航空發(fā)動機氣路故障的智能診斷方法研究

陳泉杉

摘要：航空發(fā)動機設(shè)備的穩(wěn)定運行對于飛機飛行安全而言有著極其重要的作用，一旦航空發(fā)動機出現(xiàn)故障問題未能被及時發(fā)現(xiàn)和處理，則極有可能會引發(fā)嚴重的安全事故，因此工作人員應(yīng)積極引進智能故障診斷方法，提高對發(fā)動機設(shè)備氣路故障的診斷效率，從而更好地保障飛機安全飛行。

Abstract： The stable operation of aero-engine equipment plays an extremely important role in the flight safety of aircraft. Once the fault of aeroengine is not found and handled in time， it is very likely to cause serious safety accidents. Therefore， the staff should actively introduce intelligent fault diagnosis methods to improve the diagnosis efficiency of engine equipment gas path fault， so as to improve the efficiency of fault diagnosis To ensure the safety of the aircraft.

關(guān)鍵詞：航空發(fā)動機;氣路故障;智能診斷方法

Key words： aeroengine;gas path fault;intelligent diagnosis method

0? 引言

與傳統(tǒng)的發(fā)動機故障診斷方法相比，基于深度信念網(wǎng)絡(luò)理念的智能診斷方法無論在正確率還是診斷效率上都有著絕對的優(yōu)勢。接下來，筆者將從故障原因、故障模型構(gòu)建、診斷結(jié)果影響因素等角度對航空發(fā)動機設(shè)備的氣路故障進行深度剖析。

1? 航空發(fā)動機

航空發(fā)動機是一種極其復(fù)雜且精密度極高的熱力機械，通常是由主燃燒室、增壓機、低壓渦輪、風扇、高壓壓氣機、高壓渦輪、外涵道、尾噴管、進氣道、內(nèi)涵道等構(gòu)件組成，是維持飛機穩(wěn)定運行的重要機械設(shè)備。

2? 氣路故障原因分析

2.1 結(jié)冰、結(jié)垢

結(jié)冰和結(jié)垢所導(dǎo)致的氣路故障通常發(fā)生在增壓機、風扇、高壓壓氣機等結(jié)構(gòu)中，其中結(jié)冰通常是因為葉片上殘留的水分在低溫環(huán)境中結(jié)成冰而產(chǎn)生的，結(jié)垢則是由于葉片長時間與空氣接觸，導(dǎo)致空氣中的雜質(zhì)顆粒會逐漸附著在葉片上越積越多而產(chǎn)生的。

2.2 磨損故障

葉片在發(fā)動機設(shè)備內(nèi)長時間的運轉(zhuǎn)過程中，不可避免地會與空氣中的雜質(zhì)顆粒產(chǎn)生不同程度上的摩擦，當摩擦次數(shù)過多時便會對葉片造成不可逆的摩擦損害，從而引發(fā)氣路故障問題。

2.3 腐蝕故障

發(fā)動機設(shè)備發(fā)生腐蝕的原因通常是由于設(shè)備長時間處于高溫高壓條件中工作，因而使得局部結(jié)構(gòu)組成成分發(fā)生化學(xué)反應(yīng)而出現(xiàn)不同程度上的腐蝕，最終對發(fā)動機設(shè)備的正常運行造成不良影響。

2.4 受損故障

受損的原因主要有兩種：一種是發(fā)動機設(shè)備受到空中的漂浮的廢棄物或飛禽等外來因素的強烈撞擊而導(dǎo)致設(shè)備中的葉片嚴重受損，從而影響設(shè)備的穩(wěn)定運行;另一種則是由于葉片長期受到高溫氣流的沖擊因而出現(xiàn)老化、變形甚至斷裂等機械損傷，嚴重威脅飛機運行的安全性。

3? 智能診斷方法

3.1 深度信念網(wǎng)絡(luò)

所謂深度信念網(wǎng)絡(luò)，通常是由受限玻爾茲曼機層與輸入、輸出層共同組合而成，如圖1所示。從圖1中我們可以看出，隱含層H0輸入層V共同組成RMB0，即首個受限玻爾茲曼機層，同理，H0與H1也組成了RMB1，H1和H2組成了RMB2，最后輸出層和H2之間可構(gòu)成softmax層。由于RBM是由不同層神經(jīng)元共同組合而成，因此我們可以將其分為兩大類，其一是可見層內(nèi)的神經(jīng)元，其二則是隱含層內(nèi)的神經(jīng)元。

