燃气涡轮发动机PHM系统设计与实现技术研究

范永欣, 郭阳明, 肖 翼

(1.西北工业大学 计算机学院,陕西 西安 710072; 2.西北工业大学 网络空间安全学院,陕西 西安 710072; 3.中国航空发动机研究院,北京 101300)

故障预测与健康管理(Prognostics and Health Management,PHM)技术是发动机领域的重要技术之一,对提升燃气涡轮发动机使用效能、降低维护成本有重要意义。参考美国的PHM技术发展,美国在F-35项目中,正式将故障预测、健康管理、维修保障决策综合性地融合成解决方案,并正式命名为PHM系统。PHM是联合攻击战斗机(Joint Strike Fighter,JSF)项目实现经济承受性、保障性和生存性目标的关键。JSF的PHM系统的技术根源是机内测试(Built-in Test,BIT)技术和基于测控技术的状态监测和数据采集,在集成了以可靠性为中心的维修分析(Reliability Centered Maintenance Analysis,RCMA)工程后,形成了目前的从状态监测到故障诊断再到主动保障的综合性PHM系统。

我国的PHM技术研究起步较晚,但经过广大科研工作者的深入研究,也取得了诸多成果。其中,郭阳明等[1]撰写了故障预测与健康状态管理技术综述,总结了PHM技术的内涵、工作原理和该技术的功能与作用,然后对PHM技术涉及的关键技术进行了详细的介绍;在故障诊断领域,李少尘等[2]撰写了航空燃气涡轮发动机气路故障诊断进展报告,为先进航空发动机健康管理系统提供了有力技术支撑;马帅等[3]开展了基于飞行过程数据的航空发动机故障诊断方法研究,使得故障检测和识别准确率分别达到96.51%和95.06%;郭阳明等[4]开展了基于回声状态网络(Echo State Network,ESN)的航空发动机状态组合预测方法研究,能够有效提升预测效率和精度;在PHM系统设计方向,李晓明[5]开展了防喘控制系统故障预测与健康管理技术应用研究;在PHM指标体系设计方面,蔡光耀等[6]开展了PHM指标体系研究,在分析典型先进航空发动机预测健康管理(Engine Prognostics and Health Management,EPHM)系统的基础上,详细阐述了EPHM的需求,并基于需求系统梳理了EPHM系统的指标体系,同时也为发动机PHM系统建设提供了宝贵的意见;在发动机剩余寿命预测方面,得益于美国国家航空航天局(National Aeronautics and Space Administration,NASA)的公共商用模块化航空推进系统仿真(Commercial Modular Aero-Propulsion System Simulation,C-MAPSS)数据集,大量的研究人员在此基础上开展了基于神经网络进行剩余寿命预测的技术研究,其中,较为成熟的算法是长短时记忆网络(Long Short-Term Memory,LSTM)算法,李新龙[7]开展了基于深度学习的涡轮发动机剩余寿命预测方法研究,采用多层LSTM模型对NASA提供的涡轮发动机数据集进行了预测和验证。

综上所述,目前我国的燃气涡轮发动机PHM系统设计技术上主要存在以下两个方面的问题：首先是整体性不强,PHM系统设计方向不明确,主要体现在指标体系设计不能覆盖任务层和保障层;其次,引入PHM领域的先进技术应进行验证性分析,原因一方面是此类先进的技术还有待进行工程验证,另一方面是对于先进技术,例如先进的故障诊断方法、先进的保障决策方法等,需要从工程实际出发进行分析和取舍。针对以上两个问题,本文提出了一种燃气涡轮发动机PHM系统的技术架构,核心设计思想是以任务为中心,覆盖由故障到保障的全过程,针对发动机的任务实时监测、保障决策和关键部件寿命预测3个方面,通过引入可靠性领域的成熟的工程技术(例如测试性和RCMA工程技术),建立故障诊断和保障决策两个核心功能,引入先进的智能算法进行关键部件的寿命预测。

1 燃气涡轮发动机PHM系统技术架构

燃气涡轮发动机PHM系统的设计,应以提升发动机的使用效能和保障效能为目标,本文所提出的基本技术架构如图1所示,在物理结构上,分为实时监测模块与保障决策模块。其中实时监测模块主要围绕传感器和发动机控制器采集的监测数据开展健康管理与故障诊断,采用基于测试性诊断理论开展故障诊断,注重诊断的实时性;保障决策模块主要针对同型号、多设备的条件进行数据汇集,开展基于人工智能的寿命预测,围绕RCMA进行保障决策的输出。

