主元分析法和模糊积分的航空发动机气路状态监测

Vol. 39. No. 10火力与指挥控制第39卷第10期Oct,2014Fire control command control2014年10月文章编号:1002-0640(2014)10-0130-05主元分析法和模糊积分的航空发动机气路状态监测崔建囯,吴灿1,董世良2,刘海港2,蒋丽英(1沈阳航空航天大学自动化学院,沈阳110136;2.沈阳飞机设计研究所,沈阳110035)摘要:航空发动机是一个大系统,由于结构复杂、工作条件恶劣等因素影响,对其进行有效地健康状态监测成为航空领域长期难以解决的关键技术之一。为有效监测航空发动机健康状态,以航空发动机气路系统为例,提出-种基于主元分析和模糊积分的航空发动机状态监测方法。首先,利用主元分析法提取发动机状态样本集的主元,对样本数据进行降维,实现样本的最优压缩。其次,利用BP神经网络和 Elman神经网络对发动机状态信息的特征向量进行初步状态监测。最后,利用模糊积分对采用两种神经网络的初步监测结果进行决策层融合,从而有效地实现对航空发动机气路系统的状态监测。通过某型真实航空发动机验证表明,所提出基于主元分析和模糊积分的状态监测方法,能有效提高监测的准确度,满足航空发动机状态监测的实时性要求,具有良好的工程应用价值。关键词:航空发动机气路系统,状态监测,主元分析,模糊积分中图分类号:TH17文献标识码:ACondition Monitoring of Aeroengine Gas Path System Based onPrincipal Component Analysis and Fuzzy IntegralCUI jian-guo, WU can, DONG shi-liang, LIU hai-gang, JIANG li-ying( 1. School of Automation, Shenyang Aerospace University, Shenyang 110136, china;2. Shenyang A ircraft Design Research Institute, Shenyang 1 10035, China)Abstract: The aeroengine is a large-scale system, because of its complex structure, poor workinconditions and other factors, the effective health condition monitoring has become one of the keytechniques in the aviation field that is difficult to resolve. In order to monitor the health condition ofaeroengine effectively, taking thepath system as an example, this paper puts forward acondition monitoring method of aeroengine based on principal component analysis and fuzzy integralFirst of all, using the method of principal component analysis to extract the main element and featurenformation and reduce the dimension of the sample data, it achieves optimal compression samplesSecondly, based on the feature vector of the engine condition sample data, it uses Bp and Elman neuralnetwork to monitor the condition of aeroengine Finally, using two kinds of neural network results