基于静电信号排列熵的航空发动机异常探测

付 宇 ，殷逸冰 ，王 涵 ，左洪福

（1.中国民航大学 航空工程学院，天津 300300；2.南京航空航天大学 民航学院，南京 211106）

基于静电信号排列熵的航空发动机异常探测

付 宇1，殷逸冰2，王 涵2，左洪福2

（1.中国民航大学 航空工程学院，天津 300300；2.南京航空航天大学 民航学院，南京 211106）

该文利用航空发动机气路静电监测技术开展涡扇发动机试车静电监测试验，介绍了发动机试车台架所用的静电传感器和试车安装环境，采集到一些发动机异常状态下的静电信号数据。提出了一种基于静电信号排列熵值的气路状态异常检测方法对发动机气路异常状态进行检测，并与静电信号经典特征参数的分析结果进行对比。试验分析结果表明，排列熵指标对气路故障所导致的气路状态的突变比原始信号和经典特征参数更加敏感，同时，相较于传统特征参数排列熵指标能够更清晰地反映出燃烧故障进程中的故障变化情况。

航空发动机；静电监测；排列熵；传感器；特征参数

航空发动机运转时，气路部件所处的环境十分恶劣，随着工作时间的增加将会导致其自身性能发生退化，进一步影响发动机的整体性能[1]，退化的表现反映在气路相关参数上。因此发动机气路部件的状态监视和健康评估对于飞机运行安全性极其重要[2-5]。对气路健康状态进行综合评价可以迅速而准确地发现和隔离故障，减少故障的二次发生效应，使得运营安全性和可靠性得到提升，将降低相关的维修人力成本和财务成本[6-7]。

随着航空发动机状态监测技术的发展，各国都开始开展在状态监测领域的相关研究[8-9]。目前，传统的气路部件健康管理方法主要依靠气路参数进行性能的评价[10]。但是，从目前文献来看传统方法所反映的发动机特征信息仍然不够全面。近年来，发动机静电监测技术以其具备一定的故障预警能力而成为发动机状态监测领域的研究热点[11-14]。静电监测技术是一种新型的监测技术，为发动机的状态健康提供了一种全新的技术手段。

本文利用发动机气路静电传感器，在真实RB211型发动机试车台架上开展了静电监测试验。跟踪监测涡扇发动机试车试验过程，通过监测到的静电信号对发动机试车中出现的异常状态进行探测，并提出了一种基于排列熵值理论的方法对发动机异常状态进行探测。

1 航空发动机气路静电监测技术

气路静电监测技术是基于静电感应物理原理，在航空发动机所排放的尾气中，一部分是燃烧所产生的气体例如氮氧化物、碳氧化物气体，除气体之外还有大量带电的碳烟颗粒物和因燃烧化学反应产生的游离电子、离子。这些产物之间存在着剧烈的相互作用，使得排放物中的颗粒大都带上一定量值的电荷。当尾气中的带电颗粒经过静电传感器，使得传感器探极上发生电子流动从而产生感应电流，经过信号调理过程后传感器将输出电压信号给后端采集设备，技术原理如图1所示。

图1 气路静电监测原理Fig.1 Principle of gas-path electrostatic monitoring

传感器将监测信号经过信号调理后传输至监测系统的信号分析处理模块，根据处理后感应静电信号的波形及相关特征参数，通过一定的诊断和评估算法，得到气路状态评价的结果，并将评价的结果反馈给运营维修人员，帮助相关人员对发动机做出适当的维修策略，确定当前状态的修理级别，保证运营的高效性和安全性。

2 发动机气路静电监测试车试验

2.1 尾气静电传感器

涡扇发动机静电监测试验中使用的静电传感器为嵌入探针式传感器，实物如图2所示，感应探头置于涡扇发动机的尾喷管通道内部，感应探极使用镍基合金材料制成，具有良好的耐热性能，完全能够适应试验涡扇发动机的尾气温度极限值，传感器外壳使用不锈钢材料起到隔热和屏蔽干扰作用，内部绝缘材料为陶瓷套管，能够在高温下保持良好的绝缘性能。

