View
3
Download
0
Category
Preview:
Citation preview
Feldiagnos for RM12 baserad paidentifierade modeller
Examensarbete utfort i Reglerteknikvid Tekniska Hogskolan i Linkoping
av
Andreas Viborg
Reg nr: LiTH-ISY-EX-3461-2004Linkoping 2004
Feldiagnos for RM12 baserad paidentifierade modeller
Examensarbete utfort i Reglerteknikvid Tekniska Hogskolan i Linkoping
av
Andreas Viborg
Reg nr: LiTH-ISY-EX-3461-2004
Handledare: Dr. Torbjorn NorlanderVolvo Aero CorporationCiv.ing. Jonas GillbergLinkopings universitet
Examinator: Dr. Mikael NorrlofLinkopings universitet
Linkoping 9 februari 2004.
Avdelning, InstitutionDivision, Department
Institutionen för systemteknik581 83 LINKÖPING
DatumDate2004-04-06
SpråkLanguage
RapporttypReport category
ISBN
X Svenska/SwedishEngelska/English
LicentiatavhandlingX Examensarbete ISRN LITH-ISY-EX-3461-2004
C-uppsatsD-uppsats Serietitel och serienummer
Title of series, numberingISSN
Övrig rapport____
URL för elektronisk versionhttp://www.ep.liu.se/exjobb/isy/2004/3461/
TitelTitle
Feldiagnos för RM12 baserad på identifierade modeller
Fault Diagnosis of RM12 based on identified models
Författare Author
Andreas Viborg
SammanfattningAbstractThe jetengines of today are growing in complexity. Reliability for aircraft engines are of extremeimportance, mainly due to safety reasons but also economical ones. This master thesis deals withfaultdiagnosis in the turbine section of RM12, the engine used in Saab/BAe’s Gripen. Threedifferent faults which can occur in the turbine section was studied. These faults are: clogged fuelnozzle, hole in outlet guide vane and sensor fault. An analysis of the behaviour of the engine withthese faults present was made. Based on this analysis an existing simulation model of RM12 wasmodified, so that these faults could be simulated. For the purpose of fault diagnosis two modelswere developed for two different engine parameters, one linear state space model and a neuralnetwork. These two models are then used to isolate the faults. The linear state space model is usedto estimate the temperature right behind the engine turbines. This is a state space model with twostates. This model estimates the temperature well at higher throttle levels, but has a temperaturediscrepancy of almost 100 K at lower throttle levels, the temperature right behind the turbinesvaries between 300 and 1200 K. A neural network was estimated to detect a decrease in turbineefficiency which is a phenomena which occurs when one or several of the engine’s eighteen fuelnozzles are clogged. The neural network was able to detect this fault at some points. The diagnosisalgorithm developed, based on the models mentioned above, is able to detect faults at mostoperating points, but fails to isolate the present fault at some points.
NyckelordKeywordsystemidentifiering, neuronnät, neurala nätverk, feldiagnos, jetmotor
Sammanfattning
Dagens jetmotorer gar mot en allt mer komplicerad konstruktion. Tillforlighet forflygmotorer ar oerhort viktigt, framst av sakerhetsskal, men aven av ekonomis-ka orsaker. Syftet med detta examensarbete var att undersoka hur feldiagnos kananvandas i turbindelen pa RM12, den motor som sitter i Saab/BAes Gripen. Treolika fel som kan uppsta i turbindelen av motorn studerades: igensatta branslesprid-are, hal i outlet guide vane (OGV) samt sensorfel. En analys av motorbeteendevid dessa fel utfordes. Utgaende fran denna analys modifierades en befintlig simu-leringsmodell for RM12 dar mojligheten att simulera dessa fel infordes. For attkunna diagnosticera felen togs tva modeller for tva olika motorparametrar fram,en linjar tillstandsmodell samt ett neuronnat. Dessa bada modeller anvands sedanfor att peka ut olika fel. Den linjara tillstandsmodellen anvandes for att skatta tem-peraturen strax bakom turbinerna i motorn. Detta ar en tillstandsmodell med tvatillstand. Denna skattar temperaturen bra vid hogre motorpadrag, men upp mot100 K fel vid lagre padrag, temperaturen bakom turbinerna varierar mellan 300och 1200 K. Ett neuronnat skattades for upptackt av sankt turbinverkningsgrad,ett fenomen som uppstar nar nagon eller nagra av motorns arton branslespridaretapps igen. Neuronnatet visade sig kunna upptacka detta fel i vissa fall. Den dia-gnosalgoritm som togs fram, baserad pa de bada modellerna, klarade detektion ide allra flesta fall, men klarade inte helt att peka ut ratt fel.
Abstract
The jetengines of today are growing in complexity. Reliability for aircraft enginesare of extreme importance, mainly due to safety reasons but also economical ones.This master thesis deals with faultdiagnosis in the turbine section of RM12, theengine used in Saab/BAe’s Gripen. Three different faults which can occur in theturbine section was studied. These faults are: clogged fuel nozzle, hole in outletguide vane and sensor fault. An analysis of the behaviour of the engine with thesefaults present was made. Based on this analysis an existing simulation model ofRM12 was modified, so that these faults could be simulated. For the purpose offault diagnosis two models were developed for two different engine parameters,one linear state space model and a neural network. These two models are thenused to isolate the faults. The linear state space model is used to estimate thetemperature right behind the engine turbines. This is a state space model with twostates. This model estimates the temperature well at higher throttle levels, but hasa temperature discrepancy of almost 100 K at lower throttle levels, the temperatureright behind the turbines varies between 300 and 1200 K. A neural network wasestimated to detect a decrease in turbine efficiency which is a phenomena whichoccurs when one or several of the engine’s eighteen fuel nozzles are clogged. Theneural network was able to detect this fault at some points. The diagnosis algorithmdeveloped, based on the models mentioned above, is able to detect faults at mostoperating points, but fails to isolate the present fault at some points.
i
ii
Forord
Detta examensarbete ar det sista steget pa min vag mot en examen som civilin-genjor i teknisk fysik och elektroteknik. Det har utforts pa Volvo Aero Corporationi Trollhattan pa avdelning motorsystem i samarbete med institutionen for system-teknik, avdelningen for reglerteknik vid Linkopings Tekniska Hogskola.
Nagra tackord
Framst vill jag tacka min handledare Dr. Torbjorn Norlander (Volvo Aero Corpo-ration) som initerade examensarbetet. Han har under arbetets gang varit ett stortstod. Dessutom har Dan Ring och Lennart Kjellen (Volvo Aero Corporation) sva-rat talmodigt pa alla mina fragor om RM12. Dartill uppskattas trevliga stunder ifikarummet med den ovriga personalen pa avdelning motorsystem.
Jonas Gillberg och Dr. Mikael Norrlof (LiTH) har under arbetets gang varitmitt stod fran skolans sida.
Slutligen vill jag tacka Linda Nilsson som foljde med mig till Trollhattan ochgjorde vistelsen har betydligt trevligare an vad den varit utan henne.
Trollhattan 9 februari 2004Andreas Viborg
iii
iv
Notation
Symboler
Namn Beskrivninga(t) Aktiveringssignalen (utsignalen) for ett neuronnatd Antal elementf FelsignalN Antal sampelTi Temperatur i snitt iT5j Temperatur i snitt 5 och sond jTi Teststorhet iu(t) Insignal vid tiden ty(t) Utsignal (ofta avses matvarde) vid tiden ty(t) Medelvarde av y(t) for t = 1, . . . , Ny(t) Skattad utsignal vid tiden ty(k)(t) Skattad utsignal vid tiden t fran modell kZN {u(0), y(0), ..., u(N), y(N)}ηt Turbinverkningsgradρ Regimvariabelθ Parametervektorθ Skattad parametervektorϕ RegressionsvektorDM Vardemangd som θ spanner over i modellstrukturen M
Operatorer och funktioner
Namn Beskrivningf(·) Nagon godtycklig funktionl(·) Nagon godtycklig funktionp deriveringsoperatornq fordrojningsoperatorns Laplacevariablenz Z-transformvariabeln
v
Forkortningar
Namn BeskrivningARX AutoRegressive with eXogenous input.ARMA AutoRegressive with Moving Average.ARMAX AutoRegressive with Moving Average and eXogenous input.BJ Box-JenkinsCVG Compressor Variable GeometryDEC Digital Engine ControllerEBK EfterBrannKammareFADEC Full Authority Digital Engine ControllerFDI Fault Diagnosis and IsolationFI Flight IdleFOD Foreign Object DamageFTG FlygTomGangFVG Fan Variable GeometryGI Ground IdleIRP Intermediate Rating PointMaxAB Maximum with AfterBurnerMIMO Multiple Input Multiple OutputMISO Multiple Input Single OutputMTG MarkTomGangMS Maximal karnmotor med Slackt efterbrannkammareMT Maximal karnmotor med Tand efterbrannkammareNH Varvtal for hogtrycksrotorNL Varvtal for lagtrycksrotorOE Output ErrorOGV Outlet Guide VanePEM Prediction Error identification MethodsPLA Power Lever Angle (manoverarmsvinkel)RM12 ReaktionsMotor 12SIMO Single Input Multiple OutputSISO Single Input Single OutputSITB System Identification ToolBoxSLS Sea Level Standard (atmosphere)VAC Volvo Aero CorporationWFM Weight of Fuel to Main (bransleflode till karnmotor)WFR Weight of Fuel to Reheater (bransleflode till EBK)
vi
Innehall
Sammanfattning i
Forord iii
Notation vi
1 Inledning 11.1 Bakgrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Problemformulering . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Syfte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2.2 Mal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2.3 Begransningar . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Metod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.4 Verktyg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.5 Rapportens utformning . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5.1 Temperaturomvandling . . . . . . . . . . . . . . . . . . . . . 3
2 RM12 52.1 Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2 Reglering av dragkraft . . . . . . . . . . . . . . . . . . . . . . . . . . 62.3 Stalldon och sensorer . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Variabla utloppsarean . . . . . . . . . . . . . . . . . . . . . . 92.3.2 Ledskenor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.3.3 Bransleflode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.3.4 Varvtal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.3.5 Lufttryck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.3.6 Temperatur fore branslekammare . . . . . . . . . . . . . . . . 102.3.7 Turbinutloppstemperatur . . . . . . . . . . . . . . . . . . . . 10
2.4 Nuvarande diagnossystem . . . . . . . . . . . . . . . . . . . . . . . . 10
3 Systemidentifiering 133.1 Linjar systemidentifiering . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1.1 Linjara dynamiska modeller . . . . . . . . . . . . . . . . . . . 153.1.2 Parameterskattning . . . . . . . . . . . . . . . . . . . . . . . 15
vii
viii Innehall
3.2 Olinjar systemidentifiering . . . . . . . . . . . . . . . . . . . . . . . . 173.2.1 Lokala modeller . . . . . . . . . . . . . . . . . . . . . . . . . . 173.2.2 Neuronnat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183.2.3 Andra olinjara strukturer . . . . . . . . . . . . . . . . . . . . 20
3.3 Modellordning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203.4 Systemidentifiering under aterkoppling . . . . . . . . . . . . . . . . . 203.5 Modellvalidering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.5.1 Anpassning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213.5.2 Residualanalys . . . . . . . . . . . . . . . . . . . . . . . . . . 213.5.3 Grafisk utvardering . . . . . . . . . . . . . . . . . . . . . . . 22
4 Feldiagnos 234.1 Fel och modellering av fel . . . . . . . . . . . . . . . . . . . . . . . . 244.2 Residualer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.1 Influensstruktur . . . . . . . . . . . . . . . . . . . . . . . . . 25
5 Analys 275.1 T5-spridning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275.2 Felyttring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.2.1 Generellt upptradande for fel . . . . . . . . . . . . . . . . . . 295.2.2 Igensatt branslespridare . . . . . . . . . . . . . . . . . . . . . 305.2.3 Hal i OGV . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325.2.4 T5 sensorfel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Feldiagnos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335.3.1 Residualer for feldiagnos . . . . . . . . . . . . . . . . . . . . . 33
6 Modellering 356.1 Modifiering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1.1 Validering felmodell . . . . . . . . . . . . . . . . . . . . . . . 37
7 Resultat 397.1 Systemidentifiering T5 . . . . . . . . . . . . . . . . . . . . . . . . . . 397.2 Systemidentifiering turbinverkningsgrad ηt . . . . . . . . . . . . . . . 417.3 Diagnosalgoritm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8 Slutsatser 478.1 Resultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
8.1.1 Fel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478.1.2 T5-modellering . . . . . . . . . . . . . . . . . . . . . . . . . . 488.1.3 Neuronnat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 488.1.4 Diagnos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.2 Ideer och rekommendationer . . . . . . . . . . . . . . . . . . . . . . . 498.2.1 Nya givare . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.3 Uppfyllda mal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Litteraturforteckning 52
Innehall ix
A Systemidentifiering 53A.1 Modell for T5-medelvarde fran flygdata . . . . . . . . . . . . . . . . 53A.2 Modell for T5-medelvarde fran simuleringsdata . . . . . . . . . . . . 54A.3 Simuleringar T5-modell . . . . . . . . . . . . . . . . . . . . . . . . . 54A.4 Simuleringar neuronnat . . . . . . . . . . . . . . . . . . . . . . . . . 58
B Diagnosalgoritm 61B.1 Superblock Fault diagnosis . . . . . . . . . . . . . . . . . . . . . . . 61
B.1.1 Superblock deltaT5 . . . . . . . . . . . . . . . . . . . . . . . 63B.1.2 Superblock T5 model . . . . . . . . . . . . . . . . . . . . . . 63B.1.3 Superblock Lowpass T5difference . . . . . . . . . . . . . . . . 64B.1.4 Mathscriptblock Fault Isolate . . . . . . . . . . . . . . . . . . 64B.1.5 Mathscriptblock Turbin eta . . . . . . . . . . . . . . . . . . . 65B.1.6 Mathscriptfunktion for export av signal . . . . . . . . . . . . 67
C Felmodellering 69C.1 Implementering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69C.2 Anvandarmanual Fault Generator . . . . . . . . . . . . . . . . . . . 71C.3 Validering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
x Innehall
Innehall xi
Figurer
2.1 Sprangskiss RM12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Schematisk bild over RM12. . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 T5-sondernas placering och langd i snitt 5.58 sett fran utloppsmunstycket.Figuren ar ej skalenlig och visar endast korrekt placering, sondernas langdar endast principiell. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1 Identifieringens kretslopp. Rektanglar: utfors bast pa dator. Ovaler: in-genjorens uppgift [Lju99, LG03]. . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Neuronnatsstruktur for ett feedforward-neuronnat med tva lager. . . . . . 19
3.3 Sigmoidfunktionen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.1 Allman struktur for en process. . . . . . . . . . . . . . . . . . . . . . . . . 24
5.1 T5-profilen under flygprov vid medeltemperatur≈580K,≈777K och 1150K.Fyrkant och cirkel anger T5-profilen vid tva skilda tidpunkter och x angeren neuronnatsskattning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.2 CFD-berakning av T5-profilen da en igensatt branslespridare simuleras vidPLA = MS. Figuren avser temperaturen over ett kvarts varv i snitt 5.58.Sankan orsakas av det kalla strak som bildas bakom en igensatt spridare. 29
5.3 Handelseforlopp da nagon branslespridare satts igen. . . . . . . . . . . . . 31
5.4 Handelseforlopp da felet hal i OGV intraffar. . . . . . . . . . . . . . . . . 32
6.1 Simuleringsresultat vid PLA=98◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NHsanks ca 4 %, WFM okar ca 2 % och NL andras knappt alls da felet arnarvarande. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.1 Simuleringsresultat T5 fran flygdata. Data ar fran de 30 forsta minutrarnaunder ett flygprov. Fram till tidpunkten 700 s befinner sig flygplanet pamarken och modellen skattar da T5 ca 90 K for lagt. . . . . . . . . . . . . 41
7.2 Simuleringsresultat for modell (7.2) skattad pa data fran modellen RM12System.Figuren visar signalen fran modell (7.2) (heldragen) samt T5-medelvardetfran modellen RM12System. Modellen skattar temperaturen i vissa fall uppmot 70 K fel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.3 Singulara varden for frekvensfunktionen for den T5-modell som skattatsfran flygprov (heldragen) och den T5-modell som skattats fran simulerings-data (streckad). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7.4 Ovre diagrammet visar da felet igensatt spridare introducerats i simule-ringsmodellen RM12System. Nedre diagrammet visar tidpunkter da ettneuronnat ger alarm om detta fel. PLA har varierats slumpmassigt mellan18◦ och 40◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
xii Innehall
7.5 Oversta figuren visar hur PLA varierats under en simulering. Andra figurenvisar da felet igensatt spridare ar narvarande i systemet (streckad) samtnar diagnosalgoritmen ger larm om detta fel(heldragen). Tredje figurenvisar nar felet hal i OGV ar narvarande (streckad) samt nar diagnosalgo-ritmen ger larm om detta fel (heldragen). Den nedersta figuren visar narT5-sensorfel ar narvarande (streckad) samt nar diagnosalgoritmen ger larmom detta fel (heldragen). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.6 Ovre figuren visar nar T5-sond 1 pekas ut som felaktig. Mellersta figurenvisar nar T5-sond 5 pekas ut som felaktig. Nedre figuren visar nar T5-sond7 pekas ut som felaktig. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
A.1 Simuleringsresultat T5 fran riggdata. Modellen skattar temperaturen ca50 K for hogt vid tidpunkterna 0 s och 17.2 s. Under transienten ar storstaskillnaden mellan skattningen och matvardet 180 K. . . . . . . . . . . . . 55
A.2 Simuleringsresultat T5 fran flygdata. Figuren anger differensen T5(t)−T5(t−1) vid tiden t for matvarde och modellvarde. . . . . . . . . . . . . . . . . 56
A.3 Simuleringsresultat T5 fran riggdata. Figuren anger differensen T5(t)−T5(t−1) vid tiden t for matvarde och modellvarde. . . . . . . . . . . . . . . . . 57
A.4 Ovre diagrammet visar da felet igensatt spridare introducerats i simule-ringsmodellen RM12System. Undre diagrammet visar tidpunkter da ettneuronnat ger alarm om detta fel. PLA har varierats slumpmassigt mellan40◦ och 100◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
A.5 Ovre diagrammet visar da felet igensatt spridare introducerats i simule-ringsmodellen RM12System. Undre diagrammet visar tidpunkter da ettneuronnat ger alarm om detta fel. PLA har varierats slumpmassigt mellan100◦ och 130◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
B.1 Superblock Fault diagnosis. . . . . . . . . . . . . . . . . . . . . . . . . . 62
B.2 Superblock deltaT5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
B.3 Superblock T5 model. Blocket T5 ssmodel innehaller modellen (A.2). . 63
B.4 Superblock Lowpass T5difference. . . . . . . . . . . . . . . . . . . . . . . . 64
C.1 Den modifierade versionen av RM12System med mojlighet att simuleranagra olika fel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
C.2 Blocket RM12 (stora ladan i figur C.1) dar blocket Faults inforts (langstner till vanster). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
C.3 Superblock Faults. Blocket beraknar avvikelser for de olika sondvardenabaserat pa narvarande fel samt avvikelse for turbinverkningsgrad. . . . . . 70
C.4 Simuleringsresultat vid PLA=40◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NLoch NH sanks ca 1 % och WFM okar ca 2 % da felet ar narvarande. . . . 72
C.5 Simuleringsresultat vid PLA=120◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NHsanks ca 4 %, WFM och NL andras knappt alls da felet ar narvarande. . . 73
C.6 Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=40◦ forutom under tidsintervallet [40, 50] s da PLA=50◦. . . . . . . 74
C.7 Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=98◦ forutom under tidsintervallet [40, 50] s da PLA=108◦. . . . . . 75
Innehall xiii
C.8 Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=120◦ forutom under tidsintervallet [40, 50] s da PLA=130◦. . . . . . 76
C.9 Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s. PLA=40◦
forutom under tidsintervallet [40, 50] s da PLA=50◦. . . . . . . . . . . . . 77C.10 Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s. PLA=98◦
forutom under tidsintervallet [40, 50] s da PLA=108◦. . . . . . . . . . . . 78C.11 Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s. PLA=120◦
forutom under tidsintervallet [40, 50] s da PLA=130◦. . . . . . . . . . . . 79C.12 Simuleringsresultat vid inget fel. PLA=40◦ forutom under tidsintervallet
[40, 50] s da PLA=50◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80C.13 Simuleringsresultat vid inget fel. PLA=98◦ forutom under tidsintervallet
[40, 50] s da PLA=108◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81C.14 Simuleringsresultat vid inget fel. PLA=120◦ forutom under tidsintervallet
[40, 50] s da PLA=130◦. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
xiv Innehall
Kapitel 1
Inledning
I det examensarbete som foreligger denna rapport studeras feldiagnos pa jetmotornRM12 som tillverkas av Volvo Aero Corporation (VAC) i Trollhattan for Saab/BAesGripen. I detta kapitel ges en allman introduktion till examensarbetet som presen-teras i denna rapport.
1.1 Bakgrund
Dagens jetmotorer gar mot en allt mer komplicerad konstruktion. I takt med dettaokar aven risken for att olika komponenter fallerar. Palitlighet for flygmotorer aroerhort viktigt, framst av sakerhetsskal, men aven av ekonomiska orsaker. Dettaexamensarbete initerades av VAC for att utveckla feldiagnos pa en begransad delav RM12. Arbetet har utforts pa VAC med stod fran institutionen for systemteknikvid Linkopings universitet.
