发动机及控制系统状态监测方法研究.pdf

SOFTWARE2023软 件第 44 卷 第 7 期2023 年Vol.44,No.7基金项目：航空发动机及燃气轮机基础科学中心项目(P2022-B-V-002-001)作者简介：陈前景（1990），男，江苏宿迁人，博士研究生，工程师，研究方向：发动机总体性能。发动机及控制系统状态监测方法研究陈前景1 金鹏2 王亚伟2 彭瑞轩1 鲁峰2（1.中国航空发动机研究院，北京 101399；2.南京航空航天大学航空航天结构力学及控制全国重点实验室，江苏南京 210016）摘要：本文针对发动机及控制系统并发故障的情况，设计一种基于决策级融合的单传感器自调整预测模型，提出一种基于数据驱动算法 Meta-OSELM，用于构造发动机传感器的解析余度。并考虑多传感器发生故障时，基于信号融合传感器解析余度算法失效问题，设计一种基于决策级融合的自调整预测模型，实现涡扇发动机的传感器自调整预测，并进行发动机及控制系统并发故障下的故障监测与诊断验证。关键词：发动机控制系统；故障监测；解析余度；Meta-OSELM中图分类号：TK418 文献标识码：A DOI：10.3969/j.issn.1003-6970.2023.07.003本文著录格式：陈前景,金鹏,王亚伟,等.发动机及控制系统状态监测方法研究J.软件,2023,44(07):013-017Research on Monitoring Methods for Engine and Control System StatusCHEN Qianjing1,JIN Peng2,WANG Yawei2,PENG Ruixuan1,LU Feng2(1.China Aeroengine Research Institute,Beijing 101399;2.State Key Laboratory of Mechanics and Control for Aerospace Structural,Nanjing University of Aeronautics and Astronautics,Nanjing Jiangsu 210016)【Abstract】：This article designs a single sensor self tuning prediction model based on decision level fusion for concurrent faults in engines and control systems,and proposes a data-driven algorithm Meta-OSELM for constructing analytical redundancy of engine sensors.And considering the problem of signal fusion sensor analysis redundancy algorithm failure when multiple sensors fail,a self adjusting prediction model based on decision level fusion is designed to achieve sensor self adjusting prediction for turbofan engines,and fault monitoring and diagnosis verification under concurrent faults in the engine and control system are carried out.【Key words】：engine control system;fault monitoring;analytical redundancy;Meta-OSELM基金项目论文0 引言在航空发动机及控制系统单故障隔离方法中，传感器故障隔离和定位对能否进行气路故障诊断来说至关重要。基于模型的传感器故障诊断方法，主要分为三种：状态估计法1、参数估计法2和等价空间法3，通常需要计算量测参数与模型输出之间的残差信号，并且确定阈值，根据一定的决策规则分析阈值和残差信号的关系，判断故障是否存在并对故障进行定位。与此同时，虽然同时发生两个或两个以上的多重传感器故障的概率比较低，但对发动机控制与故障诊断系统可靠性要求很高。为了进一步加强控制系统的可靠性，有必要考虑到部件、执行机构以及多重传感器的并发故障情况。1 基于信号融合传感器解析余度方法元学习是一种综合多种学习结果的通用技术，可以大致定义为从学习者生成的信息中学习4。本节提出一种基于数据驱动算法 Meta-OSELM，用于构造发动机传感器的解析余度5。Meta-OSELM 模型是通过包括子 ELM 单元和元学习器的基本配置实现，元学习器从子 ELM 单元的输出中学习。高压转子转速参数的估计值对应的元学习模型如图 1 所示。每个子ELM单元为非线性拟合单元，元学习器为一个单元拟合器，由一个监督OSELM 组成。Meta-OSELM为训练具有 ELM 隐藏节点的 OSELM 网络。每个子ELM 单元利用数据集的不相交子集进行训练，然后在整个数据集上训练监督 OSELM。