fordecision level fusion based on fuzzy integral. By a certain type of aircraft engine real validation, itshowed that this method took advantage of principal component analysis and fuzzy integral, improvedcraftrequirements, which has a good value in enapplIcKey words: aeroengine gas path system, condition monitoring, principal component analysis, fuzz收稿日期:2013-07-19修回日期:2013-10-27非基金项目:航空科学基金(2010ZD54012);囯防预研基金(A0520110023);囯防基础科研基金资助项目(Z052012BO2作者简介:崔建国(1963-),男,辽宁人,博士后,教授。研究方向:飞行器健康诊断与系统综合健康管理、信号检测与控制可视化仿真技术与应用。崔建国,等:主元分析法和模糊积分的航空发动机气路状态监测(总第39-1809)引言少数几个变量是原变量的线性组合,同时这些新变量要尽可能多地表征原变量的数据结构特征而不随着航空发动机系统不断发展,其性能得到提丢失信息的多元统计方法。其优点是得到的主成分高,它的系统结构也越来越复杂,系统的可靠性显相互独立,不受主观因素影响,从根本上排除了信得尤为重要。航空发动机作为飞机的“心脏”,经常息之间的相互重叠的部分。工作在高温高压的恶劣环境,不可避免地会发生故设原始数据样本集∈R",其中m是样本的障,这些对于航空发动机的性能和飞行安全造成严个数,n是传感器测量变量的个数。它们组成的观测重威胁。航空发动机状态监测技术对评定发动机工机的飞行安全性、可靠性和其运营成本具有重要的矩阵为x-3作用。为了提高发动机的安全性和可靠性,研究发动机故障诊断系统,实时监测航空发动机部件的运行状况,及时地发现故障并做出正确的应对,显得对于航空发动机而言,不同的参数具有不同的很有必要1-2量纲,为了消除量纲的影响及数量级的差异,需要来,涌现出能状态监测方法,对变量进行标准化处理。标准化的方法是观测矩阵元分析状态监测方法逐渐受到研究者重视,在航的各个变量减去其均值再除以相应的方差。对于矩空工业领域已有成功应用。文献[3]提出了一种基以表示于主元分析( Principal Component Analysis,PCA)模cxx型的航空发动机故障诊断算法,能够实现故障检测和定位。文献[4提出了PCA故障诊断算法,对主元分析过程实质上是对C;矩阵的特征值分航空发动机传感器进行故障诊断。文献[5提出了解过程。种基于PCA和神经网络的组合故障诊断算法C P,=np通过PCA来监测雷达的状态,确定故障部位,最后得到C的n个特征值A≥A2…≥An和n个特用神经网络进行故障诊断。文献[6提出了一种基征向量ppP,…pn。数据矩阵可以主元分解为:于核主元分析和多级神经网络集成的汽轮机故障X=TP+tP=tP+E(2)诊断方法,采用了核主元分析法对汽轮机故障样其中,T∈R",T∈R"m8),P=,P2…,P∈R"本数据进行特征提取,然后采用基于正交最小二P=IPP+2… Paler(n-k),E称之为残差矩阵,代表乘算法的径向基函数神经网络来集成各个子网的X在非主元p,…,p上的变化输出并得到最终的诊断结果。以上论述的故障诊在对数据降维的过程中,主元个数k选择是否断方法的不足是需要大量的样本数据、耗时长诊合理会直接影响到主元模型的准确性。本文选择主断率不高。通过以上分析,本文给出了一种基于主元分析元贡献率法计算主元个数,主元贡献率定义如下法、神经网络和模糊积分的组合故障诊断方法,以CONT实现航空发动机气路系统状态监测。采用PCA对航空发动机状态样本数据进行降维,提取状态样本集其中:COMT表示第i个主元的贡献率,在应用的主元,利用BP和 Elman神经网络实现发动机的主元分析法进行数据压缩时,为了使舍弃的原有数状态分类,再以模糊积分理论对两种神经网络的分据信息量不影响对系统的分析,要求前k个主元的类结果进行决策层融合,以期提高状态分类的准确累积贡献率必须大于某一数值cl,即主元贡献率法度。