航空发动机气路故障融合诊断方法

郑玮晟，梁敬宜，张正嘉，高梓健，张元才

（沈阳航空航天大学，辽宁沈阳 110122）

0 引言

随着经济的发展，我国航空航天事业正处于不断发展的态势，航空航天的各项环节的稳定性关乎着航空航天事业的发展。航空发动机作为其中的关键组成部分，其科学的管理也成为重要内容。其中，航空发动机90%的故障问题是气路故障引发的，而此项维修费用在整体维护费用中占比高达60%。因此，航空发动机气路故障的融合诊断是十分重要的工作。

1 航空发动机气路故障的主要诊断方法

国际故障诊断理论权威学者Frank 教授提出了故障诊断的3 种方法，同时结合近年来的研究成果，可以将故障细分为3 种类型：第一种是基于模型的方法，第二种是基于数据驱动的故障诊断方法，第三种为基于信息融合的故障诊断方法[1]。

1.1 基于模型的故障诊断方法

最早应用于发动机故障诊断的方法便是基于模型的故障诊断方法，该方法通常是以发动机运行物理特征为条件，建设科学的定量机理模型，同时依据传感器测量信息来确保模型特征及模型精度的准确性。其中，该机理模型的精确性会对故障诊断的成效产生较大的影响。此方式的优势在于能够较好的解决数据库获取难的困境，很少要依赖传统的历史信息及积累的经验，可以运用动态化的数据参数来指导故障的诊断，同时可以提升故障诊断的及时性及准确性。此方法可以细化为以下两种。

1.1.1 线性模型诊断方法

此方法进一步细分成参数估计与状态估计两种类型。前者主要是通过系统模型参数来分辨，以此对故障进行诊断，构成诊断的基本思路是构建理论模型及参数辨识度的融合诊断机制，对于数据的变化情况及相应的特征等开展实时的分析，并实施检测，以此来进行参数估计值与正常值偏差的估计，进一步对故障问题进行判断。Brotherton 提出了机载自适应模型，这是基于线性卡尔曼滤波（LKF）与发动机线性模型二者相结合的基础上提出的，这也是该模型的典型研究。同时，Brotherton 的研究成果也应用于对气路部件性能参数进行的预测与分析。此模式可以通过LFK 来对性能参数实施评估，并且能够修正机载模型，为模型自适用发动机输出变化提供保障。

1.1.2 非线性模型诊断方法

此诊断方法首先是测量相关的参数，然后是建设自适应的发动机性能模型，然后依据部件性能参数的变化情况，针对故障实施分析及检测。将发动机部件性能参数作为基础，引入修正因子，对非线性方程组进行求解，然后对部件的性能实施评估。运用主因子概念分析方式，测量参数服从正态分布的情况下，分别进行每组的组合优化，以此获得每组最优解，再从中选择残差最小的组。则较大概率为此故障[2]。此模型接近真实的发动机工作实际情况，因此可以较好的反映出发动机气路故障问题。但是缺点在于现阶段的机载计算机水平及存储资源有限，该方式的应用无法获得理想的效果。

1.2 基于数据驱动的故障诊断方法

在工程开展的过程中，通常数学模型的构建较为困难，也会导致基于模型的故障诊断模式的使用范围较小。而基于数据驱动的故障诊断模式对于机理模型的精准度依赖不高，凭借的是对先验知识的分析，需要由发动机领域专家知识、经验及已有的数据等。将其应用在非线性系统领域之中具备的发展前景更加广阔。该模式的诊断方式主要由以下5 个部分组成。

1.2.1 人工神经网络方法

神经网络具有较多优势，可以实现自主学习、拟合任意连续非线性函数，并且能够处理分别是信息存储等功能，同时非线性逼近与在线评估等功能也较好。所以，为了更好地应用于故障诊断系统之中，该模式的建设有由征兆到故障模式映射的要求。目前，常用于发动机气路故障诊断的网络模型有BP（Back-Propagation）网络、概率神经网络、SOFM（Self-Organization Feature Map，自组织特征映射网）、自联想网络等[3]。其中，BP 神经网络主要是将网络学习故障作为参考；概率神经网络主要是根据目前的模式仰恩等对类条件概率密度实施评估，以此来获取Bayes 意义中的分类最优化。主要的网络训练不需要迭代。SOFM 网络术语监督学习网络，其依赖类型较少且能够将未知故障进行自动聚类，通过样本距离实现聚类，针对模式噪声拥有很强的鲁棒性。

1.2.2 专家系统方法

针对发动机气路故障诊断工作，主要是获取故障专家系统，一般需要将故障模式信息与征兆信息等实施结合，按照故障征兆及规则等对故障的内容实施推理。其中，基于概率推理而形成的有向图网络的之一表现便是贝叶斯证据网络，此网络可以针对不确定信息进行处理，并运用专家系统来开展知识的推理。20世纪90 年代，该方法被广泛应用于发动机故障排查工作。

