一种燃气轮机多传感器故障诊断方法

1.本发明涉及一种燃气轮机多传感器故障诊断方法，属于燃气轮机故障检测技术领域。。


背景技术：

2.传感器是燃气轮机测控系统的重要组成部分，其作用是通过测量燃气轮机各个参数进行闭环控制，并通过监视燃气轮机重要参数来保证其安全运行，如转子转速及部分气路部件的温度和压力。传感器会因为自身特性和外部环境的影响导致测量信号不可避免会有噪声和干扰信号，通过削弱传感器噪声影响来保证获取信号具有较高的精度，从而确保燃气轮机状态监控及故障诊断的精度。第四章建立的基于平衡流形模型的气路故障诊断系统中，测量噪声的取值直接影响卡尔曼滤波器的估计精度，因此本节对传感器的特性进行分析。
3.燃气轮机测量噪声产生的原因有很多，根据产生原因进行分类，测量噪声主要包括如下几个类型：固有噪声，燃气轮机运行时本身因气流脉动、流固耦合振动等因素引起的噪声。燃气轮机内部存在高温、高速转动的部件，许多小功率的干扰源叠加产生背景噪声。内噪声，由于测试系统不可避免地存在一个热噪声，传感器抖动/传输介质发生畸变、阻抗不匹配使得传输通道中发生了反射、迭加、畸变噪声，模数转换也产生一个量化噪声。入侵噪声，信号获取和传输过程中，因测试系统安装、布线、环境条件(如电磁干扰)等引起的非平稳外部侵入噪声，燃气轮机起动、加速过程产生的强电磁场的脉冲时间，如燃气轮机点火、电源开关通断等，在极短时间内发生较多能量，是一种宽带噪声。


技术实现要素：

4.为了克服现有的技术不足之处，本发明提供一种燃气轮机多传感器故障诊断方法，其特征在于具体步骤如下：
5.步骤1：建立三轴燃气轮机非线性部件级模型；
6.步骤2：给各个气路部件设置传感器测量指定参数；
7.步骤3：对所述部件级模型进行稳态识别和动态识别；
8.步骤4：选取调度变量建立平衡流形模型；
9.步骤5：给予发动机和平衡流形模型相同的控制量，得到传感器参数的测量值与估计值；
10.步骤6：所述参数的测量值与估计值经过卡尔曼滤波器计算残差得到故障指示变量。
11.本发明的进一步技术方案是：所述步骤1中，采用牛顿-拉夫逊迭代方法进行发动机非线性部件级模型迭代。
12.本发明的进一步技术方案是：所述步骤2中，针对三轴燃气轮机的各个气路部件：低压压气机、高压压气机、高压涡轮、低压涡轮、动力涡轮，分别设置测量指定参数的传感
器，并且其指定参数符合平衡流形模型的辨识。
13.本发明的进一步技术方案是：所述步骤3中，部件级模型的稳态识别和动态识别的方法：
14.(1)稳态识别：
15.确定三轴燃气轮机的包线范围，对主燃油量进行小阶跃，记录下每个工作点的所需参数的稳态值。通过三次样条插值获得相邻工作点之间的稳态值。
16.(2)动态识别：
17.针对每一个工作点，三轴燃气轮机的状态变量模型都可以表示为：
[0018][0019]
式中，a、b、c、d均为待拟合矩阵；
[0020]
假设采样周期为δt，将上述表达式进行离散化，则下一个采样周期估计δx公式为：
[0021][0022]
式中，
[0023]
为了提高动态识别得到的矩阵参数的精度，给予部件级模型2％扰动幅度的伪随机二进制(prbs)燃油信号生成扰动数据，并定义偏差量数据矩阵：
[0024][0025]
利用一步最小二乘法计算获得待拟合矩阵：
[0026][0027]
由可得：
[0028][0029]
本发明的进一步技术方案是：所述步骤4中，选取特定调度变量的优势：
[0030]
平衡流形模型是由线性化模型发展而来的一种模型。光滑非线性系统如下：
[0031][0032]