En av temperaturmatningarna i motorn gors med atta sonder. Dessa tempera-turmatningar benamns T5. Ar 2000 utrustades RM12 med en ny elektronikenhetsom bl.a. medgav matning av dessa sonder individuellt. Tidigare mattes vardena avatta sonder men endast medelvardet av dessa var tillgangligt. I och med inforandetav denna elektronikenhet var det mojligt att utnyttja informationen fran de indi-viduella sondvardena for bl.a. feldiagnos.
Tidigare arbeten med feldiagnos pa RM12 innefattar bl.a. en datorsimulering avtemperaturprofilen vid nagra typiska fel [Bre02a]. Tva examensarbeten om allmanfeldiagnos pa RM12 har utforts [Aro01, KO98], samt ett examensarbete for un-dersokning av individuella skillnader mellan de atta sonderna [Ste03]. Foreliggandeexamensarbete ar en fortsattning av det sist namnda arbetet.
1.2 Problemformulering
Vad som onskades fran VACs sida med detta examensarbete var att kunna avgoravilken typ av fel som intraffat nar nagon av de atta T5-sonderna avviker fran de
1
2 Inledning
ovriga sonderna och vad som hander i motorn vid intraffade fel.
1.2.1 Syfte
Syftet med arbetet var att ta fram en algoritm for isolering av nagra typiska felsamt studera vad som kravs for att genomfora detta.
1.2.2 Mal
Upplagget for arbetet var enligt foljande:
1. Att ta fram en modell som beraknar aktuellt T5-medelvarde baserat pa andramat- och styrsignaler i motorn an de som erhalls fran T5-sonderna.
2. Att undersoka vilka fenomen som upptrader i motorn da nagot fel intraffar.Vilka parametrar och matsignaler paverkas? Vilka av dessa fel kan upptackasmed de atta sonderna? Vad kravs for att felen ska kunna isoleras?
3. Att infora mojlighet att simulera dessa fel i en simuleringsmodell.
4. Att ta fram en enkel diagnosalgoritm
5. Att utvardera, samt komma med rekommendationer for en implementeradlosning.
1.2.3 Begransningar
Examensarbetet baserades framst pa data fran en simuleringsmodell framtagen avVAC. Multipelfel antas inte kunna intraffa, d.v.s. flera olika fel kan inte intraffasamtidigt.
1.3 Metod
Tva olika modeller for kritiska motorparametrar togs fram. Dessa modeller anvan-des sedan for jamforelser med matvarden. En diagnonsalgoritm isolerar darefter felutgaende fran dessa jamforelser.
1.4 Verktyg
I detta examensarbete har Mathworks Matlab och National Instruments MatrixX
anvants. Matlab har framst anvants for systemidentifieringen och den storre delenav alla simuleringar har skett i MatrixX. Simuleringarna har utforts pa en modellfor RM12 utvecklad av VAC benamnd RM12System, samt pa en version av dennamodifierad i detta examensarbete.
1.5 Rapportens utformning 3
1.5 Rapportens utformning
I kapitel tva ges en presentation av processen RM12. Kapitel tre och fyra forklararteorin som anvandes. I det femte kapitlet gors en analys av de olika felen och idet sjatte presenteras hur felen modellerades i simuleringsmodellen. Avslutnings-vis presenteras resultaten i kapitel sju och i kapitel atta diskuteras uppgiften ochforeslagen losning.
1.5.1 Temperaturomvandling
I rapporten anges i vissa avsnitt temperatur i enheten ◦Rankine som ar amerikanskstandard. Anledningen till detta ar att RM12 har amerikanskt ursprung och attde flesta signaler i motorn anges i amerikanska enheter. Omvandling till Kelvinar emellertid enkel: dividera ◦R med 1.8 for att erhalla K. Exempel: 273 K =1.8 · 273◦R= 491.4◦R.
4 Inledning
Kapitel 2
RM12
I detta kapitel presenteras RM12, den process som studerades i detta examensar-bete.
RM12 star for ReaktionsMotor12 och ar en turboflaktmotor som byggs av VolvoAero Corporation for Saab/BAes Gripen. Motorn ar en vidareutveckling av GeneralElectrics F404-motor som bl.a. aterfinns pa F/A-18. I F/A-18 finns tva F404-motorer och RM12 utvecklades bl.a. for att uppfylla de sakerhetskrav som stallsfor installation i ett enmotorigt flygplan som Gripen. Dessutom ar motorns effektnagot hogre an i ursprungsmotorn F404. Nagra tekniska data for motorn anges itabell 2.1 [F4003, RM103].
Langd 4.04 mMaximal diameter 0.884 mNettovikt 1055 kgMaximal dragkraft med EBK 80.5 kNMaximal dragkraft utan EBK 54 kN
Tabell 2.1. Tekniska data for RM12
Motorn kan delas upp i tva huvuddelar: karnmotor och efterbrannkammare(EBK). Figur 2.1 visar en sprangskiss over motorn, figurens vanstra del ar karn-motorn och den hogra delen visar EBK.
2.1 Funktion
Jetmotorns funktion ar att accelerera luft bakat for att pa sa satt erhalla en kraftframat. Nettodragkraften F fran motorn ges av sambandet:
F = W9 · (V9 − VFlygplan) + A9 · (PS9 − PS0)
dar W9 ar massflode [kg/s] ut fran motorn, V9 ar gasen/massans hastighet [m/s]ut fran motorn, VFlygplan ar flygplanets hastighet [m/s], A9 ar utloppsarean [m2],
5
6 RM12
Figur 2.1. Sprangskiss RM12.
PS9 ar det statiska trycket [kPa] i utloppsmunstycket och PS0 ar det statiskaomgivningstrycket [kPa].
Det forsta som sker ar att luften sugs in i motorn och lagtryckskomprimerasi flakten. Flakten bestar av tre flaktsteg och mellan de tva forsta stegen finnsvariabla ledskenor (FVG1) for att erhalla basta mojliga kompression i varje arbets-punkt. Darefter leds ca 3/4 av luften vidare till kompressorn och ca 1/4 leds tillbypass-kanalen. Kompressorn bestar av 7 kompressorsteg med variabla ledskenor(CVG2) mellan de fyra forsta kompressorstegen. Kompressoraxeln sitter utanforflaktaxeln och dessa bada axlar ar helt frikopplade. Efter kompressorn kommerforbranningskammaren. Darefter passerar gasen hogtrycksturbinen som sitter pasamma axel som kompressorn och ar den som driver denna. Strax efter passerargasen lagtrycksturbinen som sitter pa samma axel som flakten och som drivs avdenna turbin.
Gasen har nu lamnat karnmotorn och kommit in i EBKn. Har leds ocksa denluft som passerat i bypass-kanalen in i EBKn och om ytterligare dragkraft onskas,anvands denna luft till forbranning i EBKn. Detta gor att temperatur och tryckokar annu mer, med okad dragkraft som resultat. Med slackt EBK passerar all gasrakt igenom EBKn utan forbranning.
Forutom att accelerera luft, driver aven RM12 elgenerator och hydraulpump.Dessa drivs av hogtrycksrotorn via en vaxellada.
2.2 Reglering av dragkraft
Det ar piloten som styr hur stor dragkraft RM12 ska ge, detta anges genom attgasreglaget stalls i en viss vinkel. Vinkeln benamns manoverarmvinkel eller PowerLever Angle (PLA).
RM12 ar utrustad med en elektronikenhet med uppgift att bl.a. reglera motorn.Nyare motorer ar utrustade med en elektronikenhet som kallas Full Authority Digi-tal Engine Controller (FADEC). Tidigare motorer har en elektronikenhet som kal-
1FVG – Fan Variable Geometry2CVG – Compressor Variable Geometry
2.2 Reglering av dragkraft 7
las Digital Engine Controller (DEC). Skillnaden ar att FADEC har tagit over vissareglerfunktioner som pa tidigare motorer var hydromekaniska. Dessutom kopplasFADEC direkt till den databuss som finns i flygplanet, tidigare elektronikenheterkravde en anpassningsenhet mellan flygplan och DEC.
Det ar reglersystemets uppgift att omvandla PLA till motsvarande dragkraft formotorn. PLA definierar aven ett antal arbetspunkter for motorn enligt tabell 2.2.
Arbetpunkt Beskrivning PLAMTG (GI) Marktomgang ≈ 18◦
FTG (FI) Flygtomgang ≈ 28◦
MS (IRP) Maximal karnmotor med Slackt EBK ≈ 101◦
MT (MaxAB) Maximal karnmotor med Tand EBK ≈ 131◦
Tabell 2.2. Arbetspunkter RM12. Forkortningar inom parantes anger motstvarande eng-elsk forkortning.
Definitionsmassigt delas jetmotorer in i ett antal snitt, detta galler aven RM12.Placering av dessa snitt framgar av figur 2.2. I denna figur ar aven mat- och styr-signaler som anvands for reglering av RM12 utsatta. Da en viss signal anges, iden-tifieras denna av en bokstav foljt av en siffra, t.ex. T5 anger temperaturen i snittet5. For vissa signaler placerade mellan tva snitt anges tvasiffriga tal, t.ex T25 arplacerad i snittet 2.5. For reglering anvands fem styrsignaler och dessa aterfinns itabell 2.3. Dessutom finns atta matsignaler som anvands av reglersystemet for attberakna styrsignaler, dessa matsignaler ar uppstallda i tabell 2.4.
1 2 21 25 3 41 5 6 7 8 9
BurnerHP LP
Afterburner Nozzle
Burner
Bypass Duct
0
Fan Comp TurbinesIntake
FVG CVG WFM WFR A8
T1, P1 NL NH PS3 T5, P5T25
Figur 2.2. Schematisk bild over RM12.
Reglersystemets funktion ar i princip enligt foljande: For gaspadrag upp tillPLA ≈ 101◦, P-regleras i huvudsak NH. Referensvardet for NH ges av ett ta-
8 RM12
Styrsignal Beskrivning EnhetA8 Variabel utloppsarea m2
CVG Kompressorns stallbara ledskenor ◦
FVG Flaktens stallbara ledskenor ◦
WFM Bransleflode till karnmotorns brannkammare kg/sWFR Bransleflode till efterbrannkammare kg/s
Tabell 2.3. Styrsignaler for RM12.
Matsignal Beskrivning EnhetNH Varvtal hogtrycksrotor rpsNL Varvtal lagtrycksrotor rpsP1 Totaltryck i inloppet kPaP5 Totaltryck efter turbiner kPaPS3 Statiskt tryck efter kompressor kPaT1 Flaktinloppstemperatur KT25 Kompressorinloppstemperatur KT5 Temperatur efter turbiner K
Tabell 2.4. Matsignaler for RM12.
bellvarde som i sin tur ar en funktion av PLA och T25. Styrsignal for denna regler-storhet ar bransleflodet in i brannkammaren. Den tabell som anger referensvardefor NH har kompenserats for det kvarvarande reglerfel som erhalls vid P-reglering.For padrag storre an PLA ≈ 101◦ anvands NL for reglering av karnmotorn ochreglerfunktionen ar av PI-typ. Dessa bada reglerfunktioner overmannas sedan avett antal andra funktioner (max- eller minfunktioner) for att tillse bl.a. att:
• bransle-lufttalet ar lampligt ur forbranningssynpunkt
• utslocking ej sker
• pumpning i motorn ej sker
• hoga temperaturer med varmeskador som foljd undviks
• mekaniska pafrestningar ej blir for stora.
Styrsignalerna CVG och FVG styrs utifran en tabell dar varvtal och inloppstem-peratur ar inparametrar. A8 styrs for PLA. 101◦ efter tabell. For PLA& 101◦
anvands A8 for begransing av T5-vardet. Om T5-medelvardet overstiger en visstemperatur oppnas A8 vilket leder till sankning av T5.
For reglering av EBK anvands oppen styrning med WFR som styrsignal. Vissaterkoppling finns dock, t.ex. kontrolleras att EBKn ar tand da bransle sprutas ini denna. Ytterligare information om reglersystemet ges i [FMV98, Joh94].
2.3 Stalldon och sensorer 9
2.3 Stalldon och sensorer
I det foljande ges en kort presentation av stalldon och matgivare i processenRM12 [FMV98].
2.3.1 Variabla utloppsarean
Variabla utloppsarean A8 styrs mekaniskt av ett hydrauliskt servo. Styrsignal forA8 genereras i FADEC. En lagesgivare mater aktuell A8.
2.3.2 Ledskenor
Ledskenorna CVG och FVG styrs av hydraliska servon. Styrsignaler for dessa ge-nereras i FADEC. Aktuell CVG- och FVG-vinkel mats av lagesgivare.
2.3.3 Bransleflode
Bransleflodet WFM erhalls i princip av en ventil som styrs av ett hydrauliskt servo.Ventilens oppningsgrad motsvarar onskat bransleflode och oppningsgraden mats aven lagesgivare. Trycket i branslesystemet halls konstant och darfor blir bransleflodetsom funktion av oppningsgrad tillrackligt noggrant. Efter denna ventil leds branslegenom ror ut till arton branslespridare jamnt fordelade runt om i brannkammaren.
2.3.4 Varvtal
Hogtrycksrotorns varvtal (NH) beraknas som funktion av vaxelspanningen fran el-generatorn kopplad till denna rotors axel. Tva storheter som anger NH erhalls frandenna; frekvens och spanning. Bada dessa storheter okar med varvtalet. Genera-torns huvuduppgift ar att generera elektricitet till flygplanets ovriga system, menger ocksa aktuellt NH.
Lagtrycksrotorns varvtal (NL) mats av tva induktanssensorer placerade viddet andra flaktsteget. Dessa ar placerade med ca 90◦ mellanrum pa flaktmantelnsunderdel. Sensorerna bestar av permanentmagneter och en stromspole. Varje sko-velblad som passerar ger upphov till att en strom induceras i dess stromspole. Daflera skovlar passerar, ger detta en vaxelstrom vars frekvens motsvarar aktuelltvarvtal multiplicerat med antalet skovlar. De tva sensorerna ar ihopkopplade ochdet ar endast den sammanlagda vaxelstrommens frekvens som mats i FADEC. An-ledningen till att tva sensorer anvands har sin forklaring av att vissa skovlar intealltid detekteras p.g.a. slitage eller dylikt och det kravs denna redundans for att fatillrackligt noggranna matningar.
2.3.5 Lufttryck
Tryck mats via ett ror som leder luften till en balg dar trycket mats. P1 ochP5 ar totaltryck medan PS3 ar statiskt tryck. Skilladen mellan statiskt tryck ochtotaltryck ar att det statiska trycket ar det tryck en observator som foljer med
10 RM12
luftstrommen mater, medan totaltryck ar statiskt tryck plus det tryck som orsakasav att luftstrommen trycker mot en yta – dynamiskt tryck. I praktiken mats statiskttryck i ett ror borrat vinkelratt mot luftstrommen medan totaltryck mats i ett rorparallellt med och oppet mot luftstrommen.
2.3.6 Temperatur fore branslekammare
Temperaturerna T1 och T25 mats vardera av en termistor som matas med enkonstant likstrom. Okad temperatur ger okad resistans vilket innebar en okandespanning.
2.3.7 Turbinutloppstemperatur
I karnmotorn har gasen sin hogsta temperatur da den passerar forbranningskam-maren. Hog temperatur ar onskvart eftersom det ger storre effektuttag. Problemetmed hog temperatur ar att turbinerna slits snabbare och alltfor hoga temperaturerkan orsaka turbinhaveri. Darfor ar det viktigt att begransa temperaturen straxinnan turbinerna, T41. I RM12 mats inte T41 utan det ar temperaturen bakomturbinerna, T5, som mats. T5 och T41 antas korrelera val och darfor begransas T5istallet for T41. For att sanka T41/T5 oppnas utloppsarean A8.
T5-sonder
T5 mats inte i snitt 5 utan i snitt 5.58. Det finns atta T5-sonder placerade med45◦ mellan varje sond. Sondernas placering framgar av figur 2.3. Varje sond ar etttermoelement3, dar varje enskilt termoelements spanning mats inne i FADECen. IFADECen beraknas sedan medelvardet for T5 utgaende fran de atta sondvardena.Detta varde anvands sedan for reglering.
T5-termoelementens bada metaller ar aluminium och krom. Denna metallkom-bination ger termoelementen ett arbetsomrade pa [300, 1400] K och en matonog-grannhet pa ±5 K. Sondernas dynamik beror pa akuellt padrag, vilket forklarasav att okande temperatur ar lika med okande luftflode och detta gor att sonder-na varms snabbare vid hoga temperaturer/hogt luftflode. Sondernas tidskonstantligger mellan 1.1 och 4.2 s [Nor02, Ste03]. Aven sondernas langd varierar, udda num-rerade sonder ar langre an jamnt numrerade sonder. Denna langdvarition framgarav figur 2.3.
2.4 Nuvarande diagnossystem
Den feldiagnos som for narvarande finns implementerad i RM12 ar endast sa kalladlimit-checking, d.v.s. kontroll att de olika matvardena ligger inom ett fordefinieratintervall. Om nagot matvarde ar utanfor detta intervall felmarks denna matning.
3Ett termoelement bestar av tva olika metaller ihoplodda i den punkt dar temperaturen mats.Okas temperaturen i denna punkt okar aven den elektriska spanningen mellan metallerna.
2.4 Nuvarande diagnossystem 11
1
2
3
4
5
6
7
8
Figur 2.3. T5-sondernas placering och langd i snitt 5.58 sett fran utloppsmunstycket.Figuren ar ej skalenlig och visar endast korrekt placering, sondernas langd ar endastprincipiell.
For t.ex. T5 ar tillatet omrade sondernas arbetsomrade [300, 1400] K. Om nagonsond ligger utanfor detta intervall felmarks den.
12 RM12
Kapitel 3
Systemidentifiering
Att skapa modeller for att dra slutsatser om verkligheten ar vetenskapens karna.Modellerna – hypoteserna, naturlagarna, paradigmerna – har alla den gemensammanamnaren att de skapats utifran observationer av verkligheten. I princip kan nyamodeller bara skapas utifran nagon typ av systemidentifiering. Att bygga fysikaliskamodeller ar att anvanda sig av delmodeller som i grunden bygger pa observationerd.v.s. systemidentifiering av de olika delsystemen.
I detta kapitel presenteras grundlaggande teori om systemidentifiering somanvands i senare kapitel. Utforligare teori om linjar och olinjar systemidentifieringges i [Lju99] respektive [Nel01]. Allman teori om modeller och modellbygge aterfinnsi [LG03]. For praktiskt bruk finns det olika datorverktyg: systemidentifieringen somutforts i samband detta examensarbete har gjorts med Matlabs verktyg SystemIdentification Toolbox och Neural Networks Toolbox, [Lju03] respektive [DB03].
En framgangsrik identifering kraver att hansyn tas till ett par viktiga punkter.Nagra av de viktigaste punkterna ar:
Vilket typ av system ska identifieras? Ar systemet linjart eller olinjart? Sta-tiskt eller dynamiskt? SISO, MISO, SIMO eller MIMO?
Vilka signaler ska anvandas? Vad ar signal till brusforhallandet? Vilka signalerkan tankas paverka utsignalen?
Vilket samplingsintervall kravs? Vikningsdistorsion maste undvikas. Snabbatransienter maste upptackas. Lampligt samplingsintervall aterfinns i narhetenav systemets tidskonstanter.
Hur ska matdata behandlas? Kravs filtrering for att t.ex. fa fram intressan-ta frekvenskomponenter eller ta bort vikningseffekter? Avlagsna uppenbartfelaktiga data, t.ex. outliers.
Hur mycket data kravs? Generellt kravs mycket data, men data maste ocksavara informationsrik.
13
14 Systemidentifiering
¾
½
»
¼¾
½
»
¼¾
½
»
¼¾
½
»
¼
¾
½
»
¼
¾
?
-¾
? ?
¾
?
?
?
-
¾
?
¾
Experiment-design
Studera ochpolera data
Behovsfiltrering?
Valjmodellstruktur
Valj anpassnings-kriterium
Berakna modell
Utvardera modell
Start
Ok
Ej ok
Figur 3.1. Identifieringens kretslopp. Rektanglar: utfors bast pa dator. Ovaler: in-genjorens uppgift [Lju99, LG03].
Hur ska systemet exciteras? En konstant insignal later inte systemets dyna-mik visa sig. En insignal bor ha sa stort frekvensinnehall att systemets fre-kvensegenskaper visar sig.
Vilken modellstruktur ska anvandas? En stor mangd modellstrukturer finns.Valet maste baseras pa grundlaggande kunskaper om systemet.
Vilket anpassningskriterium ska anvandas? Hur ska skattningens avvikelsefran matvardet straffas?
Vad ar en tillrackligt bra modell? Detta beror i stor grad pa tillampningen.
Att veta vad som ar en bra modell kanske visar sig forst da modellen anvands inagon tillampning, t.ex. feldiagnos. Om modellen inte var tillracklig kanske dettamedfor att ett annat anpassningskriterium maste anvandas. Detta innebar att fleraolika moment i allmanhet maste upprepas i identifieringsprocessen. En beskrivandebild for arbetsgangen vid systemidentifiering visas i figur 3.1. Att fler varv an ett
3.1 Linjar systemidentifiering 15
maste goras i identifieringsloopen ar snarare en regel an ett undantag.I princip kan systemidentifiering utforas i antingen tidsplanet eller i frekvens-
planet. Nedan tas endast systemidentifiering i tidsplanet upp, dessa modeller somskattas i tidsplanet kallas med ett gemensamnt namn parametriska modeller. Nardet galler linjar systemidentifiering tas i praktiken aven hansyn till vissa frekven-segenskaper.