图1 BP 神经网络故障诊断模型

1.2.3 模糊推理方法

模糊推理方法一般应用在模糊逻辑方面，表述与处理模糊概念，同时可以应用于对不确定信息的诊断。此方法中的模糊理论与逻辑等都可以为诊断工作提供相应的理论支持[4]。一些模糊诊断问题需要应用模糊规则来表述故障诊断机理。但是其缺点在于需要构建正确的模糊规则及隶属函数，该工作运行起来困难重重且需要大量的时间，导致应用此方法的成本较高。

1.2.4 支持向量机方法

Vapnik 于20 世纪60 年代提出一种利用结构风险最小化原则对凸二次规划问题获得全局最优解的方案，即通过统计学习理论作为基础的机器学习方法来获得最优解。支持向量机方法与神经网络算法在风险方面的原理中，后者主要应用经验风险最小化原则，而前者则具备较强的非线性分类能力，可以有效规避过拟合或欠拟合的问题。尤其可以较好地应用于训练样本较少的情景之中，开展相应的分类处理。此外，算法的复杂度与样本特征维度的关系较小。该方法也被广泛应用于发动机气路故障诊断与测试之中，如性能趋势测试及振动故障检测。

1.2.5 极限学习机方法

该方法作为一种特殊的单隐层前向神经网络，能够任意设定隐藏节点的输入值与偏值，运用训练模式来获得最优输出权限。该方法箱包及教育传统神经网络学习算法速度快，具有较强的泛化能力。

1.3 基于信息融合的故障诊断方法

现阶段，随着大数据信息技术的不断发展以及新型传感器的研究及发展，其中所涉及到的数据内容也十分丰富，会对故障诊断形成相应的消极影响，同时需要数据筛选与处理能力有所提升。因此，对于发动机开展融合诊断工作，能够最大化的提升诊断的效果。信息融合所应用的处理技术较多，包括数据综合处理技术与多学科理论支持。其原理是将输入数据置于公共空间并展开描述，痛死针对数据实施恰当的数据方法处理及输出。融合诊断方式能够充分的应用目前单一基于模型与基于数据的方法，实施征兆级与决策级等各个阶层的融合。现阶段常用的航空发动机气路故障诊断的信息融合模式包含以下5 种。贝叶斯融合、DS 证据融合、智能融合、模糊融合以及集成融合等。

2 航空发动机气路部件故障的融合诊断方法

针对某企业的CFM56 航空发动机实施案例进行分析，并对其故障融合诊断方法开展研究。

2.1 选择故障样本

故障样本是发动机气路部件的主要故障类型及参数，并将其作为分析的样本，针对样本实施仿真拓展。公式表示为x=x0+kσrand。其中，x0与σ 分别表示原始样本及样本标准值，k 代表环境对噪声的影响，rand 为函数服从正态分布的随机数。

2.2 融合诊断模型的构建

针对气路故障诊断的实施过程中，要构建思维样本矩阵，且在每一维度之中都表示出样本的参数。按照数据样本建设仿真故障训练样本，数量为1000，在每一样本之中都设置100 气路故障类型。故障因子一般以0.1-0.5，每隔0.1 由20 个方针样本构成。对照组的参数设置与实验组相同，但是样本没有标签。通过构建7 个DBN（Deep Belief Network，深度信念网络）来获得具体的总重构误差。根据结论可知，网络结构误差最小的是［4，6，8，10］，则可以显示出DBN 结构可以充分展现出鼓掌隐藏的特征。运用样本数据对比分析的方式，可以绘制BP 神经网络曲线，并能直观展现出故障类型与隐藏特征之间的匹配情况。通过该曲线图可以看出，最先获得的结果的误差较大，并且在2500次左右开始样本的误差呈现出不断下降的趋势。样本训练为3000 次的时候，误差便会降低至0.41 左右。同气路故障诊断要求匹配度较高。

2.3 故障融合诊断结果分析

通过上述实验，选取其中5 次诊断的结果，对于其可信度与状态参数实际范围等实施对比研究，通过决策融合模型来开展诊断结果的精准分析。同时，对于一些特征不够明显的数据要增加仿真数据的数量，将其输入深度信念网络模型之中，以优化样本参数。同时，需要将样本参数输入融合决策运算中，其目标是清除会对气路故障诊断结果产生影响的一些因素，不断提高故障诊断的精确度。最后要计算结果。按照所计算出的结果与基于决策融合的验证，可以有效的提升气路故障诊断结果的可信性，并且可同保障分类的具体要求相适应。总之，运用融合故障诊断模式，可以确保航空发动机故障诊断的科学性，在航空航天领域发挥着重要的作用。

3 结束语

气路故障是航空发动机故障中主要的类型之一，对故障的诊断是关键工作，需要综合运用故障融合诊断方式来开展相关工作。本文通过阐述航空发动机气路故障的主要诊断方法及特点，以期为航空发动机气路故障的有效诊断提供参考。