式中，f(x，u)和g(x，u)为光滑函数，针对上述光滑对象，系统可以是非线性的，其平衡点的集合称之为平衡流形：
[0033]
{(xe，ue，ye)|f(xe，ue)＝0，ye＝g(xe
，
ue)}
[0034]
将上式在某一平衡点按照状态变量模型的方式进行整理，得到以下线性模型：
[0035]
[0036]
考虑到非线性对象的在不同的平衡点有不同的线性模型，可选取一个调度变量α来调度这些平衡点：
[0037][0038]
当选取特定的调度变量α＝u，得到ue(α)＝u，动态结构转变为：
[0039][0040]
上述动态结构省去了b、d两个拟合矩阵，减小了计算量。
[0041]
本发明的进一步技术方案是：所述步骤5中，将平衡流形模型作为参考模型，给予发动机和平衡流形模型相同的控制量，得到传感器参数的测量值与估计值。
[0042]
本发明的进一步技术方案是：所述步骤6中，基于卡尔曼滤波器组的多传感器故障诊断系统中有m+1个卡尔曼滤波器，第0个卡尔曼滤波器输入为所有传感器的测量参数。多传感器故障诊断原理是采用包含所有传感器测量参数的卡尔曼滤波器0得到的故障指示变量wssr0与第i个卡尔曼滤波器得到的故障指示变量wssri的差值δwssri来表示，δwssri对应于第i个卡尔曼滤波器，如下为δwssri的计算方法：
[0043]
δwssri＝wssr
0-wssri[0044]
假设第一个传感器和第二个传感器同时出现故障，则卡尔曼滤波器组中的所有滤波器都包含传感器故障信息，不同之处在于第1个卡尔曼滤波器和第2个卡尔曼滤波器中只含有一个传感器故障信号，其余的卡尔曼滤波器组都含有两个传感器故障信号。因此通过计算可知，含有两个传感器故障信号的卡尔曼滤波器0计算得到的wssr0和含有一个传感器故障信号的卡尔曼滤波器1和2计算得到的wssr1和wssr2差值较大，即δwssr1和δwssr2较大。其余含有两个传感器故障信号卡尔曼滤波器计算得到的wssr和含有两个传感器故障信号卡尔曼滤波器0计算得到的wssr0差值较小，即δwssr较小。根据上述多传感器故障诊断的特点，设定一个多传感器故障诊断阈值，即可得到基于卡尔曼滤波器的多传感器故障诊断的判断方式。若多个传感器出现故障时，比设定多传感器故障诊断阈值高的δwssr所对应的传感器发生故障，比设定多传感器故障诊断阈值低的δwssr所对应的传感器无故障。
[0045]
本发明提出了一种燃气轮机多传感器故障诊断方法，提出了燃气轮机的平衡流形模型，通过稳态识别和动态识别两步骤建立平衡流形模型，该模型既有基本的线性结构，也有非线性模型的精度。在传感器故障诊断中作为参考模型，有计算量少、响应速度快和精度高的优势。
[0046]
基于平衡流形模型，针对每一个传感器，设计独立的卡尔曼滤波器形成卡尔曼滤波器组，并计算故障指示变量wssri，可以有效诊断出传感器是否发生故障。并且本发明所设计的卡尔曼滤波器组有原理易懂、结构简单等特点。
附图说明
[0047]
图1是三轴燃气轮机部件及其截面编号；
[0048]
图2是本发明设计传感器故障诊断方法原理图；
[0049]
图3是基于卡尔曼滤波器组的多传感器故障诊断框图：
[0050]
图4是多传感器同时发生偏置故障的诊断结果；
[0051]
图5是多传感器同时发生漂移故障的诊断结果。
具体实施方式
[0052]
下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。
[0053]
本实施例提供一种燃气轮机多传感器故障诊断方法，包括以下步骤：
[0054]
s1.建立三轴燃气轮机非线性部件级模型；