3.1 Linjar systemidentifiering
Att avgora om nagot ar linjart ar en ren filosofisk fraga. I systemidentifierings-hanseende handlar det framst om att ta fram en linjar modell som kan forklarasystemets beteende. Systemet i sig behover inte vara linjart for att en sadan modellanda kan beskriva systemet tillrackligt bra.
3.1.1 Linjara dynamiska modeller
En linjar dynamisk modell kan skrivas pa formen:
y(t) = G(q)u(t) + H(q)e(t) (3.1)
dar u(t) ar insignal till systemet, e(t) ar gaussiskt vitt brus och y(t) ar systemetsinsignal. G(q) och H(q) kan skrivas som:
G(q) =B(q)F (q)
och H(q) =C(q)D(q)
(3.2)
dar B(q), C(q),D(q) och F (q) ar polynom. Ordningen pa dessa beskrivs av pa-rametrarna nb, nc, nd respektive nf . Beroende pa hur dessa polynom valjs kanolika modellstrukturer skapas. De vanligaste klasserna ar ARX, ARMAX, OE ochBJ. Om t.ex. D(q) ≡ F (q) och C(q) ≡ 1 erhalls en ARX-modell. Pa motsvarandesatt kan andra modellstrukturer skapas. Praktiskt ar det upp till anvandaren attbestamma ordningen pa dessa polynom. I tillagg finns aven parametern nk, dennaavser tidsfordrojningen mellan insignal och utsignal.
Ett annat satt att skriva linjara modeller ar pa tillstandsformen:
x(t + Ts) = A(θ)x(t) + B(θ)u(t) + w(t)y(t) = C(θ)x(t) + D(θ)u(t) + v(t) (3.3)
dar w(t) ar processbrus och v(t) ar matbrus.Strukturerna (3.1) och (3.3) ar de enda val som i praktiken finns for linjar
systemidentifiering.
3.1.2 Parameterskattning
Nar en struktur valts aterstar skattning av parametrarna i denna. En hel del me-toder for denna skattning har hamtats fran statistiken, sa ocksa en del termi-nologi. Parametrarna i en viss modellstruktur betecknas med vektorn θ. For en
16 Systemidentifiering
modell dar parametrarna skattats anges dessa med θ. De signaler som ar insigna-ler vid identifieringen kallas regressorer och regressionsvektorn betecknas ϕ(t) =(u(0), y(0), . . . , u(t), y(t)). Ska en dynamisk modell skattas aterfors gamla utsigna-ler ocksa som regressorer, darav namnet auto-regression (AR). Ett exempel pa enskattad modell ges nedan:
Exempel 1Ett visst SIS0-system har insignalen u(t) och utsignalen y(t). En beskrivande mo-dell for systemet har antagits vara:
y(t) = a1y(t− 1) + a2y(t− 2) + b1u(t− 1) + b2u(t− 2)
Parametervektorn θ = (a1, a2, b1, b2)T skattas till:
θ = (a1, a2, b1, b2)T
dar regressionsvektorn var:
ϕ(t) = (y(t− 1), y(t− 2), u(t− 1), u(t− 2))
Den skattade modellen kan saledes skrivas som:
y(t) = ϕ(t)θ = a1y(t− 1) + a2y(t− 2) + b1u(t− 1) + b2u(t− 2)
Som matt pa hur bra en skattning fran en viss modell, anvands ofta predik-tionsfelet:
ε(t, θ) = y(t)− y(t|θ) (3.4)
En bra modell ar en sadan att prediktionsfelet (3.4) ar litet for t = 1, 2, ...N . Foratt gora (3.4) sa litet som mojligt, kan det filtreras genom ett linjart stabilt filterL(q):
εF (t, θ) = L(q)ε(t, θ), 1 ≤ t ≤ N (3.5)
Anvand sedan:
VN (θ) =1N
N∑t=1
l(εF (t, θ)) (3.6)
dar l(·) ar nagon skalarvard (typiskt positiv) funktion. Skattningen θ definieras daav:
θ = arg minθ∈DM
VN (θ) (3.7)
Vad som ar litet beror alltsa pa L(q) och l(·).Att skatta θ via (3.7) och pa andra liknande satt kallas for prediction error
identification methods (PEM). Om L(q) = 1 och l(ε) = 12ε2 erhalls ett specialfall
av (3.7), mer kant under namnet minsta kvadratmetoden.
3.2 Olinjar systemidentifiering 17
For skattning av (3.3) tillkommer problemet med att skatta tillstanden x(t).Om tillstanden vore kanda skulle skattningen reduceras till minimeringen (3.7).For att fortydliga detta pastaende skrivs (3.3) som:
Y (t) = ΘΦ(t) + E(t) (3.8)
dar
Y (t) =[
x(t + 1)y(t)
], Θ =
[A BC D
], Φ(t) =
[x(t)u(t)
]och E(t) =
[w(t)v(t)
]
Det ar uppenbart att fran (3.8) kan Θ skattas med t.ex. minsta kvadratmetoden omtillstanden x(t) ar kanda. Dessa kan i sin tur skrivas som linjarkombinationer avk-stegs predikterade utsignaler som t.ex. kan erhallas fran ett Kalmanfilter. Givetdessa tillstand kan sedan tillstandsmatriserna (A, B, C och D) beraknas.
Praktiskt finns en hel del algoritmer for numerisk implementering av (3.7). Vidanvandning av datorverktyg ar dessa algoritmer valda pa forhand. De allra flestabygger pa nagon iterativ sokmetod dar gradienten m.a.p. θ for (3.7) anvands.
3.2 Olinjar systemidentifiering
Med olinjar systemidentifiering menas skattning av olinjara modeller. Praktisktskiljer sig inte denna typ av systemidentifiering sa mycket fran linjar sadan. Detsom sker ar en sokning efter optimum for nagon funktion liknande (3.7). Det somskiljer vid olinjara skattningar ar ofta att berakningen av denna gradient ar enbesvarligare procedur.
3.2.1 Lokala modeller
Ett system kan beskrivas av ett antal lokala modeller med utsignal y(k)(t), dark anger modell. Praktisk sker identifieringen av de olika modellerna i respektivearbetspunkt t.ex. med tekniken beskriven i stycke 3.1. Det som tillkommer ar attdet kravs en regimvariabel ρ, d.v.s. en parameter som styr vilken modell som skaanvandas. Identifieringen av varje lokal modell sker sedan pa datamangder dar ρhar nagot varde som motsvarar den lokala modellens arbetspunkt.
Vid simulering eller prediktion av dessa identifierade modeller anvands sedannagon viktfunktion wk som ar ett da ρ ar nara arbetspunkten for modell k och nollannars. Ofta ar det nodvandigt att anvanda nagon utslatningsfunktion for att fajamna overgangar mellan olika modeller. Ett viktig krav for wk ar:
∑
k
wk(ρ) = 1,∀ρ (3.9)
Nagra exempel pa wk ges i [LG03]. Utsignalen fran den totala modellen blir:
y(t) =∑
k
wk(ρ(t))y(k)(t) (3.10)
18 Systemidentifiering
3.2.2 Neuronnat
Neuronnat kommer av en ide som bygger pa att efterlikna hjarnan i mannskoroch djur. Utgangspunkten ar hjarnans neuroner och det natverk de bildar – ettneuronnat. Denna ide motiveras av hjarnans mojligheter nar det galler t.ex. larandeoch anpassning. Ett neuronnat bestar ett antal basfunktioner – neuroner, varsutsignal kallas aktiveringsfunktionen a(t). Dessa funktioner skrivs:
a(t) = f(b +d∑
i=1
wiui(t)) (3.11)
dar b ar nagon konstant, wi ar vikter och f(·) nagon olinjar funktion. Som synesar argumentet till basfunktionen f en linjarkombination av insignalerna u och kon-stanten b. Olika basfunktioner kombineras sedan och bildar ett neuronnat. En typav neuronnat kallas feedforward-neuronnat, dessa bestar av ett antal basfunktionersom bildar ett lager, signalerna fran ett lager gar vidare till antingen ett nytt lagereller som utsignal fran neuronnatet. Strukturen for ett feedforward-neuronnat visasi figur 3.2. Antalet basfunktioner kan liknas vid ordningen for neuronnatet. Andratyper av neuronnat ges i [Nel01].
Ett vanligt val av f i neuronnatssammanhang ar sigmoidfunktionen:
f(x) = σ(x) =1
1 + e−x(3.12)
och denna visas i figur 3.3.Andra exempel pa f i neuronnat ar en styckvis linjar funktion:
f(x) =
1, x ≥ 1x, −1 < x < 1−1, x ≤ −1
(3.13)
eller enhetssteget:
f(x) ={
1, x ≥ 00, annars (3.14)
I princip ar ett neuronnat inget annat an ett antal linjara modeller som viktas ihopberoende pa nagon eller nagra regimvariabler.
Skillnaden mellan lokala modeller och neuronnat ar hur de beraknas rent prak-tiskt. Den storsta skillnaden ligger i att vid skattningar av lokala modeller ar detupp till anvandaren att bestamma regimvariabler medan det vid skattningar avneuronnat sker ett automatiskt val av regimvariabler.
Ett annat begrepp inom neuronnatsteorin ar back-propagation. Ofta inkluderasdet i namnet for ett visst natverk, men egentligen har det att gora med hur optime-ringsalgoritmen for natverket ar implementerad. Det kallas back-propagation p.g.a.att prediktionsfelet skickas bakat i natverket for att uppdatera viktfunktionerna vidoptimeringen. Detta ar i princip en slags berakning av gradienten.
Hittills har endast statiska neuronnat diskuterats. Att infora dynamik innebarbara att aterfora gamla utsignaler som insignaler till natverket. Problemet som
3.2 Olinjar systemidentifiering 19
∑f
6
-
PPPqXXXz
³³³1
-
w1u1w2u2
...
wdud
b
a
N1
N2
Nl
Ny
@@
@@@RXXXXXz
¶¶
¶¶
¶¶7
@@
@@
@@
DDDDDDDDDDDDDDD
bb
bb
bb
bb
bb
bb
bbb
BB
BB
BB
BBB
...¡
¡¡
¡¡
¡¡¡µ
©©©©©©©©*
HHHHHHHHj
-y
u
Figur 3.2. Neuronnatsstruktur for ett feedforward-neuronnat med tva lager.
−8 −6 −4 −2 0 2 4 6 80
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figur 3.3. Sigmoidfunktionen.
20 Systemidentifiering
uppstar da ar ofta att optimeringen blir annu mer berakningskravande. Denna typav natverk kallas rekurrenta neuronnat.
3.2.3 Andra olinjara strukturer
Det finns ett antal andra olinjara modellstrukturer som kan namnas som oriente-ring:
Hammerstein-modell Lamplig for att beskriva ett system med linjar dynamikdar insignalen gar via nagon olinjaritet, t.ex. ventil, innan den paverkar sy-stemet. Ett exempel ar:
y(t) = 0.1 arctan(u(t− 1)) + 0.9y(t− 1)
Wiener-modell Lamplig for att beskriva ett system med linjar dynamik dar ut-signalen erhalls via nagon olinjar funktion. Exempel:
y(t) = arctan [0.1u(t− 1) + 0.9 tan(y(t− 1))]
NARX, NARMAX,. . . Ett annat satt ar att lata nagon olinjar (N – Nonlinear)funktion f(·) verka pa (3.1):
y(t) = f(u(0), y(0), . . . , u(t− 1), y(t− 1))
3.3 Modellordning
Att bestamma ordningstalet for nagon av modellstrukturerna (3.1), (3.3) eller nagotneuronnat ar upp till anvandaren. Det viktigaste ar att vara uppmarksam pa att enokning av ordningstalet ska motsvara en markant forbattring av modellens skatt-ningar.
3.4 Systemidentifiering under aterkoppling
Manga ganger kan endast systemidentifiering utforas pa data insamlade underaterkoppling. Detta beror ofta pa skal som sakerhet eller instabilitet hos processen.Det finns i princip tre angreppssatt:
Direkt Anvand insignal u(t) och utsignal y(t) precis som vid identifiering av oppnasystem och bortse fran eventuell aterkoppling.
Indirekt Anvand referenssignalen r(t) som insignal och y(t) som utsignal.
Samlad insignal-utsignal Anvand referenssignalen r(t) som insignal och u(t)och y(t) som utsignaler.
Generellt kan det sagas att det kravs bra brusmodeller for att erhalla en tillrackligtbra modellskattning vid identifiering under aterkoppling. Om ingen bra brusmodellkan erhallas ar det manga ganger battre att helt utesluta brusmodellen. Problemetmed aterkoppling ligger i att processbrus aterkopplas och forstarks.
3.5 Modellvalidering 21
3.5 Modellvalidering
Nar en modell skattats aterstar att avgora om modellen ar tillrackligt bra. Modell-validering handlar om att testa en skattad modellstrukturs varde. Vad som ar enbra modell beror helt pa andamalet. Den allra viktigaste punkten vid modellvali-dering ar att testa sin modell pa andra data an de som modellen skattades fran.Ett par vanliga matt for att utvardera hur bra en viss modell ar: residualanalys ochanpassning. En liten varning ar har pa sin plats: ordet residual anvands i denna rap-port bade vid modellvalidering och vid feldiagnos men betydelsen skiljer sig. Vadsom menas bor framga vid varje tillfalle. Inom neuronnatsteorin kallas valideringfor generalisering.
3.5.1 Anpassning
Anpassning ar ett matt mellan matvardet y och det simulerade eller predikterademodellvardet y. Anpassning definieras som:
anpassning ≡ 100(
1− ‖y − y‖‖y − y‖
)(3.15)
dar y ar medelvardet av matvardet och ‖ · ‖ ar vektornormen. Anpassningen kananta nagot varde mellan −∞ och 100, dar 100 motsvarar en perfekt modell ochanpassning mindre an 0 innebar att y ar en battre skattning an y.
3.5.2 Residualanalys
Iden for residualanalys ar att studera prediktionsfelen (3.4). Idealt ska ε(t) varaoberoende av insignalen u(t). Ett matt pa hur mycket av u(t) som aterfinns i ε(t)(prediktionsfelets beroende av insignalen) ar korskovariansen:
Rεu(τ) =1N
N∑t=1
ε(t + τ)u(t) (3.16)
Om {ε(t)} och {u(t)} ar oberoende och N stort sa ar (3.16) normalfordelat medmedelvarde noll och varians:
Pr =1N
∞∑
k=−∞Rε(k)Ru(k) (3.17)
dar Rε(k) och Ru(k) ar ε:s och u:s kovariansfunktioner. Vanligt ar att jamfora±3 · √Pr med Rεu(τ). Om Rεu(τ) ar storre eller mindre an beloppet av 3 · √Pr
kan detta vara en indikation pa att ε(t + τ) och u(t) ar beroende. Notera dock attom det finns korrelation for negativa varden pa τ sa ar detta en indikation pa attdata samlats in under aterkoppling.
22 Systemidentifiering
Om det aven finns en brusmodell inbakad i modellen bor residualerna av pre-diktionsfelet vid olika tidpunkter vara oberoende. Detta kan testas genom att
Rεε(τ) =1N
N∑t=1
ε(t)ε(t + τ) (3.18)
beraknas. Onskvart ar att Rεε(τ) ar noll for τ 6= 0. For τ = 0 ger Rεε(τ) variansenfor prediktionsfelet [LG03].
3.5.3 Grafisk utvardering
Ett enkelt satt att avgora om en modell ar bra ar att plotta skattningen tillsam-mans med matvardet. Detta ar en trivial sak att utfora men ska inte for den skullforsummas. Exempelvis kan felaktigheter i matdata upptackas.
De tre metoderna for modellvalidering finns alla implementerade i det grafiskaanvandargransnittet i Matlabs System Identification Toolbox.
Kapitel 4
Feldiagnos
dia|gnos [-gna’s] s. -en -er faststallande (o. angivande) av sjukdoms art,bestamning av fel o.d.
(Svenska Akademiens ordlista)
Diagnos ar ett brett begrepp som kanske framst forknippas med medicinska akom-mor. For den tekniskt intresserade lasaren innefattar kanske diagnos ocksa tek-niska processer. I princip skiljer inte en medicinsk diagnos sig fran en teknisksadan; givet ett antal symptom faststalls fel i det studerade systemet. Detta systemkan vara en manniska eller en turbojetmotor. I denna rapport avser diagnos fast-stallande av fel i tekniska system, i synnerhet processen RM12. Kapitlet beskriverden grundlaggande teorin for feldiagnos [NF03].
Inom feldiagnosen finns en del specifika begrepp:
Fel Ej tillaten avvikelse for nagon karakteristisk egenskap eller variabel for syste-met jamfort med acceptabelt/vanligt/standard/nominellt beteende.
Haveri Ett fel som helt avbryter ett systems mojlighet att utfora begarda uppgif-ter under nagot specificerat driftforhallande.
Storning En okand och okontrollerbar insignal som verkar pa systemet.
Feldetektering Att avgora om nagot ar fel i ett visst system, ofta aven tiden dafelet intraffade.
Felisolering Att avgora var felet ar, d.v.s. peka ut komponenter med fel.
Felidentifiering Att avgora storleken och tidsberoendet for ett visst fel.
Felanpassning Att konfigurera om ett system sa att driften kan fortsatta trotsnarvarande fel.
Feldiagnos Bade feldetektering och felisolering (i vissa fall aven felidentifiering).
23
24 Feldiagnos
Diagnos Diagnossystemet ger diagnoser. En diagnos ar en slutsats av vilka felsom kan forklara systembeteendet.
Falsklarm Handelsen att ett larm ges trots att det inte finns nagra fel.
Missat larm Handelsen att ett fel intraffar och diagnossystemet inte upptackerdet.
Aktiv diagnos Nar diagnos utfors genom att excitera systemet sa att mojliga felavslojas.
Passiv diagnos Nar diagnos utfors genom passiv overvakning utan nagon paver-kan av driften.
Feltolerant reglering Feltolerant reglering innefattar feldiagnos och darefter fel-anpassning sa att driften pa basta satt kan fortsatta med narvarande fel.
En vanlig forkortning inom feldiagnos ar FDI (Fault Detection and Isolation).
4.1 Fel och modellering av fel
Ett fel i en process innebar att nagot inte fungerar pa det satt som det ar me-ningen att det ska gora. Beroende pa vilken del av processen (se figur 4.1) feletupptrader i kan fel delas in i stalldonsfel, processfel och sensorfel. Processfel kallasaven systemfel eller komponentfel. Nagra exempel pa typiska processfel ar: okadfriktion, lackor, igentappning eller andrad massa. Sensorfel orsakas oftast av kort-slutningar eller avbrott pa ledningar. Stalldon kan vara delsystem i sig, bestaendeav ett antal komponenter och givare dar processfel och sensorfel kan uppsta. Avovan namnda fel ar processfel svarast att modellera. Bade sensorfel och stalldonsfelkan modelleras som additiva fel pa utsignal respektive insignal. Processfelen kraverofta ingaende kunskap om processen och hur de olika processfelen ska modelleras.
Stalldon Process Sensorer- - - -u(t) y(t)
Figur 4.1. Allman struktur for en process.
De olika felen kan ha olika beteende. Nagra typer av tankbara beteenden ar:
Abrupt permanent fel Stegfel, t.ex. kortslutning.
Drift Rampfel, t.ex. forslitning.
Intermittenta fel Aterkommande fel, t.ex. glappkontakt.
Modellering av fel maste bygga pa nagon observation eller liknande. Allmant kanfelmodellering delas upp i tre fall:
4.2 Residualer 25
Additivt fel: y = Ax + f
Multiplikativt fel: y = Axf
Parameterfel: y = (A + f)x
dar y ar utsignal, x ar tillstand eller insignal, A ar en godtycklig overforingsmatrisfran x till y och f ar felet [NF03].
4.2 Residualer
For att avgora om nagot ar fel i ett visst system kravs nagon form av redun-dans. Tva typer av redundans finns: hardvaruredundans och analytisk redundans.Hardvaruredundans innebar t.ex. att flera sensorer mater samma storhet och medanalytisk redundans erhalls olika jamforelsevarden fran t.ex. en modell av syste-met. Analytisk redundans innebar att olika matvarden jamfors med nagon modellav systemet.
En residual ar noll da inget fel ar narvarande och nollskilt da fel ar narvarande.Ett exempel pa en residual ges nedan:
Exempel 1Ett visst SISO-system kan modelleras som:
y(t) =1
s2 + 1.5s + 1u(t)
Systemets utsignal (matsignal) ar y(t). Da kan en residual erhallas som:
r(t) = y(t)− y(t) = y(t)− 1s2 + 1.5s + 1
u(t)
Sa lange inga fel ar narvarande ar r(t) = 0 och da nagot fel ar narvarande arr(t) 6= 0.
Ovanstaende exempel belyser det ideala fallet. I praktiken kravs ofta nagontroskel, d.v.s. larm ges forst da vardet pa residualen avviker fran 0 med nagotvarde storre an ett troskelvarde [NF03].
