On-line performance parameter estimation of SR-30 turbojet engine

Abstract

Accurate estimation of jet engines performance parameters is the key to develop reliable diagnostics systems. The development of a reliable and accurate nonlinear model of the SR-30 turbojet engine is proposed. To comply with this general objective, it was necessary to achieve specific objectives. Models of the compressor and turbine characteristic maps were required and developed. These models were constructed based on SR-30 engine’s dimensions, fundamental theory and initial conditions of operation. A nonlinear model was developed for the SR-30 engine and implemented using Simulink. Resulting model is based on nested iterations, two iterations are used for the steady state performance model and one iteration for the transient state model. The characteristic maps developed are crucial for the steady state behavior of the engine model. The nonlinear engine model was validated using experimental data obtained from actual SR-30 test runs, using the same command input, to produce the system output. Correction factors were used, before implementing the Kalman filter estimator, to improve the model results. For the tuning/fitting procedure, the dual unscented Kalman filter (DUKF) was developed. DUKF is based on two Kalman filters which work simultaneously; one of these is the state estimation filter and the other is the parameter estimation filter. DUKF uses the residual parameter vector, which is the difference between the model outputs and the measured outputs, to modify the tuners. The tuners are health parameters, such as efficiency and flow capacity which represent performance deteriorations of engine components. These tuners are used to adjust the output engine model parameters to closely match the measured values. The simulation results with the use of correction factors, were satisfactory. However, the results were improved by using the DUKF. Areas for future work are identified.

La estimación precisa de los parámetros de comportamiento de los motores a reacción es la clave para desarrollar sistemas de diagnóstico fiables. En el presente trabajo, se ha propuesto desarrollar un modelo confiable y preciso del motor turborreactor SR-30. Para cumplir con este objetivo general, fue necesario cumplir con algunos objetivos específicos. Se desarrolló el modelo de los mapas característicos del compresor y de la turbina. Estos modelos se construyeron basado en sus dimensiones y las condiciones iniciales de funcionamiento. A continuación, un modelo no lineal ha sido desarrollado para el motor SR-30. Este modelo está basado en iteraciones anidadas; dos iteraciones fueron usadas para el modelamiento del comportamiento en estado estacionario y una iteración para modelar el estado transitorio. Los mapas característicos, los cuales fueron cargados en el modelo del motor, son cruciales para el modelamiento del comportamiento en estado estacionario. El modelo no lineal del motor y los datos experimentales, usan el mismo comando de entrada para producir los resultados. Factores de corrección se utilizaron, antes de usar el estimador del filtro de Kalman, con el fin de mejorar los resultados. Para el procedimiento de ajuste, el dual uncscented Kalman filter (DUKF) fue desarrollado. DUKF se basa en dos filtros de Kalman que trabajan al mismo tiempo, una sirve para estimar los estados variables y el otro para estimar los parámetros de comportamiento. DUKF utiliza el vector de parámetros residuales, que es la diferencia entre los resultados del modelo y los resultados medidos, para modificar los parámetros de ajuste (parámetros de salud, tales como la eficiencia y la capacidad de flujo, que representan el deterioro del comportamiento de los componentes del motor). Estos parámetros de ajuste se utilizan para hacer el ajuste de los parámetros de salida del modelo del motor con la finalidad de que coincidan con los valores medidos. Esta técnica se ha desarrollado y algunos resultados experimentales del motor turborreactor RS-30 se utilizó para su validación. Los resultados de la simulación con el uso de factores de corrección, fue satisfactorio. Sin embargo, estos resultados fueron mejorados por el filtro dual DUKF. Se identificaron áreas para trabajos futuros en cuanto al modelaje y aplicaciones a sistemas de diagnóstico.