该方法结合了PCA将数据降维,排除信息重叠选取主元的标准部分的特点,简化了神经网络的结构,提高了诊断∑λ精度。CONT =E(41PCA基本理论[7-8其中cl为门限贡献率,cl∈[0,1]。由于主元的主元分析法的原理是利用数据降维的思想,通贡献率一般较大,所以cl可设定为95%,这时提取过研究多个变量的相关性,将原变量进行转换,使的主元参数尽可能多地表征原始数据的结构特征(总第39-1810)火力与指挥控制2014年第10期2模糊积分基本理论[9-101设X为一个待分类模式,S={o1,o2,…,n})为类别的集合,X={(x1,x2,…,x}为n个分类器的集合。分设(X,Ω)为一可测空间为X的所有子集组成类器x认为输入模式ⅹ属于类ω的置信水平函的非空集,是g:9→0,1]上的一个模糊测度,g满数。对于有限集合X={x;,x2,…,x}置信水平函数h足:①边界条件:g(Φ)=0,g(X)=1关于模糊测度g的模糊积分C"=」b"(x)g()②2单调性:VA,B∈9,若ACB则s(B)≥g(A)③连续性:若AA2g…cA≤…,则 max[min(h"(x),g(A1)](k=1,2,…,m)其中,g(A,)=g(1imA,)。则称g为一个模糊测度。(x)≥h“(x2)≥…≥=h“(x,)“(x)=0,A={x,x2对于一个有限集合X={x1,x2,…,x},令g为模x}对于模糊测度重点在于g(A1)的求得,这里g糊测度,将单个元素的模糊测度记为g=g(x),x到(A)的值可通过如下迭代方式求出g模糊测度的映射:x→g=g{x}),=1,2,…,n称为模s(4)=g(x)=g糊密度函数。假设x的识别率为g(4)=g+(4)+gs(4lk≤n选择C(中最大值对应的类别为输出类别。3航空发动机气路系统状态监测试验l∈[0,1为主观值。如果存在λ>-1.VA,BcX,研究A∩B=中,满足s(AUB)=g(A)+g(B)+g(A)g(B),3.1航空发动机气路系统状态监测方案当A=0则X的任意集A上的模糊测度等于A中所本文选用某型真实航空发动机的参数数据对有元素的模糊密度之和,g(X)=∑g;反之,若A≠0发动机气路系统进行状态检测。航空发动机气路系统健康状态监测方案如图1。在航空发动机健康监则X的任意子集A上的模糊测度为测专用试验平台上,用传感器网络实时监测航空发g(x)=1(+g)-4,x>1,x≠0(6)动机气路系统的健康状态获取气路系统的相关健康状态信息。在具体状态监测实现上,对采集到的其中,λ的值可以通过求解g(X)=1即λ+1=气路系统数据,采用PCA对数据信息进行降维,提取样本主元,为神经网络的状态监测提供状态特征1+g)得。已经证明解得的A虽然有多个,向量:其次,利用B和即m神经网络对发动机各状态下的特征向量进行分类决策,最后利用模糊积但是在[-1,∞)上是唯一的,这里选择在[-1,∞)上分对两种神经网络的分类结果进行决策层融合,得的解为最终的A值。到最终的航空发动机状态监测结果型健传感器模糊积分航空发子和对(传感器状上元分析法BP神经网络测dmam神经网C/2机下气机出口压力}(感器N图1航空发动机气路系统健康状态监测方案32基于PCA和神经网络的初步状态监测P6、发动机进口温度T2、发动机进口压力P2、大气根据航空发动机气路数据的特点和实际情况,压力P0。对采集到的气路系统数据进行主元分析经分析和研究,本文选取可以较好表征航空发动机取采样时间间隔为0.1s,总采样时间为20s。这组的13个参数包括:相对物理转速N2、高压导叶实际数据包括200个样本数据X∈R3013,对数据进行标值Alfa2、压气机出口压力P3、25截面压气机进口温准化处理,减去每个变量的均值并除以各自的标准度γ25、低压转子相对物理转速M1、主燃油流量给差,建立PCA主元模型,提取主元特征。本文采用累定值 WfmDem、喷口喉道面积反馈值A8、增压比反计方差贡献率来选取主元个数。