4.2.1 Influensstruktur
Vanligtvis kan flera olika fel intraffa i en viss process och dessa kan i sin tur ge upp-hov till ett antal beteendemoder. For att fa en oversikt pa hur felen och de olikaresidualerna ar sammankopplade kan felen och residualerna stallas upp i en influens-struktur. Ett exempel pa en influensstruktur ges i tabell reftab:exresidualstruktur.En nolla pa rad k och kolumn j anger att motsvarande fel j inte ger upphov tillatt residual k ger utslag. En etta betyder daremot att vid fel ger residualen utslag.Ett X anger att residualen kan ge utslag vid fel.
26 Feldiagnos
NF F1 F2 F3
r1 0 0 1 0r2 0 0 1 1r3 0 X 0 1
Tabell 4.1. Exempel pa influensstruktur.
Kapitel 5
Analys
Detta kapitel ar en genomgang av hur nagra av de fel som kan intraffa i RM12uppenbarar sig. Hur felen upptrader bygger dels pa intervjuver gjorda med personerpa avdelning motorsystem, Volvo Aero Corporation och dels pa resultat fran CFD1-berakningar [Bre02a]. Kapitlet avslutas med ett forslag pa en feldiagnos-algoritm.
5.1 T5-spridning
Matvardena fran de atta T5-sonderna skiljer sig. Denna variation beror i huvudsakpa tva saker: faktiska temperaturskillnader i de punkter sonderna mater och skill-nader beroende pa varje sonds status. Nar det galler faktiska temperaturskillnadertyder data fran inkorningsprov, d.v.s. prov da motorn ar precis ny, pa att langasonder mater ca 20 till 50 K lagre temperatur an korta sonder. CFD-analyser visarpa en T5-variation i tangentiell led2 upp till 20 K [Bre02a, Rin01].
Temperaturvariationer mellan T5-sonderna orsakade av mekaniska pafrestnin-gar och slitage ar helt slumpmassiga och framtrader efter det att motorn tagits idrift. Dock ar de individuella skillnaderna nastan konstanta vid olika medeltempe-raturer, ett av resultaten fran [Ste03] visar att T5-profilen inte ar slumpmassig forolika medeltemperaturer. Detta upptacktes genom att ett neuronnat tranades attskatta profilen givet en viss medeltemperatur. Det skattade neuronnatet galler en-dast for den motor som neuronnats-traningen skett pa. Figur 5.1 visar T5-profilenvid tre olika medeltemperaturer, dar varje medeltemperatur tagits vid tva skildatidpunkter under en testflygning. Dessutom visar figur 5.1 profilen fran det ovannamnda neuronnatet.
1CFD – Computational Fluid Dynamics2Med tangentiell led menas den led som motsvaras av ϕ om cylinderkoordinater anvands och
z-axeln gar langs motorns rotoraxel.
27
28 Analys
1 2 3 4 5 6 7 8540
560
580
600
620Medeltemp.[K] Tidpunkt [s]
T5−sond
K579.99937 1809.6580.01063 2916.3Neuronnätsprofil
1 2 3 4 5 6 7 8740
760
780
800
820Medeltemp.[K] Tidpunkt [s]
T5−sond
K
777.00375 1934.7 776.9925 2614.4Neuronnätsprofil
1 2 3 4 5 6 7 81120
1140
1160
1180
1200Medeltemp.[K] Tidpunkt [s]
T5−sond
K
1150 855.91150 1493.5Neuronnätsprofil
Figur 5.1. T5-profilen under flygprov vid medeltemperatur ≈580K, ≈777K och 1150K.Fyrkant och cirkel anger T5-profilen vid tva skilda tidpunkter och x anger en neu-ronnatsskattning.
5.2 Felyttring
Endast en begransad mangd fel och systembeteendet vid dessa fel studeras. Gi-vetvis kan aven andra typer av fel intraffa men dessa studeras inte i denna rap-port p.g.a. dess begransade omfattning. De tre feltyper som studeras ar: igensattbranslespridare i karnmotor, hal i outlet guide vane (OGV) och T5 sensorfel. Davissa av dessa fel intraffar kan resultatet bli forodande. Nedan beskrivs de olikafelen:
Igensatt branslespridare i karnmotor. Har skett en gang under inkorning irigg och orsakade ett haveri genom att en av lagtrycksturbinens skovlar gickav. Under inkorningen okades padraget stegvis upp till MS, vid detta padraghavererade motorn efter ca 3 min. Tre av branslespridarna visade sig senarevara igensatta och detta hade orsakat en staende vag i turbinerna. Vid MSoverensstamde denna vags frekvens med egenfrekvensen for lagtrycksturbinenvilket orsakade sa kraftiga vibrationer att en av skovlarna gick av [Kje94].
Hal i OGV. Har skett en gang under riggtest. For att kyla turbinbladen sprids
5.2 Felyttring 29
kyllyft fran ledskenorna mellan turbinerna. Vid ett tillfalle var ett av halensom slapper ut kyllyft deformerat, detta ledde till att for mycket kyllyftslapptes ut. Detta fel orsakade inget haveri men gav hogre dragkraft vid MSp.g.a. att en T5-sond kyldes och reglerssystemet lat medeltemperaturen forT5 oka som kompensation for detta [Fer93]. Detta fel ar viktigt att und-vika eftersom for hoga temperaturer avsevart forkortar motorns livslangd.Huruvida felet kan leda till haveri ar oklart.
T5 sensorfel. Ingen dokumentation finns om intraffade fel av denna typ. Haringen direkt paverkan, men kan paverka motorns reglerfunktion pa sammasatt som ovan beskrivet fel.
5.2.1 Generellt upptradande for fel
Hypotesen ar att ett kallt strak, orsakat av t.ex. en igensatt branslespridare ellerhal i OGV, behaller sin spridning over ett tvarsnitt av motorn fram till de sondersom mater T5, med viss vridning kring rotoraxeln da luften passerar nagon turbin.Denna hypotes forklaras av att genomstromningshastigheten ar hog, nara mach 1,och darfor sker liten spridning vinkelratt mot stromningsriktningen inne i motorn.Hypotesen stods aven av CFD-analyser [Bre02a].
0 10 20 30 40 50 60 70 80 90850
900
950
1000
1050
1100
1150
1200
1250
1300
K
Vinkel
Figur 5.2. CFD-berakning av T5-profilen da en igensatt branslespridare simuleras vidPLA = MS. Figuren avser temperaturen over ett kvarts varv i snitt 5.58. Sankan orsakasav det kalla strak som bildas bakom en igensatt spridare.
30 Analys
I figur 5.2 visas resultat fran en CFD-simulering med igensatt spridare, figurenvisar en ogonblicksbild av temperaturen i snitt 5.58 over ett kvarts varv. Tem-peraturen i ett kallt straks minimum ligger ca 300 K under temperaturen i ickepaverkade regioner vid PLA=FTG. Vid PLA=MS ar temperatursankningen i ettkallt straks minimum ca 400 K (ej visat i figur 5.2). Det kalla strakets utbredningi tangentiell led ar ca 30◦ (figur 5.2).
5.2.2 Igensatt branslespridare
I forbranningskammaren finns 18 branslespridare jamnt fordelade kring rotoraxeln.Om en eller flera branslespridare tapps igen leder detta till att ovriga branslesprida-re sprutar in mer bransle. Nedan listas handelseforloppet vid detta fel (figur 5.3):
1. Om nagon eller nagra branslespridare satts igen sker ingen forbranning bakomdessa. Detta leder till en lagre temperatur bakom dessa spridare jamfortmed temperaturen bakom ej paverkade branslespridare. Dessutom kommerbransleflodet fran ej paverkade spridare oka p.g.a. att bransle som egentligenskulle spridits fran igensatta spridare leds vidare till icke igensatta spridare.
2. En ojamn fordelning av bransle/forbranning och darmed ojamnt fordelattryck pa turbinerna orsakar tva fenomen:
• Turbinverkningsgraden ηt sanks och darmed sanks ocksa rotorvarvtalet.
• Turbinernas rotation och den ojamna fordelningen av trycket pa turbi-nerna ger upphov till tryckoscillationer.
Da detta fel intraffade var tre branslespridare igensatta, vilket gav 5% lagreηt. Dessutom havererade motorn vid PLA=MS genom att en av turbinensskovlar gick av. Detta berodde pa att tryckoscillationerna overensstamde meden egenfrekvens for lagtrycksturbinen vilket orsakade sa kraftiga vibrationeratt en av turbinens skovlar gick av [Kje94].
3. Eftersom varvtalet ar reglerstorhet och bransleflodet dess styrsignal, kom-mer bransleflodet okas som kompensation for sankt turbinverkningsgrad (ochdarmed sankt rotorvarvtal). Detta innebar att temperaturen bakom ej paverkadesonder okas ytterligare.
4. Fran forbranningskammaren avges nu strak med kall och varm gas. Da dessapasserar turbinerna kommer straken att vridas. Vridningens vinkel beror paaktuellt rotorvarvtal, dar okat varvtal innebar storre vridningsvinkel. EnligtCFD-analyser [Bre02b] ar vridningen vid PLA=65% 59◦ och vid PLA=MS68◦.
5. Temperaturen i de kalla straken okar med okande rotorvarvtal. Detta eftersomluften tidigare passerat flakt och kompressor dar den komprimerats vilketocksa innebar en temperaturokning. De varmare straken har en temperatur
5.2 Felyttring 31
¾
½
»
¼Igensatt
branslespridare
?#
"
Ã
!
Lagre temp.bakom paverk-ade spridare
?¾
½
»
¼Ojamn fordelning
av bransle¾
?
¾
½
»
¼Tryckoscillationer
Under langre tid
?¾
½
»
¼Skovelhaveri
¾
½
»
¼Sankt
rotorvarvtal
?#
"
Ã
!
Motsvarar varvtaletaktuellt referensvarde,reglermassigt? (P/PI)
-
?
Nej
Ja
#
"
Ã
!
Reglera,d.v.s. oka
bransleflodet¾
?#
"
Ã
!
Hogre temp.bakom icke paverk-
ade spridare
#
"
Ã
!
Ar T5-vardetunder maximalttillatet varde?
¾
?
Nej
Ja
#
"
Ã
!
Reglera, d.v.s.oppna utlopps-
arean A8-
¾
½
»
¼Stationardriftpunkt
Figur 5.3. Handelseforlopp da nagon branslespridare satts igen.
nagot hogre an normalt3. Detta innebar att den den medeltemperatur sommats kommer vara nara normal.
6. Om medeltemperturen T5 overstiger maximalt tillaten temperatur okas areanA8 for att sanka T5.
3Med normala omstandigheter menas det felfria fallet. Alternativt kan detta vara en modelleradtemperatur.
32 Analys
5.2.3 Hal i OGV
Om kall luft slapps in nagonstans i turbindelen, kommer detta generera ett kalltstrak. Det antas att detta hal ar mellan snitt 4.1 och 5.58. Handelseforloppet blir(figur 5.4):
¾
½
»
¼Hal i OGV
XXXXXXz»»»»»»9 ¾
½
»
¼Lagre T5-medeltemp.
an normalt
¾
½
»
¼T41-medeltemp. mot-
svarande aktuellt varvtal
Vid hogre padrag d.v.s. da karnmotorn opererar nara maximalt varvtal? ?¾
½
»
¼T5-medeltemp. undermaximalt tillatet varde
?
¾
½
»
¼T41-medeltemp. hogre
an tillatet
? ¾
½
»
¼Reglera om T5 > maxtillatet varde (A8)
6¾
½
»
¼Risk for
varmeskador i turbin
Figur 5.4. Handelseforlopp da felet hal i OGV intraffar.
1. En eller flera T5-sonder som ligger i det kalla strak som bildas, kommer attvisa ett lagre varde an normalt. De sonder som inte ligger i kalla strak visarnormala temperaturer. Da detta fel intraffade under korning i testrigg, vidpadrag mellan MS och MT, kyldes sond 2 (se figur 2.3) ca 130 K jamfort medvardet efter att felet atgardats. Detta fel gav da upphov till att medeltempe-raturen minskade 20 K jamfort med normalt [Fer93].
2. Reglering av T5 sker endast for PLA&MS och da genom maxbegransning forT5-medelvardet. Styrsignal ar arean A8, dar A8 okas for sankning av T5.
3. Eftersom medelvardet som erhalls fran de atta sonderna ar lagre an normaltoch darmed korrelerar samre med T41-vardet, kommer T41-vardet vara hogrean tillatet aven nar T5-vardet ar lagre an tillatet. Detta innebar att risk forvarmeskador pa turbinen foreligger.
4. Det ar mojligt att nagon av kylluftspridarna ar sa deformerad att ingen kyllyftslapps igenom, detta kan da leda till ett varmare strak istallet for ett kalltstrak.
5.2.4 T5 sensorfel
I princip kan en felaktig sond generera ett godtyckligt varde. Dock ar det troligastatt en paverkad sond ger ett lagre varde an icke paverkade sonder. Ett sensor-
5.3 Feldiagnos 33
fel paverkar inte processen direkt utan endast via reglersystemet. I stort sett borfelprofilen vara liknande felprofilen for hal i OGV. Skillnaden bor dock vara attderivatan av T5 ar helt annorlunda an derivatan for icke paverkade sonder. Dettroligaste ar att derivatan for en paverkad sond ar konstant noll, med hansyn tagettill eventuellt brus.
5.3 Feldiagnos
Ett mal med detta examensarbete var att ta fram en enkel feldiagnos-algoritm.D.v.s. en algoritm som bade detekterar och isolerar fel. Denna algoritm masteberakna residualer som bygger pa nagra av de ovan diskuterade felyttringarna. Detar givetvis mojligt att generera residualer baserat pa samtliga felyttringar men foratt begransa denna rapports omfattning studeras endast en algoritm baserad paen delmangd av ovanstaende felyttringar.
5.3.1 Residualer for feldiagnos
Av de ovan namnda felyttringarna kan troligen de tydligaste residualerna skapasfran temperaturvariationer mellan T5-sonderna och fran minskad turbinverknings-grad ηt. For temperaturvariationer i T5 kan varje enskilt T5-sondvarde jamforasmed ett modellerat T5-varde. Detta kan vara baserat pa andra matsignaler somt.ex. varvtal, bransleflode m.m. Dessutom kan tidsderivatorna for de olika T5-sonderna studeras. Ett problem med att stuera derivator ar att i praktiken paverkarmatbrus residualen. En residual for minskad turbinverkningsgrad tas ocksa fram.Dessa residualer tas fram m.h.a. linjar och olinjar systemidentifiering beskriven ikapitel 3.
Ett problem med kalla strak ar att utbredningen av dessa ar ca 30◦ i tangentiellled (enligt CFD-berakningar) och att T5-sonderna sitter med 45◦ mellanrum. Omdet antas att sannolikheten att den vinkel som det kalla straket har sitt minimum iar likformigt fordelad pa intervallet [0◦, 360◦], innebar detta att sannolikheten attstraket ligger mittemellan tva sonder ar (45− 30)/45 = 0.333... med foljden att ettkallt strak endast paverkar nagon T5-sond med sannolikhet 0.667... Sankt turbin-verkningsgrad borde daremot alltid upptackas (med en perfekt residualgenerator)oberoende av den vinkel det kalla straket har sitt temperaturminimum i. Dettainnebar att rotorvarvtalet bor vara en viktig parameter for residualgenerering avsankt turbinverkningsgrad. Foljande residualer skapas:
ri, (i = 1...8) – temperaturavvikelse fran modellerat varde for T5-sond i.
rj , (j = 9...16) – avvikelse mellan tidsderivatan av matvarde och tidsderivatan avmodellvarde for T5-sond j − 8. Kan endast detekteras under transienter.
r17 – sankt turbinverkningsgrad ηt. Sjalva residualen raknas inte ut utan istallettas en teststorhet fram direkt genom olinjar systemidentifiering (neuronnat).
34 Analys
NF F1 F2 F3
Ti 0 X X XTj 0 0 0 XT17 0 1 0 0
Tabell 5.1. Beslutsstruktur for feldetekteringsalgoritmen. NF anger felfria fallet, F1
anger felet igensatt spridare, F2 anger felet hal i OGV och F3 anger T5-sensorfel. Ti
anger att temperaturavvikelsen mellan modellvarde och matvarde ar nollskilt for sondi, (i = 1....8), Tj anger att skillnaden mellan tidsderivatan av modellvarde och matvardear nollskilt for sond j − 8, (j = 9...16), och T17 avser sankt turbinverkningsgrad ηt.
Baserat pa ovanstaende residualer tas en influensstruktur fram enligt tabell 5.1 darteststorhet Tk erhalls fran motsvarande residual rk, k = 1...17.
Narmare studie av tabell 5.1 visar att F1 kan isoleras enbart fran T17 ochmojligheten att isolera F2 fran F3 ar begransad, om t.ex. Ti ger utslag men Tj
och T17 inte ger utslag kan det inte avgoras om F2 eller F3 har intraffat. Medandra ord kan inte perfekt avkoppling mellan F2 och F3 goras. Det viktigaste aranda att kunna peka ut F1 eftersom detta fel medfor en stor risk for omedelbartprocesshaveri. Dessutom har inte felutpekning av sond angetts i tabellen, det arunderforstatt att den teststorhet som ger utslag motsvarar angiven sond for detaktuella felet.
En principiell beskrivning av den slutgiltiga diagnosalgoritmen ar enligt nedan:
Diagnos-algoritm T5 RM12
1. Om T17 sann satt F1 sann, ga till 5.
2. For varje Tj , (j = 9...16) sann satt F3 sann, satt samt peka ut motsvarandesond, ga till 5.
3. For varje Ti, (i = 1...8) sann satt F2 och F3 sann samt peka ut motsvarandesond.
4. Om Tk, ∀ k falsk satt NF sann.
5. Slut.
Notera att ovan beskrivna algoritm forutsatter enkelfel, om t.ex. multipelfelet F2
och F3 intraffar kommer algoritmen endast ge larm for fel F3. Fullstandiga imple-menteringen ges i bilaga B.
Kapitel 6
Modellering
For att studera felens inverkan pa processen RM12 gjordes en modifiering av VACsbefintliga simuleringsmodell RM12System [Har03]. Denna modell ar implementeradi MatrixX – Systembuild. Figur C.1 i bilaga C visar anvandargransnittet.
6.1 Modifiering
Utgaende fran felanalysen i kapitel 5 modifierades den befintliga modellen1 for attsimulera olika fel. Foljande modifieringar gjordes:
RM12System (Huvudmodell) Antalet insignaler okades fran noll till fyra insig-naler: PLA, Clogged_Nozzle, Hole_in_OGV samt Sensorfault. PLA har sittvanliga definitionsomrade [18,130]◦ och de ovriga insignalerna ar definieradepa intervallet [0, 1] dar noll innebar inget fel och ett innebar fullt utveck-lat fel. Antalet utsignaler okades fran 84 till 87 dar de tre nya utsignalernaar: Clogged_Nozzle, Hole_in_OGV samt Sensorfault d.v.s. samma signalersom matas in. Anledningen till att de olika felen matas direkt genom System-build ar for att erhalla signaler for felen med samma samplingsintervall somovriga utsignaler fran modellen.
F404 RM12 (Motormodell) Delsystemet utokades med en insignal for sankt turb-inverkningsgrad: Offset_turbine_efficency. Denna signal adderas till sig-nalerna: XETAT och XETA2T. Dessa signaler gar sedan in i blocket E5_TURBINESdar berakning av bl.a. varvtal for turbinerna gors.
RM12 Sensors (Sensormodell) Delsystemet utokades med atta insignaler:Offset_T5_probe_i, i = 1 . . . 8. Var och en av dessa signaler adderas tillmotsvarande sondsignal. Dessutom lades neuronnatet for T5 till for att erhallaindividuella variationer mellan de atta sonderna [Ste03].
1Den modell som lag i modellarkivet 2003-11-07
35
36 Modellering
Dessutom adderades ett nytt block Faults till systemmodellen med uppgift attberakna insignaler till de olika modifierade blocken. Denna modell tar fyra insigna-ler: Clogged_Nozzle, Hole_in_OGV, Sensorfault samt TT558 (medeltemperaturenT5). Detta block laser ocksa fran parametervektorn faults.param. Denna para-meter innehaller 12 konstanter som satts automatisk vid initieringen av modellen,men kan aven sattas manuellt om sa onskas. Betydelsen av de olika elementen ifaults.param ar:
1. Sankning av turbinverkningsgrad p.g.a. igensatt spridare. Satts till 0.05 vidinitiering.
2. Faktor for sankning av T5 for paverkade sonder vid felet igensatt spridare.Satts till 0.15 vid initiering.
3. Faktor for sankning av T5 for paverkade sonder vid hal i OGV. Satts till 0.15vid initiering.
4. Temperaturangivelse for paverkade sonder vid T5-sensorfel. En paverkad sondkommer ge detta varde oavsett padrag vid sensorfel. Detta varde satts slump-massigt till nagot varde pa intervallet [300, 900] K vid initiering.
5. Ange om sond 1 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
6. Ange om sond 2 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
7. Ange om sond 3 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
8. Ange om sond 4 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
9. Ange om sond 5 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
10. Ange om sond 6 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
11. Ange om sond 7 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
12. Ange om sond 8 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
Darutover finns en funktion for att tillse att antalet sonder som ar paverkade avnagot fel ar slumpmassigt mellan ett och atta. Fordelningen har valts sa att san-nolikheten att endast en av de atta sonderna modelleras som felaktig ar 0.95.
