航空發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障智能檢測(cè)方法研究

(中國(guó)飛行試驗(yàn)研究院 發(fā)動(dòng)機(jī)所，陜西 西安 710089)

航空發(fā)動(dòng)機(jī)是一個(gè)復(fù)雜的氣動(dòng)機(jī)械系統(tǒng)，由大量的靜止件、轉(zhuǎn)動(dòng)件、傳動(dòng)件組成。這些部件大多結(jié)構(gòu)復(fù)雜，且工作在高壓、高溫、高轉(zhuǎn)等惡劣工作環(huán)境下。作為飛機(jī)的心臟，航空發(fā)動(dòng)機(jī)的工作穩(wěn)定性、可靠性對(duì)飛機(jī)的整體性能和飛行安全至關(guān)重要。

為了解決因發(fā)動(dòng)機(jī)性能衰減和故障導(dǎo)致的飛機(jī)飛行性能衰減和災(zāi)難性故障，目前發(fā)動(dòng)機(jī)逐步向智能化方向發(fā)展。智能發(fā)動(dòng)機(jī)依靠傳感器數(shù)據(jù)、專家模型和二者的融合，可全面了解發(fā)動(dòng)機(jī)狀態(tài)，實(shí)現(xiàn)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)視和管理的自動(dòng)化、自動(dòng)診斷和自我預(yù)測(cè)。航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)視和故障診斷系統(tǒng)是智能發(fā)動(dòng)機(jī)的關(guān)鍵技術(shù)之一[1]。

航空發(fā)動(dòng)機(jī)飛行試驗(yàn)需要按照國(guó)家和行業(yè)標(biāo)準(zhǔn)，在真實(shí)大氣環(huán)境和整體工況下對(duì)新研和改型發(fā)動(dòng)機(jī)、配套新飛機(jī)的成熟發(fā)動(dòng)機(jī)進(jìn)行試驗(yàn)。由于其工作穩(wěn)定性和可靠性還未完成充分驗(yàn)證，因此相比服役和運(yùn)行階段的發(fā)動(dòng)機(jī)，其安全風(fēng)險(xiǎn)更大，更需要加強(qiáng)安全監(jiān)控，嚴(yán)格控制試驗(yàn)風(fēng)險(xiǎn)。

排氣溫度是表征航空發(fā)動(dòng)機(jī)健康狀態(tài)和決定發(fā)動(dòng)機(jī)可用性的重要參數(shù)[2-3]，它對(duì)分析和控制發(fā)動(dòng)機(jī)工作性能和故障診斷，以及確保工作可靠性意義重大。通過(guò)排氣溫度，可以對(duì)航空發(fā)動(dòng)機(jī)工作異常、性能衰減、控制和監(jiān)視系統(tǒng)故障等進(jìn)行有效監(jiān)控。因此排氣溫度監(jiān)控對(duì)航空發(fā)動(dòng)機(jī)試飛安全監(jiān)控、被試發(fā)動(dòng)機(jī)和試驗(yàn)機(jī)技術(shù)狀態(tài)管理非常重要。

航空發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障是指由于測(cè)量通道電纜因破損搭接異常、接頭電纜插頭松動(dòng)、測(cè)量通道元件失效等原因使得實(shí)測(cè)排氣溫度示值異常，但航空發(fā)動(dòng)機(jī)工作正常的故障[4-5]。這類故障是一種比較常見(jiàn)的航空發(fā)動(dòng)機(jī)測(cè)量系統(tǒng)故障。如果因?yàn)榕艢鉁囟葴y(cè)量通道故障，使得實(shí)測(cè)排氣溫度不能反映發(fā)動(dòng)機(jī)真實(shí)工作狀態(tài)，則存在不能及時(shí)發(fā)現(xiàn)試驗(yàn)航空發(fā)動(dòng)機(jī)排氣溫度超溫、喘振、異常停車等故障征兆，確定發(fā)動(dòng)機(jī)工作是否正常的安全風(fēng)險(xiǎn)，需要嚴(yán)格把控。

