针对航空发动机各部件会发生性能缓慢退化,而现有的发动机线性模型建模方法无法在全寿命期限内满足精度要求,导致滤波算法对健康参数的估计误差随着飞行循环数的增加而增加的问题,提出自适应拟合的方法建立包含健康参数的状态变量模型(SVM),并设计卡尔曼滤波器进行健康参数估计。方法利用上一个采样周期内健康参数的估计值实时更新健康参数相关系数矩阵,以提高线性模型的精度。以某型商用航空发动机部件级模型为基础,在设计巡航点采用提出的方法建立线性变参数模型。通过相似换算,在多个飞行状态点,进行数字仿真性能缓慢退化过程。经验证:相比改进拟合法,基于所提建模方法的卡尔曼滤波器能较大地提高对健康参数的估计精度,同时具有较好的实时性。传感器与微系统第38卷在开始健康参数估计前，将输出偏差，即8×320数组和所有系数矩阵都以单浮点精度(MATLAB中为Single)形式保存在mat．文件下。机载进行健康参数估计时，发动机健康参数估计-数控滚圆机滚弧机折弯机张家港液压滚圆机滚弧机折弯机根据前一时刻健康参数的估计值从mat．文件中选择最接近的、线性无关的8组健康参数组合Δh(si)，i=1，2，…，8(行向量)以及对应的Δy(si)，Δx(si)，i=1，2，…， 本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 8(列向量)，利用于更新L，M矩阵:对i=1且不考虑控制量，当系统稳定后有0=AΔx(s1)+LΔh(s1)矩阵，L(j，:)为L矩阵第j行所有元素组成的行向量，0为1×8维零矩阵。该式中未知量因是改进拟合法只能在建模时选取的健康参数阶跃量附近的小范围内模型误差较小，其他退化情况下模型精度都难以保证。相比之下，自适应拟合法建立的线性模型由于实时更新L，M矩阵，模型精度始终保持较高，因此对健康参数的估计误差明显小于前者。本文健康参数的个数为8个，故改进拟合法建模样本的个数为8，而自适应拟合法由于样本个数的增加，模型精度得到提高，但增加了存储空间、降低了机载实时性。图3为自适应拟合建模法不同样本数下，对文献［5］退化情况表的健康参数估计精度、存储空间和计算时间的关系。图中健康参数的估计精度用均方根误差总和sum(RMSE)槡2p∈{SW1，SE1，SW2，SE2均方根误差总和存储空间/kB计算时间/s0建模样本个数1%计精度存储空间/kB计算时间/s图3样本个数对估计精度、存储空间和计算时间的影响图3中存储空间为该设计点下从慢车到最大的离散13组系数矩阵以及对应的健康参数组合引起的输出偏差数组的总大小。此外，参考文献［18］，该线性模型还加入BP神经网络(用于补偿由于发动机制造、安装等造成的个体性能差异以及通过相似换算扩展到其他飞行点后带来的稳态偏差)，故计算时间为个人笔记本上包含神经网络的线性模型的总运行时间。?发动机健康参数估计-数控滚圆机滚弧机折弯机张家港液压滚圆机滚弧机折弯机 本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/