3.2 創(chuàng)建故障模型

以渦軸發(fā)動機的氣路故障診斷為例，我們先基于深度信念網(wǎng)絡(luò)的理念對其創(chuàng)建相應(yīng)的故障模型，具體要點如下：第一，明確氣路故障類型，如燃燒室效率故障、燃氣渦輪效率故障、壓氣機效率故障、燃燒室壓力故障、動力渦輪效率故障;第二，設(shè)定特征參數(shù)，如壓氣機設(shè)備中的出口溫度為T3、出口壓力為P3，燃氣渦輪設(shè)備中的出口溫度為T42、出口壓力為P42，燃燒室所對應(yīng)的出口壓力為P4，動力渦輪設(shè)備的出口壓力為P45、燃油量為Pf、出口溫度為T45、負載大小為Pw;第三，將發(fā)動機設(shè)備的氣路故障以及正常運行狀態(tài)與故障模型中的節(jié)點相對應(yīng)，如表1所示;第四，根據(jù)發(fā)動機設(shè)備處于故障狀態(tài)時所產(chǎn)生數(shù)據(jù)信息之間的差異性，我們可將氣路故障數(shù)據(jù)分為測試組數(shù)據(jù)和訓(xùn)練組數(shù)據(jù);第五，將故障模型中的首層定義為輸入層，該層主要對應(yīng)的是發(fā)動機設(shè)備出現(xiàn)故障時工作人員所觀測到的數(shù)據(jù)信息，中間層我們定義為隱含層，其結(jié)構(gòu)為RMB，隱含層中各節(jié)點的數(shù)量設(shè)置可參考神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可結(jié)合實際情況進行適當?shù)卣{(diào)整，最后一層定義為softmax層，共6個節(jié)點，用以對應(yīng)發(fā)動機設(shè)備的六種運行狀態(tài)[1];第六，工作人員可通過對比散度的算法來完成對該故障模型的訓(xùn)練;第七，對該故障模型進行最終的數(shù)據(jù)測試，根據(jù)其故障診斷結(jié)果來判斷是否需要進一步調(diào)整。

3.3 智能針對過程中的影響因素

3.3.1 樣本比例對故障診斷結(jié)果的影響

對于測試樣本和訓(xùn)練樣本數(shù)量比例上的差異性，工作人員在模擬實驗中對樣本比例不同對最終診斷結(jié)果所產(chǎn)生的影響進行分析，具體實驗方法如下：第一，設(shè)置三組實驗?zāi)M數(shù)據(jù)，其中測試樣本數(shù)量分別占據(jù)總數(shù)量的40%、60%以及80%;第二，按照BP算法和DBN算法分別對故障信息訓(xùn)練5000次;第三，工作人員可將故障模型中的隱含層設(shè)置為3層，節(jié)點數(shù)設(shè)置為10個，訓(xùn)練批次設(shè)置為5，學(xué)習(xí)率設(shè)置為0.01[2]。按照上述模擬實驗的方法我們可以得出不同算法對發(fā)動機設(shè)備故障診斷的正確率，如表2所示。

根據(jù)表2，我們可以得出以下結(jié)論：無論是BP算法還是DBN算法，當測試樣本數(shù)量占總樣本數(shù)量80%時，智能診斷結(jié)果的正確率最高，因此在后續(xù)故障診斷工作研究過程中，工作人員可將故障模型中的樣本比例設(shè)為80%。

3.3.2 隱含層層數(shù)對故障診斷結(jié)果的影響

我們可將隱含層的層數(shù)分別設(shè)置為兩層、三層、四層和五層，同時為了最大程度上降低節(jié)點數(shù)對模擬實驗最終結(jié)果所產(chǎn)生的影響，我們可以統(tǒng)一將隱含層所對應(yīng)的節(jié)點數(shù)設(shè)置為10個，與上述探究實驗相同，我們也對其訓(xùn)練5000次。模擬實驗后，我們最終得出以下氣路故障診斷結(jié)果：層數(shù)為兩層和三層的隱含層在訓(xùn)練次數(shù)在2000次左右時正確率約98%，而層數(shù)為四層和五層的隱含層則爭取了約為19%。由此我們可得出以下結(jié)論，工作人員在需要考慮時間成本的前提下，可將故障診斷結(jié)構(gòu)中隱含層的層數(shù)設(shè)置為兩層，這樣不僅可以有效地減少故障診斷模型所需訓(xùn)練次數(shù)，同時也可以得到較高正確率的故障診斷結(jié)果[3]。