[0055]
s2.给各个气路部件设置传感器测量指定参数；
[0056]
s3.对所述部件级模型进行稳态识别和动态识别；
[0057]
s4.选取调度变量建立平衡流形模型；
[0058]
s5.给予发动机和平衡流形模型相同的控制量，得到传感器参数的测量值与估计值；
[0059]
s6.所述参数的测量值与估计值经过卡尔曼滤波器计算残差得到故障指示变量。
[0060]
进一步的，所述s3包括：
[0061]
燃气轮机上应用的传感器主要为转速传感器、压力传感器、温度传感器以及功率传感器。选取十个传感器进行故障诊断，传感器的选择为低压转子转速n
l
、高压转子转速nh、低压压气机出口压力p
24
、高压压气机出口压力p3、高压涡轮出口温度t
43
、高压涡轮出口压力p
43
、低压涡轮出口温度t
47
、低压涡轮出口压力p
47
、动力涡轮出口温度t5和输出功率pwsd。
[0062]
选取状态变量为高压轴转速nh和低压轴转速n
l
；控制量为燃油量wf；输出量上述10个传感器的输出量。为了确保各个参数计算的稳定性，各个变量都进行了相似归一化处理。并由于真实燃气轮机工作在各个工况都会受到噪声的污染，考虑了系统噪声和测量噪声的影响。平衡流形模型的表达式为：
[0063][0064]
v，w分别为系统噪声与测量噪声，认为是服从分布e[ww
t
]＝q，e[vv
t
]＝r的高斯白噪声信号。
[0065]
进一步的，所述s4包括：
[0066]
建立平衡流形模型选取的输入量为燃油量wf，选取调度变量α＝wf，即w
f-w
fe
(α)＝0，这样简化了平衡流形模型的计算过程，以下为简化的平衡流形模型表达式：
[0067][0068]
可以看出状态空间矩阵中b1(α)、b2(α)、d1(α)、d2(α)由于w
f-w
fe
(α)＝0被消除了。
[0069]
进一步的，所述s6包括：
[0070]
所述步骤6中，基于卡尔曼滤波器组的多传感器故障诊断系统中有m+1个卡尔曼滤波器，第0个卡尔曼滤波器输入为所有传感器的测量参数。多传感器故障诊断原理是采用包含所有传感器测量参数的卡尔曼滤波器0得到的故障指示变量wssr0与第i个卡尔曼滤波器得到的故障指示变量wssri的差值δwssri来表示，δwssri对应于第i个卡尔曼滤波器，如下为δwssri的计算方法：
[0071]
δwssri＝wssr
0-wssri[0072]
假设第一个传感器和第二个传感器同时出现故障，则卡尔曼滤波器组中的所有滤波器都包含传感器故障信息，不同之处在于第1个卡尔曼滤波器和第2个卡尔曼滤波器中只含有一个传感器故障信号，其余的卡尔曼滤波器组都含有两个传感器故障信号。因此通过计算可知，含有两个传感器故障信号的卡尔曼滤波器0计算得到的wssr0和含有一个传感器故障信号的卡尔曼滤波器1和2计算得到的wssr1和wssr2差值较大，即δwssr1和δwssr2较大。其余含有两个传感器故障信号卡尔曼滤波器计算得到的wssr和含有两个传感器故障信号卡尔曼滤波器0计算得到的wssr0差值较小，即δwssr较小。根据上述多传感器故障诊断的特点，设定一个多传感器故障诊断阈值，即可得到基于卡尔曼滤波器的多传感器故障诊断的判断方式。若多个传感器出现故障时，比设定多传感器故障诊断阈值高的δwssr所对应的传感器发生故障，比设定多传感器故障诊断阈值低的δwssr所对应的传感器无故障。
[0073]
为了验证本发明所设计航空发动机传感器故障诊断方法的有效性，在matlab环境下进行传感器故障诊断的数字仿真。
[0074]
两个传感器同时发生偏置故障：设定高压转子转速nh和低压涡轮出口温度t