元 OSELM 模型的最14软 件第 44 卷 第 7 期SOFTWARE小化目标函数如式（1）所示：22meta,min:oselmkmain kkkLET=+(1)其 中k为 k 时 刻 主 OSELM 网 络 的 权 值，k=1.in Tkkkk=，0,1,.,kkTkmainmain NTtt=,main kE是 k时刻由 n 个子 ELM 的输出组成，记为如式（2）所示：1,11,11*,*1().().()()().()*Tmain kkiknkbase iikikilkbNllbase ilEELMxELMxELMxELMxg w xbg w xb=+(2)其 中()ikELMx为 第 i 个 子 ELM 对 应 xk的 输 出，()ig 为第 i 个子 ELM 的隐含层非线性函数，,base i为第 i个子 ELM 的隐含层的输出权值，,li base为第 i 个子 ELM中第 l 个输出权值。输出层权重更新为:1,TTkmain kmain kmain kkIEEETC=+，初始权值为00,00TmainP ET=，其中10,0,0()TmainmainIPEEC=+。在线的迭代过程如式（3）所示：11,1,1,1,111,11,1()()TTkkkmain kmain kkmain kmain kkTTkkkmain kkmain kkPPP EIEP EEPPETE+=+=+(3)Meta-OSELM 算法通过两阶段学习过程进行更新。在第 1 阶段，初始数据被划分为 n 个不相交的子集，并且利用子训练集离线训练子 ELM 单元。在第 2 阶段，监督 OSELM 与第 1 阶段训练后的子 ELM 单元一起在线训练。Meta-OSELM 算法如下：（1）Stage 1(离线)：输入：()01,Ndkiiiiix txt=，/初始训练集输出：0 /初始输出权值向量Step 1:将整个初始训练数据集划分为 n 个子集(N0/n)010,1,.,niiiiijSS SSSSiji jn=Step 2:利用第 i 个子集训练对应的子 ELM 单元for iSS do第 i 个子 ELM 单元从iS中计算,base iendStep 3:计算隐藏层输出矩阵,0mainEfor j=1:l do,0,(,)()()mainijijbase iEi jELMxg x=endStep 4:计算初始输出层权值0（2）Stage 2(在线)输入：()01,Ndkiiiiix txt=，/新接收数据 输出：1k+/输出权值向量Step 5:计算隐藏层输出矩阵,1main kE+Step 6:更新输出权重11,kkP+2 发动机及控制系统故障监测系统仿真验证当多传感器发生故障时，基于信号融合传感器解析余度算法失效，因此本节调整了上节中的解析余度算法，设计基于决策级融合的自调整预测模型，实现涡扇发动机的传感器自调整预测，并进行发动机及控制系统并发故障下的故障诊断验证。2.1 基于决策级融合的自调整预测模型用 p 维的历史访问深度矩阵ikHM内的传感器信号作为网络输入，如式（4）所示：T123,.,iiiiikkkkkpHMyyyy=(4)其中，iky表示 k 时刻的传感器 i 对应的信号，令预测向量作为神经网络输出。如图 2 所示，对于ikHM更新需要根据传感器是否故障进行信号选择，通过信号选择模块，尽可能保证信号可靠。由第二节可知，首先根据接收的 k 时刻量测信号进行控制系统故障诊断。若不存在传感器故障，那么将利用其真实的量测信号更新下一时刻的历史数据；相反，若诊断出传感器 i 发生故障，由于其故障信号不可靠，因此需要对该传感器进行信号重构。传感器 i 对应的 Meta-OSLEMi 网络的输入ikHM，基于数据驱动方子ELM 1子ELM 2子ELM 3子ELM 4.12in(NL)(T22,T3,T6)(P22,P3,P6)转速传感器温度传感器压力传感器Meta学习机近似器 1近似器 2近似器 3近似器 4MetaLearner量测网络输出NH图 1 Meta-OSELM 模型Fig.1 Meta-OSELM model15陈前景 金鹏 王亚伟等：发动机及控制系统状态监测方法研究法输出为ikt。对于故障传感器信号重构部分，由第二节可知，通过融合决策级信号ikt与模型输出信号iky计算出精度更高的融合结果iky。当前时刻iky 和量测iky用于下一时刻ikHM的更新。本节在如图 3 所示的控制系统多重故障的基础上增加了轻度、中度、严重三种不同气路突变故障。在图 3的多重控制系统时，在第 10s 注入压气机效率发生中等故障，即压气机效率 SE2-3%。Meta-OSELM 网络利用无故障的飞行数据进行离线训练，始终利用融合信号进行自调整预测，每次仿真模拟 20s，对各信号进行 50次仿真，结果如图 4 所示。24681012141618200.980.991.001.011.02Time(s)燃油泵故障 P3 故障 P5 故障 图 3 模拟多重控制系统漂移故障示意图 051015200.970.980.991.001.01NHTime(s)融合信号 真实信号 051015200.991.001.011.021.03P5Time(s)融合信号 真实信号 (a)NH预测结果(b)P5预测结果 图 4 基于融合信号的自调整预测结果 Fig.4 Self adjustment prediction results based on fused signals 图 3 模拟多重控制系统漂移故障示意图Fig.3 Schematic diagram of drift faults in simulated multiple control systems从图 4 中可以看出，在地面标况下，在 2s 8s 和10s 18s 注入了燃油泵故障，因此各传感器均发生相应的偏移，由于在第 10s 注入了气路故障，各传感器信号均发生了突变。