6.1 Modifiering 37
6.1.1 Validering felmodell
Som grund for felmodelleringen ligger analysen i kapitel 5. Utgaende fran dennaska systemet, da nagot fel simuleras, upptrada pa ett visst satt. Simuleringarnautfordes genom att processens initialtillstand sattes till PLA=FTG. Omgivandeatmosfar sattes till standardatmosfaren vid havsniva (SLS). Simuleringstiden var80 s. Tre padragsnivaer provades dar padraget under varje simulering sattes vidstartogonblicket till PLA={40,98,120}◦. Da felet igensatt spridare simulerades varPLA konstant under hela simuleringen och for de tva andra felen okades PLA medett steg om 10◦ under intervallet [40, 50] s.
De olika felen introducerades till systemet vid tidpunkten 20 s som ett rampfelsom vid 30 s var fullt utvecklat. Vid tidpunkten 50 s slogs felet av som en rampoch och var helt avvecklat vid 60 s. Simuleringen avbrots vid 80 s.
Figurer fran dessa simuleringar redovisas i bilaga C. Vid samtliga simuleringarhar T5-sond ett (T51) modellerats som paverkad av det kalla strak som bildasvid felen igensatt spridare och hal i OGV. Denna sond har ocksa modellerats somfelaktig da sensorfel simulerats. Som referens anges aven T52 som ar temperaturenfran en opaverkad sond samt medelvardet av samtliga T5-sonder (T5medel).
I figur 6.1 och figurer C.4-C.11 visas felbeteende vid olika fel och padrag, ifigurer C.12-C.14 visas motsvarande parametrar i det felfria fallet.
Hur systemet upptrader vid felet igensatt spridare och vid PLA=98◦ visas ifigur 6.1. De tio forsta sekunderna far anses vara transientbeteende. Vid t = 20 sintroduceras felet i systemet och tio sekunder senare ar felet fullt utvecklat. NLandras knappt alls under felet, detta beror pa att denna parameter ar reglerstorhetoch att regleringen ar av PI-typ. Daremot okas styrsignalen WFM som kompen-sation for sankt turbinverkningsgrad/sankt varvtal. Temperaturen for sonden T51
som modellerats som paverkad av det kalla straket sanks ca 150 K, medan T52 sommodellerats som opaverkad hojs nagra grader. Anledningen till detta ar det okadebransleflodet. Medeltemperaturen hojs nagra grader under felet och overstiger max-imalt tillatet varde, detta regleras genom att A8 oppnas. Ovanstaende stammer valoverens med det som antagits i kapitel 5.
Nagra observationer kring ovriga figurer ar:
• Vid felet igensatt spridare sanks NH och NL med nagra procent vid PLA=40◦,men vid PLA=98◦ och PLA=120◦ sanks endast NH (figurer C.4-C.5). Dettaberor pa att vid PLA=40◦ P-regleras NH, men vid PLA=98◦ och PLA=120◦
har regleringen overgatt till PI-reglering av NL.
• Temperaturen for opaverkade sonder hojs vid felet igensatt spridare (figu-rer C.4, 6.1 och C.5).
• Reglering av T5 med A8 sker for PLA=98◦ och PLA=120◦ for felet igensattspridare (figurer 6.1 och C.5).
• Reglering av T5 med A8 intrader aldrig i felfallen hal i OGV och T5-sensorfel.Detta beror troligen pa att temperaturen i det valda driftfallet ar tillrackligtlag for att A8-reglering aldrig kravs (figurer C.6-C.11).
38 Modellering
• Vid T5-sensorfel ar temperaturen i stationaritet konstant ca 1000 K oavsettpadrag (figurer C.9-C.11), precis som modellerats.
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=98
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
800
1000
1200
1400
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
Igensatt spridare
Figur 6.1. Simuleringsresultat vid PLA=98◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NH sanks ca 4 %,WFM okar ca 2 % och NL andras knappt alls da felet ar narvarande.
Kapitel 7
Resultat
I detta kapitel redovisas resultat fran utford systemidentifiering for skattning avtemperaturen T5, traning av ett neuronnat for upptackt av sankt turbinverknings-grad ηt samt utkomsten av feldiagnosalgoritmen.
7.1 Systemidentifiering T5
Systemidentifiering har utforts pa flygdata och pa data fran simuleringsmodelleni MatrixX. For medelvardet av T5 har en linjar tillstandsmodell skattats. Detstorsta problemet vid skattning av medelvardet for T5 ar att en modell som skat-tats pa flygdata och sedan valideras pa riggdata ger ca 50 K for hog medeltempe-ratur. Detta kan orsakas av luftkanalerna som finns strax innan motorns luftintag.Da motorn ar installerad i flygplan leds luften genom luftkanaler som orsakar frik-tionsforluster.
Som modellstruktur valdes en tillstandsmodell med tva tillstand utan brusskatt-ning. MOESP-algoritmen [Ver94] anvandes i en prediktionfelsmetod [Lju99, Lju03]i Matlabs System Identification Toolbox (SITB). Insignaler for tillstandsmodellenvaldes enligt tabell 7.1. Vissa av signalerna anges i ◦Rankine (stycke 1.5.1). Som
Namn Namn i datafil EnhetWFM ZWFM_SEL % oppningsgrad for bransleventilNH XNH_SEL % av maxvarvtalT1 T1_SEL ◦RPS3 PS3_SEL kPaT25 T25_VAL ◦RPS0 PS0 kPaPT5 PT56 kPa
Tabell 7.1. Insignaler vid skattning av tillstandsmodell. Observerva att vissa av signa-lerna anges i ◦Rankine.
39
40 Resultat
utsignal valdes T5 (T5_SEL ar namnet i datafil) [◦R]. Flygdata fran sex flygningaroch riggdata fran 24 riggprov sammanfordes i en enda stor datamangd (komman-dot merge i SITB). Flygdata var samplat med 7.5 Hz och riggdata var samplatmed 10 Hz. Nedsampling av riggdata till 7.5 Hz utfordes med enkel interpolationsa att flyg- och riggdata kunde anvandas tillsammans for skattning av modell.Enligt [Ste03] bor 7.5 Hz vara tillrackligt som samplingsfrekvens.
Den totala datamangden inneholl 192 848 sampel. Ingen forbehandling av databedomdes som nodvandig. Den diskreta modellen for samplingsfrekvens 7.5 Hzskattades da till:
x(t + 1) =(
0.98 1.10−0.00 0.80
)x(t) +
( −2.48 −5.51 −0.74 0.75 −0.80 2.98 −0.250.47 1.04 0.17 −0.09 0.11 −0.57 0.00
)u(t)
y(t) =( −0.56 0.71
)x(t)
(7.1)dar u(t) ar insignal enligt tabell 7.1, y(t) avser T5 [◦R] och x(t) ar tillstand formodellen. Av utrymmesskal anges parametrarna i modellen endast med de mestsignifikanta decimalerna. Modellen aterfinns i bilaga A som (A.1) med fler deci-maler. Simulering med modellen visas i figur 7.1 och A.1. Som figur 7.1 visar gardet att skatta T5 med god overenstammelse i vissa arbetspunkter. Under tiden[750, 850] ar storsta avvikelsen fran matvarde ca 10 K. Vid laga padrag ar avvi-kelsen storre i vissa fall. I figur 7.1 ar avvikelsen nara 100 K mellan modell ochmatvarde fram till tidpunkten 700 s. Sett over ett helt flygprov ligger anpassningenfor modellen runt 80%.
Simuleringsmodellen for RM12 har vissa avvikelser i overensstammelse medden riktiga motorn. Eftersom diagnosalgoritmen implementerades for diagnos pasimuleringsmodellen kravdes identifiering av ytterligare en modell baserat pa datafran simuleringsmodellen. Denna modell skattades pa samma satt och med sammastruktur som modellen for flygdata. Identifieringen skedde pa data med 74 973sampel. Denna diskreta modell for samplingsfrekvens 7.5 Hz skattades da till:
x(t + 1) =(
0.86 1.420.01 0.79
)x(t) +
( −0.31 −2.66 −0.03 −0.39 −0.11 0.27 1.22−0.29 0.36 0.01 0.16 −0.00 −0.04 −0.55
)u(t)
y(t) =( −0.66 0.80
)x(t)
(7.2)dar signalerna ar samma som i (7.1). Simulering med modellen (7.2) visas i figur 7.2.Anpassningen for denna modell ligger runt 83%. Forutom att (7.1) och (7.2) skiljersig i parametrarna finns det ocksa skillnader vid olika frekvenser. I figur 7.3 visasde singulara vardena for frekvensfunktionerna av (7.1) och (7.2). Det ar uppenbart
7.2 Systemidentifiering turbinverkningsgrad ηt 41
0 200 400 600 800 1000 1200 1400 1600 1800 2000500
600
700
800
900
1000
1100
1200
1300
Tid [s]
T5
[K]
Simulerat och mätt T5 (n60301ruf)
MätvärdeSimulerat värde
Figur 7.1. Simuleringsresultat T5 fran flygdata. Data ar fran de 30 forsta minutrarnaunder ett flygprov. Fram till tidpunkten 700 s befinner sig flygplanet pa marken ochmodellen skattar da T5 ca 90 K for lagt.
att skillnad i forstarkning foreligger vid olika frekvenser. Observera att modellernaovan ger temperaturen i ◦Rankine och samtliga figurer visar temperaturen i Kelvin.
Forsok gjordes aven att skatta ett antal lokala linjara modeller. Detta gav intesa mycket battre modell an en ensam linjar modell. Storsta problemet var att storaavvikelser erholls i overgangar mellan modellerna. Av denna anledning overgavsiden om att skatta lokala linjara modeller.
7.2 Systemidentifiering turbinverkningsgrad ηt
Identifiering av turbinverkningsgraden ηt ar inte mojlig eftersom denna verknings-grad inte kan erhallas som en matbar storhet. Istallet utfordes identifiering padata fran simuleringsmodellen RM12System med signalen som anger felet igensattbranslespridare som utsignal fran neuronnatet och insignaler valdes enligt tabell 7.2.Modellstrukturen som valdes for denna identifiering var tre statiska feedforward-neuronnat med tva lager vardera och tre basfunktioner i forsta lagret och en bas-
42 Resultat
0 500 1000 1500 2000 2500600
700
800
900
1000
1100
1200
Tid [s]
Tem
pera
tur
[K]
MätvärdeSimulerat värde
Figur 7.2. Simuleringsresultat for modell (7.2) skattad pa data fran modellenRM12System. Figuren visar signalen fran modell (7.2) (heldragen) samt T5-medelvardetfran modellen RM12System. Modellen skattar temperaturen i vissa fall upp mot 70 K fel.
Namn Namn i datafil EnhetPS0 PS0 kPaNL XNL_SEL % av maxvarvtalNH XNH_SEL % av maxvarvtalT1 T1_SEL ◦RT25 T25_VAL ◦RCVG ZCVG_SEL % av maxvinkelPS3 PS3_SEL kPa
WFM ZWFM_SEL % oppningsgrad for bransleventil
Tabell 7.2. Insignaler till neuronnat.
funktion i andra lagret. Vilket neuronnat som ska anvandas styrs av aktuellt PLA,dar granserna ar stegvisa vid PLA=40◦ respektive PLA=100◦. Traning av neu-ronnaten utfordes i Matlabs Neural Network Toolbox. Simulering gjordes medfelet igensatt spridare och dar PLA varierades slumpmassigt i olika intervall. Dess-utom varierades omgivningstemperatur, tryck samt machtal. En simulering visasi figur 7.4 dar PLA varierar slumpmassigt i intervallet [18, 40]◦. I bilaga A visassimuleringar dar PLA varierar slumpmassigt i intervallen [40, 100]◦ och [100, 130]◦
figurer A.4 respektive A.5. Figurer 7.4, A.4 och A.5 visar att ett neuronnat kantranas att ge alarm for felet igensatt spridare. Dock ar andelen falsklarm och mis-sade detektioner mycket stor, dessa ar allra storst vid laga padrag, figur 7.4, vidhogre padrag verkar neuronnatet klara detektionen battre, figurer A.4 och A.5.
7.2 Systemidentifiering turbinverkningsgrad ηt 43
10−5
10−4
10−3
10−2
10−1
100
101
102
27
28
29
30
31
32
33
34
35
Singular Values
Frequency (rad/sec)
Sin
gula
r V
alue
s (d
B)
Figur 7.3. Singulara varden for frekvensfunktionen for den T5-modell som skattats franflygprov (heldragen) och den T5-modell som skattats fran simuleringsdata (streckad).
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
PLA: [18, 40]
Fel
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
Tid [s]
Ala
rm
Figur 7.4. Ovre diagrammet visar da felet igensatt spridare introducerats i simulerings-modellen RM12System. Nedre diagrammet visar tidpunkter da ett neuronnat ger alarmom detta fel. PLA har varierats slumpmassigt mellan 18◦ och 40◦.
44 Resultat
7.3 Diagnosalgoritm
For att testa ovanstaende resultat i diagnoshanseende togs en enkel algoritm fram.I bilaga B aterfinns implementeringen av denna.
De atta forsta residualerna ar temperaturavvikelse for vardera T5-sond jamfortmed modellerat medelvarde. For att undvika stora avvikelser under transienterlagpass-filtreras avvikelsen for varje T5-sond. Lagpass-filtret som anvands ar avforsta ordningen med en tidskonstant runt 30 s.
De foljande atta residualerna utgar fran en jamforelse av differensen yi(t) −yi(t− 1) (matvarde i tidpunkten t samt foregaende matvarde for varje sond i) ochmotsvarande differens for modellvardet y(t)−y(t−1). Eftersom denna jamforelse aren slags derivata (utan division med ∆t) kan den endast utforas under transienter,eftersom den ocksa ar kanslig for brus. Bruset orsakar en derivata skild fran noll istationara punkter. Av denna anledning gors endast jamforelsen da differensen avT5-modellvardet overstiger ett visst troskelvarde.
Slutligen ar en residual (eller teststorhet) alarmet fran neuronnatet. Detta alarmlagpassfiltreras pa samma satt som ovan for att minska risken for falsklarm.
Simulering med de tre olika felen gjordes och dessa data anvandes pa diagno-salgoritmen (bilaga B). I figur 7.5 visas hur PLA varierats samt nar de olika felenar narvarande i systemet och vad diagnosalgoritmen ger alarm for. I figur 7.6 vi-sas vilka sonder som pekas ut som felaktiga dar T5-sond 5 ar den som modelle-rats som felaktig/paverkad av felet, medan ovriga sonder har modellerats som ickepaverkade, i figuren visas sond 1 och 7.
Som synes ar diagnosen hal i OGV det fel som det oftast ges alarm for, dennadiagnos gors nar nagot T5-matvarde avviker fran T5-modellens varde med ett meran 100◦R. Felet igensatt spridare upptacks under en viss tid da felet ar narvarande,men far anses som opalitligt eftersom det inte upptacks under storre delen av tidendet ar narvarande. Falsklarm for sensorfel ges vid ett flertal tillfallen, det endasom kan sagas om detta fel ar att frekvensen for antalet larm ar storre nar feletverkligen ar narvarande. Det ska paminnas om att sensorfel endast kan upptackasunder transienter.
I figur 7.6 visas utpekning av felaktig T5-sond. Sond 5 har simulerats paverkadav fel/felaktig och ovriga sonder har simulerats ej paverkade av fel/felfria. Sond 5pekas ut som felaktig vid de tillfallen diagnosalgoritmen upptacker fel. Dock pekasocksa sond 1 och 7 (och vissa andra sonder, ej visat i figur) ut vid vissa tillfallen.Att just sond 1 och 7 visas beror pa att dessa sonder ar de som av diagnossystemetoftast pekas ut som felaktiga trots att de modellerats som opaverkade (i dennasimulering).
7.3 Diagnosalgoritm 45
0 500 1000 1500 2000 2500 3000 35000
50
100
150
PLA
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
Igen
satt
sprid
are
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
Hål
i O
GV
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
T5−
sens
orfe
l
Tid [s]
Figur 7.5. Oversta figuren visar hur PLA varierats under en simulering. Andra figurenvisar da felet igensatt spridare ar narvarande i systemet (streckad) samt nar diagnosal-goritmen ger larm om detta fel(heldragen). Tredje figuren visar nar felet hal i OGV arnarvarande (streckad) samt nar diagnosalgoritmen ger larm om detta fel (heldragen). Dennedersta figuren visar nar T5-sensorfel ar narvarande (streckad) samt nar diagnosalgorit-men ger larm om detta fel (heldragen).
46 Resultat
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
T5−
sond
1
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
T5−
sond
5
0 500 1000 1500 2000 2500 3000 35000
0.5
1
1.5
T5−
sond
7
Tid [s]
Figur 7.6. Ovre figuren visar nar T5-sond 1 pekas ut som felaktig. Mellersta figurenvisar nar T5-sond 5 pekas ut som felaktig. Nedre figuren visar nar T5-sond 7 pekas utsom felaktig.
Kapitel 8
Slutsatser
I detta kapitel gors en genomgang av analys och uppnadda resultat. Dessutom gesforslag for framtiden.
8.1 Resultat
Som detta examensarbete visar, gar det att skapa en diagnosalgoritm som de-tekterar och isolerar ett antal fel. Med tva olika systemidentifieringsmetoder harresidualer skapats for utpekning av ett begransat antal fel. Tyngdpunkten i arbe-tet har varit att ta fram dessa modeller for residualgenerering. Inom diagnosteoriforutsatts ofta att en bra modell finns for systemet, i fallet med RM12 finns annuingen tillrackligt bra och enkel modell.
Nagot egentligt utnyttjande av redundansen som finns med atta sonder gorsinte. Det borde vara mojligt att pa ett enkelt satt utnyttja denna informationbattre. T.ex ar det troligt att diagnosalgoritmen ger falsklarm nar majoriteten avalla sonder pekas ut som felaktiga.
8.1.1 Fel
De olika fel som studerats: igensatt branslespridare, hal i OGV och T5-sensorfel,visade sig inte kunna isoleras endast genom matning av de atta T5-sonderna. Detkravs ytterligare residualer. Primart ar att kunna isolera igensatt branslespridarefran de tva andra felen eftersom detta fel historiskt sett har orsakat ett haveri,medan hal i OGV inte har det.
For att utfora denna isolering valdes att forsoka detektera sankt turbinverk-ningsgrad ηt som ar ett fenomen som upptrader vid igensatt spridare. Aven om hali OGV inte orsakat haveri da felet intraffat betyder detta inte att felet ar mindreallvarligt. Det ar fullt mojligt att detta fel kan orsaka haveri om det tillats underen langre tid. Det kan tankas att halet blir storre med tiden och da ger strukturellaforandringar i motorn som indirekt kan leda till haveri. Ett annat scenario ar att
47
48 Slutsatser
ett hal tapps igen helt vilket kan orsaka for hoga temperaturer lokalt, detta kanleda till allvarligare skador.
8.1.2 T5-modellering
I detta examensarbete har mycket tid lagts pa att finna en modell for skattningav T5-medelvardet. Forfattarens kunskaper om jetmotorer var i arbetets borjanmycket knappa. Trots endast grundlaggande kunskaper i termodynamik och aero-dynamik har en bra modell for T5 uppnatts med linjar systemidentifiering. Underarbetets gang har flera olika linjara strukturer provats men den modellstruktursom tycks ge basta skattningen av T5 i forhallande till dess enkelhet ar anda till-standsmodellen med tva tillstand. Detta betyder inte att den ar den basta mojliga.Den visar att det gar att beskriva T5 med linjar dynamik. En forbattring av dennamodell skulle kunna tankas vara en Wiener- eller Hammersteinmodell.
Ett annat val ar hur in- och utsignaler valjs. Vid skattning av T5 i detta exa-mensarbete har insignaler till modellen valts ur bade tabell 2.3 och 2.4. Utsignal harvarit T5-medelvardet. Dessutom har ingen sarskild hansyn tagits till att processenar aterkopplad. Trots detta har en bra modell skattats.
Valet av insignaler har provats fram. Om den mangd av insignaler som valtsar optimalt for skattning av T5-medelvarde ar inte sakert. Detta baseras pa attingen annan kombination av insignaler har gett en battre anpassning da en linjartillstandsmodell med tva tillstand skattats. Eftersom inte samtliga kombinationerkunnat provats kan ingen slutsats dras huruvida denna modell ar den basta. Val avinsignaler har i stor grad baserats pa en subjektiv bedomning av hur de kan tankaspaverka/korrelera med T5.
8.1.3 Neuronnat
Att anvanda ett neuronnat for upptackt av sankt turbinverkningsgrad visade sigvara en anvanbar metod. De neuronnat som tranats klarar att ge alarm vid sanktturbinverkningsgrad. Dock har endast relativt sma nat anvands (fyra basfunktionertotalt i varje nat). Anledningen till att inte storre nat provats ar tidsbrist. Det artroligt (men inte sakert) att nat med fler basfunktioner borde kunna tranas attge alarm med mindre grad av falsklarm och missade detektioner. Initialt provadesen del andra strukturer for neuronnat, men den struktur som verkade ge bastresultat var anda feedforward-strukturen. Dessutom har endast statiska neuronnatstuderats.
Nackdelen med neuronnats-losningen ar att den kraver data med felet nar-varande. I detta examensarbete har felet modellerats i simuleringsmodellen forRM12 utvecklad av VAC. Problemet med denna modell ar att den brister pa vissapunkter i overensstammelse med den riktiga motorn.
