基于单类支持向量机的航空发动机故障检测

曹惠玲，杨 路，林钰森，曲春刚

（1.中国民航大学航空工程学院，天津 300300；2.中国民航科学技术研究院，北京 100028）

航空发动机是飞机的心脏，其工作状态对飞机的飞行安全起着至关重要的作用。因此，准确判断发动机工作状态，及时发现发动机异常情况[1]，提前预知发动机性能衰退，对于有效实施航空发动机的视情维修决策有着重要意义[2]。目前，国内外已有相关研究人员做了大量的研究工作，Brotherton[3]、Koboyashi[4]等将人工神经网络用于发动机气路参数预测，实现发动机性能参数监控及趋势分析。徐启华[5]利用支持向量机的模式识别的方法，成功地对发动机气路部件的几种典型故障进行建模。但是，大量研究工作仅限于实验仿真数据，其实际应用的可行性仍需研究探索。

在航空发动机的状态监控及故障诊断中，正常运行状态的数据样本较易获取，而故障样本却难以获得。单类支持向量机，仅依靠正常运行状态下的数据样本，将样本通过核函数映射到高维特征空间，建立故障分类器，对航空发动机运行状态进行识别。本文利用海量的QAR数据，基于单类支持向量机算法，开发航空发动机故障检测系统，实现及时发现航空发动机运行状态异常。

1 单类支持向量机

单类支持向量机（one-class support vector machine，OCSVM）将输入向量通过非线性映射函数φ映射到一个更高维的特征空间[6]，使其具有更好的聚集性，在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离。这种对偶空间的转换通过使用Mercer定理和正定核函数，而不需要计算出准确的映射函数φ。

OCSVM的分类器算法可归纳如下：

假设训练集的定义为：xi∈Rp，i=1，2，…，l，通过求解以下二次规划问题

式中：xi为输入向量；w∈Rp为权值变量；ρ为阈值；v∈（0，1），其值控制支持向量的数目；ξi为松弛变量。

对于式（1），通常通过求解上述模型的拉格朗日方程的对偶问题获得原问题的最优解

其中：Qij=K（xi，xj）=φ（xi）Tφ（xj），K（xi，xj）称为核函数，满足Mercer条件且K（xi，xj）=（φ（xi）φ（xj））。高斯径向基核函数（radial basis function，RBF）是普适的核函数

其中：σ为核宽度系数。由式（2）解出α，得到决策函数为

2 故障检测系统设计

系统开发基于微软的SQL Server 2005数据库服务器，基于.NET Framework 2.0框架，以面向对象程序设计语言vb.net作为主要开发语言，使用的开发工具包括Microsoft Visual Studio 2005，Microsoft SQL Server 2005等。支持向量机算法选用台湾大学林智仁博士等开发设计的LIBSVM通用软件包[7]，该算法采用了收缩和缓存技术，提供了线性、多项式、径向基和S形函数4种常用的核函数供选择，具有较好的性能。

发动机故障检测工作流程如图1所示，使用QAR译码后以CSV（comma separated variables）存储的数据文件经过数据预处理，主要包括航段划分（慢车、起飞、爬升、巡航、下降、进近）、数据平滑、数据归约、性能参数的相似转化等，可以根据需求及经验设置所需监控参数，通过建立健康模型窗口，选取航班数据，选择SVM类型，核函数类型和相关系数，建立OCSVM分类器，通过诊断分析窗口，选择需要分析的航班数据，并选择OCSVM分类器模型进行诊断分析。

图1 工作流程图Fig.1 Work flow diagram

3 基于OCSVM的航空发动机故障检测

案例中，航空发动机在2008年6月10日的c航班处于正常运行，振幅在0.01～0.04 MILs SA，在2008年6月11日后故障出现，N2主轴振动值出现达到0.6 MILs SA以上。航空发动机主轴振动异常，可能导致部件磕碰损害，严重时导致整体发动机烧毁，甚至机毁人亡。