虽然在图 4(b)结果中第 10s 的预测结果有一定的偏差，并且由于本节设定的 p 为 5，因此整体的预测有滞后。但从信号的自调整预测结果可知，各传感器的预测结果均能较好地跟踪真实信号。如表 1所示显示了 50 次仿真具体 RMSE、SD 和计算耗时。由表 1 结果可知，自调整预测模型计算传感器的20s 仿真需要花费不到 0.11s。其中，P5传感器对应的图 2 基于决策级融合的自调整预测模型Fig.2 A self adjusting prediction model based on decision level fusion24681012141618200.980.991.001.011.02Time(s)燃油泵故障 P3 故障 P5 故障 图 3 模拟多重控制系统漂移故障示意图 051015200.970.980.991.001.01NHTime(s)融合信号 真实信号 051015200.991.001.011.021.03P5Time(s)融合信号 真实信号 (a)NH预测结果(b)P5预测结果 图 4 基于融合信号的自调整预测结果 Fig.4 Self adjustment prediction results based on fused signals 24681012141618200.980.991.001.011.02Time(s)燃油泵故障 P3 故障 P5 故障 图 3 模拟多重控制系统漂移故障示意图 051015200.970.980.991.001.01NHTime(s)融合信号 真实信号 051015200.991.001.011.021.03P5Time(s)融合信号 真实信号 (a)NH预测结果(b)P5预测结果 图 4 基于融合信号的自调整预测结果 Fig.4 Self adjustment prediction results based on fused signals (a)NH预测结果(b)P5预测结果图 4 基于融合信号的自调整预测结果Fig.4 Self adjustment prediction results based on fused signals表 1 发动机控制系统故障下融合信号的 RMSE、SD 和计算耗时Tab.1 RMSE,SD and calculation time of fused signals under engine control system faults传感器耗时(s)RMSESDNH0.10750.00220.0012P50.10730.00500.0029信号融合信号选择(是否故障)Meta-OSELMiELM unit 1ELM unit 2ELM unit n.历史数据数据驱动输出模型输出Tipkikikyyy,.,21ikyikyiky1iky11z1ziky1iky2ipkyidataky,iktikyiky 16软 件第 44 卷 第 7 期SOFTWARE误差最大为 0.0050，保证提供精确的解析余度信号。各传感器对应的 SD 也均低于 0.0029，预测结果均有一定的稳定性。因此可以采用提出的基于决策级融合的自调整预测模型提供解析余度。2.2 发动机及控制系统故障诊断由于自适应模型会根据传感器的偏差调整模型输出，实现自适应模型与发动机输出相匹配的目的6。因此准确的故障定位信息对信号重构至关重要，若定位信息错误，那么将会使用已故障的传感器信号进行状态监测，这样将会导致模型阶段失效。考虑到故障诊断中出现漂移故障以及微小偏置故障存在误诊的情况，采用定位信息结合滑动窗口进行信号选择，如式（5）所示：12(1,1,.,1)0ccck lengthk lengthksum nnn+(5)其中，1ckn为接收的 n1传感器的故障状态，若诊断出 n1传感器发生故障，那么1=1ckn；否则，1=0ckn。结合图 2 中的信号选择模块，若式(5)成立，那么选择预测信号进行计算，否则选择传感器量测信号进行信号预测。结合滑动窗口以及自调整预测模型的多重控制系统故障诊断结果如图 5 所示。为了研究不同选择方式对重构信号的精度影响，重构信息建立后，量测信号 y 结合重构信息后产生的 yK与发动机模型的输出 y的偏差输入至 EKF 中，实现发0246810121416182003006009001200 Time(s)8maxAWSSRmaxwfbWSSRu024681012141618200200400600800 Time(s)maxwfbWSSR5,P wfb5,P wfbWSSR(a)执行机构阈值结果(b)P5传感器阈值结果图 5 航空发动机及控制系统多重故障诊断优化阈值结果Fig.5 Optimization threshold results for multiple fault diagnosis of aeroengine and control systems024681012141618200.940.960.981.001.021.04hTime(s)SE1 SW1 SE2 SW2 SE3 SW3024681012141618200.940.960.981.001.021.04hTime(s)SE1 SW1 SE2 SW2 SE3 SW3(a)基于直接替换后信号(b)结合滑动窗口替换后的信号图 6 多重控制系统下的航空发动机状态监测Fig.6 Aeroengine condition monitoring under multiple control systems17陈前景 金鹏 王亚伟等：发动机及控制系统状态监测方法研究动机的状态监测。