Att just ett neuronnat valdes for detektion av sankt turbinverkningsgrad berorpa att turbinverkningsgrad kan tankas vara en olinjar process. Att neuronnatslosningenvaldes beror helt pa forfattarens ytterst begransade kunskaper om forbrannings- och
8.2 Ideer och rekommendationer 49
turbinteknik. Att valja ett neuronnat for denna uppgift kraver inte nagra ingaendekunskaper om processen, utan det enda som kravs ar in/utdata fran denna.
8.1.4 Diagnos
Hur bra diagnosalgoritmen kan goras beror helt pa hur bra ingaende modeller enligtovan ar. Den framtagna T5-modellen far anses tillrackligt bra medan neuronnatetinte helt klarar uppgiften att detektera en igensatt spridare. Diagnosalgoritmen isig ar den enklast mojliga och mycket utrymme finns for ytterligare forbattringarav algoritmen.
Den slutsats som kan dras om isolering av fel ar att det inte gar att isolera detre typfelen genom att endast studera de atta sondvardena. Det kravs ytterliga-re nagon residual. I detta examensarbete har sankt turbinverkningsgrad valts forkunna isolera felet igensatt spridare, detta utesluter inte att andra residualer kanskapas.
8.2 Ideer och rekommendationer
For att upptacka nagon igensatt branslespridare kravs noggrannare studier av hurdetta fel paverkar turbinprocessen. Data fran riggtest med igensatt spridare ochhal i OGV finns tillgangliga. Problemet med data fran korning i testrigg medigensatt spridare ar att endast s.k. kraschdata, med samplingsfrekvens 0.5 Hz,varit tillgangliga. Dessa innehaller endast en del av de signaler som kravs for detframtagna neuronnatet. Neuronnatet testades pa kraschdata dar icke tillgangligaparametrar skattades till lampliga konstanter. Neuronnatet gav visserligen larmfran dessa data men det kan lika garna bero pa felaktigt skattade parametrar.
Data fran riggtest med hal i OGV ar fran en motor med den gamla elektro-nikenheten (DEC) och darfor saknas individuella sondvarden. Att ha fullstandigadata fran en FADEC-motor med de olika felen narvarande skulle definitivt vara enfordel. Det kan tankas att dessa korningar endast behover goras vid lagre padrag(PLA<80◦) eftersom det visat sig vara svarast att fa bra modeller vid dessa padrag.Vid motorhaveri har detta skett da PLA varit storre an 100◦. Dessutom kan detvara intressant fa en bild av hur svangningsfenomenen ser ut vid felet igensattspridare.
8.2.1 Nya givare
Ingenting tyder pa att nya givare skulle kravas i motorn for att forbattra en diagno-salgoritm. Detta med bakgrund av det omfattande arbete och den kostnad dettainnebar. Daremot borde ett flertal enkla modeller for olika fysikaliska storheter imotorn kunna tas fram. Dessa kan da anvandas for diagnos av olika motorpara-metrar.
I denna rapport har en modell for T5-medelvardet producerats med hjalp avsystemidentifiering. Trots forfattarens, till en borjan, sma kunskaper om jetmo-torprocessen togs en bra modell for T5-medelvardet fram. For att uppna battre
50 Slutsatser
resultat kravs det god kunskap om processen, kannedom om analytiska sambandmellan olika motorparametrar samt fortrogenhet med systemidentifieringsmetoder.
8.3 Uppfyllda mal
Malen for examensarbetet angavs i stycke 1.2.2. Det forsta delmalet var att ta framen modell for T5-medelvardet. Detta mal har uppfyllts. Modellerna (A.1) och (A.2)far anses vara bra modeller med tanke pa deras enkelhet. Inga krav sattes pa hurbra T5-modellen skulle vara.
Det andra delmalet var av mer undersokande karaktar. Baserat pa intervjuer ochhaverirapporter [Fer93, Kje94], har nagra fenomen som upptrader vid de studeradefelen identifierats. Slutsatsen ar att samtliga tre fel kan detekteras. Daremot kravsytterligare information for felisolering. I detta examensarbete har felisolering avigensatt branslespridare eller sensorfel utforts med residualer baserade pa sanktturbinverkningsgrad respektive derivatan av T5-vardet. Detta visar att felisoleringkan ske utan att det kravs nya givare.
Delmal tre bestod i att modellera de tre felen. Systembeteendet vid de olikafelen i den framtagna modellen far anses efterlikna det beteende som beskrivitsi kapitel 5 (analys). I stora drag har slutsatsen om modellens overensstammelsemed motorn baserats pa parametrarna NL, NH, WFM och T5. Alla dessa har, danagot fel introducerats, avvikit fran normala varden pa ett satt som forutspatts ikapitel 5. Daremot har inte avvikelsens storlek narmare studerats.
Mycket liten del av examensarbetet har lagts pa diagnosalgoritmen som var detfjarde delmalet. Den foreslagna algoritmen har stort utrymme for forbattringar.
Det femte delmalet var utvardering av diagnosalgoritmen. I denna rapport gesett forslag pa en losningsgang. De modeller som utvecklas har sina tillkortakom-manden. T5-modellen far anses vara tillrackligt bra i stationaritet men har intede dynamiska egenskaper som kravs for att skatta derivatan av T5 tillrackligt bra.Det framtagna neuronnatet far anses vara en intressant losning men klarar inteuppgiften helt. Ska foreslagen diagnosalgoritm implementeras, kravs det en battredynamisk modell for T5 och en battre modell for ηt. Om dessa modeller kan skapasfinns det en mojlighet att en algoritm for diagnos av igensatt branslespridare, hali OGV och T5-sensorfel kan implementeras.
Litteraturforteckning
[Aro01] C. Aronsson. Feldiagnosticering av jetmotorer med Artificiella NeuralaNat. Examensarbete HS-IDA-EA-01-203, Institutionen for dataveten-skap, Hogskolan i Skovde, Skovde, 2001.
[Bre02a] J. Bredberg. CFD-analys T5. Interndokument 2002VAC006420, VolvoAero Corporation, Trollhattan, december 2002.
[Bre02b] J. Bredberg. Status-rapport 021001, CFD-anlys INDT5. Interndokument2002VAC006422, Volvo Aero Corporation, Trollhattan, december 2002.
[DB03] H. Demuth och M. Beale. Neural Network Toolbox. The Mathworks, Inc.,http://www.mathworks.com, online utgava, januari 2003.
[F4003] The F404 Engine Family. http://www.geae.com/engines/military/f404/,december 2003.
[Fer93] P.O. Ferm. RM12 prestandautredning betraffande skift i dragkraftsnivanunder pagaende driftprov med motor 053 korprov151. Interndokument6272-293, Volvo Aero Corporation, Trollhattan, november 1993.
[FMV98] FMV. Detaljerad beskrivning, flygplan, del 2, motor RM12, 1998. Utar-betad av Volvo Aero Corporation.
[Har03] M. Harefors. Anvandarhandledning for modell RM12System i MatrixX.Interndokument 2002VAC003001, Volvo Aero Corporation, Trollhattan,juni 2003.
[Joh94] O. Johansson. Kurs i RM12 reglersystem, systemuppbyggnad, funk-tion och samverkan fpl. Interndokument, Volvo Aero Corporation,Trollhattan, december 1994.
[Kje94] L. Kjellen. LTT-skovelhaveri pa motor 12116 – prestandaanalys. Intern-dokument 6272-400, Volvo Aero Corporation, Trollhattan, januari 1994.
[KO98] M. Klein och F. Ostling. Modellbaserad diagnos pa turbojetmotornRM12. Examensarbete LiTH-ISY-EX-1980, Institutionen for systemtek-nik, avdelningen for fordonssystem, Linkopings universitet, Linkoping,augusti 1998.
51
52 Litteraturforteckning
[LG03] L. Ljung och T. Glad. Modellbygge och simulering. januari 2003. Utkasttill 2:a utgavan.
[Lju99] L. Ljung. System Identification: Theory for the User. Prentice-Hall PTR,Upper Saddle River, N.J. USA, andra utgava, 1999. ISBN 0-13-656695.
[Lju03] L. Ljung. System Identification Toolbox. The MathWorks, Inc.,http://www.mathworks.com, online utgava, november 2003.
[Nel01] O. Nelles. Nonlinear System Identification. Springer, Berlin, Tyskland,2001. ISBN 3-540-67369-5.
[NF03] M. Nyberg och E. Frisk. Model Based Diagnosis of Technical Processes.Kurslitteratur TSFS06, Avdelningen for fordonssystem, Institutionen forsytemteknik, Linkopings universitet, Linkoping, 2003.
[Nor02] T. Norlander. Sampling av T5-signalen i FADEC. Interndokument2002VAC002473, Volvo Aero Corporation, Trollhattan, april 2002.
[Rin01] D. Ring. Slutrapport individuell T5, typservice 2001. Interndokument2001VAC007005, Volvo Aero Corporation, Trollhattan, december 2001.
[RM103] The RM12 Engine for the Gripen Fighter. http://www.volvo.com/volvoaero/global/en-gb/products/aircraft+engines/RM12/, december2003.
[SAO98] Svenska Akademiens ordlista. Norstedts, Stockholm, 1998. ISBN 91-7227-032-2.
[Ste03] J. P. Stensio. Fault Diagnosis in Gas Turbine Engines using Artifici-al Neural Networks. Examensarbete, Institutionen for maskin och for-donssystem, avdelningen for mekatronik, Chalmers tekniska hogskola,Goteborg, 2003.
[Ver94] M. Verhaegen. Identification of the deterministic part of MIMO statespace models, given in innovations form from input-output data. Auto-matica, 30(1):61–74, 1994.
Bilaga A
Systemidentifiering
A.1 Modell for T5-medelvarde fran flygdata
x(t + 1) =(
0.98373661042140 1.10067349366354−0.00169041167172 0.79870900151638
)x(t) +
−2.48106939906060 0.46793875855292−5.50475416005667 1.03704508988666−0.74297178033134 0.173494158068890.75182837163164 −0.09202428379189−0.79760886636938 0.107132362549462.97857655896136 −0.56800820820834−0.24680660359871 0.00092431032181
T
u(t)
y(t) =( −0.56225410284777 0.70844960542782
)x(t)
(A.1)
53
54 Systemidentifiering
A.2 Modell for T5-medelvarde fran simulerings-data
x(t + 1) =(
0.85591943220001 1.417674695371480.01243697096748 0.78575818196849
)x(t) +
−0.30577823043997 −0.28517684665362−2.66409885402796 0.36031346978107−0.03155067262910 0.00614661955057−0.38667285949969 0.16520766766820−0.11125045664184 −0.001965596408240.26724413767584 −0.037679841966591.22301181442004 −0.55224560847225
T
u(t)
y(t) =( −0.65963495018488 0.80011181871240
)x(t)
(A.2)
A.3 Simuleringar T5-modell
Foljande figurer visar ett urval simuleringar med modellerna (A.1) och (A.2)
A.3 Simuleringar T5-modell 55
0 2 4 6 8 10 12 14 16 18500
600
700
800
900
1000
1100
1200
1300
Tid [s]
T5
[K]
Simulerat och mätt T5 (2344_FTG_MT)
MätvärdeSimulerat värde
Figur A.1. Simuleringsresultat T5 fran riggdata. Modellen skattar temperaturen ca 50 Kfor hogt vid tidpunkterna 0 s och 17.2 s. Under transienten ar storsta skillnaden mellanskattningen och matvardet 180 K.
56 Systemidentifiering
1700 1720 1740 1760 1780 1800 1820 1840−40
−30
−20
−10
0
10
20
30
Tid [s]
T5(
t)−
T5(
t−1)
[K]
Simulerat och mätt T5(t)−T5(t−1) (n60301ruf)
MätvärdeSimulerat värde
Figur A.2. Simuleringsresultat T5 fran flygdata. Figuren anger differensen T5(t)−T5(t−1) vid tiden t for matvarde och modellvarde.
A.3 Simuleringar T5-modell 57
0 2 4 6 8 10 12 14 16 18−10
0
10
20
30
40
50
Tid [s]
T5(
t)−
T5(
t−1)
[K]
Simulerat och mätt T5(t)−T5(t−1) (2344_FTG_MT)
MätvärdeSimulerat värde
Figur A.3. Simuleringsresultat T5 fran riggdata. Figuren anger differensen T5(t)−T5(t−1) vid tiden t for matvarde och modellvarde.
58 Systemidentifiering
A.4 Simuleringar neuronnat
Foljande figurer visar ett urval simuleringar med neuronnat som tranats for attupptacka felet igensatt branslespridare.
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
PLA: [40, 100]
Fel
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
Tid [s]
Ala
rm
Figur A.4. Ovre diagrammet visar da felet igensatt spridare introducerats i simulerings-modellen RM12System. Undre diagrammet visar tidpunkter da ett neuronnat ger alarmom detta fel. PLA har varierats slumpmassigt mellan 40◦ och 100◦.
A.4 Simuleringar neuronnat 59
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
PLA: [100, 130]
Fel
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
1
1.2
Tid [s]
Ala
rm
Figur A.5. Ovre diagrammet visar da felet igensatt spridare introducerats i simulerings-modellen RM12System. Undre diagrammet visar tidpunkter da ett neuronnat ger alarmom detta fel. PLA har varierats slumpmassigt mellan 100◦ och 130◦.
60 Systemidentifiering
Bilaga B
Diagnosalgoritm
I det foljande beskrivs den diagnosalgoritm som utvecklats i detta examensarbete.Algoritmen har implementerats i Systembuild.
B.1 Superblock Fault diagnosis
Blocket Fault diagnosis bestar av ett antal delar:
Lowpass T5difference (Figur B.1) Anger differensen mellan vardera T5-sond-varde och varde fran modellen (A.2). Dessutom lagpassfiltreras denna diffe-rens.
deltaT5 (Figur B.2) Anger differensen T5i(t)−T5i(t − 1) for vardera T5-sond-varde.
T5 model (Figur B.3) Innehaller modellen (A.2).
Turbin eta Anropar funktionen listad i stycke B.1.5.
Lowpass eta fault Lagpassfiltrerar signalen fran Turbin eta.
Fault isolate Anropar funktionen listad i stycke B.1.4.
61
62 Diagnosalgoritm
7-JAN-2004
Discrete SuperBlockFault_diagnosis
Sample Period0.1333333
Sample Skew0.
Inputs18
Outputs11
Enable SignalParent
GroupId0
T5hat
deltaT5hat
0.13333
T5hat
+ + - - - - - + +
+ + - + + + - - -
- + 0 0 0 0 0 0 0
X0= 0
2T5_ssmodel
1
2
3
4
5
6
7
Y0= 0
-1Z
deltaT5hat
1
2
T5_model1234567
Math
Script
fault_isolate
3Fault_isolate
12345678
12345678
12
0.13333
Y0= 0
-1
Z
1
2
3
4
5
6
7
8
deltaT5_22
2
deltaT5_33
3
deltaT5_11
1
deltaT5_77
7
deltaT5_88
8
deltaT5_66
6
deltaT5_55
5
deltaT5_44
4
1.8
26Convert_to_Rankine
12345678
1deltaT5
1112131415161718
0.13333
0.00443z - 0.995571
1
2
3
4
5
6
7
8
9
9
9
9
9
9
9
9
0.00443z - 0.995572
0.00443z - 0.995573
0.00443z - 0.995574
0.00443z - 0.995577
0.00443z - 0.995578
0.00443z - 0.995576
0.00443z - 0.995575
1.8
10Convert_to_Rankine12345678
1
2
3
4
7
8
6
5
99Lowpass_T5difference
1
1112131415161718
0.00443
z - 0.99557
23Lowpass_eta_fault
Andreas Viborg 2004-01-01 Dokumentation: se exjobbsrapport
Fault_diagnosis
Turbin_eta6823594110
1. ZWFM_SEL [%]2. XNH_SEL [%]3. T1_SEL [R]4. PS3_SEL [kPa]5. T25_VAL [R]6. PS0 [kPa]7. PT56 [kPa]8. XNL_SEL [%]9. ZCVG_SEL [%]10.PLA_SEL[degree]11.T5_P1 [R]12.T5_P2 [R]13.T5_P3 [R]14.T5_P4 [R]15.T5_P5 [R]16.T5_P6 [R]17.T5_P7 [R]18.T5_P8 [R]
INPUTS
1
2
3
4
5
6
7
8
9
10
11
Figur B.1. Superblock Fault diagnosis.
B.1 Superblock Fault diagnosis 63
B.1.1 Superblock deltaT5
7-JAN-2004
Discrete SuperBlockdeltaT5
Sample Period0.1333333
Sample Skew0.
Inputs8
Outputs8
Enable SignalParent
GroupId0
Y0= 0
-1
Z
1
2
3
4
5
6
7
8
deltaT5_22
2
deltaT5_33
3
deltaT5_11
1
deltaT5_77
7
deltaT5_88
8
deltaT5_66
6
deltaT5_55
5
deltaT5_44
4
1.8
26Convert_to_Rankine
12345678
Figur B.2. Superblock deltaT5.
B.1.2 Superblock T5 model
7-JAN-2004
Discrete SuperBlockT5_model
Sample Period0.1333333
Sample Skew0.
Inputs7
Outputs2
Enable SignalParent
GroupId0
T5hat
+ + - - - - - + +
+ + - + + + - - -
- + 0 0 0 0 0 0 0
X0= 0
2T5_ssmodel
1
2
3
4
5
6
7
Y0= 0
-1Z
deltaT5hat
1
2
Figur B.3. Superblock T5 model. Blocket T5 ssmodel innehaller modellen (A.2).
64 Diagnosalgoritm
B.1.3 Superblock Lowpass T5difference
7-JAN-2004
Discrete SuperBlockLowpass_T5difference
Sample Period0.1333333
Sample Skew0.
Inputs9
Outputs8
Enable SignalParent
GroupId0
0.00443z - 0.99557
1
1
2
3
4
5
6
7
8
9
9
9
9
9
9
9
9
0.00443z - 0.99557
2
0.00443z - 0.99557
3
0.00443z - 0.99557
4
0.00443z - 0.99557
7
0.00443z - 0.99557
8
0.00443z - 0.99557
6
0.00443z - 0.99557
5
1.8
10Convert_to_Rankine
12345678
1
2
3
4
7
8
6
5
Figur B.4. Superblock Lowpass T5difference.
B.1.4 Mathscriptblock Fault Isolate#{-----------------------------------------------------------------------------------------Function Name: fault_isolate(time,inputs)
Description: Isolates fault (Clogged Nozzle, Hole in OGV or T5-sensorfault) and affectedT5-probes. Cannot isolate multiple faults, but handles several affected probes
Usage: To use in conjunction with systembuild-superblock: Fault_diagnosis
Input Data: time (not used),inputs, columnvector with 19 elements where the elements are:1..8 difference between measured T5_probe and modelled T5_mean (lowpass filtered) (Rankine)9..16 T5(t)_probe - T5(t-1)_probe, pseudoderivitative, difference between measured (Rankine)T5(t)_probe at time t and previously measured T5(t-1)_probe17 T5_mean from model (Rankine)18 T5(t)_mean - T5(t-1)_mean, pseudoderivitative, difference between modelledT5(t)_mean at time t and previously modelled T5(t-1)_mean (Rankine)19 Faultindication of Clogged Nozzle from neural network (lowpass filtered)
The T5_probes are enumerated in increasing order
Output Data: Outputs columnvector of 11 elements where:1..8 detected fault at probe, 0 or 1Type:9 Clogged nozzle fault10 hole_in_ogv/T5_sensorfault11 T5_sensorfault
Programmer: Andreas Viborg, 7164
Revision List: 2004-01-01 Initial version, Andreas Viborg-----------------------------------------------------------------------------------------}#Function outputs=fault_isolate(time,inputs)
B.1 Superblock Fault diagnosis 65
# Initializationfault1=0; # Clogged Nozzle fault, set to falsefault2=0; # Hole in OGV fault, set to falsefault3=0; # T5-sensorfault, set to falseoutputs(1:8,1)=zeros(8,1); # Set probe fault to zerothreshold1=0.6; # Threshold for faultindication from neural networkthreshold2=100 # Threshold for T5_mean (Rankine)threshold3=8; # Threshold when to perform derivitativecheck (trigged by modelderivitative)threshold4=2; # Threshold of probederivitative when derivitativecheck is triggered
# Detect clogged nozzlefault1=inputs(19,1)>threshold1; # Clogged nozzle fault
# Detect temperature decrease for probes 1..8for n=1:8# Check for correct T5if inputs(n,1) < -threshold2fault2=1;outputs(n,1)=1;endifendfor
# Detect T5-sensorfault for probes 1...8# If modelderivitative is greater than threshold3 then prodederivitative should be larger# than threshold4. They should also have the same sign. This test is only performed during# transients, i.e. when modelderivitative is greater than threshold3.if inputs(18,1) > threshold3 # positivefor n=1:8if inputs(8+n,1) > threshold4outputs(n,1)=0;elseoutputs(n,1)=1;fault3=1;endifendforendifif inputs(18,1) < -threshold3 # negativefor n=1:8if inputs(8+n,1) < -threshold4outputs(n,1)=0;elseoutputs(n,1)=1;fault3=1;endifendforendif
# Decide which fault is present (no multiple fault is assumed)if fault1==1outputs(9,1)=1;outputs(10:11,1)=0;elseif fault3==1outputs(11,1)=1;outputs(9:10,1)=0;elseif fault2==1outputs(10,1)=1;outputs([9,11],1)=0;elseoutputs(9:11,1)=0;endif
endFunction
B.1.5 Mathscriptblock Turbin eta#{-----------------------------------------------------------------------------------------
66 Diagnosalgoritm
Function Name: neuralnetwork(time,inputs)
Description: Simulates three neural networks with two layer and three basisfunctions inlayer one and one basis function in layer two. Switching between networksdepends on current PLA.Network one is used when PLA<40.Network two is used when 40<=PLA<100.Network three is used when 100<=PLA.
