鄭 波，朱新宇

（中國(guó)民航飛行學(xué)院航空工程學(xué)院，四川廣漢 618307）

1 引言

航空發(fā)動(dòng)機(jī)工作條件復(fù)雜，維護(hù)時(shí)技術(shù)難度大、成本高，因此，故障診斷的要求很高?？茖W(xué)有效的故障診斷技術(shù)，不僅能準(zhǔn)確檢測(cè)發(fā)動(dòng)機(jī)故障，保障飛行安全，而且能夠節(jié)省維修費(fèi)用，增加航空公司的經(jīng)濟(jì)效益。

本文介紹了COMPASS軟件和基于粗糙神經(jīng)網(wǎng)絡(luò)模型的新型故障診斷技術(shù)，并對(duì)某航空公司的AE3007發(fā)動(dòng)機(jī)進(jìn)行了故障診斷。

2 AE3007發(fā)動(dòng)機(jī)簡(jiǎn)介

AE3007系列發(fā)動(dòng)機(jī)是RR公司研制的中小推力渦輪風(fēng)扇發(fā)動(dòng)機(jī)，目前，主要用作巴西航空工業(yè)公司的ERJ135/140/145系列飛機(jī)、塞斯納公司的“獎(jiǎng)狀”X以及“全球鷹”高空長(zhǎng)航時(shí)無(wú)人機(jī)的動(dòng)力裝置。

該發(fā)動(dòng)機(jī)的風(fēng)扇為1級(jí)軸流式，寬弦設(shè)計(jì)；高壓壓氣機(jī)為14級(jí)軸流式；燃燒室采用高耐久性、低污染設(shè)計(jì)，有16個(gè)氣動(dòng)霧化噴嘴，采用雙路電容放電點(diǎn)火，火焰筒采用多空散發(fā)冷卻；渦輪為2級(jí)軸流式高壓渦輪和3級(jí)軸流式低壓渦輪；控制系統(tǒng)采用雙通道全余度FADEC系統(tǒng)；最大起飛推力為3370 daN，起飛油耗為0.34 kg/(daN·h)，推重比為 4.72，涵道比為5，空氣流量為110.2 kg/s，總增壓比為24，最大馬赫數(shù)為7.8。

3 利用COMPASS軟件進(jìn)行故障診斷

COMPASS軟件是RR公司開(kāi)發(fā)的1款專(zhuān)門(mén)用于發(fā)動(dòng)機(jī)氣路性能監(jiān)控的軟件。利用其對(duì)AE3007發(fā)動(dòng)機(jī)進(jìn)行故障診斷，主要是將監(jiān)控到的起飛和巡航階段相關(guān)參數(shù)轉(zhuǎn)換成標(biāo)準(zhǔn)狀態(tài)下的3個(gè)參數(shù)：DITT、DN2和 DFF, 它們分別表示發(fā)動(dòng)機(jī)的排氣溫度改變量、高壓轉(zhuǎn)子轉(zhuǎn)速改變量和燃油流量改變量、這3個(gè)參數(shù)均直接引自發(fā)動(dòng)機(jī)制造商的使用手冊(cè)。根據(jù)3個(gè)參數(shù)的變化情況，對(duì)照AE3007發(fā)動(dòng)機(jī)的性能參數(shù)變化（見(jiàn)表1）和巡航參數(shù)偏差（如圖1所示）進(jìn)行判斷。表1和圖1的數(shù)據(jù)是基于如下所述的典型巡航條件：9144 m,Ma=0.8,ISA。

表1 AE3007發(fā)動(dòng)機(jī)性能參數(shù)變化

某ERJ145飛機(jī)的性能趨勢(shì)圖顯示：在某一時(shí)刻1發(fā)的3個(gè)性能參數(shù)在巡航時(shí)有較大改變，其中ITT約提高90℃，F(xiàn)F約提高12.5%，N2提高約2.1%；只是1發(fā)發(fā)生變化。根據(jù)3個(gè)參數(shù)的變化情況，查表1可得出風(fēng)扇、低壓渦輪和引氣系統(tǒng)可能有故障；此時(shí)，還需借助巡行參數(shù)偏差圖作進(jìn)一步判斷，以確定具體故障。

已知3個(gè)參數(shù)的變化情況，可得出它們之間的比值ITT:FF:N2=1∶0.139∶0.023，參見(jiàn)圖 1，飛機(jī)引氣增加1%的比值是1∶0.126∶0.015，2個(gè)比值之間最相似，故判斷發(fā)生引氣故障。

