摘要
航空发动机故障诊断作为发动机健康管理系统的核心组成部分，是实现发动机视情维护、降低使用成本、提高设备可靠性、保证飞行安全和完成战斗任务的重要途径。本文以涡扇发动机为研究对象，重点研究了基于极限学习机（ELM）的气路故障诊断方法。 研究了气路部件故障模拟方法和数据预处理方法，建立了通过健康参数调整部件特性图的部件级故障模型，实现了气路各旋转部件故障的模拟。提出了ELM降噪与小波降噪相结合的混合降噪方法，提高了对传感器测量信号的降噪效果。针对工程应用中缺乏高压涡轮出口截面传感器导致高压涡轮状态估计欠定而难以求解的问题，提出了基于核ELM（KELM）算法的解析信号构造方法，且同时适用于发动机稳态与动态过程，相比于传统的数据驱动估计方法，该方法结构简单、输入维度小、训练样本数少、易于全包线扩展，丰富了故障诊断的信息来源。 针对标准在线序列ELM（OS-ELM）算法应用于传感器故障诊断时的历史训练样本的有效性衰减问题，提出了考虑记忆机制的OS-ELM（MOS-ELM）算法，使训练样本对在线训练网络的影响程度随时间衰减。所提MOS-ELM算法增强了近期训练样本对在线训练网络的影响，保证了在线训练出的网络更适应当前时刻的估计状态，提升了在线估计精度。设计了基于MOS-ELM算法的传感器故障在线诊断和信号重构系统，提高了传感器解析余度估计精度、故障检测准确率以及故障信号的重构精度。 针对分类应用中标准KELM算法缺乏稀疏性导致网络的训练与测试较为耗时的问题，提出了分散式结构的KELM（DKELMs）算法，设计了考虑所有训练样本误差的结构简化子学习机，采用分散的子学习机组代替标准KELM网络结构，并基于DS证据理论对各子学习机的分类结果进行融合。相比于标准KELM算法，所提DKELMs算法在保持分类准确率没有下降的前提下，极大地提高了网络的稀疏性，尤其是在处理较大规模的训练样本时，极大地提高了训练速度与测试速度。设计了基于DKELMs算法的气路部件故障定位器与故障模式识别器，大大降低了训练时间和测试时间，大幅提高了部件故障诊断的实时性。 为了定量估计发动机内部不可测的部件健康参数和喘振裕度，研究了健康状态在线估计方法。针对OS-ELM算法估计气路部件状态时估计精度易受异常训练样本影响的问题，提出了训练样本权重自适应的OS-ELM（AWOS-ELM）算法，自适应评估序贯获取的不同训练数据块的可信程度，设计了带权重样本的网络参数递推最小二乘方法。所提AWOS-ELM算法通过降低乃至消除异常训练样本对在线训练过程的不良影响，提高了存在异常训练样本时的在线回归估计精度。设计了基于AWOS-ELM算法的健康参数和喘振裕度估计器，在部件发生性能退化以及突变故障的情况下，提高了发动机健康参数和喘振裕度的在线估计精度。 研究了适用于全包线、退化和故障状态下的发动机推力估计方法与推力恢复控制方法。针对大规模训练样本下KELM算法处理回归问题时缺乏稀疏性的问题，提出了迭代挑选训练样本的KELM（IPKELM）算法，设计了构建网络核隐含层的样本选择策略与剔除策略，挑选对优化目标贡献最大的训练子集，并且为更新后的网络权重计算设计了简化的递推求解方法。在几乎没有降低KELM算法回归估计精度的条件下，IPKELM算法极大地提高了网络稀疏性并大幅缩短了测试时间。设计了基于IPKELM算法的全包线推力估计器，在稳态工作点、加减速过程以及不同飞行循环部件退化条件下，相比于KELM算法，所提的IPKELM算法能够大幅提高发动机推力估计的实时性。设计了基于直接推力控制的推力恢复控制器、涡轮出口温度限制器和最大转速限制器，使退化或故障的发动机能够在不超温不超转的条件下尽可能地为飞机提供所需的推力。
NETL