航空發動機故障診斷技術研究

鄭 波，朱新宇

（中國民航飛行學院航空工程學院，四川廣漢 618307）

1 引言

航空發動機工作條件復雜，維護時技術難度大、成本高，因此，故障診斷的要求很高。科學有效的故障診斷技術，不僅能準確檢測發動機故障，保障飛行安全，而且能夠節省維修費用，增加航空公司的經濟效益。

本文介紹了COMPASS軟件和基于粗糙神經網絡模型的新型故障診斷技術，并對某航空公司的AE3007發動機進行了故障診斷。

2 AE3007發動機簡介

AE3007系列發動機是RR公司研制的中小推力渦輪風扇發動機，目前，主要用作巴西航空工業公司的ERJ135/140/145系列飛機、塞斯納公司的“獎狀”X以及“全球鷹”高空長航時無人機的動力裝置。

該發動機的風扇為1級軸流式，寬弦設計；高壓壓氣機為14級軸流式；燃燒室采用高耐久性、低污染設計，有16個氣動霧化噴嘴，采用雙路電容放電點火，火焰筒采用多空散發冷卻；渦輪為2級軸流式高壓渦輪和3級軸流式低壓渦輪；控制系統采用雙通道全余度FADEC系統；最大起飛推力為3370 daN，起飛油耗為0.34 kg/(daN·h)，推重比為 4.72，涵道比為5，空氣流量為110.2 kg/s，總增壓比為24，最大馬赫數為7.8。

3 利用COMPASS軟件進行故障診斷

COMPASS軟件是RR公司開發的1款專門用于發動機氣路性能監控的軟件。利用其對AE3007發動機進行故障診斷，主要是將監控到的起飛和巡航階段相關參數轉換成標準狀態下的3個參數：DITT、DN2和 DFF, 它們分別表示發動機的排氣溫度改變量、高壓轉子轉速改變量和燃油流量改變量、這3個參數均直接引自發動機制造商的使用手冊。根據3個參數的變化情況，對照AE3007發動機的性能參數變化（見表1）和巡航參數偏差（如圖1所示）進行判斷。表1和圖1的數據是基于如下所述的典型巡航條件：9144 m,Ma=0.8,ISA。

表1 AE3007發動機性能參數變化

某ERJ145飛機的性能趨勢圖顯示：在某一時刻1發的3個性能參數在巡航時有較大改變，其中ITT約提高90℃，FF約提高12.5%，N2提高約2.1%；只是1發發生變化。根據3個參數的變化情況，查表1可得出風扇、低壓渦輪和引氣系統可能有故障；此時，還需借助巡行參數偏差圖作進一步判斷，以確定具體故障。

已知3個參數的變化情況，可得出它們之間的比值ITT:FF:N2=1∶0.139∶0.023，參見圖 1，飛機引氣增加1%的比值是1∶0.126∶0.015，2個比值之間最相似，故判斷發生引氣故障。

經實際檢查，此例中發動機的實際故障是壓氣機空氣流量引氣控制活門（CABCV）損壞。更換活門后，該發動機的性能趨勢圖恢復為正常狀態。

上述故障診斷實例表明：對發動機氣路性能進行監控，利用COMPASS軟件進行數據處理和趨勢圖繪制，可為診斷發動機氣路故障和指示故障位置提供很好的依據，對快速診斷發動機故障可起到重要作用。同時也應看到，該方法沒有給出最終結果，需要在分析發動機性能趨勢圖后才能得到。在下一節中，將利用智能方法處理監控數據，根據樣本知識的指示，直接得出診斷結果，而不需要中間的趨勢分析過程。

4 利用粗糙神經網絡進行故障診斷

4.1 粗糙神經網絡故障診斷模型構成

粗糙神經網絡模型結構如圖2所示。將粗糙集和神經網絡融合在一起，該融合模型具有以下優點[1]。

（1）應用粗糙集減少條件屬性的數量，降低構建神經網絡系統的復雜性，同時也減少后繼流程中信息作為網絡輸入時的特征值計算時間；

（2）應用粗糙集去掉冗余信息，使訓練集簡化，以減少神經網絡訓練時間；

（3）使用神經網絡作為后置的信息識別系統，該系統有較強的容錯及抗干擾能力。

4.2 模型中的創新算法和雙輸出規則設計

4.2.1 基于SOFM和差別矩陣的離散化方法

SOFM網絡的全稱為自組織映射神經（Self-Organizing Feature Map）網絡。在此離散化算法中，SOFM網絡的主要作用是實現連續向量的離散化[2]；差別矩陣的主要作用是判斷決策表是否存在相對于決策屬性的核和決策表是否相容。差別矩陣定義為[3]：給定1個決策表DT=（U ,C ∪D,V ），其中U為論域，C為條件屬性集，D為決策屬性集，V為屬性的值域。n， 則定義 Mn×n= （cij）n×n為決策表的差別矩陣，其中