图1 燃气涡轮发动机PHM技术框架

目前国内外在PHM平台领域有很多具有代表性的产品,可以通过横向对比先进的PHM设计平台,从而评估其燃气涡轮发动机PHM系统的能力。国内外PHM平台的技术对比如表1所示,选取国内具有代表性的旋极的PIDE产品、美国的Suresence平台和VSE-PHM平台进行分析,从业务符合程度、故障诊断能力、保障决策能力、功能扩展性、寿命预测能力和架构先进程度6个角度进行分析对比,其中本文所述平台在业务符合程度、架构先进程度两个维度具有优势,主要原因是在设计时充分考虑了燃气涡轮发动机的特性及任务场景,针对性地设计了指标体系,同时,采用了实施检测模块与保障决策模块分离的架构,主要考虑到监测实时性的要求,以及保障决策的智能化需求。实时性要求平台具备快且准确的特点,而保障决策则需要平台具备合理且及时的特点,所以将诊断与决策进行了分离,这样PHM系统将会更加具有针对性。在故障诊断能力、保障决策能力和寿命预测能力3个方面,本文所述平台与其他平台的差距不大,其中VSE-PHM系统在故障诊断能力和寿命预测能力方面优于本文所述架构,主要原因是其在智能算法方面具有较大的优势。

表1 国内外PHM平台的技术对比

2 燃气涡轮发动机PHM系统关键技术

高效的燃气涡轮发动机PHM系统依赖于多个领域的基础能力,主要包括传感器技术、数据总线技术、故障诊断技术、健康状态指标体系设计、寿命预测、维修保障决策等。

在涡轮发动机PHM的相关技术中,为了突出由故障到保障的PHM系统的核心思想,本文着重介绍以下技术。

① 在线监测技术,借助传感器和发动机控制器数据,实现对发动机状态的实时监测。

② 结合发动机的实际工况,借助多设备采集的数据,采用基于LSTM的人工智能算法对发动机的剩余寿命进行预计。

③ 基于RCMA,实现快速保障决策。

2.1 燃气涡轮发动机在线监测技术

在线监测技术是目前开展PHM系统设计的核心技术之一,通过在线监测可以快速实现故障感知,通过传感器对涡轮发动机的关键部件进行关键参数的监测,并集成到PHM系统中,将极大地提升故障诊断的效率[8]。

燃气涡轮发动机的基本结构和功能如图2所示。其中发动机本体主要由风扇、压气机、燃烧室、高压涡轮、低压涡轮和尾喷管构成。整个发动机还包括起动控制装置、燃油控制系统、点火起动系统、润滑系统、传动系统和供电系统。

图2 燃气涡轮发动机的基本结构及功能

在燃气涡轮发动机工作过程中,其技术状态通常分为4种,分别是慢车状态、额定状态、最大状态和加力状态,并且每种状态对应的技术参数有所不同,燃气涡轮发动机属于非常精密的机电设备,其工况条件为高速、高温、振动等多环境要素融合;在线监测技术的核心思想是通过判定各个技术状态的参数是否在合理区间内,判定发动机的状态是否正常,所选择的监测参数通常由传感器参数、指示灯、操作数据等构成,通过监测参数是否超限,可以快速定位问题所处的部件范围,加速排故过程,提升维修效率。

发动机常见故障类型如图3所示,主要分为耗损型故障、过应力型故障和综合故障,其中,在开展RCMA的过程中,针对不同的组成单元,可以按照故障的类别和原因进行归类,建立故障与维修策略的映射关系。

依据潜在的故障和历史经验,对涡轮发动机的在线监测主要包括以下5个参数。

(1) 转子的转速参数(N1与N2)。

转子转速主要分为高压转子转速N2与低压转子转速N1,其中,高压转子转速主要表征的是发动机的整体性能,低压转子转速主要反映的是风扇和低压涡轮的运行状态。

图3 发动机常见故障类型

(2) 燃油流量参数。

燃油流量参数主要用来反映进入燃烧室的燃油量,通常与其他参数共同分析,以判断发动机的运行状态,通常反映燃油控制系统的运行状态。

(3) 油液参数。

油液参数主要用于分析由于高温、振动和磨损导致的杂质,用于判断发动机的耗损型故障,通常能够反映润滑系统的整体状态。

(4) 排气温度。

由于发动机处于高空工作状态,空气进入量相较于海平面明显降低,通常需要增大供油保证推力,排气温度会升高,考虑到叶片承温能力的物理极限,通常在控制温度的时候,推力会下降,在长期工作状态下,发动机性能退化,因此排气温度与推力变化能够反映整体的发动机性能,是重要的监测参数。

(5) 振动参数。

发动机工作时必然伴随振动,振动参数主要反映机械部件的整体状态,如齿轮、轴承等,是早期甄别故障与故障预测的重要参数,如振动的频率、赋值、相位移动等,这类参数的获取方式更加成熟,传感器水平较高。