1 模糊邏輯與神經(jīng)網(wǎng)絡(luò)建模

1.1 模糊邏輯

模糊邏輯推理是建立在模糊邏輯基礎(chǔ)之上的，它是在二值邏輯三段論基礎(chǔ)上發(fā)展起來(lái)的一種不確定性推理方法，簡(jiǎn)稱為模糊推理，或模糊邏輯。這種方法以模糊判斷為前提，運(yùn)用模糊語(yǔ)言規(guī)則，推導(dǎo)出一個(gè)近似的模糊判斷結(jié)論。

模糊邏輯系統(tǒng)的一般結(jié)構(gòu)如圖1所示。

圖1 模糊邏輯系統(tǒng)的一般結(jié)構(gòu)

模糊邏輯系統(tǒng)實(shí)質(zhì)上是一個(gè)從論域U到論域V的非線性映射，一般由模糊化單元、模糊規(guī)則、模糊推理和反模糊化單元4個(gè)部分組成。模糊邏輯系統(tǒng)的處理對(duì)象是模糊信息，所以輸入信號(hào)x需要通過(guò)模糊化單元變換成U上的模糊集；模糊邏輯系統(tǒng)最終的輸出應(yīng)為明確的信息，所以需要由反模糊化單元將論域V上的模糊集轉(zhuǎn)化成確定信號(hào)y；模糊規(guī)則是模糊邏輯系統(tǒng)的核心部分，它由一組模糊推理規(guī)則組成，其基本形式為“if…then…”；模糊推理的作用是根據(jù)模糊規(guī)則，模擬人類基于模糊概念的推理過(guò)程，完成輸入模糊集和輸出模糊集之間的映射。

模糊邏輯被廣泛應(yīng)用于控制系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[6-7]、狀態(tài)監(jiān)視與故障診斷[8-9]、系統(tǒng)辨識(shí)和建模[10-11]等領(lǐng)域。在燃?xì)鉁u輪發(fā)動(dòng)機(jī)控制系統(tǒng)設(shè)計(jì)、故障診斷等方面，模糊推理/模糊邏輯也被普遍使用[10-12]。

1.2 神經(jīng)網(wǎng)絡(luò)建模

神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單處理單元構(gòu)成的大規(guī)模并行分布式處理器，天然地具有存儲(chǔ)經(jīng)驗(yàn)知識(shí)和使之可用的特性。神經(jīng)網(wǎng)絡(luò)具有非線性、輸入輸出映射、自適應(yīng)性、證據(jù)響應(yīng)、上下文信息、容錯(cuò)性、VLSI實(shí)現(xiàn)、分析和設(shè)計(jì)一致性、神經(jīng)生物類比等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域主要有：模式聯(lián)想、模式識(shí)別、函數(shù)逼近、控制等。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個(gè)多輸入/單輸出的非線性元件。如圖2所示為一般神經(jīng)元結(jié)構(gòu)示意圖，圖中pj(j=1,2,…,r)為輸入分量，r為輸入分量個(gè)數(shù)；wi為權(quán)值；b為偏差(或閾值或門(mén)限值)；∑表示對(duì)輸入分量與權(quán)值乘積和偏差求和；f(·)為激活函數(shù)；a為輸出。

圖2 神經(jīng)元模型

BP(反向傳播)網(wǎng)絡(luò)是在多層感知器的基礎(chǔ)上發(fā)展而來(lái)的，是將W-H規(guī)則一般化，對(duì)線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，其典型結(jié)構(gòu)如圖3所示。BP網(wǎng)絡(luò)的產(chǎn)生歸功于BP算法，該算法是一種監(jiān)督式的學(xué)習(xí)算法，其主要特點(diǎn)是信息的正向傳播和誤差的反向傳播，神經(jīng)網(wǎng)絡(luò)的權(quán)值和誤差的反向傳播是利用負(fù)梯度下降算法實(shí)現(xiàn)的。理論上，具有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)可以逼近任意一個(gè)非線性系統(tǒng)，實(shí)現(xiàn)輸入與輸出參數(shù)之間的非線性映射。

