[0015] 本发明的具体实施步骤可参见图1,包括以下步骤:
[0016] 步骤1.系统建模
[0017] 本实施例中所选取的受控对象为某型涡扇航空发动机,现已建立了该发动机部件级模型。发动机非线性模型可写成:
[0018]
[0019] 其中,状态向量x∈Rn,输出向量y∈Rm,控制向量u∈Rr,v为飞行条件参数向量,包括高度,马赫书,进口温度。
[0020] 在飞行条件v给定,风扇与压气机导叶角度不变的情况下,控制量u唯一决定了发动机的工况。在发动机稳态工作点(x0,u0,y0)对非线性模型进行泰勒级数展开,只保留其一阶导数项
[0021]
[0022] 可以得到发动机在该稳定点的线性状态模型:
[0023]
[0024] 发动机部件健康参数是表征气路部件性能蜕化程度的向量,通常选取表示主要旋转部件效率下降程度的效率系数SEi,流量减少或增加程度的流量系数SWi,以及气体流路有效面积(如尾喷口喉道面积)减少程度的面积系数SSi.
[0025]
[0026] 其中,A,B,L,C,D,M为确定的矩阵,参数Δp=[SEi,SWi,SSi],w,v分别为高斯白噪声,w~N(0,W),v~N(0,R)。
[0027] 将参数Δp加强到状态中,
[0028]
[0029] 当执行机构出现故障时,
[0030]
[0031] 其中,b为故障项(视为偏差)。重新定义状态方程与故障方程与测量方程:
[0032]
[0033] 式中,k表示时间序列; 其中 为系统n维状态、 为m维偏差、yi,k为传感器的p维观测; 和vk分别为系统状态噪声、系统偏差噪声和传感器的测量噪声;为状态转移矩阵;Gk=[C D]为传感器的状态矩阵。状态噪声、偏差噪声和测量噪声均是零均值高斯白噪声序列: vk~N(0,Rk)。
[0034] 步骤2.确定故障是执行器故障还是传感器故障
[0035] 当执行机构无故障,传感器存在故障时,Bk+1,k=0,Dk≠0;当执行机构存在故障,传感器无故障时,Bk+1,k≠0,Dk=0。正常情况下,发动机并不存在故障,也即Bk+1,k=0,Dk=0。
[0036] 已知k-1时刻对系统状态xk的估计值xk/k-1,则k时刻状态xk的预测值为[0037] xk/k-1=Ak/k-1xk-1/k-1 (9)
[0038] 已知k-1时刻对系统状态 的估计误差方差阵 则k时刻的状态xk的预测误差方差矩阵为
[0039]
[0040] k时刻的状态xk的增益矩阵为
[0041]
[0042] k时刻的状态xk的估计误差方差矩阵为
[0043]
[0044] k时刻的状态xk的估计值为
[0045]
[0046] 可以使用常规卡尔曼滤波器对系统状态进行跟踪估计。新息序列的统计特性直接反映出测量参数的统计特性,因此可以通过对新息序列的分析判断当前系统测量参数中是否存在野值。由于新息序列为高维向量,直接对其进行分析比较复杂,因此构造新息序列的标量变量
[0047] rek=E(zk-Gkxk/k-1)(zk-Gkxk/k-1)T (14)
[0048] 因此可以通过如下方法判断传感器的故障是否存在:
[0049] 1)rek
[0050] 2)rek≥L时,传感器中存在故障
[0051] 总而言之,当新息序列的标量变量不变,系统状态剧变时,执行部件有故障,传感器无故障;当新息序列的标量变量剧变,系统状态不变时,执行部件无故障,传感器有故障。
[0052] 步骤3.根据广义测量方程,利用两阶段卡尔曼滤波器对受故障影响的系统状态值进行估计。
[0053] 传统的卡尔曼滤波算法是一种线性滤波算法(KF),即采用滤波器进行状态量估计,进而得到系统状态的最优估计。传统的卡尔曼滤波器虽然结构简单,但是在传感器的故障诊断过程中也存在一定的缺陷:如在故障诊断过程中,虽然可以诊断出故障,但没法对受故障影响的系统状态进行估计。以此,可以视故障为偏差,利用两阶段卡尔曼滤波器进行状态预测和估计。
[0054] 具体是:
[0055] 已知k-1时刻对系统无偏差状态 的估计值 则k时刻无偏差状态 的预测值为
[0056]
[0057] 已知k-1时刻对系统无偏差状态 的估计误差方差阵 则k时刻的无偏差状态 的预测误差方差矩阵为
[0058]
[0059] k时刻的无偏差状态 的增益矩阵为
[0060]
[0061] k时刻的无偏差状态 的估计误差方差矩阵为
[0062]
[0063] k时刻的无偏差状态 的估计值为
[0064]
[0065] 如果偏差项被忽略,无偏差滤波器就是一个基于方程式1的卡尔曼滤波器。其中需要注意,状态方程的噪声的误差方差矩阵变成 不是
[0066] 已知k-1时刻对系统偏差bk的估计值bk-1/k-1,则k时刻偏差bk的预测值为[0067] bk/k-1=bk-1/k-1 (20)
[0068] 已知k-1时刻对系统偏差bk的估计误差方差阵 则k时刻的偏差bk的预测误差方差矩阵为
[0069]
[0070] k时刻的偏差bk的增益矩阵为
[0071]
[0072] k时刻的偏差bk的估计值为
[0073]
[0074] k时刻的偏差bk的估计误差方差矩阵为
[0075]
[0076] 其中,I为单位矩阵。
[0077] 残差为
[0078]
[0079] 灵敏度矩阵1为
[0080]
[0081] 灵敏度矩阵2为
[0082] Uk=Ak,k-1Vk+Bk,k-1 (27)
[0083] 灵敏度矩阵3为
[0084] Sk=GkUk+Dk (28)
[0085] 噪声自适应误差协方差矩阵为
[0086]
[0087] 通过线性组合公式将无偏差状态 和偏差bk的估计信息 bk/k, 组合起来,得到系统状态xk的估计信息xk/k,
[0088]
[0089] 式中,Vk是融合因子,即为灵敏度矩阵1。