由于前4个主元累馈值EPR、低压涡轮后温度T6、低压涡轮后压力计贡献率为96.46%,能够解释超过95%的数据变崔建国,等:主元分析法和模糊积分的航空发动机气路状态监测(总第39-1811)化,故选取主元个数为4表2发动机状态特征向量航空发动机的4种常见健康状态模式包括A1,A2,A3,A4},其中,元素A1代表慢车状态,A2样本征向量模式代表巡航状态,A3代表加力状态,A4代表故障状1(430028,-1.35855,-0.99994,2.84507)A1态。对于航空发动机每种健康状态模式选用50组2(4373053,-1.39013,-0.99994,3.053747)A1共200组样本数据。经过PCA提取的四维主元特征3(441621,-0.83695,-0.99994,3.114434)A1向量作为神经网络新的输入,输出则为发动机的四4(4.321662,-1.23171,-0.99994,2758695)A1种状态。各个主元的贡献率如表1所示,发动机状态特征向量如表2所示。表1各个主元的贡献率200(-29.0221,-233079,-0.99994,-85.3731)A4一主元特征值贡献率(%)累积贡献率(%)果。根据样本参数和状态模式数设置Elmn、BP神9.906经网络的输入层和输出层神经元数分别均为4和234103179484.144。输入即为实际参数归一化后的结果。归一化的公1.00091.83式为:y=1/(1+e-)。A1、A2、A3、44的健康状态模式0.6014.6396.46目标输出分别为(1,0,0,0),(O,1,0,0)r,(0,0,1,0),(0,0,0,1)7对于航空发动机每种健康0.000030.00027100.0状态模式分别选用30组样本作为网络训练数据经过多次试验,发现采用 Elman和BP神经网20组作为测试数据。BP神经网络和 Elman神经网络对其健康状态进行监测,可以取得较好的监测效络对测试样本状态监测结果如表3所示。表3神经网络的监测结果测试样本监测方法实际输出监测结果/实际结果样本1Elman神经网络(0.7143,0.143,0.1714,0)Al/A1BP神经网络(0.9995,0,0,0.0068)A 1/A1样本2Elman神经网络0.1923,0.6923,0.0385,0.0769)A2/A1BP神经网络(0.7619,0.1429,0.0476,0.0476)Al/AI样本79Elman神经网络(00533,00400,0.1600,0.7467)A4/44BP神经网络(0.0294,0.0294,0,0.9412)A4/A4样本80Eman神经网络(0,0.0370,0.8519,0.1111)A3/4BP神经网络(0,0,0.1042,0.8958)A4/4试验表明,采用 Elman神经网络和BP神经网③由测得的网络的诊断精度确定模糊密度g;络对航空发动机进行状态监测的准确率分别为④根据前面确定的模糊密度,计算λ值然后求82.5%和80%得模糊测度g(A);3.3基于模糊积分的决策层状态监测⑤计算最终的模糊积分值。将融合结果作为航单一的神经网络分类器因其算法的局限性具空发动机的诊断结果输出有一些固有缺陷,为了避免其缺陷,需融入更多算按照以上步骤得到融合结果如表4所示。法信息来识别航空发动机的状态,增加诊断的准确表4模糊积分的融合结果性。将BP和Elmm神经网络初步诊断与模糊积测试样本模糊积分融合结果融合结果/实分的融合方法结合起来,构造决策融合模型。首先际结果采用不同的神经网络对航空发动机进行局部诊断样本1(0.9444,00453,0.3151,0.0193)A1A1然后将各个神经网络的初步诊断结果采用模糊积样本2(1.0114,0.0453,0.0124,0.1556)A1A1分进行决策融合,基于模糊积分的状态监测基本步样本3(0.9444,0.3169,00201,0.0312)A1A1骤如下。①运用 Elman和BP神经网络对航空发动机的相关数据进行初步诊断,得出分类器的初步诊断结样本79(0904.084.04818,0991414果(见3.2节);②每个神经网络的输出作为置信水平函数h;样本80(0.0884,0.0911,0.6010,0.4805)A3/A4(总第39-1812)火力与指挥控制2014年第10期根据上述仿真结果,计算得出采用模糊积分对(5):595-599Elman和BP神经网络的初步监测结果进行决策层2张光明航空发动机气路系统故障诊断技术研究[D]沈融合的准确率为95‰%。