为了进一步体现本节提出的航空发动机及控制系统多重故障隔离方法的优越性，进行多重控制系统故障下的航空发动机状态监测。如图 6 所示分别展示了基于直接选择后信号以及结合滑动窗口替换后的信号的状态监测结果。从图 6 可知，无论是基于直接替换后信号，还是定位信息结合滑动窗口替换后信号，压气机效率 SE2 均能在第 19s 发生-3%的突变，并未被故障信号所影响。图 6(a)中基于直接替换的信号，在第 10s 和第 14s 的诊断过程中，分别出现 SE2 突变和 SE2 与 SE3 耦合现象，这是由于直接替换信号在这些阶段错误的选择了故障信号导致的，体现了控制系统多重故障诊断的重要性。图 6(b)中定位信息结合滑动窗口后，仅在第 4s、13s、14s 和 20s 出现由传感器突变故障导致的较小单次凸起，并很快将其消除，偏离的 SE2 与其他健康参数完全分离，状态监测结果明显优于图 6(a)的结果，较好地实现了发动机的状态监测。3 结语本文针对发动机及控制系统故障问题，设计一种基于决策级融合的发动机传感器自调整预测模型，可根据传感器故障诊断结果调整解析余度输出。仿真结果表明，自调整预测模型能够准确输出多个故障传感器的余度信号，此外，结合优化阈值与自调整解析余度信息，可提升航空发动机及控制系统的多重故障诊断与隔离能力。参考文献1 WILLERSRUD A,BLANKE M,IMSLAND L,et al.Fault Diagnosis of Downhole Drilling incidents Using Adaptive Observers and Statistical Change DetectionJ.Journal of Process Control,2015,30:90-103.2 JIN P,LU F,HUANG J,et al.Life Cycle Gas Path Performance Monitoring with Control Loop Parameters Uncertainty for AeroengineJ.Aerospace Science and Technology,2021,115:1-14.3 CHOW E,WILLSKY A.Analytical Redundancy and the Design of Robust Failure Detection SystemsJ.IEEE Transactions on Automatic Control,1984,29(7):603-614.4 Zou W D,Yao F X,Zhang B H,et al.Improved Meta-ELM with error Feedback Incremental ELM as Hidden NodesJ.Neural Computing and Applications,2018,30:3363-3370.5 李业波,蒋平国,田迪,等.航空发动机传感器解析余度模型的建立方法J.航空发动机,2018,44(4):67-71.6 周浩文.基于核自适应滤波的航空发动机性能预测与故障诊断研究D.南京:南京航空航天大学,2020.参考文献1 王晶.“新工科”背景下“移动通信”课程教学探索J.工业和信息化教育,2019,80(8):35-37+53.2 章国安,朱晓军,金丽,等.移动通信课程教学模式改革研究与实践J.高教学刊,2017,67(19):138-140.3 谢艳辉,张玉玲,王丽丽.以专业能力为导向的现代移动通信课程体系优化探索J.内江科技,2022,43(11):85-86.4 杨启青.适应5G技术发展的移动通信系统课程的教学研究J.轻工科技,2021,37(8):150-151.5 胡浪涛,杨瑞,刘全金.移动通信虚拟仿真实验课程建设和实践J.福建电脑,2022,38(5):122-124.6 张黎,蔡亮,曹艳丽.移动通信系统实训课程的创新教学分析J.电子技术,2022,51(5):124-125.7 张丽英,张岩,孙玉发.新工科背景下Python课程混合式教学模式的研究J.计算机时代,2023,368(2):125-127.8 王健,刘惠子.基于开源项目的Python程序设计课程混合式教学模式设计J.软件导刊,2023,22(2):166-171.9 沈杰.基于Python的数据分析可视化研究与实现J.科技资讯,2023,21(2):14-17+54.10 任夏荔.基于Python+PyECharts的数据可视化应用J.山西电子技术,2023(1):83-86.11 赵存,肖子玉,韩研,等.面向5G的定位技术发展及融合演进研究J.电信工程技术与标准化,2022,35(7):77-82.12 徐乙珅,徐瑞俊.6G移动通信的技术应用及发展前景J.信息记录材料,2021,22(12):35-36.13 王行愚,金晶,张宇,等.脑控:基于脑-机接口的人机融合控制J.自动化学报,2013,39(3):208-221.上接第4页