图2 气路静电传感器实物Fig.2 Picture of gas-path electrostatic sensor

2.2 尾气静电传感器安装

本次试车试验对象为RB-211型民用航空涡扇发动机，试验在北京国航AMECO工程技术公司发动机试车风洞上展开。静电传感器在发动机尾喷管后端嵌入式安装。静电传感器机载安装实物如图3所示，探头感应位置低压涡轮出口后约30 cm，能够最先探测到燃烧后的尾气静电信号，相较于之前的研究，传感器的安装位置更优，处于发动机本体内部，能够有效采集真实尾气静电信号。本次试验设置信号采样频率为2000 Hz。

2.3 典型试车信号

在发动机低慢车风扇低速运转状态下的原始静电背景信号，如图4所示。

图5为本次试车过程中测试工程师一次缓慢加大功率操作阶段的静电时域信号图，非金属颗粒所产生的感应信号通常呈负电趋势，而当发动机功率增加后，尾气中的非金属带电颗粒将会增加，因此实测的负向静电信号比例逐渐增大，信号图则表现为负向的偏移。说明静电传感器对发动机的状态变化是较为敏感的，同时也验证了静电传感器较好的灵敏性能。

图3 尾气静电传感器安装图Fig.3 Installation of gas-path electrostatic sensor

图4 正常静电测试信号Fig.4 Normal electrostatic signal

图5 功率缓慢增加过程中的异常静电信号Fig.5 Abnormal electrostatic signal in the process of slowly power increasing

3 基于排列熵法的气路异常状态监测

3.1 排列熵理论

1948年，C.E.Shannon提出了熵的概念，后来成为信息论的最基本的定义之一。简单来说，熵是用于评定一段信息所包含的信息量的指标。按照Shannon提出的定义，对事物的运动状态和存在方式不确定性的量化就是熵。不确定性与事物可能出现状态的数目以及各状态出现的概率大小密切相关，也就是说，熵的实质是从概率统计的基础上对事物所包含的信息量进行量化评估。

在信息熵概念基础上，Christoph Bandt等人提出了排列熵 PE（permutation entropy）[15-16]，这是根据信息熵演化发展的另一种评价指标，用于描述时间序列信号的复杂度，近年来得到较多的使用。排列熵的度量只是使用时间序列的数值排序，因此当其对非线性信号进行度量时具有更好的鲁棒性，并且计算也更加简单，同时具有抗噪声能力强等特点。对于复杂系统的动力学突变，排列熵是一个理想的检测指标。正是由于上述这些特性，排列熵很适合作为尾气静电信号异常检测的一类评价指标。

排列熵的值是对时间序列的复杂程度和不规则程度的度量，因此当信号或时间序列的随机成分越少时或表现一定的周期性时，排列熵值越小，反之越大。当发动机气路状态正常时，静电信号中所包含的随机成分较多，而气路状态异常时，监测信号中确定性信号的成分比例将会变化，随机信号的比例同样改变，从而整个序列的复杂度和不规则程度随之变化，因在发动机气路状态检测中可以使用排列熵算法来监测气路状态的异常情况。算法的基本原理如下[17]，第一步先对时间序列进行相空间重构：

式中：m为嵌入维数；τ为延迟时间。对重构矩阵每行进行升序排列：

式中：j1，j2，…，jm为各元素的列索引。

如果存在相等的值，则按照索引的大小来排序，即如果：

当 jp≤ jq时，有：

因此，对于任意一个序列X（i）都会有一组符号序列 S（l）＝j1，j2，…，jm，式子中的 l取值可以从 1 取到 N-（m-1）τ；S（l）是重构向量中的某一种排列，必定有N-（m-1）τ≤m!。假设每一种排列方式出现的概率一定，则此时 X（i）的 N-（m-1）τ种不同排列的排列熵可以按照信息熵的定义为

当 Pj=1/m！ 时，Hp（m）就达到了最大值 ln（m!）。对Hp（m）进行归一化处理：

当发动机气路状态正常时，静电信号中所包含的随机成分较多，而气路状态异常时，监测信号中确定性信号的成分比例将会变化，随机信号的比例同样改变，从而整个序列的复杂度和不规则程度随之变化，因此在发动机气路状态检测中可以使用排列熵算法来监测气路状态的异常情况。

