一种航空发动机磨损故障模糊融合诊断方法*

曹桂松 马佳丽 苗慧慧 王雨薇 康玉祥 陈 果

(1.中国航发商用航空发动机有限责任公司 上海 200241；2.南京航空航天大学民航学院江苏南京 210016；3.南京航空航天大学通用航空与飞行学院 江苏溧阳 213300)

航空发动机主轴承、附件传动齿轮箱的齿轮和滚动轴承因其工作于高温、高转速、高载荷等恶劣、复杂的环境中，极易发生磨损故障[1]。据统计，因机械故障引起的航空发动机事故中，约80%是由于磨损失效导致的[2]。因此，通过监测发动机磨损状态，尽早有效地对滚动轴承进行磨损故障诊断极其重要。

滑油监测是航空发动机健康状态评估的有效手段之一[3]。以光谱分析、铁谱分析、颗粒计数分析、理化分析等为代表的离线检测技术能够准确有效地实现航空发动机磨损故障的定位、定性和定因诊断，已成为当前航空发动机磨损诊断的主要方法之一。文献[4]指出，单一的滑油检测方法准确率有限，因此，通过多种滑油检测方法进行融合诊断，对于提高发动机磨损故障的诊断精度具有十分重要的意义。

为提高对航空发动机滚动轴承磨损故障检测的准确率，学者们针对光谱、铁谱、理化、颗粒计数等油液分析结果，采用诸如专家系统、机器学习、统计理论等算法实现了发动机的磨损故障诊断[5]。葛科宇、张全德等[6-7]引入数据挖掘软件Weka，建立了磨损诊断的专家系统知识库，实现了航空发动机磨损故障的自动化、智能化诊断。张鹏飞等[8]在分析现有航空发动机磨损状态评估方法不足的基础上，提出了基于2种滑油分析方法的模糊融合诊断模型，并验证了算法的有效性。姜旭峰等[9]采用光谱-铁谱联用技术能够有效地发现滑油中超标元素，通过对油液监测数据的分析以及对比铁谱图像测试系统中的特征磨粒，预测了磨损类型及故障部位。WANG等[10]融合了油液检测数据和振动监测数据，建立了基于综合决策模糊推理的发动机故障评价模型，并对所建立的模型进行了验证。以上方法均为基于单分类器的航空发动机故障诊断，且能够有效工作的前提是需要积累一定量的数据样本，因此诊断结果存在精度不高、随机性强、鲁棒性差的缺点[11]。

为了解决这些缺陷，研究者们采用信息融合的方法整合多个分类器的分类结果，充分利用不同诊断模型提供的信息[12]。本文作者采用的D-S证据理论模糊融合诊断就是一种常用的信息融合方法[13]，并因其高可靠性和完善的理论背景被诸多学者用于航空发动机磨损故障诊断中[14]。文振华和陈果[15]基于D-S证据理论实现了航空发动机磨损故障的识别与诊断。陈立波等[16]根据滑油光谱监控和自动磨粒检测互补的特点，在某型航空发动机上实施滑油综合监控，应用D-S证据理论实现发动机磨损故障的模糊融合诊断，并开发出基于上述监控方法和信息融合诊断的滑油监控专家系统。

本文作者针对发动机油液光谱、铁谱、颗粒计数、理化等分析数据，提出一种基于D-S证据理论的模糊融合诊断方法。首先，建立针对光谱、铁谱、颗粒计数、理化等分析数据的证据可信度；然后，基于专家经验建立相关证据对应的规则可信度；最后，实现基于D-S证据理论融合磨损故障诊断，并依据仿真油液分析数据对提出的方法进行了试验验证。

1 基于D-S证据理论模糊融合诊断

1.1 基于D-S证据理论模糊融合诊断方法

基于D-S证据理论模糊融合诊断目的是采用多源数据，实现磨损故障诊断。具体流程如图1所示，该方法主要以油液的光谱、铁谱、颗粒计数和理化分析结果数据为输入，将4种油液分析数据的值进行模糊化，得到隶属于异常模糊集的隶属度；然后基于所获得的模糊隶属度值，通过规则可信度得到每条规则的综合可信度；最后采用决策规则完成了基于D-S证据理论的模糊融合诊断。