經(jīng)實(shí)際檢查，此例中發(fā)動(dòng)機(jī)的實(shí)際故障是壓氣機(jī)空氣流量引氣控制活門(mén)（CABCV）損壞。更換活門(mén)后，該發(fā)動(dòng)機(jī)的性能趨勢(shì)圖恢復(fù)為正常狀態(tài)。

上述故障診斷實(shí)例表明：對(duì)發(fā)動(dòng)機(jī)氣路性能進(jìn)行監(jiān)控，利用COMPASS軟件進(jìn)行數(shù)據(jù)處理和趨勢(shì)圖繪制，可為診斷發(fā)動(dòng)機(jī)氣路故障和指示故障位置提供很好的依據(jù)，對(duì)快速診斷發(fā)動(dòng)機(jī)故障可起到重要作用。同時(shí)也應(yīng)看到，該方法沒(méi)有給出最終結(jié)果，需要在分析發(fā)動(dòng)機(jī)性能趨勢(shì)圖后才能得到。在下一節(jié)中，將利用智能方法處理監(jiān)控?cái)?shù)據(jù)，根據(jù)樣本知識(shí)的指示，直接得出診斷結(jié)果，而不需要中間的趨勢(shì)分析過(guò)程。

4 利用粗糙神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷

4.1 粗糙神經(jīng)網(wǎng)絡(luò)故障診斷模型構(gòu)成

粗糙神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。將粗糙集和神經(jīng)網(wǎng)絡(luò)融合在一起，該融合模型具有以下優(yōu)點(diǎn)[1]。

（1）應(yīng)用粗糙集減少條件屬性的數(shù)量，降低構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)的復(fù)雜性，同時(shí)也減少后繼流程中信息作為網(wǎng)絡(luò)輸入時(shí)的特征值計(jì)算時(shí)間；

（2）應(yīng)用粗糙集去掉冗余信息，使訓(xùn)練集簡(jiǎn)化，以減少神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間；

（3）使用神經(jīng)網(wǎng)絡(luò)作為后置的信息識(shí)別系統(tǒng)，該系統(tǒng)有較強(qiáng)的容錯(cuò)及抗干擾能力。

4.2 模型中的創(chuàng)新算法和雙輸出規(guī)則設(shè)計(jì)

4.2.1 基于SOFM和差別矩陣的離散化方法

SOFM網(wǎng)絡(luò)的全稱(chēng)為自組織映射神經(jīng)（Self-Organizing Feature Map）網(wǎng)絡(luò)。在此離散化算法中，SOFM網(wǎng)絡(luò)的主要作用是實(shí)現(xiàn)連續(xù)向量的離散化[2]；差別矩陣的主要作用是判斷決策表是否存在相對(duì)于決策屬性的核和決策表是否相容。差別矩陣定義為[3]：給定1個(gè)決策表DT=（U ,C ∪D,V ），其中U為論域，C為條件屬性集，D為決策屬性集，V為屬性的值域。n， 則定義 Mn×n= （cij）n×n為決策表的差別矩陣，其中

符號(hào)“-”表示論域中2個(gè)對(duì)象的決策值落入決策屬性的同1個(gè)等價(jià)類(lèi)；空集?表示2個(gè)對(duì)象所對(duì)應(yīng)的2條決策是不相容的。如果論域中2個(gè)對(duì)象的決策值不同，同時(shí)也存在能夠區(qū)分這2個(gè)對(duì)象的條件屬性，則所有這樣的條件屬性組成的集合構(gòu)成決策表的差別矩陣的對(duì)應(yīng)元素。

在1個(gè)相容決策表中，相對(duì)D核等于差別矩陣中所有只含單個(gè)條件屬性的元素組成的集合，即

在研究中發(fā)現(xiàn)，基于差別矩陣的約簡(jiǎn)算法往往不能實(shí)現(xiàn)，主要原因是矩陣中沒(méi)有含單個(gè)條件屬性的元素，得不到相對(duì)D核，從而不能求出約簡(jiǎn)后的屬性。這就限制了此算法的應(yīng)用。

用一般方法離散化后的決策表有可能是不相容的，這樣的分類(lèi)顯然較粗，不能正確區(qū)分決策值不同的對(duì)象。離散化后的決策表即使相容，在求差別矩陣時(shí)，卻得不到只含單個(gè)屬性的元素，就不能求出相對(duì)D核，從而不能對(duì)決策表進(jìn)行約簡(jiǎn)，這樣的劃分顯得過(guò)細(xì)，不能剔除冗余屬性。鑒于此，基于SOFM和差別矩陣的屬性離散化算法的思想如圖3所示。