3.2 气路状态异常突变检测

在本文的分析中，取每个信号文件200个数据点为一段，分别计算每段的PE值，另外2个参数经过尝试选取m=6，τ=3，通过观测PE值的变化对信号进行监测。图6为发动机试车监测试验中一段出现了几次突变静电信号，在此过程中，发动机的尾气中可能出现了若干大尺寸带电颗粒，引发了静电监测信号的异常突变。

图6 监测试验中的异常脉冲信号Fig.6 Abnormal electrostatic impulse signal in monitoring experiment

对图6中的信号进行排列熵的计算，计算的结果如图7所示。

从图7中可以看出，当发动机处于稳定运行状态时，对应的排列熵的值也较为稳定。原始静电信号基本处于无序的状态，随机成分较多，因此导致排列熵的值较大，且较为稳定基本无波动；而当气路状态出现了波动时，可能产生了一些异常带电颗粒，可以看出信号发生突变的同时信号的排列熵值也同样发生了跳变。当发动机气路状态回归正常后，静电信号也恢复正常，此时排列熵又重新恢复到原来的大幅值水平并稳定下来。

图7 异常监测信号的排列熵值Fig.7 Permutation entropy of abnormal electrostatic impulse signal

3.3 气路异常燃烧故障检测

图8 所示为一段发动机异常燃烧信号，出现在试车阶段的最后降功率停车阶段，静电信号出现大幅异常信号，异常信号幅值最高可达到0.2～0.6 V。

图8 燃烧故障中异常静电信号Fig.8 Abnormal electrostatic signal under the combustion fault condition

图9 和图10分别是为故障发生时静电信号的3个典型特征参数的归一化幅值图，3个参数为活动率水平 AL（active level），正事件率 PER（positive event rate）和负事件率 NER（negative event rate），详细的计算方法可参照文献[10]。

图9 燃烧故障中异常静电信号归一化活动率水平Fig.9 Normalized activity level of abnormal electrostatic signal under the combustion fault condition

图10 燃烧故障中异常静电信号正/负事件率Fig.10 Positive/negative event rate of abnormal electrostatic signal under the combustion fault condition

从图9和图10可以看在此故障模式下，AL参数随着静电整体水平变化呈现增大的趋势，但是当在故障发生后的进程中，AL参数并未能很好地反映燃烧故障进程中的异常程度的变化。同时NER参数较为活跃，而PER参数在此故障模式下活跃度明显不足。

图11为对图8中原始故障信号进行排列熵计算后所得的结果，当尾气静电信号从正常状态突变到另外一种异常状态时，其信号排列熵会发生较大的变化。此方法用于基于气路静电信号的故障突变检测和状态识别中，能够准确地识别静电信号表现模式的变化。同时，排列熵指标能够更清晰地反映出燃烧故障进程的变化，当燃烧故障的异常程度发生一些变化时，排列熵也能够将其展现在图形中，这对于气路静电监测技术是较大的改进，因此排列熵算法适合后续被作为一种特征参数应用在气路静电监测技术中。

图11 燃烧故障中异常静电信号排列熵Fig.11 Permutation entropy of abnormalelectrostatic signal under the combustion fault condition

4 结语

本文利用航空发动机气路部件静电监测技术和尾气静电传感器，开展了发动机试车的静电监测试验。通过本文所提出一种基于静电信号排列熵值的方法对发动机气路异常状态进行检测和判断，并与传统静电信号的特征参数的监测效果进行对比，试验结果表明，排列熵指标对气路故障所导致的气路状态的突变比原始信号和经典特征参数更加敏感，在信号出现异常的时间点上，排列熵值也发生明显的剧烈变化，并能够明显地反映出尾气静电信号的变化所对应的时间。同时能够准确地识别静电信号表现模式的变化，相较于传统特征参数排列熵指标能够更清晰地反映出燃烧故障进程中的变化，并对变化做出反应，后续可以考虑将其作为一种特征参数应用在气路静电监测技术中。

[1] Powrie H E G，Mcnicholas K.Gas path condition moni-toring during accelerated mission testing of a demonstrator engine[C]//The 33rd AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit.Seattle，WA：AIAA，1997：2904.