3.3.3 噪聲水平對故障診斷結(jié)果的影響

由于發(fā)動機設(shè)備所處環(huán)境中具有較大的噪聲影響，因此最終的檢測數(shù)據(jù)常常會與設(shè)備真實的故障數(shù)據(jù)產(chǎn)生一定的偏差，對此工作人員需從抗噪的角度來有針對性地提高故障診斷模型的抗噪性能，以保障最終所獲得的故障診斷結(jié)果具有較高的準確性。對此工作人員可分別對故障診斷模型添加不同大小的噪聲，分別設(shè)置為k=0.02、0.04、0.06、0.08、0.10。通過使用BP算法和DBN算法對其進行多次模擬實驗，最終我們可得出以下數(shù)據(jù)統(tǒng)計結(jié)果：BP算法下k=0.02、0.04、0.06、0.08、0.10噪聲水平所對應(yīng)正確率分別為90%、89.2%、87.6%、85.1%、81.4%，DBN算法下k=0.02、0.04、0.06、0.08、0.10噪聲水平所對應(yīng)正確率分別為99%、98.7%、97.5%、96.1%、94.7%。由此我們可以得出以下結(jié)論：該故障診斷模型的正確率與所處環(huán)境內(nèi)的噪聲水平呈反比，即噪聲水平越高，診斷結(jié)果的正確率便越低[4]。但從宏觀的角度上來看，基于DBN算法的噪聲水平對診斷結(jié)果的影響是非常小的，即使在較大的噪聲水平中，該模型的故障診斷結(jié)果依然在90%的正確率之上，因而DBN算法下故障診斷模型的抗噪能力顯然優(yōu)于BP算法下的故障診斷模型。

4? 結(jié)束語

智能診斷是信息網(wǎng)絡(luò)時代中先進科學(xué)技術(shù)在航空領(lǐng)域中不斷地滲透而衍生出的一種新型故障診斷技術(shù)，也是未來發(fā)動機設(shè)備故障診斷的重要發(fā)展趨勢，其不僅對于航空發(fā)動機運行過程中微末的異常數(shù)據(jù)極度敏感，能夠快速幫助工作人員識別氣路故障問題，同時還具有較高的正確率，大幅度減少航空飛行中的安全事故，對于維護飛機穩(wěn)定飛行有著非常重要的意義。

參考文獻：

[1]李業(yè)波，李秋紅，黃向華，趙永平.航空發(fā)動機氣路部件故障融合診斷方法研究[J].航空學(xué)報，2014，35（06）：1612-1622.

[2]那媛.基于氣路性能參數(shù)的航空發(fā)動機故障診斷方法研究[D].哈爾濱工業(yè)大學(xué)，2016.

[3]林嘉琦，徐建國，劉星怡，等.基于深度信念網(wǎng)絡(luò)的航空發(fā)動機氣路故障診斷技術(shù)研究[J].機械制造與自動化，2019，48 （5）：179-182.

[4]徐萌，席澤西，王雍赟，等.基于集成學(xué)習(xí)的航空發(fā)動機故障診斷方法[J].中國民航大學(xué)學(xué)報，2019，37（2）：29-33，42.

[5]許夢陽.航空發(fā)動機智能優(yōu)化粒子濾波氣路故障診斷方法研究[D].江蘇：南京航空航天大學(xué)，2017.

[6]周曼曼.基于嵌入式的航空發(fā)動機實時監(jiān)測與故障診斷系統(tǒng)開發(fā)[D].江蘇：南京航空航天大學(xué)，2017.

[7]陳恬，孫健國.粗集理論在發(fā)動機氣路部件故障診斷中的應(yīng)用[C].//中國航空學(xué)會.中國航空學(xué)會第十二屆發(fā)動機自動控制學(xué)術(shù)會議論文集.2004：279-281.