圖3 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

一般來(lái)說(shuō)，需要估計(jì)的參數(shù)模型按照其是否需要考慮輸入?yún)?shù)的動(dòng)態(tài)變化過(guò)程可分為兩類：一類是用當(dāng)前時(shí)刻的輸入?yún)?shù)估計(jì)當(dāng)前時(shí)刻的輸出參數(shù)的穩(wěn)態(tài)參數(shù)模型，如式(1)表示；另一類是用輸入?yún)?shù)的當(dāng)前時(shí)刻和當(dāng)前時(shí)刻之前的歷史數(shù)據(jù)估計(jì)當(dāng)前時(shí)刻的輸出參數(shù)的可表征系統(tǒng)動(dòng)態(tài)變化過(guò)程的全狀態(tài)參數(shù)模型，如式(2)所示。

z(n) =f(x(n),y(n))

(1)

z(n)=g(x(n),y(n),y(n-1),…y(n-K))

(2)

x(n) =[x1(n),x2(n),…,xM(n)]T

(3)

y(n) =[y1(n),y2(n),…,yP(n)]T

(4)

z(n) =[z1(n),z2(n),…,zQ(n)]T

(5)

要用神經(jīng)網(wǎng)絡(luò)構(gòu)建如式(1)和式(2)所示的參數(shù)模型，則需要采用不同的模型構(gòu)建方法[13-15]。式(1)采用一般的曲線擬合的方法就可以實(shí)現(xiàn)，如圖4所示；式(2)則要采用系統(tǒng)識(shí)別的方法，如圖5所示。

圖4 參數(shù)神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)模型

圖5 參數(shù)神經(jīng)網(wǎng)絡(luò)全狀態(tài)模型

1.3 模糊邏輯與神經(jīng)網(wǎng)絡(luò)的融合

不難發(fā)現(xiàn)，模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)具有以下共通之處：均可以利用給定系統(tǒng)的輸入和輸出數(shù)據(jù)，建立系統(tǒng)的非線性映射關(guān)系；從處理方式來(lái)看，兩者均采用并行處理的結(jié)構(gòu)。但是通過(guò)詳細(xì)對(duì)比還是可以發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)也具有明顯的差異：神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力，但從系統(tǒng)建模角度考慮，它是一個(gè)典型的黑箱型學(xué)習(xí)模式，其輸入和輸出關(guān)系很難用大家容易接受的方式表示出來(lái)；模糊系統(tǒng)建立在大家很容易接受的“if… then…”規(guī)則集表述方式之上，但其不具備自學(xué)習(xí)能力，隸屬函數(shù)和模糊規(guī)則生成和調(diào)整往往要依賴于領(lǐng)域?qū)＜摇Ｒ虼俗陨鲜兰o(jì)70年代中期開(kāi)始，如何將模糊理論和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合起來(lái)，提高整個(gè)系統(tǒng)的學(xué)習(xí)能力和表達(dá)能力就成為了一個(gè)焦點(diǎn)問(wèn)題。

神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的融合大致可以分為以下幾種情況：

① 松散型方式，即對(duì)于系統(tǒng)適合用模糊規(guī)則表示的用模糊系統(tǒng)描述，適合用神經(jīng)網(wǎng)絡(luò)表示的用神經(jīng)網(wǎng)絡(luò)系統(tǒng)描述，兩者之間沒(méi)有直接聯(lián)系，如文獻(xiàn)[16]；

② 以神經(jīng)網(wǎng)絡(luò)系統(tǒng)為主，模糊系統(tǒng)為輔的方式，即將常規(guī)神經(jīng)網(wǎng)絡(luò)的確定性輸入輸出參數(shù)用模糊變量代替，模糊推理過(guò)程用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，如文獻(xiàn)[15]；

③ 以模糊系統(tǒng)為主，神經(jīng)網(wǎng)絡(luò)為輔的方式，即利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)必要的模糊系統(tǒng)輸入?yún)?shù)的前處理和輸出參數(shù)的后處理，如文獻(xiàn)[17]；