根据表3、表4的结果,统计阳:沈阳航空航天大学,2010神经网络和模糊积分的监测的准确率,统计结果如3杨帆,胡金海,陈卫.主元分析方法在航空发动机故表5所示。障检测与诊断中的应用[J].机械科学与技术,2008,2表5各种监测方法的准确率统计(3):330-333[4]龚志飞,郭迎清基于主元分析法的航空发动机传感器故方法名称模糊积分障诊断研究[J.计算机测量与控制,2012,20(8):准确率80%825%2017-2019.与神经网络单分类器相比,运用模糊积分进行5]景涛.基于PCA和神经网络的雷达故障组合诊断方法[J].科学技术与工程,2009,9(16):4836-4839决策融合可以有效提高监测的准确率,其准确率达[6]基于核主元分析和多级神经网络集成的汽轮机故障诊断到了95J].电力科学与工程,2009,25(6):67-704结论]龚志飞,郭迎清.基于主元分析法的航空发动机传感器故障诊断研究[J].计算机测量与控制,2012,20(8)本文将航空发动机气路健康状态数据经过2017-2019PCA模型处理提取主元特征后输入Elmn和BP神[81胡金海,谢寿生基于遗传算法的航空发动机性能监控与经网络,网络输出作为决策层模糊积分的初始信故障诊断[J].推进技术,2003,24(3):198-200息,按照进行模糊积分融合规则计算,得到发动机9]姚明海,何通能一种基于模糊积分的多分类器联合方法[J]浙江工业大学学报,2002,30(2):156-15每种状态的信任度。这种融合方法与神经网络单分101 James M K, Gader p, ahani,al. Advances in Fuzzy类器相比可以有效提高状态监测的准确率,达到对Integration for Pattern Recognition [J]. Fuzzy Sets and航空发动机有效健康状态监测的效果。Systems,1994(65):273-283参考文献[I]赵立杰,柴天佑,王纲.多元统计性能监视和故障诊1]王旭辉,黄圣国,舒平.基于最小二乘支持向量机的航断技术研究进展[J].信息与控制,2004,33(2)空发动机故障远程诊断[J].机械科学与技术,2007,26197-201小m(上接第129页)由图4看出,波束响应在-30°、-18°0°、10°、仿真实验表明,本文方法能够有效地对同时到达的18°、2φ处为极大值点,极大值点处有可能为信号来多个宽带信号进行测向,且算法简单,运算量小,易波方向,图中在0方向处信号波束响应最强,故0于工程应用。处必是信号到达方向,经查表可得,0°方向处有信号时,其他高副瓣波位点分别为-30°、-17°17°、30°,参考文献故可判定-30°、-18°、18°、29°处4个方向不是信号到达方向,10处是极大值点,又不是高副瓣点,故可[1张光义多波束形成技术在相控阵雷达中的应用J现代判定10处为信号的到达方向,综合判定信号到达雷达,2007,29(8):1-6方向为0°和10°两个方向。综合判定结果与原信号[2]苏成晓,罗景青宽带光控阵多波束超分辨测向算法[J]信号处理,2013,29(5):640-646.到达方向基本相一致,说明多波束组合印证测向方[3]陈建峰,黄建国.基于多波東系统的多目标高分辨定向新法科学有效方法[J]电子学报,1999,3(5):107-1095结束语[4]侯颖妮,黄建国,冯国安基于多波束系统的波束域方位估计方法研究[J.弹箭与制导学报,2007,27(3):80-82针对稀布阵下无法对同时到达的多个宽带信号[5]罗玉兰,景永刚,许伟杰多波束形成方法及其实现[J声测向的问题,本文提出一种新的多波束测向方学技术,2007,26(2):315-319法—一多波束组合印证测向法,该方法充分利用了[6龙宁,张风荔基于FT的数字多波束测向算法研究稀布阵下信号波束响应的高副瓣特点,通过学习训J].电子科技大学学报练,建立了多波束学习训练匹配表,通过查表,对来71顾敏剑多波束比幅测向系统精度分析舰船电子对波信号波束响应与它所在波位处的高副瓣进行比抗,2007,30(3):70-73.[8]黄玉学,李其福,桑微数字多波束技术信号处理算法对,通过组合印证,综合分析判定信号的到达方向。研究[J].无线电工程,2006,36(7):18-19,52.