具有代表性的在线监测信号,可参考C-MAPSS数据集,如表2所示。

表2 C-MAPSS数据集数据

2.2 基于LSTM算法开展发动机剩余寿命预测

传统的通过可靠性建模等方式进行发动机寿命预测会出现预测精度不准的问题,导致发动机的维修保障工作开展缺乏有效依据。人工智能技术和传感器技术的发展为面向数据的发动机寿命预测提供了新的方法和途径[9]。其中,基于时间序列的寿命预测技术应用最为广泛,其中LSTM算法尤为突出,LSTM算法在NASA公布的C-MAPSS数据集[10]上经过反复验证,预测精度较高,同时,经过多年的研究,很多研究人员在此基础上对算法进行了改进,进一步优化和提升了LSTM算法[11-12]。

基于LSTM的预测模型原理如图4所示,其核心原理是针对发动机传感器数据中的前N个时间点的数据进行预测,输出第N+1个时间的特征数据。训练时将N+1个时间点的真实值作为模型的预期输出,经过所有采集数据的训练后,输入测试样本,经模型计算后,输出测试样本集后续时间内的预测结果。

图4 LSTM模型预测示意图

LSTM算法的核心思想是通过引入门控制机制来解决RNN[13]算法中的梯度爆炸问题,使得算法能够建立对有效信息的长期学习机制,这样就解决了在实际的运行环境中发动机长时正常但瞬间异常的问题,也避免了时间跨度导致的特征不敏感现象,增强了对寿命影响因子的关联。LSTM模型训练网络结构如图5所示。

图5 LSTM模型训练网络结构示意图

其预测模型的物理含义为计算t时刻到未来一个时刻的输出,网络训练模型转换为数据表达式,可组成以下数学运算：

采用C-MAPSS数据集中的第二套数据(FD002)为案例对LSTM方法进行验证,数据集由多个多变量时间序列组成,每个数据集被进一步分为训练和测试子集,每个时间序列都来自不同的发动机,也就是说,这些数据可以被认为是来自同一类型的发动机队列,每台发动机开始时都有不同程度的初始磨损和制造变化,这对用户来说是未知的。C-MAPSS数据集数据类型如表2所示。

验证的结果图如图6所示,其中蓝色直线为发动机真实的剩余使用寿命(Remaining Useful Life,RUL)值,橙色线为预测值。通过对比可见预测值与真实值符合度较高,在数据量和监测数据种类进一步提升的情况下,算法的精度将进一步提升,从侧面说明了智能算法的应用价值。

图6 C-MAPSS数据集上进行LSTM算法验证结果图

但不可否认的是,该算法的准确度较高是因为针对的是一种故障引起的发动机寿命终止,而在多种故障条件下和故障原因耦合的场景下,该算法的能力还需要进一步提升,可考虑从特征提取和数据量两个方面入手,在实际应用中,应针对多种故障进行多种算法的融合才能达到更加精准预测的目标。

2.3 基于RCMA实现维修保障决策的快速生成

(1) RCMA。

RCMA是目前效率最高、工程应用最为成熟的维修任务分析技术,依托于发动机前期开展的可靠性分析工作,形成围绕组成单元—故障—原因—影响—维修分析的分析结果,并以此开展维修任务分析工作。RCMA技术是实现最终CBM的基础,本文提出的基于RCMA的维修保障决策生成技术,前端的输入应为健康管理的实际输出结果,在健康管理端实现状态的确定,在RCMA部分提供所匹配的维修任务[14]。基于RCAM的维修保障决策技术执行过程如图7所示。

图7 基于RCMA的维修保障决策技术执行过程

以文献[15]中所提到的某型燃气轮机气路系统为例,进行RCMA,并对维修成本、备件配置效率、工时成本等进行了补充,从而形成对决策算法的输入,RCMA示例如表3所示。

表3 主气路系统RCMA示例

其中对于分析结果中的3个指标说明如表4所示。

表4 RCMA中的符号说明

(2) 维修保障策略生成。

基于RCMA的维修保障决策生成,是以RCMA为基础,在多台维修对象和故障数量不唯一的场景下,进行有效的维修保障方案设计,以便最大化维修保障效能。基于RCMA的维修保障决策生成,主要计算过程如下。

① 构造单一故障维修效率计算函数。

(1)

式中：f(xi)为发动机第i个故障的维修效率;xi为第i个考虑的要素,通常可考虑重要度、维修时间、备件等待时间、经济成本、时间成本、人员能力等;j为效能评估的考虑要素总数。

注：在工程工作中开展维修任务分析时,针对每一项故障,均有维修工艺表、维修工艺步骤资源表等详细的工程分析数据,本案例中,维修成本和维修时间均可从维修工艺表、维修工艺步骤资源表中汇集得到,本案例不进行详细的罗列,仅使用成本与时间进行示例。

② 构造故障矩阵及效率矩阵。

故障矩阵如下：

(2)

