航空發動機氣路故障融合診斷方法

鄭瑋晟，梁敬宜，張正嘉，高梓健，張元才

（沈陽航空航天大學，遼寧沈陽 110122）

0 引言

隨著經濟的發展，我國航空航天事業正處于不斷發展的態勢，航空航天的各項環節的穩定性關乎著航空航天事業的發展。航空發動機作為其中的關鍵組成部分，其科學的管理也成為重要內容。其中，航空發動機90%的故障問題是氣路故障引發的，而此項維修費用在整體維護費用中占比高達60%。因此，航空發動機氣路故障的融合診斷是十分重要的工作。

1 航空發動機氣路故障的主要診斷方法

國際故障診斷理論權威學者Frank 教授提出了故障診斷的3 種方法，同時結合近年來的研究成果，可以將故障細分為3 種類型：第一種是基于模型的方法，第二種是基于數據驅動的故障診斷方法，第三種為基于信息融合的故障診斷方法[1]。

1.1 基于模型的故障診斷方法

最早應用于發動機故障診斷的方法便是基于模型的故障診斷方法，該方法通常是以發動機運行物理特征為條件，建設科學的定量機理模型，同時依據傳感器測量信息來確保模型特征及模型精度的準確性。其中，該機理模型的精確性會對故障診斷的成效產生較大的影響。此方式的優勢在于能夠較好的解決數據庫獲取難的困境，很少要依賴傳統的歷史信息及積累的經驗，可以運用動態化的數據參數來指導故障的診斷，同時可以提升故障診斷的及時性及準確性。此方法可以細化為以下兩種。

1.1.1 線性模型診斷方法

此方法進一步細分成參數估計與狀態估計兩種類型。前者主要是通過系統模型參數來分辨，以此對故障進行診斷，構成診斷的基本思路是構建理論模型及參數辨識度的融合診斷機制，對于數據的變化情況及相應的特征等開展實時的分析，并實施檢測，以此來進行參數估計值與正常值偏差的估計，進一步對故障問題進行判斷。Brotherton 提出了機載自適應模型，這是基于線性卡爾曼濾波（LKF）與發動機線性模型二者相結合的基礎上提出的，這也是該模型的典型研究。同時，Brotherton 的研究成果也應用于對氣路部件性能參數進行的預測與分析。此模式可以通過LFK 來對性能參數實施評估，并且能夠修正機載模型，為模型自適用發動機輸出變化提供保障。

1.1.2 非線性模型診斷方法

此診斷方法首先是測量相關的參數，然后是建設自適應的發動機性能模型，然后依據部件性能參數的變化情況，針對故障實施分析及檢測。將發動機部件性能參數作為基礎，引入修正因子，對非線性方程組進行求解，然后對部件的性能實施評估。運用主因子概念分析方式，測量參數服從正態分布的情況下，分別進行每組的組合優化，以此獲得每組最優解，再從中選擇殘差最小的組。則較大概率為此故障[2]。此模型接近真實的發動機工作實際情況，因此可以較好的反映出發動機氣路故障問題。但是缺點在于現階段的機載計算機水平及存儲資源有限，該方式的應用無法獲得理想的效果。

1.2 基于數據驅動的故障診斷方法

在工程開展的過程中，通常數學模型的構建較為困難，也會導致基于模型的故障診斷模式的使用范圍較小。而基于數據驅動的故障診斷模式對于機理模型的精準度依賴不高，憑借的是對先驗知識的分析，需要由發動機領域專家知識、經驗及已有的數據等。將其應用在非線性系統領域之中具備的發展前景更加廣闊。該模式的診斷方式主要由以下5 個部分組成。

1.2.1 人工神經網絡方法

神經網絡具有較多優勢，可以實現自主學習、擬合任意連續非線性函數，并且能夠處理分別是信息存儲等功能，同時非線性逼近與在線評估等功能也較好。所以，為了更好地應用于故障診斷系統之中，該模式的建設有由征兆到故障模式映射的要求。目前，常用于發動機氣路故障診斷的網絡模型有BP（Back-Propagation）網絡、概率神經網絡、SOFM（Self-Organization Feature Map，自組織特征映射網）、自聯想網絡等[3]。其中，BP 神經網絡主要是將網絡學習故障作為參考；概率神經網絡主要是根據目前的模式仰恩等對類條件概率密度實施評估，以此來獲取Bayes 意義中的分類最優化。主要的網絡訓練不需要迭代。SOFM 網絡術語監督學習網絡，其依賴類型較少且能夠將未知故障進行自動聚類，通過樣本距離實現聚類，針對模式噪聲擁有很強的魯棒性。

1.2.2 專家系統方法

針對發動機氣路故障診斷工作，主要是獲取故障專家系統，一般需要將故障模式信息與征兆信息等實施結合，按照故障征兆及規則等對故障的內容實施推理。其中，基于概率推理而形成的有向圖網絡的之一表現便是貝葉斯證據網絡，此網絡可以針對不確定信息進行處理，并運用專家系統來開展知識的推理。20世紀90 年代，該方法被廣泛應用于發動機故障排查工作。