④ 神經(jīng)網(wǎng)絡(luò)和模糊邏輯的全面融合方式，如文獻(xiàn)[18]。

本文主要參考第3種方式構(gòu)建排氣溫度測(cè)量通道故障檢測(cè)方法。

2 排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)方法

排氣溫度測(cè)量通道故障的表現(xiàn)一般為：當(dāng)航空發(fā)動(dòng)機(jī)在特定狀態(tài)(例如爬升)穩(wěn)定工作時(shí)，其主要參數(shù)(例如油門(mén)桿角度、高壓轉(zhuǎn)速、低壓轉(zhuǎn)速)示值正常，但排氣溫度示值明顯偏小或偏大，如圖6所示。

圖6 典型排氣溫度測(cè)量通道故障參數(shù)變化情況

需要特別說(shuō)明的是圖6中的所有參數(shù)均為歸一化處理后的數(shù)據(jù)。

從圖6可以看出，當(dāng)編號(hào)為1的試驗(yàn)發(fā)動(dòng)機(jī)在某個(gè)狀態(tài)穩(wěn)定工作時(shí)，在油門(mén)桿Ф、高壓轉(zhuǎn)速n1、低壓轉(zhuǎn)速n2均沒(méi)有明顯的上升或下降的情況下，排氣溫度T5卻有一個(gè)非常明顯的大幅下降并回升至最初示值的過(guò)程。對(duì)比2發(fā)的T5，1發(fā)排氣溫度測(cè)量通道故障現(xiàn)象非常明顯。

針對(duì)前述排氣溫度測(cè)量通道故障的現(xiàn)象，考慮將模糊邏輯和神經(jīng)網(wǎng)絡(luò)建模技術(shù)融合起來(lái)，實(shí)現(xiàn)對(duì)該類故障的實(shí)時(shí)自動(dòng)檢測(cè)(圖7)。

圖7 排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)方法

如圖7所示，T5測(cè)試通道故障通過(guò)利用一個(gè)模糊推理系統(tǒng)實(shí)現(xiàn)，其輸入?yún)?shù)為高壓轉(zhuǎn)速偏差Δn2、低壓轉(zhuǎn)速偏差Δn1和排氣溫度偏差ΔT5，輸出參數(shù)為表征T5測(cè)試通道故障狀態(tài)的離散變量ST5。

n2、n1、T5正常狀態(tài)輸出值n2s、n1s、T5s估計(jì)模型均采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。假設(shè)飛行狀態(tài)主要控制參數(shù)高度H、表速Vi，以及發(fā)動(dòng)機(jī)狀態(tài)主要控制參數(shù)油門(mén)桿角度Ф、高壓轉(zhuǎn)子轉(zhuǎn)速n2，均具有較高的控制精度，因此偏差估計(jì)值估計(jì)神經(jīng)網(wǎng)絡(luò)模型采用如圖5所示的具有一定記憶功能的、精度更高的、考慮了Ф和n2歷史反饋信息的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)。n1和T5采用圖4所示的一般神經(jīng)網(wǎng)絡(luò)參數(shù)估計(jì)模型實(shí)現(xiàn)。

3 故障自動(dòng)檢測(cè)方法驗(yàn)證

為了驗(yàn)證圖7所述發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)方法的實(shí)施效果，本節(jié)以某發(fā)動(dòng)機(jī)試飛數(shù)據(jù)為基礎(chǔ)，利用Matlab實(shí)現(xiàn)了檢測(cè)算法，并利用該發(fā)動(dòng)機(jī)某架次爬升階段的試飛數(shù)據(jù)對(duì)算法實(shí)施效果進(jìn)行了檢驗(yàn)。神經(jīng)網(wǎng)絡(luò)建模部分主要基于Matlab的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)，檢測(cè)故障模糊推理過(guò)程主要基于Matlab的模糊邏輯工具箱實(shí)現(xiàn)。