式中：Fnr为当前批次发动机的故障矩阵;λnr为第n个发动机的第r个故障是否发生,以0或者1表示,1代表故障发生;np为当前待维修批次发动机总数;rp为当前发动机的故障总数。

注：括号内为量化值范围,便于后续计算。

效率矩阵如下：

E1r=[f(x1),f(x2),…,f(xr)]T

(3)

式中：E1r为由单一故障维修效率构成的一维矩阵。

③ 计算与权衡分析。

采用效能评估函数如下：

Wn1=Fnr×E1r

(4)

对数据进行处理：

(5)

式中：Wn1为对矩阵Fnr与E1r进行的求积运算结果构成的一维矩阵,代表当前批次发动机的维修效能估计。

依照本节算法设计实验案例分析如下。

假设：当前批次的故障发动机共有10台,评估的要素有3种,分别是严酷度、维修成本和维修时长,RCMA采用表3中的数据,故障清单如表5所示。

表5 案例分析采用的10台发动机故障信息

按照式(1)～式(4)执行测试后,运行结果如表6所示。

表6 维修效能计算结果

对其进行可视化分析如图8所示。

图8 发动机维修效率对比示意图

在数据分析时,数值小意味着易修理且成本低,同时故障影响较小,发动机恢复任务能力的效率较高。

围绕前文所提出的涡轮发动机PHM系统技术架构,对其中三项关键技术进行了介绍与分析,初步形成了围绕测试性诊断和基于LSTM的寿命方法解决故障诊断与寿命预测两个PHM系统的核心问题,围绕RCMA实现由健康管理向保障实施的延伸,通过基于任务分级的指标体系以评估发动机的整体健康状态。

3 燃气涡轮发动机PHM系统设计

本文提出的燃气涡轮发动机的PHM系统架构[16]中,实时监测模块主要负责发动机数据传感器的数据采集、发动机实时健康状态管理、故障诊断、实时数据存储与传输等主要内容;保障决策模块则主要负责数据接受、数据清洗、寿命预测、保障决策等功能。实时监测模块搭载在装备上,提升故障诊断效率;保障决策模块则主要依靠计算机作为载体对接多个发动机,充分利用数据积累的优势,提升寿命预测精度和保障决策的准确性。

3.1 实时监测模块功能设计

实时监测模块功能架构如图9所示,划分为传感器单元、数据处理单元、状态监测与故障诊断单元、显示输出单元和数据存储单元。主要针对气路、油路等发动机功能单元,获取其传感器数据,形成温度、湿度、振动等量化参数,将参数输入机载发动机状态监测与故障诊断单元中,经逻辑判读,输出性能、温度、湿度和振动参数曲线,借助指标体系判断发动机的健康状态,并将信息投放到驾驶舱显控单元,同时,将任务信息、参数信息、时间戳信息和诊断信息写入数据存储单元中,便于保障决策模块收集数据。

图9 实时监测模块功能架构

3.2 保障决策模块功能设计

保障决策模块功能架构如图10所示,主要实现对实时监测模块的数据接入,同时完成多台发动机的数据汇集,在数据库中,集成了算法库、指标库、参数库等基础资源,对发动机的故障模式影响与危害度以及维修任务分析结果进行格式化存储,以便于实现故障到决策的快速关联,最终能够按照型号、设备、任务等输出健康管理报告、寿命趋势分析报告,同时,可以对预测模型进行周期性训练,以提升预测精度。

4 结束语

本文通过对国内外的PHM系统进行调研与分析工作,结合我国燃气涡轮发动机PHM技术与系统的实际情况,提出了一种燃气涡轮发动机的PHM系统的技术架构,在此架构中,涉及的测试性诊断技术、基于人工智能的寿命预测技术和基于RCMA的保障决策技术均是目前具有较强工程应用价值的技术。

同时,不可否认的是,燃气涡轮发动机PHM系统设计技术还有很多难点需要攻克,首先,对于基于测试性建模的故障诊断技术,对于机械部分的诊断效果依赖于传感器技术水平[17];其次,基于人工智能的寿命预测技术,依赖于数据的采集与算法的设计研究,本文提出的LSTM算法在实践上经过NASA数据集的验证,但是该数据集存在故障模式数据不足的问题,此类算法尚需要经历较多次数据采集、算法改进、验证的过程;对于RCMA,则对可靠性、维修性和保障性分析工作提出了较高的要求,在工程实施过程中,需要设计师、综保工程师和维修工程师的协同配合,才能形成高水平的分析结果。

可以预见的是,随着传感器设计技术、仿真技术、试验技术等先进工程技术能力的提升,数据获取的方式将更加丰富,燃气涡轮发动机PHM系统设计将向智能化、轻量化发展,实时监测模块将具备更高的监测效率,更强的健康状态评估能力,保障决策模块将具备更强的多维度、大规模数据分析能力,发动机寿命预测更为精准,保障策略更加精确。