Usage: To use in conjunction with systembuild-superblock: Fault_diagnosis
Input Data: time (not used),inputs, columnvector with 9 elements where the elements are:1. PS0 (kPa)2. XNL_SEL (%)3. XNH_SEL (%)4. T1_SEL (R)5. T25 (R)6. ZCVG_SEL (%)7. PS3_SEL (kPa)8. ZWFM_SEL (%)9. PLA (degrees)Output Data: outputs: faultindication of clogged nozzle [0,1]
Programmer: Andreas Viborg, 7164
Revision List: Initial version 2004-01-01, AV-----------------------------------------------------------------------------------------}#Function outputs=neuralnetwork(time,inputs)limit1=40;limit2=100
# Decide which network to use depending on current PLAif inputs(9,1) < limit1# Set weights and biases for network onew1 = [0.04970881070119,0.05211719055535,0.57508305310743,0.00646243998546,...-0.04251712283325,0.11454526101949,0.05886400873931,-0.30731063762944;...-0.07519222578758,0.18236359678793,-0.19726037117170,-0.02703654097698,...0.02256576078982,0.13255855262858,0.14903557804114,-0.43742617307520;...-0.03462417680593,-0.05734775424647,0.09083727116719,-0.00028031170567,...0.00554391574313,-0.18223806172441,0.06596944636802,-0.30733516616295];b1 = [-29.92269788383412;-2.59652376121039;3.24565573535301];w2 = [-203199.7029525996,37674.85975155333,-234585.1940073285];b2 = 185284.6376022079;elseif inputs(9,1) < limit2# Set weights and biases for network twow1 = [-0.28648135602727,14.11654868265210,-14.96017626372121,0.67514764040177,...-0.06428759743162,0.08909679432975,0.14289237143706,-0.69031386190308;...-0.02192200518714,0.14420822805964,1.29783782723544,-0.00005722621215,...-0.06428759743162,0.08909679432975,0.14289237143706,-0.69031386190308;...-0.36949697862242,-0.29404951166619,-0.02529794947223,-0.15157219010405,...0.13530947194025,0.19996107741907,0.20392686863450,0.11761399173980];b1 = [-12.79279679755697;-66.53380176572287;14.44950165333754];w2 = [17.80288906357493,-48.87319725476449,25.98270916518085];b2 = -8.36066201269248;else# Set weights and biases for network threew1 = [0.02312277215491,0.34454243008451,-1.58213800964332,-0.00051445087238,...0.05315853952766,0.12377099726370,-0.16789379026879,0.89087660237811;...-0.21829037114737,0.15720492912698,0.28005767423044,0.03702543675850,...-0.07767347706835,-0.92655369021124,0.09148301483401,-0.53124658253804;...0.14953400941075,0.40315003098818,-1.17338998660176,-0.01649876913364,...0.05778724414201,1.32054854533656,-0.27529918263192,2.14396126087967];b1 = [51.83187266990072;-21.03411148747257;-14.15247695397325];w2 = [44.48080268469610,0.92380496353365,-0.13749778822838];b2 = -8.92017478206552;endif
B.1 Superblock Fault diagnosis 67
# Calculate network outputL1 = w1*inputs(1:8,1)+b1;L1 = ones(3,1)./(1+exp(-L1)); # Output from layer oneoutputs = w2*L1+b2;outputs = 1./(1+exp(-outputs)); # Output from layer two
endFunction
B.1.6 Mathscriptfunktion for export av signal
Foljande funktion omvandlar utsignalen fran simuleringsmodellen RM12System tillen tids- och insignal i ett format passande feldiagnos-algoritmen.
#{-----------------------------------------------------------------------------------------Function Name: pdm2FD
Description: Takes the output from the modified model RM12System with faultgenerator andtransform it into a inputsignal for the fault_diagnosis superblock
Usage: [t,yy]=pdm2FD(y)
Input Data: y = a pdm with 87 channels from the modified RM12Systemmodel
Output Data: t = timevector [s]yy = vector of suitable data for model fault_diagnosis
Programmer: Andreas Viborg
Revision List: 20040107 Initial version AV-----------------------------------------------------------------------------------------}#Function [t,yy]=pdm2FD(y)yy=makematrix(y)’;data=yy(:,[1,2,3,46,42,43,45,47,49,50,51,54,53,44,31:-1:26,33,32,85,86,87]);N=size(yy);t=domain(y);yy=data(:,[12,6,7,11,8,2,13,5,9,14:22]);
endFunction
68 Diagnosalgoritm
Bilaga C
Felmodellering
C.1 Implementering
20-JAN-2004
Continuous SuperBlockRM12_SYSTEM
Inputs4
Outputs87
Clogged Nozzle
Hole in OGV
Sensorfault
Continuous
TT1TT25TT558PS3CPT56NLNHW21PLORNI2WBL3TT31PT25PT1Continuous
10F404_RM12
113491
2
1
43681725
WFMWFMLVXT2PPXNHPPCVG_XFER_VALVEAUG_PERM_VALVEP3BContinuous
30MFC
324
74212811
14
WFRLV
WFR
AB_FLAMEContinuous
40ABC
1
5
414
6
AICE_VALVE_OFFA8LVCVGLVFVGAICE_VMONAICE_IMONIPRI_IGN_REL_FBKPRI_IGN_REL_VMONCVGFVGLVSEC_IGN_VMONSEC_IGN_IMONA8P1WPBContinuous
50ACTUATORS
14176413769810
511
1345 Continuous
60RM12_Sensors12345678910
7
323456789
TT1_ohmsTT25_ohmsTT5_p1_mvTT5_p2_mvTT5_p3_mvTT5_p4_mvTT5_p5_mvTT5_p6_mvTT5_p7_mvTT5_p8_mvP3B_psiPS3C_psiPT56_psiPLO_voltsNL1_hzNL2_hzNH1_hzNH2_hzFlame_hzWFR_ratioWFM_ratioCVGsinCVGcosA8_ratioFVG_ratioAice_indACPLA_ratio
Continuous
70SignalInterface12345678910111213141516171819
12
32101
14
11
0.005
80FADEC
27
6
9~156
Offset_Turbine_EfficiencyOffset_T5_probe_1Offset_T5_probe_2Offset_T5_probe_3Offset_T5_probe_4Offset_T5_probe_5Offset_T5_probe_6Offset_T5_probe_7Offset_T5_probe_8Clogged NozzleHole in OGVSensorfaultContinuous
90Faults
3
16
17
18
123
10RM12
1
2
5
6
7
9
11
12
1
2
3
4
5
6
7
2
3
4
M0PS0PT0TT0PWXHWB3ALPHABETANZNYTS0ALTContinuous
WB3
Continuous
12Customer_Bleed_calc
11
12
13
PWXH
10Gearbox
ALT
0.001
u1
u2
u3
y
21
2
10
M0
0.001
u1
u2
u3
y
131
3
1
RALMAALT_CONM0_CON
RT0P0TS0_CON
PS0_CONENVIROTS0OFF
PS0OFFRPT0TT0
RALMA = 1ALT_CON = 1M0_CON = 1RT0P0 = 1TS0_CON = 1PS0_CON = 1ENVIRO = 1TS0OFF = 1PS0OFF = 1RPT0TT0 = 1
3FliConVar
BiLinear
25FALTT0
7
31
8
Linear
15FALTP0
32
9
TS0
Continuous
4TS0_3WAY
4
5
9
PS0
Continuous
5PS0_3WAY
4
6
2
MNPS0PT0TT0ALPHABETANZNYTS0ALTPS3BPS3CEPS3
99AMBIENT_log_data
Y = T
98Time
################################################### # ## Name : AMBIENT ## ## Version : 1.0 ## ## Reference : 2002VAC002997 "Modellp rm for ## ## RM12SYSTEM" ## ## Created by : Olof Hannius , 7164OH ## ## Last update : 2002-05-27 ## #####################################################
Model description
TT0
0.001
u1
u2
u3
y
9610
4
8
PT0
0.001
u1
u2
u3
y
9510
3
7Read fromVARIABLE
f404_rm12.Inlet_Out>Global<
94
6
5
12
1
11
2
78910
4
3 20AMBIENT
Continuous
Lube Oil Warning1
Thrust Warning2
Model description. ################################################################$$ $$$$ Name : FPL39_COCKPIT $$$$ Version : 1.0 $$$$ Reference : 2002VAC002997 "Modellp rm f r $$$$ RM12SYSTEM" $$$$ Created By : Mikael Johansson , 7164MJ $$$$ Last Update : 2002-06-24 $$$$ $$################################################################
4
Continuous
2Engine display
T5 Instrument
0.00 1300.00
3
NH Instrument
0.00 100.00
4
5
Linear (s)
13cockpit_switch
1.00
AICE
On
Combat
On
Economy
On
Mech mode
On
Sec Ign
On
1.00
Y = T
98
Offakt. man.
28.00
AC PLA
0.001
u1u2u3
y
41
1
Offakt. man.
Off
Anti Ice switch0.001
u1u2u3
y
20
2
Offakt. man.
Off
Combat Rating switch
0.001
u1u2u3
y
24
3
Off
Economy Rating switchOff
akt. man.
0.001
u1u2u3
y
27
4
Offakt. man
103.00
Emergency PLA
0.001
u1
u2
u3
y
31
2
Offakt. man.
Off
Mech mode switch
Offakt. man.
Off
Secondary Ignition 0.001
u1u2u3
y
44
5
2
Linear (s)
3pla_input
Write toVARIABLE
cockpit.cockpit_out>Global<
95
Write toVARIABLE
cockpit.cockpit_in>Global<
41234
123
EEC1
EEC2
EEC30.005
21ENGINE_ERROR_CODES
0.001
u1u2u3
y
9
1
6
2
3
4
7
5
1
30FPL39_COCKPIT
1
0.1
ADC_FM_OK
FUNCTIONAL_MODE_ADC
FUNCTIONAL_MODE_ADT
MN_OK
PS0_OK
PT0_OK
ADC_SC_OK
TT0_OK0.1
10sa18_inputs
AFPL_FM_OKAFPL_SC_OKAFPL_TESTMODEEMPLA_NEEDEDENGINE_IN_AIRCRAFTFAULT_CODE_NOT_RECEIVEDMAINTENANCE_MODESMODE_CMDSPECIAL_TEST_MODESTEST_PROHIBITWB3_OKWHEELS_UPWOW
0.1
1sa20_inputs
ALPHA_CAL_OK
BETA_CAL_OK
NY_OK
NZ_OK
SA11_FM_OK
SA11_SC_OK
SA11_TESTMODE
TA_A_OK
TA_C_OK0.1
20sa22_inputs
#################################################### # ## Name : FPL39_1553B ## ## Version : 1.0 ## ## Versionsparm : 2002VAC001502 "RM12System, ## ## utrustningsp rm" ## ## Created by : Andreas Kroon, 7164AK ## ## Last update : 2002-09-25 ## #####################################################
Model_description
Y = -37.5 + AC_PLA* 75/130
98AC_PLA_2_Throttle_arm_angle
5 AC_PLA
Read from
VARIABLEfadec.XMT_SUBADDRESS17
>Global<
96Read_SA_17
Read from
VARIABLEfadec.XMT_SUBADDRESS19
>Global<
95Read_SA_19
Write toVARIABLE
fpl39_1553b.RCV_SUBADDRESS18>Global<
94Write_SA_18
Write toVARIABLE
fpl39_1553b.RCV_SUBADDRESS20>Global<
42Write_SA_20
Write toVARIABLE
fpl39_1553b.RCV_SUBADDRESS22>Global<
43Write_SA_22
RCV_SUBADDRESS18[32]
CODE
USER
usrsa18_pack
2SA18_PACK_C
8
4
5
RCV_SUBADDRESS20[32]
CODE
USER
usrsa20_pack
4SA20_PACK_C
13
5
WB3
RCV_SUBADDRESS22[32]
CODE
USER
usrsa22_pack
3SA22_PACK_C
8
9
3
MNPS0_mbarPT0_mbarTT0TA_A_CWB3ALPHABETANZNY0.1
21Type_Converter
1 M0
2 PS0
3 PT0
4 TT0
6 WB3
7 ALPHA
8 BETA
9 NZ
10 NY
0.1
92SUBADDRESS_UPDATE_COUNTERS
Write toVARIABLE
fpl39_1553b.businputs>Global<
301 M02 PS03 PT04 TT05 AC_PLA6 WB37 ALPHA8 BETA9 NZ10 NY
40FPL39_1553B
1234
678910
6
PT0_M020PS0_M021TT0_M022ALT_M080M0_M081AoA_M082NZ_M084NL_M101NH_M102FVG_M103CVG_M104AC_PLA_M105200Em_PLA_M105201A8LV_M106FN_M107A8_M1085PT25_M120TT25_M121TT25_sens_M124PT31_M125TT31_M126PS3_M129PS3C_sens_M131PT56_sens_M140TT56_M141TT5_sens6_M148101TT5_sens5_M148111TT5_sens4_M148121TT5_sens3_M148131TT5_sens2_M148141TT5_sens1_M148151TT5_sens8_M148161TT5_sens7_M148171PT16_M150PS16_M156PT7_M160WFM_M200WFR_M228P3B_M416Customer_Bleed_M427Power_Offtake_M430XNL_SELXNH_SELPLA_SELT1_SELT5_SELT25_CNVZA8_SELZCVG_SELZFVG_SELPS3_SELP3B_SELPT56_SELZWFM_SELZWFR_SELCNTRL_MODEWfr_torque_motorWFMCVG_transfer_solenoidWfm_torque_motorAB_perm_solenoidPrimary_exciter_ignition_relayA8_torque_motorAI_valve_solenoidFvg_torque_motorFvg_solenoidCvg_torque_motorSecondary_exciter_ignition_relayZCVG_DMDZFVG_DMDT5_LEADT25_HYDROT25_CALCTAU25XNH_DMDT25_COMT25GASFRU_CLCFRU_PART_DMDZWFM_DMDXNL_DMDCVG_mekCVGLV_mekXNH_CVG_OUTCVG_TAU_OUT
Continuous
L3
PT31_M125
TT31_M126
W3
W25
SMH
TTG27
Q27
TM27
ALF27
Read from
VARIABLE
f404_rm12.Comp_Out
>Global<
98
PT15
TT15
W21
L21
PT14
TT14
PT25_M120
TT25_M121
SML
QV15
TTG205
Q205
TM205
ALF205
BPRFIL
Read from
VARIABLE
f404_rm12.Fan_Out
>Global<
5
TT558PS56PT558W56L5W5PT56TT56_M141PT45TT45QV45TTG47Q47TM47ALF47TTG41Q41TM41ALF41W44L44TT41PT41
Read from
VARIABLE
f404_rm12.Turb_Out
>Global<
97
PS16_M156
W16
PT16_M150
PRL15
W158
Read from
VARIABLE
f404_rm12.BPD_Out
>Global<
6
F8
W8
PT7_M160
TT7
BPR
PT61
PT6
TT6
Read from
VARIABLE
f404_rm12.AftBuNo_Out
>Global<
96
PT39
TT39
WFMC
QV39
PS3_M129
PS3C
Read from
VARIABLE
f404_rm12.Burn_Out
>Global<
4
Read fromVARIABLE
f404_rm12.LRot_Out>Global<
Read fromVARIABLE
f404_rm12.HRot_Out>Global<
Read from
VARIABLE
f404_rm12.Indata_Out
>Global<
PDROP
XFVGR
XDIRDRead from
95FVG_Servo_Out
CVG
CVGLV
CVGTML
Read from
VARIABLE
act.CVG_SERVO_OUT
>Global<
94CVG_Servo_Out
A8FLOW2
A8LV
Read from
VARIABLE
act.VPU_A8_OUT
>Global<
93VPU_Out
AICE_VALVE_OFFA8LV_M106CVGLVFVG_M103AICE_VMONAICE_IMONIPRI_IGN_REL_FBKPRI_IGN_REL_VMONCVG_M104FVGLVSEC_IGN_VMONSEC_IGN_IMONA8_M1085P1WPBAICE_STCVG_mekCVGLV_mek
Read from
VARIABLE
act.actuators_out
>Global<
91Actuators_Out
ALT_M080
M0_M081
TS0
PS0_M021
GAM00
H0
PT0_M020
TT0_M022
W1R
W21FIL
AoA_M082
NZ_M084
Read from
VARIABLE
f404_rm12.Inlet_Out
>Global<
1
20
21
17
18
25
34
35
36
22
10
11
14
16
8182
1
2
3
4
5
6
7
50RigDataLog
85
86
87
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384
Figur C.1. Den modifierade versionen av RM12System med mojlighet att simulera nagraolika fel.
69
70 Felmodellering
20-JAN-2004
Continuous SuperBlockRM12
Inputs18
Outputs3
TT1TT25TT558PS3CPT56NLNHW21PLORNI2WBL3TT31PT25PT1Continuous
TT21
W21
PT14
TT14
H14
FA15
TT25
PT25
H25
PT15
TT15
L21
SML
TM205
RNI2
Continuous
6E1_FAN
4
3
3
WBL25HBL25WBL41HBL41WBL44HBL44WBL46HBL46WBL49HBL49W25TT31PT31FA31H31W305L3QUS27TT3WB3SMHW3MW31WAI
Continuous
7E3_COMPRESSOR
3
3
3
3
EB
W34
PT39
H39
WFMC
PS3C
TM34
PS3Continuous
5E4_BURNER
2
6
2
PT558
W56
FA56
H56
QDS47
PS56
W41
QUS41
L5
L44
TT5
TT558
PT56Continuous
13E5_TURBINES
10
5
2
2
BPR
PT6
Continuous
14NOZZLE
E6_AFTERBURNER_
2
3
5
2
2
NH
EXTPOWContinuous
4E7_HP_ROTOR
NL
POWLOSSContinuous
99E8_LP_ROTOR
H16
W158
W16
Q14
M16Continuous
2DUCT
E2_BYPASS_
4
WFM
A8
FVG
CVG
WFR
Anti_Ice
Customer_Bleed
Power_OfftakeContinuous
20E_CONTROL_INPUT
1 WFM
2 A8
3 FVG
4 CVG
5 WFR
6 AntiIce
7 CustomerBleed
8 PowerOfftake
DESCRIPTION: RM12 transient engine model
FILE:f404_rm12.sbd
DATE:2003-10-24
version 1.00
Model_Name_F404_RM12
121
40SCAT
PS0H0PT0TT0W1RW21FILM0ALTGAM00TS0AoANZ
Continuous
12E0_INLET
2
10 ALT
11 M0
12 TS0
13 PS0
14 AoA
9 NZ
TT1TT25TT558PS3CPT56NLNHW21PLORNI2PTOWBL3HBL3TT31PT25PT1
Continuous
43MEASUREMENTE_CONTROL_
T5HD56
4
2
3PS3C
2NL
2PLO
Read fromVARIABLE
f404_rm12.rm12_SCAT>Global<
97read_SCAT
Read fromVARIABLE
f404_rm12.rm12_Tflow>Global<
96
21
45Factors
Turbine_Flow_
PLO
Continuous
3PRESSURE
E9_LUBE_OIL_
4
12
1
2
56
1515
12345678910
11
121314
10F404_RM12
1134912
1
4 WB33 PWXH6 NZ8 ALT1 M07 TS02 PS05 ALPHA
WFMWFMLVXT2PPXNHPPCVG_XFER_VALVEAUG_PERM_VALVEP3BContinuous
MODELL:MFC
Created: 2002-02-28
Latest Change: 2002-03-03
RevLog: 2002VAC00xxx.