此算法的步驟如下。

（1）利用SOFM網(wǎng)絡(luò)求出決策表的分類(lèi)，通常初始劃分為2類(lèi)。

（2）計(jì)算決策表的差別矩陣。

（3）進(jìn)行雙判斷，若任一判斷不通過(guò)，則增加劃分類(lèi)數(shù)，返回執(zhí)行（1）；若通過(guò)雙判斷，則生成離散化后的決策表，完成計(jì)算。

4.2.2 粗糙集和神經(jīng)網(wǎng)絡(luò)雙輸出規(guī)則

粗糙集能利用生成的規(guī)則集進(jìn)行故障診斷，神經(jīng)網(wǎng)絡(luò)能利用其模式識(shí)別能力進(jìn)行故障診斷。若綜合利用二者的診斷結(jié)果，則可更大限度地保證發(fā)動(dòng)機(jī)故障診斷結(jié)果的準(zhǔn)確性和完整性。

設(shè)“0”表示發(fā)動(dòng)機(jī)無(wú)故障狀態(tài)，“1”表示存在故障狀態(tài) 1，“2”表示存在故障狀態(tài) 2，…，“n”表示存在故障狀態(tài)n，則共有n+1種狀態(tài)；令任意一故障狀態(tài)為i或j，則最后的輸出結(jié)果如圖4所示。

從圖4中可看出，粗糙集和神經(jīng)網(wǎng)絡(luò)可能的輸出有4種情況。當(dāng)二者輸出結(jié)果一致時(shí)，診斷結(jié)果有2種：0狀態(tài)或i故障，此時(shí)，診斷結(jié)果的準(zhǔn)確性較高；當(dāng)二者輸出結(jié)果不同時(shí)，也存在2種診斷結(jié)果：[0 i]和[i j]。在第1種情況下，設(shè)備存在故障，必須對(duì)其進(jìn)行故障排查；在第2種情況下，對(duì)2種故障狀態(tài)都要進(jìn)行排查。其目的就是為了將所有可能的安全隱患排除，以保障設(shè)備安全運(yùn)行，從而提高故障診斷的可信性和徹底性。

圖4還指出將診斷數(shù)據(jù)存入訓(xùn)練樣本數(shù)據(jù)庫(kù)，這一點(diǎn)非常有必要。只有擁有完備的訓(xùn)練樣本，才能提高診斷模型的故障識(shí)別能力。

4.3 1次引氣故障診斷

4.3.1 樣本數(shù)據(jù)選取

在對(duì)某航空公司運(yùn)營(yíng)的ERJ145飛機(jī)的1次監(jiān)控中發(fā)現(xiàn)，其配裝的2臺(tái)AE3007發(fā)動(dòng)機(jī)的3個(gè)參數(shù)有增大的趨勢(shì)；在隨后的幾次監(jiān)控中發(fā)現(xiàn)其增大趨勢(shì)變緩；但在2天后的監(jiān)控中，3個(gè)參數(shù)增大速度變快。對(duì)完成了飛行任務(wù)后的該飛機(jī)進(jìn)行了停飛檢查，通過(guò)分析趨勢(shì)圖，發(fā)動(dòng)機(jī)管理中心認(rèn)定發(fā)生了引氣故障，在后來(lái)的實(shí)際檢查中證實(shí)了這一判斷。進(jìn)行針對(duì)性維修后，該飛機(jī)重新執(zhí)行飛行任務(wù)，3個(gè)監(jiān)控參數(shù)均恢復(fù)到正常水平。

鑒于此，將這段時(shí)間前、后的數(shù)據(jù)作為訓(xùn)練樣本，且決策屬性D只有 2種狀態(tài)：“0”表示AE3007發(fā)動(dòng)機(jī)工作正常，“1”表示AE3007發(fā)動(dòng)機(jī)發(fā)生引氣故障。表2列出了AE3007發(fā)動(dòng)機(jī)訓(xùn)練的樣本數(shù)據(jù)；是從某一時(shí)段巡航監(jiān)控?cái)?shù)據(jù)中隨機(jī)抽取的，一共20組。從巡航報(bào)中，選取馬赫數(shù)Ma、氣壓高度PA、外界總溫TAT、油門(mén)桿角度TLA、燃油流量FF、低壓轉(zhuǎn)子轉(zhuǎn)速N1、高壓轉(zhuǎn)子轉(zhuǎn)速N2、發(fā)動(dòng)機(jī)排氣溫度EGT、壓氣機(jī)出口溫度T2和壓氣機(jī)出口壓力P2作為條件屬性；為了檢查本文提出的粗糙神經(jīng)網(wǎng)絡(luò)的故障診斷能力，隨機(jī)抽取7組巡航數(shù)據(jù)作為測(cè)試樣本，見(jiàn)表3。