符號“-”表示論域中2個對象的決策值落入決策屬性的同1個等價類；空集?表示2個對象所對應的2條決策是不相容的。如果論域中2個對象的決策值不同，同時也存在能夠區分這2個對象的條件屬性，則所有這樣的條件屬性組成的集合構成決策表的差別矩陣的對應元素。

在1個相容決策表中，相對D核等于差別矩陣中所有只含單個條件屬性的元素組成的集合，即

在研究中發現，基于差別矩陣的約簡算法往往不能實現，主要原因是矩陣中沒有含單個條件屬性的元素，得不到相對D核，從而不能求出約簡后的屬性。這就限制了此算法的應用。

用一般方法離散化后的決策表有可能是不相容的，這樣的分類顯然較粗，不能正確區分決策值不同的對象。離散化后的決策表即使相容，在求差別矩陣時，卻得不到只含單個屬性的元素，就不能求出相對D核，從而不能對決策表進行約簡，這樣的劃分顯得過細，不能剔除冗余屬性。鑒于此，基于SOFM和差別矩陣的屬性離散化算法的思想如圖3所示。

此算法的步驟如下。

（1）利用SOFM網絡求出決策表的分類，通常初始劃分為2類。

（2）計算決策表的差別矩陣。

（3）進行雙判斷，若任一判斷不通過，則增加劃分類數，返回執行（1）；若通過雙判斷，則生成離散化后的決策表，完成計算。

4.2.2 粗糙集和神經網絡雙輸出規則

粗糙集能利用生成的規則集進行故障診斷，神經網絡能利用其模式識別能力進行故障診斷。若綜合利用二者的診斷結果，則可更大限度地保證發動機故障診斷結果的準確性和完整性。

設“0”表示發動機無故障狀態，“1”表示存在故障狀態 1，“2”表示存在故障狀態 2，…，“n”表示存在故障狀態n，則共有n+1種狀態；令任意一故障狀態為i或j，則最后的輸出結果如圖4所示。

從圖4中可看出，粗糙集和神經網絡可能的輸出有4種情況。當二者輸出結果一致時，診斷結果有2種：0狀態或i故障，此時，診斷結果的準確性較高；當二者輸出結果不同時，也存在2種診斷結果：[0 i]和[i j]。在第1種情況下，設備存在故障，必須對其進行故障排查；在第2種情況下，對2種故障狀態都要進行排查。其目的就是為了將所有可能的安全隱患排除，以保障設備安全運行，從而提高故障診斷的可信性和徹底性。

圖4還指出將診斷數據存入訓練樣本數據庫，這一點非常有必要。只有擁有完備的訓練樣本，才能提高診斷模型的故障識別能力。

4.3 1次引氣故障診斷

4.3.1 樣本數據選取

在對某航空公司運營的ERJ145飛機的1次監控中發現，其配裝的2臺AE3007發動機的3個參數有增大的趨勢；在隨后的幾次監控中發現其增大趨勢變緩；但在2天后的監控中，3個參數增大速度變快。對完成了飛行任務后的該飛機進行了停飛檢查，通過分析趨勢圖，發動機管理中心認定發生了引氣故障，在后來的實際檢查中證實了這一判斷。進行針對性維修后，該飛機重新執行飛行任務，3個監控參數均恢復到正常水平。

鑒于此，將這段時間前、后的數據作為訓練樣本，且決策屬性D只有 2種狀態：“0”表示AE3007發動機工作正常，“1”表示AE3007發動機發生引氣故障。表2列出了AE3007發動機訓練的樣本數據；是從某一時段巡航監控數據中隨機抽取的，一共20組。從巡航報中，選取馬赫數Ma、氣壓高度PA、外界總溫TAT、油門桿角度TLA、燃油流量FF、低壓轉子轉速N1、高壓轉子轉速N2、發動機排氣溫度EGT、壓氣機出口溫度T2和壓氣機出口壓力P2作為條件屬性；為了檢查本文提出的粗糙神經網絡的故障診斷能力，隨機抽取7組巡航數據作為測試樣本，見表3。

