[發明專利]一種航空發動機燃油調節器故障診斷方法在審
| 申請號: | 201710880692.7 | 申請日: | 2017-09-26 |
| 公開(公告)號: | CN107797543A | 公開(公告)日: | 2018-03-13 |
| 發明(設計)人: | 王珂;杜憲;彭凱;孫希明 | 申請(專利權)人: | 大連理工大學 |
| 主分類號: | G05B23/02 | 分類號: | G05B23/02 |
| 代理公司: | 大連理工大學專利中心21200 | 代理人: | 溫福雪 |
| 地址: | 116024 遼*** | 國省代碼: | 遼寧;21 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 航空發動機 燃油 調節器 故障診斷 方法 | ||
技術領域
本發明屬于故障診斷技術,具體涉及一種航空發動機燃油調節器故障診斷方法。
背景技術
航空發動機燃油調節器屬于一種結構復雜的機械液壓系統,由多個相互之間有耦合關系的元部件組成,是航空發動機的重要組成部分。燃油調節器一方面作為主控制量燃油的執行機構,另一方面作為航空發動機數字控制系統的機械液壓控制備份,其性能好壞直接影響發動機的工作狀態,甚至會影響飛機的安全性和可靠性。一旦航空發動機燃油調節系統中某個元部件發生故障,整個燃油調節器的功能都會受到影響,如果故障不能及時排除,可能會造成重大的事故。因此,對燃油調節器進行故障診斷是非常有價值的。
在航空發動機燃油調節器的故障診斷方面,國內外公開發表的文獻較少,亦未有相關專利涉及此方面的內容。在已有文獻中,多是對某個單一液壓元件(如電液伺服閥)進行故障診斷,未對整個燃油調節器進行故障診斷,而且所用模型多是簡化模型,精度較低,與真實的物理過程存在一定差距。尤其,在工程實踐中,針對整個燃油調節器沒有成熟的故障診斷方法。一旦發生故障,多是采用試湊法來進行故障排查,這種方法操作繁復,效率低下,診斷精度不高,甚至可能引發新的問題。此外,該種方法需要操作人員具有較高的技術水平與工程經驗,存在一定的局限性。
對于航空發動機燃油調節器而言,當前的故障診斷技術已經漸漸滿足不了工程的實際需要。因此,探索出一種有效且適用于工程實踐的高效故障診斷方法成為一個亟需解決的問題。燃油調節器故障的檢測和診斷也因此具備了廣闊的研究和應用前景。
發明內容
本發明是為了解決現有技術存在的操作繁復,效率低下,診斷精度不高的問題,而提出的一種航空發動機燃油調節器故障診斷方法。
一種航空發動機燃油調節器故障診斷方法,包括以下步驟:
步驟1:分析燃油調節器機理,通過部件級建模方法,建立燃油調節器部件級模型,在此基礎上進行穩態和動態計算,得到燃油調節器的機械起動、油門速度、靜態流量等特性,以燃油調節器出廠數據為標準,考核所建立的航空發動機燃油調節器部件級模型的精確度和準確度;
步驟2:根據試驗數據,并與步驟1所建的燃油調節器模型的仿真數據進行對比,對流量系數、雷諾數、摩擦系數等參數進行修正,減小仿真數據與試驗數據之間的差異,得到高精度的燃油調節器模型;
步驟3:根據燃油調節器維修報告,獲取燃油調節器內易發生故障的類型,并對燃油調節器的失效案例及故障發生機理進行分析總結,分別為:磨損、疲勞、液壓油污染和密封件老化;
步驟4:針對真實燃油調節器在運行過程中可能發生的各種故障,根據故障發生的機理,對不同的故障模式進行分類,分別為:閥芯卡死、彈簧疲勞斷裂、噴嘴堵塞、內泄漏和外泄漏,在燃油調節器正常模型的基礎上,采用增大摩擦系數、減小彈簧預緊力、減小噴嘴直徑、增大殼體間隙、增大節流嘴直徑等方法來模擬真實燃油調節器中可能出現的各類故障;
步驟5:從燃油調節器的可測輸出量中,選取壓力、流量、溫度等物理量作為反映系統狀態的特征參數,并對步驟4中,各種故障模式下的特征參數值進行提取;
步驟6:針對每種故障模式,分別做多組仿真,提取步驟5所述特征參數值,建立不同故障模式對應的樣本集,并將所述樣本集劃分為訓練樣本和測試樣本;
步驟7:選擇基于Leverberg-Marquardt算法的BP神經網絡作為燃油調節器故障診斷的分類器,對各故障模式進行分類描述,以步驟6中所述樣本作為輸入項,樣本對應的分類描述作為輸出項,實現燃油調節器的故障診斷。
步驟7中的具體步驟為:
步驟7.1:獲取燃油調節器在各種狀態下的特征參數,作為神經網絡的輸入項。對于燃油調節器來說,這些參數可以是流量、壓力、溫度等物理量;
步驟7.2:根據燃油調節器的五種故障模式:閥芯卡死、彈簧疲勞斷裂、噴嘴堵塞、內泄漏和外泄漏,對每種故障模式進行分類描述;
步驟7.3:設計神經網絡。需要設定的參數包括神經網絡的層數和各層神經元個數。其中,輸入層神經元數由選取的特征參數個數決定,為3;輸出層神經元個數由狀態數決定,為5;
步驟7.4:訓練。以步驟6得到的多組訓練樣本作為輸入,各樣本對應的分類描述作為輸出,從而得到神經網絡模型;
步驟7.5:檢測。神經網絡訓練完成后,即可對步驟6得到的測試樣本進行檢測。在檢測的過程中,可能會出現誤判,這時需要把誤判的樣本加入到訓練樣本中去,對神經網絡進一步訓練,從而達到要求。
本發明的有益效果:
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于大連理工大學,未經大連理工大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201710880692.7/2.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:機器控制裝置
- 下一篇:一種遠程操控的火災險情勘探機器人