如圖7所示，要實(shí)現(xiàn)發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)，首先需要建立高壓轉(zhuǎn)速n2、低壓轉(zhuǎn)速n1、排氣溫度T5的參數(shù)模型。綜合考慮某航空發(fā)動(dòng)機(jī)技術(shù)特點(diǎn)和控制邏輯，以及高度H、表速Vi、油門(mén)桿角度Ф、高壓轉(zhuǎn)速n2、低壓轉(zhuǎn)速n1等相關(guān)參數(shù)的精度和穩(wěn)定性等問(wèn)題，最終確定n2采用帶反饋的全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型、n1和T5采用一般的穩(wěn)態(tài)神經(jīng)網(wǎng)絡(luò)模型，如圖8～圖10所示。神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)、輸出參數(shù)、隱含層層數(shù)、隱含層神經(jīng)元個(gè)數(shù)等參數(shù)見(jiàn)表1。

圖8 n2神經(jīng)網(wǎng)絡(luò)模型

圖9 n1神經(jīng)網(wǎng)絡(luò)模型

圖10 T5神經(jīng)網(wǎng)絡(luò)模型

表1 3個(gè)神經(jīng)網(wǎng)絡(luò)模型主要參數(shù)

n2采用全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型，主要是考慮作為主要控制參數(shù)，n2的數(shù)據(jù)質(zhì)量比較高，跳點(diǎn)和毛刺干擾少，不會(huì)因?yàn)榍袄m(xù)估計(jì)的n2(n-1)的誤差大而導(dǎo)致其誤差在時(shí)間維度向下傳播，影響后續(xù)n2(n+1)、n2(n+2)等的估計(jì)精度的情況；n1和T5采用穩(wěn)態(tài)神經(jīng)網(wǎng)絡(luò)模型，則主要是考慮n1和T5作為被控制參數(shù)，數(shù)據(jù)質(zhì)量較差，跳點(diǎn)和毛刺干擾較多，如采用全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型，n1和T5的估計(jì)誤差向下游傳播的可能性較大。n2、n1和T5訓(xùn)練及驗(yàn)證情況如圖11～圖13所示。

圖11 n2神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗(yàn)證情況

圖12 n1神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗(yàn)證情況

圖13 T5神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗(yàn)證情況

根據(jù)圖8和表1所示，除H(n)、Vi(n)、Ф(n)外，n2的神經(jīng)網(wǎng)絡(luò)模型將油門(mén)桿的歷史數(shù)據(jù)Ф(n-1)和高壓轉(zhuǎn)子轉(zhuǎn)速的歷史數(shù)據(jù)n2(n-1)也作為了其輸入?yún)?shù)，這主要是考慮到H、Vi、Ф、n2作為發(fā)動(dòng)機(jī)的主要控制參數(shù)，穩(wěn)定性比較高；而且無(wú)論是n2(n)，還是n1(n)和T5(n)神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，其精度要求均比較高。從圖11可以看出，由n2全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型獲得T5估計(jì)值與實(shí)測(cè)值差別比較小，未超過(guò)0.0005(0.05%)。

從圖12和圖13可以看出，相比n2，n1和T5的神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)模型精度略差，n1估計(jì)值與實(shí)測(cè)值的偏差最大在0.004(0.4%)左右，T5估計(jì)值與實(shí)測(cè)值的偏差最大在0.008(0.8%)左右。

對(duì)比n2，n1和T5的估計(jì)結(jié)果，可以發(fā)現(xiàn)n2的精度要比n1和T5的精度高，這主要是因?yàn)閚2的輸入?yún)?shù)數(shù)據(jù)質(zhì)量高、且采用了全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型。但總體來(lái)說(shuō)，n2，n1和T5的估計(jì)都沒(méi)有超過(guò)1%，可以滿足測(cè)試通道故障檢測(cè)要求。

T5測(cè)試通道故障算法的模糊推理模塊輸入?yún)?shù)Δn2、Δn1、ΔT5，輸出參數(shù)的隸屬函數(shù)ST5的類型、參數(shù)和參數(shù)取值如圖14、圖15和表2所示。隸屬函數(shù)選用了普遍使用的梯形，輸入?yún)?shù)分為小、偏小、正常、偏大、大共5個(gè)模糊等級(jí)；輸出參數(shù)分為正常、黃色告警、紅色告警共3個(gè)模糊等級(jí)。上述隸屬函數(shù)參數(shù)的取值是通過(guò)對(duì)試飛數(shù)據(jù)的統(tǒng)計(jì)分析獲得。

