选择遗忘机制与RLS算法相结合,用于解决时变线性系统传感器故障诊断问题。同时,提出了一种改进NARMAX模型用于非线性系统传感器故障诊断。针对复杂系统出现的传感器故障种类识别问题,将小波分解理论和故障特征提取结合,根据传感器故障在线辨识算法和故障种类识别程序设计了一种适用于复杂系统传感器故障在线辨识结构,并通过某一正弦型传感器故障信号验证了故障诊断结构的合理性。