1.2 数据模糊化

针对油液分析所得的磨损监测数据，故障征兆集分别为

(1)

式中：S1、S2、S3、S4分别为光谱、铁谱、颗粒计数、理化分析方法的故障征兆集;

(2)

为4种分析方法所得具体的故障征兆元素，具体元素见表1。根据专家经验和实际的统计分析结果得到的界限值将油液分析数据划分为“正常、警告、异常”3种状态。设每种油样分析数据异常的模糊集合分别为Gi，(i=1,2,…,n1+n2+n3+n4)。

表1 故障征兆元素界限值(部分元素)

首先利用自定义隶属度函数(见图2)对油液检测数据进行模糊化处理，得到油液分析数据隶属于数据异常模糊集合的隶属度，隶属度函数表达式如式(3)所示。

(3)

式中:a1、a2分别为警告界限值、异常界限值;x为故障元素的具体数值。

1.3 建立诊断规则

根据规则推理的诊断方式，建立通过“油液数据异常”判断“故障F发生”的诊断规则。即

(4)

表2 规则可信度

(5)

(6)

1.4 建立决策规则

Dempster-Shafter(D-S)证据理论是目前决策层融合中最常用的一种方法，它建立了广义Bayes理论，根据人的推理模式，采用概率区间或不确定区间来决定多证据下假设的似然函数。

对于两重假设问题，设每个陈述对假设A的支持程度分别为m1(A),m2(A),…，mn(A)，以及m1(θ),m2(θ),…,mn(θ)，且有

(7)

由数学归纳法可以证明得到：

(8)

(9)

(10)

THEN“g1=该故障不发生，系统正常！”

THEN“g2=该故障可能发生，系统磨损可能不正常！”

THEN“g3=该故障已经发生，系统磨损异常！”

2 滚动轴承磨损故障诊断实例

为了验证文中所提基于D-S证据理论模糊融合诊断的有效性和灵敏性，采用6组某型发动机不同磨损时期的轴承油液分析数据，并在原始轴承油液分析数据中加入白噪声，从而得到了实验的40组仿真数据。通过该仿真数据来对上述算法进行验证，部分仿真数据如表3所示。

依据文中所提出算法，首先对表3数据进行了模糊化处理，得到油液监测数据隶属于异常模糊集合的隶属度，作为该数据的证据可信度。具体见图3—10。

表3 油液分析仿真数据(部分数据)

其次，根据对应的规则可信度计算每条规则的综合可信度；最后根据式(9)和式(10)，计算多条规则的融合输出结果。

文中针对数据2进行分析，表4—7所示为多条规则的融合比较结果。

依据专家经验，通过分析表3中各个油液分析方法的仿真数据易知，此时发动机处于严重磨损状态，与融合诊断的诊断结果一致。根据表4—7中的相关计算结果可以看出，当多种油液检测方法得到的监测数据同时表明异常磨损时，融合诊断的结果将达到很大的值，表示当前状态为严重磨损，此时，比单一检测方法对故障诊断的灵敏度更高。因此，诊断结论反映了文中方法的有效性。

表4 光谱数据融合结果

表5 光谱和铁谱数据融合结果

表7 光谱、铁谱、颗粒计数和理化数据融合结果

3 结论

(1)提出基于D-S的证据理论模糊融合诊断方法，并介绍了所提方法的基本算法流程和步骤。利用光谱、铁谱、颗粒计数、理化等分析数据，获取各证据的可信度；同时，基于专家经验建立相关证据对应的规则可信度，并利用规则可信度和证据可信度得到了综合可信度，实现了基于D-S证据理论融合磨损故障诊断。

(2)将文中提出的融合诊断方法应用于航空发动机磨损故障诊断，利用某型发动机不同磨损时期的油液仿真分析数据对算法进行了验证，结果充分证明了所提的基于D-S的证据理论的模糊融合诊断具有很高的诊断精度和灵敏度。