本系统利用健康状态气路参数建立OCSVM分类器，检测后续航班数据，分析检测结果，从而及时发现发动机存在故障。实际工作中，工程技术部门通过进一步检查检测，可以及早发现故障源，及时排除故障，有助于提高发动机运行的可靠性和安全性。

3.1 建立OCSVM分类器

参数设置需要输入9个主要的气路参数：压气机进口压力、压气机出口压力（选定燃烧室的压力）、海拔高度、N1、N2、EGT、压比（EPR）、空气总温和燃油流量FF；选取20080610a航班巡航阶段样本点，选择One-class SVM类型，高斯径向基核函数，默认参数建立OCSVM分类器模型。

表1中，正类表示样本数据属于正常状态，负类表示样本数据属于异常状态，正类率表示正类数据样本占样本容量的百分率。如表1所示，20080610a航班巡航阶段，OCSVM分类器模型的正类率为87.055%，其结果不是很高的主要原因是：①QAR数据为发动机实际工作数据，含有大量噪声；②训练样本数据建立OCSVM分类器模型，为保证其良好的泛化性，模型的正类率略有下降。

表1 基于OCSVM分类器的故障检测结果Tab.1 Fault detection results using OCSVM classification

3.2 基于OCSVM分类器的故障检测

利用由原来航班数据进行训练建立的OCSVM分类器，分别对20080610c、20080611b、20080613d航班发动机参数数据进行检测，检验结果参见表1。

从表1可以看出，20080610c航班、20080611b航班、20080613d航班诊断结果分别为 90.513%，14.639%，42.604%。分析其诊断正类率可以发现，20080610c航班的正类率达90.513%，高于OCSVM分类器的正类率，发动机实际工作状态与分类器模型工作状态相近，此时发动机处于健康状态；20080611b巡航段正类率急剧下降，仅为14.639%，可以推测此时发动机可能有异常变化，两日之后，20080613d的诊断正类率也仅为42.604%，再次验证了发动机工作状态已不处于健康状态，可能存在某些故障。案例中，工程师原先怀疑发动机N2转子断裂，下达了发动机高压转子孔探指令，最后孔探发现是高压涡轮叶片发生了断裂。

4 结语

航空发动机是有机的整体，某些故障的征兆会在一些气路参数的变化中反映出来。本文基于单类支持向量机，开发出利用QAR数据的航空发动机故障检测系统，监控发动机工作状态，为预防和排除故障提供充足的时间和决策依据。案例中，通过对QAR历史健康数据预处理，选取训练集样本，建立OCSVM分类器模型，实现了后续航班的航空发动机故障检测，可以及时发现发动机存在故障。目前，系统仍需大量的航班数据和案例，进一步研究故障样本特征，实现发动机故障定位。

[1]URBAN L A.Gas Path Analysis Applied to Turbine Engine Condition Monitoring[C]//Eighth Joint Propulsion Specialist Conference，1972.

[2]李晓白，崔秀伶，郎荣玲.航空发动机性能参数预测方法[J].北京航空航天大学学报，2008，34（3）：253-256.

[3]BROTHERTON T，JAHNS G，JACOBS J，et al.Prognosis of faults in gas turbine engine[J].Aerospace Conference Proceeding，IEEE，2000（6）：163-171.

[4]KOBOYASHI T，SIMOND L.Hybrid neural network genetie-algorithm technique for aircraft engine performance diagnostics[J].Journal of Propulsion and Power，2005，21（4）：751-758.

[5]徐启华，师 军.基于支持向量机的航空发动机故障诊断[J].航空动力学报，2005，20（2）：298-302.

[6]邓乃扬，田英杰.数据挖掘中的新方法—支持向量[M].北京：科学出版社，2004.

[7]HSU C W，CHANG C C，LINC J.LIBSVM：A Library for Support Vector Machines[EB/OL].（2012-06-05）.http：//www.csie.ntu.edu.tw/～cjlin/libsvm.