圖1 BP 神經網絡故障診斷模型

1.2.3 模糊推理方法

模糊推理方法一般應用在模糊邏輯方面，表述與處理模糊概念，同時可以應用于對不確定信息的診斷。此方法中的模糊理論與邏輯等都可以為診斷工作提供相應的理論支持[4]。一些模糊診斷問題需要應用模糊規則來表述故障診斷機理。但是其缺點在于需要構建正確的模糊規則及隸屬函數，該工作運行起來困難重重且需要大量的時間，導致應用此方法的成本較高。

1.2.4 支持向量機方法

Vapnik 于20 世紀60 年代提出一種利用結構風險最小化原則對凸二次規劃問題獲得全局最優解的方案，即通過統計學習理論作為基礎的機器學習方法來獲得最優解。支持向量機方法與神經網絡算法在風險方面的原理中，后者主要應用經驗風險最小化原則，而前者則具備較強的非線性分類能力，可以有效規避過擬合或欠擬合的問題。尤其可以較好地應用于訓練樣本較少的情景之中，開展相應的分類處理。此外，算法的復雜度與樣本特征維度的關系較小。該方法也被廣泛應用于發動機氣路故障診斷與測試之中，如性能趨勢測試及振動故障檢測。

1.2.5 極限學習機方法

該方法作為一種特殊的單隱層前向神經網絡，能夠任意設定隱藏節點的輸入值與偏值，運用訓練模式來獲得最優輸出權限。該方法箱包及教育傳統神經網絡學習算法速度快，具有較強的泛化能力。

1.3 基于信息融合的故障診斷方法

現階段，隨著大數據信息技術的不斷發展以及新型傳感器的研究及發展，其中所涉及到的數據內容也十分豐富，會對故障診斷形成相應的消極影響，同時需要數據篩選與處理能力有所提升。因此，對于發動機開展融合診斷工作，能夠最大化的提升診斷的效果。信息融合所應用的處理技術較多，包括數據綜合處理技術與多學科理論支持。其原理是將輸入數據置于公共空間并展開描述，痛死針對數據實施恰當的數據方法處理及輸出。融合診斷方式能夠充分的應用目前單一基于模型與基于數據的方法，實施征兆級與決策級等各個階層的融合。現階段常用的航空發動機氣路故障診斷的信息融合模式包含以下5 種。貝葉斯融合、DS 證據融合、智能融合、模糊融合以及集成融合等。

2 航空發動機氣路部件故障的融合診斷方法

針對某企業的CFM56 航空發動機實施案例進行分析，并對其故障融合診斷方法開展研究。

2.1 選擇故障樣本

故障樣本是發動機氣路部件的主要故障類型及參數，并將其作為分析的樣本，針對樣本實施仿真拓展。公式表示為x=x0+kσrand。其中，x0與σ 分別表示原始樣本及樣本標準值，k 代表環境對噪聲的影響，rand 為函數服從正態分布的隨機數。

2.2 融合診斷模型的構建

針對氣路故障診斷的實施過程中，要構建思維樣本矩陣，且在每一維度之中都表示出樣本的參數。按照數據樣本建設仿真故障訓練樣本，數量為1000，在每一樣本之中都設置100 氣路故障類型。故障因子一般以0.1-0.5，每隔0.1 由20 個方針樣本構成。對照組的參數設置與實驗組相同，但是樣本沒有標簽。通過構建7 個DBN（Deep Belief Network，深度信念網絡）來獲得具體的總重構誤差。根據結論可知，網絡結構誤差最小的是［4，6，8，10］，則可以顯示出DBN 結構可以充分展現出鼓掌隱藏的特征。運用樣本數據對比分析的方式，可以繪制BP 神經網絡曲線，并能直觀展現出故障類型與隱藏特征之間的匹配情況。通過該曲線圖可以看出，最先獲得的結果的誤差較大，并且在2500次左右開始樣本的誤差呈現出不斷下降的趨勢。樣本訓練為3000 次的時候，誤差便會降低至0.41 左右。同氣路故障診斷要求匹配度較高。

2.3 故障融合診斷結果分析

通過上述實驗，選取其中5 次診斷的結果，對于其可信度與狀態參數實際范圍等實施對比研究，通過決策融合模型來開展診斷結果的精準分析。同時，對于一些特征不夠明顯的數據要增加仿真數據的數量，將其輸入深度信念網絡模型之中，以優化樣本參數。同時，需要將樣本參數輸入融合決策運算中，其目標是清除會對氣路故障診斷結果產生影響的一些因素，不斷提高故障診斷的精確度。最后要計算結果。按照所計算出的結果與基于決策融合的驗證，可以有效的提升氣路故障診斷結果的可信性，并且可同保障分類的具體要求相適應。總之，運用融合故障診斷模式，可以確保航空發動機故障診斷的科學性，在航空航天領域發揮著重要的作用。

3 結束語

氣路故障是航空發動機故障中主要的類型之一，對故障的診斷是關鍵工作，需要綜合運用故障融合診斷方式來開展相關工作。本文通過闡述航空發動機氣路故障的主要診斷方法及特點，以期為航空發動機氣路故障的有效診斷提供參考。