4.3.2 粗糙集部計算過程

將條件屬性劃分為2類時，該決策表的核Core={TAT,FF,T2-5}，但存在著含“K”的2個元素，表明該劃分明顯過粗，不足以區分決策屬性；將決策屬性劃分為3類時，核Core={FF}，且不存在不相容元素；將決策表劃分為4類時，差別矩陣不包含核，使得后續計算無法進行，說明劃分過細。表4給出將條件屬性劃分為3類時各個條件屬性的離散化區間。

表2 AE3007發動機訓練樣本數據

表3 AE3007發動機測試樣本數據

表4 各屬性離散區間

然后，求出離散化為3類后的決策表的約簡 [Ma FFITTT2-5]；連續化屬性離散化為3類，不僅能夠恰當地識別出決策屬性，同時又能夠得到最簡約簡。所以，將表2離散化為3類是合適的。構建決策表的決策矩陣，建立每個條件等價類的決策函數，利用合取運算和析取運算，將決策函數簡化為最小析取范式；其中，每個合取子式對應1條規則。經計算共得31條決策規則。

表5為得出的規則集和規則參數。其中，規則參數SU表征規則在整個數據中適用的對象數，AC表征規則的精度，CO表征規則的適用度。至此，完成了粗糙集部分的計算。

表5 規則集和規則參數

現在只要將測試樣本數據的約簡條件屬性離散化，就能對照規則集對AE3007發動機進行故障診斷。

4.3.3 神經網絡部分計算過程

BP神經網絡應用廣泛，通用性、魯棒性等都較好，特別是能夠運用在多故障識別中[4]，因此采用BP神經網絡進行故障識別。

對數據約簡前后的網絡性能進行比較可知，約簡前后神經網絡的網絡參數和訓練參數都一致，體現出粗糙神經網絡的優越性。

表6給出了2套神經網絡的比較情況，可看出Net2的性能優于Net1的。這表明：經過屬性約簡后的神經網絡簡化了網絡結構，減少了網絡開銷，加快了收斂速度，提高了網絡性能。

Net1和Net2以及粗糙集的計算結果見表7。診斷結果表明：利用約簡后的數據訓練神經網絡，使網絡的容錯及抗干擾能力得到顯著提高。

表6 2套神經網絡比較

表7 診斷結果比較

4.3.4 分析并輸出粗糙神經網絡結果

從表7中可看出，Net2的診斷成功率為100%，能夠完全辨別出AE3007發動機的狀態；Net1和RS對測試樣本2的診斷都出現了錯誤，診斷率成功為85.7%。綜合表6、7，可以看出采用粗糙集方法去掉冗余信息后，不僅提高了網路收斂速度，降低了網絡復雜性，更重要的是使網絡的容錯和抗干擾能力增強，從而增強了網絡的實用性和可信性。

但是，對于樣本2，RS與Net2的診斷結果不一致，而與Net1的一致，實際檢驗證明Net2的診斷結果是正確的。導致RS出錯的原因主要是其容錯能力和抗干擾能力較差，對相似性很強樣本的識別能力不足；而導致Net1出錯的主要原因是知識樣本集冗余屬性較多，冗余屬性之間的相似關系干擾了神經網絡的學習，從而導致了診斷錯誤。由此可以看出，有必要對粗糙集和神經網絡進行融合和互補。

對AE3007發動機的最終診斷結果見表8。

表8 粗糙神經網絡模型診斷結果

至此，完成了利用粗糙神經網絡對AE3007發動機的故障診斷，診斷結果與發動機真實狀態完全一致，證明了本文所建立的粗糙神經網絡模型可信且實用。

5 結束語

本文建立的用于故障診斷的粗糙神經網絡模型，不僅離散化算法思想獨特，而且，按照故障診斷準確、徹底的要求所創建的模型結構新穎。實踐證明此模型在工程上的適用性和可信性很強，能夠為現代工業工程中的故障診斷提供有效的參考。

[1]安利平.基于粗糙集理論的多屬性決策分析[M].北京：科技出版社，2008.

[2]Kohonen T. Self-organization and Associative Memory[M].Belin:springer verlag,1982.

[3]Pawlak Z.Raugh Sets[J].International Journal of Information and Computer Science,1982(11):341-356.

[4]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.