圖14 模糊推理模塊輸入?yún)?shù)隸屬函數(shù)

圖15 模糊推理模塊輸出參數(shù)隸屬函數(shù)

表2 模糊推理模塊輸入?yún)?shù)的隸屬函數(shù)參數(shù)取值

表3 模糊推理模塊輸出參數(shù)的隸屬函數(shù)參數(shù)取值

最后利用某航空動(dòng)力裝置某架次爬升階段排氣溫度T5故障數(shù)據(jù)對(duì)故障自動(dòng)檢測(cè)算法進(jìn)行了驗(yàn)證，結(jié)果如圖16所示。

圖16 某次故障數(shù)據(jù)分析結(jié)果

從圖16可以看出，在飛機(jī)姿態(tài)和發(fā)動(dòng)機(jī)狀態(tài)保持不變的情況下，圖7所示的算法可以自動(dòng)檢測(cè)T5明顯偏離正常值的情況。此外，算法自動(dòng)檢測(cè)故障發(fā)生和結(jié)束時(shí)間也符合實(shí)際情況，且輸出穩(wěn)定連續(xù)，未出現(xiàn)突然跳變等情況。綜上可以確定，圖7給出的方法可以實(shí)現(xiàn)對(duì)航空發(fā)動(dòng)機(jī)起飛階段排氣溫度測(cè)量通道故障的自動(dòng)檢測(cè)，且具有良好的穩(wěn)定性。

4 結(jié)論

本文針對(duì)試飛中航空發(fā)動(dòng)機(jī)試飛安全監(jiān)控、被試發(fā)動(dòng)機(jī)和試驗(yàn)機(jī)技術(shù)狀態(tài)管理需求背景，結(jié)合排故經(jīng)驗(yàn)，給出了融合了相關(guān)參數(shù)神經(jīng)網(wǎng)絡(luò)建模和故障檢測(cè)模糊邏輯推理的航空發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)算法，并利用試飛數(shù)據(jù)對(duì)故障檢測(cè)算法進(jìn)行了驗(yàn)證和分析，得出以下結(jié)論：

① 基于高壓轉(zhuǎn)子轉(zhuǎn)速偏差、低壓轉(zhuǎn)子轉(zhuǎn)速偏差、排氣溫度偏差的模糊推理系統(tǒng)可以實(shí)現(xiàn)對(duì)航空發(fā)動(dòng)機(jī)排氣溫測(cè)量通道故障的實(shí)時(shí)自動(dòng)檢測(cè)，檢測(cè)結(jié)果與實(shí)際情況一致，且具有良好的穩(wěn)定性；

② 基于試飛數(shù)據(jù)的高壓轉(zhuǎn)子轉(zhuǎn)速神經(jīng)網(wǎng)絡(luò)全狀態(tài)參數(shù)估計(jì)模型，以及基于試飛數(shù)據(jù)的低壓轉(zhuǎn)子轉(zhuǎn)速和排氣溫度神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)參數(shù)估計(jì)模型可以實(shí)現(xiàn)對(duì)高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、排氣溫度的參數(shù)建模，模型精度可以滿足航空發(fā)動(dòng)機(jī)排氣溫度測(cè)量通道故障自動(dòng)檢測(cè)要求；

③ 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本數(shù)據(jù)對(duì)高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、排氣溫度神經(jīng)網(wǎng)絡(luò)模型的精度影響比較大，在訓(xùn)練時(shí)需要根據(jù)訓(xùn)練結(jié)果及時(shí)進(jìn)行調(diào)整；

④ 為了保證高壓轉(zhuǎn)子轉(zhuǎn)速偏差、低壓轉(zhuǎn)子轉(zhuǎn)速偏差、排氣溫度偏差、排氣溫度測(cè)量通道故障狀態(tài)隸屬函數(shù)的適用性，隸屬函數(shù)參數(shù)的確定需要通過(guò)對(duì)試飛數(shù)據(jù)統(tǒng)計(jì)分析的方法獲得，且統(tǒng)計(jì)樣本需要進(jìn)行篩選和預(yù)處理。