47
在第5秒时植入1％的偏置故障。
[0075]
如图4所示为多传感器同时发生偏置故障的诊断结果，在未植入故障的前5秒所有卡尔曼滤波器输出的传感器故障指示变量δwssr都低于多传感器故障诊断阈值，即传感器在第前5秒都正常工作，在第5秒开始植入故障，δwssr1和δwssr8呈阶跃形式超过阈值，剩下的δwssr值都低于阈值。根据基于卡尔曼滤波器的多传感器故障诊断原理，δwssr1对应的低压转子转速传感器和δwssr8对应的低压涡轮出口温度出现故障，根据图中曲线可知多传感器故障诊断无误。如上所述，基于卡尔曼滤波器的诊断方法可以实现多传感器偏置
故障诊断。
[0076]
两个传感器同时发生漂移故障：设定高压转子转速nh和动力涡轮出口温度t5在第5秒时植入1％的漂移故障。
[0077]
如图5所示为多传感器同时发生漂移故障的诊断结果，根据基于卡尔曼滤波器的多传感器故障诊断原理，δwssr1对应的低压转子转速传感器和δwssr
10
对应的动力涡轮出口温度出现故障，根据图中曲线可知多传感器故障诊断无误。在第5秒开始植入故障，δwssr1和δwssr
10
呈缓变形式上升，δwssr1大概在第6秒达到阈值，而δwsr
10
达到阈值的时间大概是第7秒，因此基于卡尔曼滤波器的多传感器漂移故障诊断具有一定的延迟性。如上所述，基于卡尔曼滤波器的诊断方法可以实现多传感器漂移故障诊断。
[0078]
上述的示例是针对本三轴燃气轮机的，并不意味着本发明仅限于三轴燃气轮机。本领域的技术人员可以根据本发明的原理和宗旨，将上述示例进行修改、变型，应用于其他型号的航空发动机。

技术特征：
1.一种燃气轮机多传感器故障诊断方法，其特征在于具体步骤如下：步骤1：建立三轴燃气轮机非线性部件级模型；步骤2：给各个气路部件设置传感器测量指定参数；步骤3：对所述部件级模型进行稳态识别和动态识别；步骤4：选取调度变量建立平衡流形模型；步骤5：给予发动机和平衡流形模型相同的控制量，得到传感器参数的测量值与估计值；步骤6：所述参数的测量值与估计值经过卡尔曼滤波器计算残差得到故障指示变量。2.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤1中，采用牛顿-拉夫逊迭代方法进行发动机非线性部件级模型迭代。3.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤2中，针对三轴燃气轮机的各个气路部件：低压压气机、高压压气机、高压涡轮、低压涡轮、动力涡轮，分别设置测量指定参数的传感器，并且其指定参数符合平衡流形模型的辨识。4.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤3中，部件级模型的稳态识别和动态识别的方法：1)稳态识别：确定三轴燃气轮机的包线范围，对主燃油量进行小阶跃，记录下每个工作点的所需参数的稳态值。通过三次样条插值获得相邻工作点之间的稳态值。2)动态识别：针对每一个工作点，三轴燃气轮机的状态变量模型都可以表示为：式中，a、b、c、d均为待拟合矩阵；假设采样周期为δt，将上述表达式进行离散化，则下一个采样周期估计δx公式为：式中，为了提高动态识别得到的矩阵参数的精度，给予部件级模型2％扰动幅度的伪随机二进制(prbs)燃油信号生成扰动数据，并定义偏差量数据矩阵：t
x
＝[δx(1) δx(2)
ꢀ…ꢀ
δx(n)]t
y
＝[δy(0) δy(1)
ꢀ…ꢀ
δy(n-1)]利用一步最小二乘法计算获得待拟合矩阵：利用一步最小二乘法计算获得待拟合矩阵：由可得：
