基于混合卡尔曼滤波器组的航空发动机双通道传感器故障检测

基于机载非线性模型与分段线性卡尔曼滤波器混合组成的混合卡尔曼滤波器组,结合双通道传感器的特点,建立了民用航空发动机传感器故障诊断系统;给出故障诊断原理及算法的同时,将该系统应用于民用涡扇发动机传感器常见典型故障进行了仿真;仿真结果表明,诊断系统可以在发动机发生健康蜕化后,通过只简单更新机载模型的蜕化因子,而保持线性卡尔曼滤波器的参数不变,便能准确地检测和隔离各类传感器故障而不发生误报;该更新过程可以在线自动完成,省时省力,易于工程实现。

基于混合卡尔曼滤波器组故障传感器定位方法

为了在发动机性能蜕化与传感器故障并存的情况下实现故障传感器的定位与部件蜕化情况的估计,并实现故障诊断基准数据的修正,构建了1种包含了机载模型与线性卡尔曼滤波器的组合结构混合卡尔曼滤波器组。该卡尔曼滤波器组能够在之前所描述的故障/蜕化耦合情况下定位故障传感器,并得到较为准确的部件蜕化估计结果。为了验证了混合卡尔曼滤波器组的有效性,进行了相关仿真。仿真结果表明:混合卡尔曼滤波器组能够在发动机动态过程中遭遇传感器故障与部件蜕化并存的情况下完成故障定位与蜕化估计。

基于混合卡尔曼滤波器的涡轴发动机模型自适应修正

针对因发动机个体性能差异和性能衰减引起的发动机模型与真实发动机之间的失配问题,提出一种基于混合卡尔曼滤波器的模型自适应修正方法。以MATLAB下封装的GasTurb模型为基础,将其输出作为卡尔曼滤波器的基准值,将发动机部件修正因子作为滤波器的增广状态变量进行估计,再将所得到的部件修正因子作为GasTurb模型输入对发动机个体性能进行计算。以涡轴发动机为应用对象,利用试验数据验证了该方法的有效性和工程实用性。

基于改进混合卡尔曼滤波器的航空发动机机载自适应模型

提出了基于改进混合卡尔曼滤波器的航空发动机机载自适应模型方法,即以机载非线性模型的输出作为分段线性卡尔曼滤波器的稳态基准值,将性能蜕化因子作为该滤波器的增广状态量进行在线估计,并反馈给机载非线性模型使其完成在线更新.同时,根据工作模式切换机制使该模型获得有效输出.通过将该方法应用于某型涡扇发动机进行一系列仿真表明,在全飞行包线内、不同工作状态以及性能蜕化严重的情况下,该模型能够始终与实际发动机相匹配,满足实际应用需求.

航空发动机故障诊断系统性能评价与仿真验证

航空发动机故障诊断系统对提高发动机安全性和可靠性具有重要的意义,其性能评价指标包括故障检测率、故障定位率、虚警率等。为此,基于混合卡尔曼滤波器组诊断原理,针对民用航空发动机常见的四种故障搭建了发动机故障诊断系统。采用蒙特卡罗仿真方法,对故障诊断系统在发动机健康和性能退化两种情形下的性能评价指标进行了仿真验证。仿真结果表明,两种情形下诊断系统均满足发动机故障检测率98%以上、故障定位率90%以上、虚警率不大于1%的工程应用需求。

基于双通道传感器的航空发动机在线故障诊断系统研究

对基于双通道传感器的航空发动机在线故障诊断和隔离技术进行了研究;在发动机机载非线性模型的基础上,对发动机的双通道传感器分别设计混合卡尔曼滤波器,利用该滤波器在线估计双通道传感器输出,并结合实际双通道传感器测量值以及发动机机载非线性模型的输出值在线实现传感器故障检测和隔离、部件故障及异常检测确认;利用该技术建立了某型涡扇发动机在线故障诊断系统,通过仿真实例验证了该系统的诊断性能,实验结果表明,本文所建立的在线故障诊断系统能够较好的完成故障诊断与隔离、部件故障及异常检测等功能,为此类系统的工程应用提供了理论依据。

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。

基于DKHF的船舶锂电池荷电状态估算

针对扩展卡尔曼滤波(EKF)在船舶锂电池荷电状态(SOC)估计线性化过程中产生的误差问题,结合无迹卡尔曼滤波(UKF)在非线性转换中能良好地近似系统概率分布的优点,基于电池系统的等效电路模型(ECM),提出双卡尔曼混合滤波器(DKHF)。建立船舶锂电池的ECM,并采用混合功率脉冲特性(HPPC)测试方法进行模型参数辨识,分析EKF算法估计误差较大、UKF算法计算较为复杂的问题,在此基础上提出DKHF。仿真结果表明,与EKF算法相比,DKHF能在恒流放电工况、短时大电流充放电工况和变电流工况下快速收敛于真实SOC值,同时提高估算精度,收敛后3种工况下的SOC值最大估计误差分别为1.5%、6.8%和1.6%,满足船舶运行中对电池SOC估算的要求。