[2] Powrie H E G，Fisher C E.Monitoring of foreign objects ingested into the intake of a gas turbine aero-Engine[C]//International Conferenceon Condition MonitoringProceedings，1999：175-190.

[3] Navarra K，Lawton R，Hearrell N.An enterprise strategy for implementing conditioned-based maintenance plus（CBM+）research in the USAF[C]//IEEE Aerospace Conference Proceedings，1997：177-181.

[4] Sangha M S，Yu D L，Gomm J B.On-board monitoring and diagnosis for spark ignition engine air path via adaptive neural networks[J].Proceedings of the Institution of Mechanical Engineers，Part D：Journal of Automobile Engineering，2006，220（11）：1641-1655.

[5] Powrie H E G，Fisher C E.Engine health monitoring：Towards total prognostics[C]//IEEE Aerospace Conference Proceedings，1999：1112-1123.

[6] Powrie H E G，Fisher C E.Monitoring of foreign objects into the intake of a gas turbine aero-engine[C]//IEEE Aerospace Conference Proceedings，1999：907-920.

[7] Yan Yong，et al.Sensing field homogeneity in mass flow rate measurement of pneumatically conveyed solids[J].Flow Meas Instrum，1995，6（2）：115-119.

[8] Yan Yong.Mass flow measurement of pneumatically conveyedsolids[D].University of Teesside，UK.

[9] Matti M.Electrostatic measurements on a miniaturized fluidized bed[J].Journal of Electrostatics，2003，57（1）：91-106.

[10]Gajewski J B.Mathematical model of non-contact measurements of charges while moving[J].Journal of Electrostatics，1984，15（1）：81-92.

[11]文振华.基于静电感应的航空发动机气路监测技术研究[D].南京：南京航空航天大学，2009.

[12]文振华，左洪福，李耀华，等.一种新的航空发动机气路监测方法[J].南京航空航天大学学报，2009，41（2）：248-252.

[13]文振华，左洪福，王华，等.航空发动机气路静电监测传感器特性[J].传感器与微系统，2008，27（11）：28-31.

[14]李耀华，左洪福，文振华，等.航空发动机气路颗粒静电监测技术模拟试验[J].航空学报，2009，30（4）：604-608.

[15]冯辅周，饶国强，司爱威，等.排列熵算法研究及其在振动信号突变检测中的应用[J].振动工程学报，2012，25（2）：221-224.

[16]孙克辉，谈国强，盛利元.基于排列熵算法的混沌伪随机序列复杂性分析[J].计算机工程与应用，2008，44（3）：47-49.

[17]郑近德，程军圣，杨宇.多尺度排列熵及其在滚动轴承故障诊断中的应用[J].中国机械工程，2013，24（19）：2641-2646.

Study on Detection for Aero-engine Abnormal Condition Based on Permutation Entropy of Electrostatic Signal

FU Yu1，YIN Yi-bing2，WANG Han2，ZUO Hong-fu2
（1.Institute of Aviation Engineering，Civil Aviation University of China，Tianjin 300300，China；2.College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China）

A gas path electrostatic monitoring experiment for aero-engine technology is conducted on the turbofan engine by using the electrostatic monitoring technology，exhaust electrostatic sensor and installation environment of engine test bench are introduced，some electrostatic signal data are acquired under the abnormal condition.An anomaly detection method for gas path is put forward based on permutation entropy of electrostatic signal，which compared with the method by using classical electrostatic signal characteristic parameters，the experiment analysis results show that the permutation entropy indicator for gas path abnormal condition detection is more sensitive than classic characteristic parameters of electrostatic signal，meanwhile，permutation entropy has a better effect on reflecting the changing situation of the process in abnormal combustion fault.

aero-engine；electrostatics monitoring；permutation entropy；sensor；characteristic parameter

TH89

A

1001-9944（2017）11-0001-05

10.19557/j.cnki.1001-9944.2017.11.001

2017-08-14；

2017-08-28

中央高校基本科研业务费项目（3122016A004）；中国民航大学科研启动基金项目（2015QD02S）

付宇（1984—），男，博士，讲师，研究方向为航空发动机故障诊断；殷逸冰（1992—），男，博士研究生，研究方向为航空发动机状态监测与健康管理。