5.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤4中，选取特定调度变量的优势：平衡流形模型是由线性化模型发展而来的一种模型。光滑非线性系统如下：式中，f(x，u)和g(x，u)为光滑函数，针对上述光滑对象，系统可以是非线性的，其平衡点的集合称之为平衡流形：{(x
e
，u
e
，y
e
)|f(x
e
，u
e
)＝0，y
e
＝g(x
e
，u
e
)}将上式在某一平衡点按照状态变量模型的方式进行整理，得到以下线性模型：考虑到非线性对象的在不同的平衡点有不同的线性模型，可选取一个调度变量α来调度这些平衡点：当选取特定的调度变量α＝u，得到u
e
(α)＝u，动态结构转变为：上述动态结构省去了b、d两个拟合矩阵，减小了计算量。6.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤5中，将平衡流形模型作为参考模型，给予发动机和平衡流形模型相同的控制量，得到传感器参数的测量值与估计值。7.根据权利1所述燃气轮机多传感器故障诊断方法，其特征在于：所述步骤6中，基于卡尔曼滤波器组的多传感器故障诊断系统中有m+1个卡尔曼滤波器，第0个卡尔曼滤波器输入为所有传感器的测量参数。多传感器故障诊断原理是采用包含所有传感器测量参数的卡尔曼滤波器0得到的故障指示变量wssr0与第i个卡尔曼滤波器得到的故障指示变量wssr
i
的差值δwssr
i
来表示，δwssr
i
对应于第i个卡尔曼滤波器，如下为δwssr
i
的计算方法：δwssr
i
＝wssr
0-wssr
i
假设第一个传感器和第二个传感器同时出现故障，则卡尔曼滤波器组中的所有滤波器都包含传感器故障信息，不同之处在于第1个卡尔曼滤波器和第2个卡尔曼滤波器中只含有一个传感器故障信号，其余的卡尔曼滤波器组都含有两个传感器故障信号。因此通过计算可知，含有两个传感器故障信号的卡尔曼滤波器0计算得到的wssr0和含有一个传感器故障信号的卡尔曼滤波器1和2计算得到的wssr1和wssr2差值较大，即δwssr1和δwssr2较大。其余含有两个传感器故障信号卡尔曼滤波器计算得到的wssr和含有两个传感器故障信号卡尔曼滤波器0计算得到的wssr0差值较小，即δwssr较小。根据上述多传感器故障诊断的特点，设定一个多传感器故障诊断阈值，即可得到基于卡尔曼滤波器的多传感器故障诊断的判断方式。若多个传感器出现故障时，比设定多传感器故障诊断阈值高的δwssr所对应的
传感器发生故障，比设定多传感器故障诊断阈值低的δwssr所对应的传感器无故障。

技术总结
本发明提出一种燃气轮机多传感器故障诊断方法，属于燃气轮机故障检测技术领域。本方法建立燃气轮机的平衡流行模型，得到各个传感器对应的用于卡尔曼滤波估计燃气轮机的状态方程和观测方程。将故障传感器的输出信号与卡尔曼滤波器的输出进行比较处理，诊断出具体故障传感器后进行故障信号的重构。传感器故障诊断模型建立步骤为：建立三轴燃气轮机非线性部件级模型；通过稳态识别与动态识别后，建立平衡流行模型；针对每个传感器，根据平衡流形模型设计独立的卡尔曼滤波器；基于卡尔曼滤波的故障诊断原理设计诊断方法。本发明实现了基于卡尔曼滤波器组的燃气轮机多传感器故障诊断，具有结构简单、易实现等特点。易实现等特点。易实现等特点。


技术研发人员：齐长城 邹涛 于兵 叶兵清 范天福 张煜华
受保护的技术使用者：南京航空航天大学
技术研发日：2023.04.17
技术公布日：2023/7/28