1
CockpitInput from
1 PLA
31
FADECInput from
2 WFM_TM_CURRENT
3 WFMCVG_SOLENOID_DRIVE
4 AUG_PERM_SOLENOID_DRIVE
61
EngineInput from
5 NH
6 PS3C
7 TT25
8 TT3
9 W21
10 WBL3
XT2PP
XNHPP
XP3PP
XP3MUL
XT2SR
XP3PP0
P3BContinuous
5ENGINE SIGNALS_H1_3
5
3
1
2
6
4
WFM_XFER_VALVE
CVG_XFER_VALVE
AUG_PERM_VALVEContinuous
15SOLENOIDS_H1_1
2
3
WFM
WFMLV
XRUPP
Continuous
99WFM CONTROL_H1_4
PLA
1WFM_TMC
1WFM_XFER_VALVE
1 NH
1 XT2PP
2 XNHPP
3 XP3PP
4 XP3MUL
Write to
VARIABLE
mfc.MFC_OUT
>Global<
6MFC_OUT
1 WFM_XFER_VALVE
2 CVG_XFER_VALVE
3 AUG_PERM_VALVE
1 WFM
2 WFMLV
3 XRUPP
1 XT2PP
2 XNHPP
3 XP3PP
4 XP3MUL
5 XT2SR
6 XP3PP0
7 P3B
Write to
VARIABLE
mfc.MFC_IN
>Global<
4MFC_IN
1 PLA
2 WFM_TM_CURRENT
3 WFMCVG_SOLENOID_DRIVE
4 AUG_PERM_SOLENOID_DRIVE
5 NH
6 PS3C
7 TT25
8 TT3
9 W21
10 WBL3
3
4
7
5
6
1
2
30MFC
324
74212811
14 AC_PLA
WFRLVWFRAB_FLAME
Continuous
WFRPS3
WFRLV
WFRTMFContinuous
8WFR LVDT_H2_2WFR TM TO
5
1
1 WFR_TM_CURRENT FMV
PS3CPP
Continuous
9DEPENDENCE_H2_3
WFR PS3
1
4
2
2 PS3C
WFR
ABPPP
Continuous
10WFR FLOW_H2_4
1
6
7
3L28
L27
L26
KABC3
ABFIG2
KDP
ABPREVContinuous
11CALCULATION_H2_1
AB LIMIT
2
3 P1WPB
4 AUG_PERM
Write to
VARIABLE
abc.AB_CONTROL_OUT
>Global<
267
1
3
2
1
2
2
1
AB_FLAME
Continuous
33FLAME SENSOR_H3
1 WFR
T5_Error
5 AB_IGNIWrite to
VARIABLE
abc.ABC_in
>Global<
1ABC_in
1 WFR_TM_CURRENT
2 PS3C
3 P1WPB
4 AUG_PERM
5 AB_IGNI
T5_ErrorRead fromVARIABLE
abc.T5_Error_for_ABC>Global<
32
1
2
3
40ABC
1
5
414
6
AICE_VALVE_OFFA8LVCVGLVFVGAICE_VMONAICE_IMONIPRI_IGN_REL_FBKPRI_IGN_REL_VMONCVGFVGLVSEC_IGN_VMONSEC_IGN_IMONA8P1WPBContinuous
1
4AMBIENT
INPUTS FROM
1 PT0
2 TT0
1
14FROM FADECINPUTS
7 AICE_REQUEST
8 A8_TM_CURRENT
9 FVG_SOL_DRIVE
10 FVG_TM_CURRENT
11 CVG_TM_CURRENT
16 PRIM_IGN_RELAY
17 SEC_IGN_REQ
1
2FROM MFCINPUTS
12 WFM
13 XT2PP
14 XNHPP
15 CVG_XFER_VALVE
1
5ENGINE
INPUTS FROM
5 PS3C
6 PT25
3 NH
4 NL
IPRI_IGN_REL_FBK
PRI_IGN_REL_VMONContinuous
16PRIM_IGNITER
6PRIM_IGN_RELAY
SEC_IGN_VMON
SEC_IGN_IMONContinuous
6SEC_IGNITER
7
AICE_VALVE_OFF
AICE_VMON
AICE_IMON
AICE_STContinuous
15ANTI_ICE_VALVE
1AICE_REQUEST
3 NH
FVGLV
FVG
Continuous
7FVG SERVO_H5
2 P1WPB
1 CVG
1 PT0
2 TT0
4 NL
4 FVG_TM_CURRENT
3 FVG_SOL_DRIVE
A8LV
A8Continuous
97VPU_A8ACTUATOR_H4
2 A8_TM_CURRENT
3 NH
CVG
P1WPB
CVGLV
CVG_mek
CVGLV_mekContinuous
12CVG SERVO_H6
1 PS3C
2 PT25
1 WFM
3 XNHPP
2 XT2PP
4CVG_XFER_VALVE
5CVG_TM_CURRENT Write to
VARIABLE
act.actuators_out
>Global<
99Actuators_out
1
23
4
1
2
3
1
2
45
2
1
12
12
Write to
VARIABLE
act.actuators_in
>Global<
3Actuators_in
1234567891011121314151617
7
8
11
12
1
5
6
4
10
2
13
3
9
14
50ACTUATORS
14176413769810
511
1345 Continuous
Continuous
2T5_SENSORS
1 TT1
5 PS3C
11 RNI2
3 TT558
13 Offset_T5_probe_1
14 Offset_T5_probe_2
15 Offset_T5_probe_3
16 Offset_T5_probe_4
17 Offset_T5_probe_5
18 Offset_T5_probe_6
19 Offset_T5_probe_7
20 Offset_T5_probe_8
TT1_sens
Continuous
3T1_SENSOR
1 TT1
9 W21
PS3C_sens
Continuous
13PS3C_SENSOR
5 PS3C
PLO_sens
Continuous
4Lube_Oil_Pressure
10 PLO
TT25_sens
Continuous
11T25_SENSOR
2 TT25
9 W21
Flame_sens
Continuous
5FLAME_SENSOR
12 AB_FLAME
NL_sens1
NL_sens2Continuous
99NL_SENSOR
7 NL
NH_sens1
NH_sens2Continuous
14NH_SENSOR
8 NH
PT56_sens
Continuous
98PT56_SENSOR
6 PT56
PS3B_sens
Continuous
97PS3B_SENSOR
4 P3B
Name : RM12_Sensors Version : 1.0Documentation: 2002VAC001905Resp : Melker Haerefors 7164MHLast update : 2002-06-18
Write toVARIABLE
rm12_sensors.sensors_in>Global<
96sensors_in
123456789101112
Write toVARIABLE
rm12_sensors.sensors_out>Global<
6sensors_out
12345678
1212
3
4
5
6
7
8
9
10
1
12
14
2
19
15
16
17
18
13
11
60RM12_Sensors12345678910
7
323456789
TT1_ohmsTT25_ohmsTT5_p1_mvTT5_p2_mvTT5_p3_mvTT5_p4_mvTT5_p5_mvTT5_p6_mvTT5_p7_mvTT5_p8_mvP3B_psiPS3C_psiPT56_psiPLO_voltsNL1_hzNL2_hzNH1_hzNH2_hzFlame_hzWFR_ratioWFM_ratioCVGsinCVGcosA8_ratioFVG_ratioAice_indACPLA_ratio
Continuous
1.8
98deg_to_rankine
1 TT1_sens TT1_ohms
Linear
6Invers_T1CNV_TAB
1.8
13deg_to_rankine
2 TT25_sens TT25_ohms
Linear
16Invers_T25CNV_TAB
1.8
1deg_to_rankine
3 TT5_sens1 TT5_p1_mv
Linear
7Invers_T5CNV_TAB
1.8
2deg_to_rankine
4 TT5_sens2 TT5_p2_mv
Linear
3Invers_T5CNV_TAB
1.8
4deg_to_rankine
5 TT5_sens3 TT5_p3_mv
Linear
5Invers_T5CNV_TAB
1.8
8deg_to_rankine
6 TT5_sens4 TT5_p4_mv
Linear
9Invers_T5CNV_TAB
1.8
10deg_to_rankine
7 TT5_sens5 TT5_p5_mv
Linear
11Invers_T5CNV_TAB
1.8
12deg_to_rankine
8 TT5_sens6 TT5_p6_mv
Linear
14Invers_T5CNV_TAB
1.8
15deg_to_rankine
9 TT5_sens7 TT5_p7_mv
Linear
17Invers_T5CNV_TAB
1.8
18deg_to_rankine
10 TT5_sens8 TT5_p8_mv
Linear
19Invers_T5CNV_TAB
P3B_psi0.14504
21kPa_to_Psi
11 P3B_sens
PLO_volts0.025
26Psi_to_V
Flame_hz1
20
19 Flame_sens
NL1_hz1
34
15 NL1_sens
NH2_hz1
44
18 NH2_sens
NL2_hz1
22
16 NL2_sens
NH1_hz1
23
17 NH1_sens
Aice_ind1
29
25 AICE_VALVE_OFF
PS3C_psi0.14504
30kPa_to_Psi
12 PS3C_sens
PT56_psi0.14504
31kPa_to_Psi
13 PT56_sens
0.14504
33kPa_to_Psi
14 PLO_sens
WFR_ratioWFR_ratio = -(WFRLV - 111.76)/235.29
99
20 WFRLV
WFM_ratioWFM_ratio = WFMLV*0.393/ 100 + 0.091
25
21 WFMLV
A8_ratioA8_ratio = -(A8LV - 141.79)/298.5
24
23 A8LV
FVG_ratioFVG_ratio = (FVGLV + 27.78)/255.56
27
24 FVGLV
ACPLA_ratioACPLA_ratio = -(AC_PLA_RVDT_Secondary - 65)/130
32
26 AC_PLA_RVDT_Secondary
CVG_angleCVG_angle = (CVGRES + 18.82)/1.47
28
22 CVGRES
Name : Signal_Interface
Version : 1.0
Documentation: VAC2002...
Resp : Melker Haerefors 7164MH
Last update : 2002-06-18
SIN(u)
96
COS(u)
95
CVGsin0.5
97
0.01745
94deg2rad
CVGcos0.5
35
Write to
VARIABLE
signal_interface.interface_in
>Global<
93Interface_In
1:26 26
Write to
VARIABLE
signal_interface.interface_out
>Global<
92Interface_Out
1
2
3
4
5
6
7
8
9
10
11
14
19
15
18
16
17
26
12
13
20
21
24
25
27
22
23
70SignalInterface12345678910111213141516171819
12
32101
14 AC_PLA
11
0.005
0.005
1F_Autonomous_Input_System
1 TT1_ohms
2 TT25_ohms
3 TT5_p1_mv
4 TT5_p2_mv
5 TT5_p3_mv
6 TT5_p4_mv
7 TT5_p5_mv
8 TT5_p6_mv
9 TT5_p7_mv
10 TT5_p8_mv
11 P3B_psi
12 PS3C_psi
13 PT56_psi
14 PLO_volts
15 NL1_hz
16 NL2_hz
17 NH1_hz
18 NH2_hz
19 Flame_hz
20 Wfr_ratio
21 Wfm_ratio
22 CVG_sin
23 CVG_cos
24 A8_ratio
25 FVG_ratio
26 Aice_ind
27 ACPLA_ratio
28 AICE_VMON
29 AICE_IMON
30 IPRI_IGN_REL_FBK
31 PRI_IGN_REL_VMON
32 SEC_IGN_VMON
33 SEC_IGN_IMON
34 Mech_Mode_Switch
35 AI_Switch
36 Combat_Rating_Switch
37 Economy_Rating_Switch
38 Emergency_PLA_RVDT
39 Secondary_Ignition_Signal
2
Wfr_Torque_Motor
WFMCVG_Transfer_Solenoid
Wfm_Torque_Motor
AB_Perm_Solenoid
Primary_Exciter_Ignition_Relay
A8_Torque_Motor
Vdc_28_to_AI_Valve_Solenoid
FVG_Torque_Motor
FVG_Solenoid
CVG_Torque_Motor
Vdc_28_Secondary_Exciter
0.005
15F_Processing_System
#################################################### # ## Name : FADEC ## ## Version : 1 ## ## Versionsp rm : 2002VAC000749 "Modellp rm f r ## FADEC" ## ## Created by : Torbj rn Norlander, 7164TN ## ## Last update : 2002-09-11 ## ## SW-edition : 3.11 ## #####################################################
1
2
3
4
5
6
7
8
9
10
11
80FADEC
27
6
9~156
Offset_Turbine_EfficiencyOffset_T5_probe_1Offset_T5_probe_2Offset_T5_probe_3Offset_T5_probe_4Offset_T5_probe_5Offset_T5_probe_6Offset_T5_probe_7Offset_T5_probe_8Clogged NozzleHole in OGVSensorfaultContinuous
Read fromVARIABLE
faults.param>Global<
Faults_In
Offset_Turbine_Efficiency
Continuous
EfficiencyAlter_Turbine_
1
1
Continuous
Clogged_NozzleAlter_T5_
2
1
4
Continuous
in_TurbineAlter_T5_Hole_
3
2
4
Continuous
Sensor_faultAlter_T5_
4
3
4
Offset_T5_probe_1Offset_T5_probe_2Offset_T5_probe_3Offset_T5_probe_4Offset_T5_probe_5Offset_T5_probe_6Offset_T5_probe_7Offset_T5_probe_8
probe_enable
Continuous
SUPERBLOCK
2Select_T5_offset
123
Clogged Nozzle
Hole in OGV
Sensorfault
1
121
2
3
23456789
10
11
12
90Faults
3
16
17
18123
Figur C.2. Blocket RM12 (stora ladan i figur C.1) dar blocket Faults inforts (langstner till vanster).
7-JAN-2004
Continuous SuperBlockFaults
Inputs4
Outputs12
Read fromVARIABLE
faults.param>Global<
Faults_In
Offset_Turbine_Efficiency
Continuous
Offset_Turbine_Efficiency
2121
2
Y = 0
3
1
EfficiencyAlter_Turbine_
1
1
Continuous
2
3
1
-1 1
Clogged_NozzleAlter_T5_
2
1
4
Continuous
2
3
1
-15
1
in_TurbineAlter_T5_Hole_
3
2
4
Continuous
2
3
1
1
Sensor_faultAlter_T5_
4
3
4
Offset_T5_probe_1Offset_T5_probe_2Offset_T5_probe_3Offset_T5_probe_4Offset_T5_probe_5Offset_T5_probe_6Offset_T5_probe_7Offset_T5_probe_8
probe_enable
Continuous
SUPERBLOCK
2Select_T5_offset
123
Clogged Nozzle
Hole in OGV
Sensorfault
1
121
2
3
1
23456789
10
11
12
Figur C.3. Superblock Faults. Blocket beraknar avvikelser for de olika sondvardenabaserat pa narvarande fel samt avvikelse for turbinverkningsgrad.
C.2 Anvandarmanual Fault Generator 71
C.2 Anvandarmanual Fault Generator
Den utokade RM12System-modellen Fault generator startas genom att filenstartup.ms oppnas i MatrixX. Om sokvagar finns kvar fran tidigare korningarmed ursprungsmodellen finns en risk att fel kommandofiler anvands.
Denna modell kraver fyra insignaler samt en tidsvektor. Insignalerna ska varakolumnvis ordnade som PLA [18, 130]◦, Clogged_Nozzle [0, 1], Hole_in_OGV [0, 1]och T5_sensorfault [0, 1]. De tre sista kolumnerna anger de tre felen dar 0 angeringet fel och 1 anger fullt utvecklat fel.
Parametervektorn faults.param satts vid initiering men kan ocksa sattas god-tyckligt. Betydelsen av elementen i denna vektor ar:
1. Sankning av turbinverkningsgrad p.g.a. igensatt spridare. Satts till 0.05 vidinitiering.
2. Faktor for sankning av T5 for paverkade sonder vid felet igensatt spridare.Satts till 0.15 vid initiering.
3. Faktor for sankning av T5 for paverkade sonder vid hal i OGV. Satts till 0.15vid initiering.
4. Temperaturangivelse for paverkade sonder vid T5-sensorfel. En paverkad sondkommer ge detta varde oavsett padrag vid sensorfel. Detta varde satts slump-massigt till nagot varde pa intervallet [300, 900] K vid initiering.
5. Ange om sond 1 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
6. Ange om sond 2 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
7. Ange om sond 3 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
8. Ange om sond 4 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
9. Ange om sond 5 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
10. Ange om sond 6 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
11. Ange om sond 7 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
12. Ange om sond 8 ar paverkad av aktuellt fel. Satts slumpmassigt till 0 eller 1vid initiering.
72 Felmodellering
C.3 Validering
Denna bilaga visar resultat fran olika simuleringar av fel i modellen RM12System.I samtliga figurer ar T51 en sond som mater i det kalla straket som bildas bakomnagot fel/felaktig sond och T52 en sond som inte mater i ett kallt strak/ej felaktig.T5medel (=T5_SEL/1.8) ar medelvardet av samtliga T5-sonder.
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=40
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
650
700
750
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
Igensatt spridare
Figur C.4. Simuleringsresultat vid PLA=40◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NL och NH sanksca 1 % och WFM okar ca 2 % da felet ar narvarande.
C.3 Validering 73
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=120
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
800
1000
1200
1400
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
Igensatt spridare
Figur C.5. Simuleringsresultat vid PLA=120◦ och felet igensatt spridare introduceratunder tiden 20–60 s. Noggrannare studie av oversta figuren visar att NH sanks ca 4 %,WFM och NL andras knappt alls da felet ar narvarande.
74 Felmodellering
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=40−50−40
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80500
600
700
800
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
Hål i OGV
Figur C.6. Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=40◦ forutom under tidsintervallet [40, 50] s da PLA=50◦.
C.3 Validering 75
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=98−108−98
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
800
1000
1200
1400
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
Hål i OGV
Figur C.7. Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=98◦ forutom under tidsintervallet [40, 50] s da PLA=108◦.
76 Felmodellering
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=120−130−120
% a
v m
ax
0 10 20 30 40 50 60 70 80500
1000
1500
Tem
pera
tur
[K]
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
NLNHWFM
T51
T52
T5medel
A8
Hål i OGV
Figur C.8. Simuleringsresultat vid felet hal i OGV introducerat under tiden 20–60 s.PLA=120◦ forutom under tidsintervallet [40, 50] s da PLA=130◦.
C.3 Validering 77
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=40−50−40
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
800
1000
1200
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
T5 sensorfel
Figur C.9. Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s.PLA=40◦ forutom under tidsintervallet [40, 50] s da PLA=50◦.
78 Felmodellering
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=98−108−98
% a
v m
ax
NLNHWFM
0 10 20 30 40 50 60 70 80600
800
1000
1200
1400
Tem
pera
tur
[K]
T51
T52
T5medel
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
A8
0 10 20 30 40 50 60 70 800
1
2
Tid [s]
Fel
T5 sensorfel
Figur C.10. Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s.PLA=98◦ forutom under tidsintervallet [40, 50] s da PLA=108◦.
C.3 Validering 79
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=120−130−120
% a
v m
ax
0 10 20 30 40 50 60 70 80500
1000
1500
Tem
pera
tur
[K]
0 10 20 30 40 50 60 70 800
50
100
% a
v m
axvä
rde
0 10 20 30 40 50 60 70 80−1
0
1
Tid [s]
Fel
NLNHWFM
T51
T52
T5medel
A8
T5 sensorfel
Figur C.11. Simuleringsresultat vid T5-sensorfel introducerat under tiden 20–60 s.PLA=120◦ forutom under tidsintervallet [40, 50] s da PLA=130◦.
80 Felmodellering
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=40−50−40
% a
v m
ax
0 10 20 30 40 50 60 70 80600
650
700
750
800
Tem
pera
tur
[K]
0 10 20 30 40 50 60 70 800
50
100
Tid [s]
% a
v m
axvä
rde
NLNHWFM
T51
T52
T5medel
A8
Figur C.12. Simuleringsresultat vid inget fel. PLA=40◦ forutom under tidsintervallet[40, 50] s da PLA=50◦.
C.3 Validering 81
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=98−108−98
% a
v m
ax
0 10 20 30 40 50 60 70 80500
1000
1500
Tem
pera
tur
[K]
0 10 20 30 40 50 60 70 800
50
100
Tid [s]
% a
v m
axvä
rde
NLNHWFM
T51
T52
T5medel
A8
Figur C.13. Simuleringsresultat vid inget fel. PLA=98◦ forutom under tidsintervallet[40, 50] s da PLA=108◦.
82 Felmodellering
0 10 20 30 40 50 60 70 8020
40
60
80
100
PLA=120−130−120
% a
v m
ax
0 10 20 30 40 50 60 70 80500
1000
1500
Tem
pera
tur
[K]
0 10 20 30 40 50 60 70 800
50
100
Tid [s]
% a
v m
axvä
rde
NLNHWFM
T51
T52
T5medel
A8
Figur C.14. Simuleringsresultat vid inget fel. PLA=120◦ forutom under tidsintervallet[40, 50] s da PLA=130◦.
På svenska
Detta dokument hålls tillgängligt på Internet – eller dess framtida ersättare –under en längre tid från publiceringsdatum under förutsättning att inga extra-ordinära omständigheter uppstår.
Tillgång till dokumentet innebär tillstånd för var och en att läsa, ladda ner,skriva ut enstaka kopior för enskilt bruk och att använda det oförändrat förickekommersiell forskning och för undervisning. Överföring av upphovsrättenvid en senare tidpunkt kan inte upphäva detta tillstånd. All annan användning avdokumentet kräver upphovsmannens medgivande. För att garantera äktheten,säkerheten och tillgängligheten finns det lösningar av teknisk och administrativart.
Upphovsmannens ideella rätt innefattar rätt att bli nämnd som upphovsman iden omfattning som god sed kräver vid användning av dokumentet på ovanbeskrivna sätt samt skydd mot att dokumentet ändras eller presenteras i sådanform eller i sådant sammanhang som är kränkande för upphovsmannens litteräraeller konstnärliga anseende eller egenart.
För ytterligare information om Linköping University Electronic Press seförlagets hemsida http://www.ep.liu.se/
In English
The publishers will keep this document online on the Internet - or its possiblereplacement - for a considerable time from the date of publication barringexceptional circumstances.
The online availability of the document implies a permanent permission foranyone to read, to download, to print out single copies for your own use and touse it unchanged for any non-commercial research and educational purpose.Subsequent transfers of copyright cannot revoke this permission. All other usesof the document are conditional on the consent of the copyright owner. Thepublisher has taken technical and administrative measures to assure authenticity,security and accessibility.
According to intellectual property law the author has the right to bementioned when his/her work is accessed as described above and to be protectedagainst infringement.
For additional information about the Linköping University Electronic Pressand its procedures for publication and for assurance of document integrity,please refer to its WWW home page: http://www.ep.liu.se/
© Andreas Viborg
Recommended