4.3.2 粗糙集部計(jì)算過(guò)程

將條件屬性劃分為2類(lèi)時(shí)，該決策表的核Core={TAT,FF,T2-5}，但存在著含“K”的2個(gè)元素，表明該劃分明顯過(guò)粗，不足以區(qū)分決策屬性；將決策屬性劃分為3類(lèi)時(shí)，核Core={FF}，且不存在不相容元素；將決策表劃分為4類(lèi)時(shí)，差別矩陣不包含核，使得后續(xù)計(jì)算無(wú)法進(jìn)行，說(shuō)明劃分過(guò)細(xì)。表4給出將條件屬性劃分為3類(lèi)時(shí)各個(gè)條件屬性的離散化區(qū)間。

表2 AE3007發(fā)動(dòng)機(jī)訓(xùn)練樣本數(shù)據(jù)

表3 AE3007發(fā)動(dòng)機(jī)測(cè)試樣本數(shù)據(jù)

表4 各屬性離散區(qū)間

然后，求出離散化為3類(lèi)后的決策表的約簡(jiǎn) [Ma FFITTT2-5]；連續(xù)化屬性離散化為3類(lèi)，不僅能夠恰當(dāng)?shù)刈R(shí)別出決策屬性，同時(shí)又能夠得到最簡(jiǎn)約簡(jiǎn)。所以，將表2離散化為3類(lèi)是合適的。構(gòu)建決策表的決策矩陣，建立每個(gè)條件等價(jià)類(lèi)的決策函數(shù)，利用合取運(yùn)算和析取運(yùn)算，將決策函數(shù)簡(jiǎn)化為最小析取范式；其中，每個(gè)合取子式對(duì)應(yīng)1條規(guī)則。經(jīng)計(jì)算共得31條決策規(guī)則。

表5為得出的規(guī)則集和規(guī)則參數(shù)。其中，規(guī)則參數(shù)SU表征規(guī)則在整個(gè)數(shù)據(jù)中適用的對(duì)象數(shù)，AC表征規(guī)則的精度，CO表征規(guī)則的適用度。至此，完成了粗糙集部分的計(jì)算。

表5 規(guī)則集和規(guī)則參數(shù)

現(xiàn)在只要將測(cè)試樣本數(shù)據(jù)的約簡(jiǎn)條件屬性離散化，就能對(duì)照規(guī)則集對(duì)AE3007發(fā)動(dòng)機(jī)進(jìn)行故障診斷。

4.3.3 神經(jīng)網(wǎng)絡(luò)部分計(jì)算過(guò)程

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，通用性、魯棒性等都較好，特別是能夠運(yùn)用在多故障識(shí)別中[4]，因此采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別。

對(duì)數(shù)據(jù)約簡(jiǎn)前后的網(wǎng)絡(luò)性能進(jìn)行比較可知，約簡(jiǎn)前后神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)和訓(xùn)練參數(shù)都一致，體現(xiàn)出粗糙神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。

表6給出了2套神經(jīng)網(wǎng)絡(luò)的比較情況，可看出Net2的性能優(yōu)于Net1的。這表明：經(jīng)過(guò)屬性約簡(jiǎn)后的神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，減少了網(wǎng)絡(luò)開(kāi)銷(xiāo)，加快了收斂速度，提高了網(wǎng)絡(luò)性能。

Net1和Net2以及粗糙集的計(jì)算結(jié)果見(jiàn)表7。診斷結(jié)果表明：利用約簡(jiǎn)后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)的容錯(cuò)及抗干擾能力得到顯著提高。

表6 2套神經(jīng)網(wǎng)絡(luò)比較

表7 診斷結(jié)果比較

4.3.4 分析并輸出粗糙神經(jīng)網(wǎng)絡(luò)結(jié)果

從表7中可看出，Net2的診斷成功率為100%，能夠完全辨別出AE3007發(fā)動(dòng)機(jī)的狀態(tài)；Net1和RS對(duì)測(cè)試樣本2的診斷都出現(xiàn)了錯(cuò)誤，診斷率成功為85.7%。綜合表6、7，可以看出采用粗糙集方法去掉冗余信息后，不僅提高了網(wǎng)路收斂速度，降低了網(wǎng)絡(luò)復(fù)雜性，更重要的是使網(wǎng)絡(luò)的容錯(cuò)和抗干擾能力增強(qiáng)，從而增強(qiáng)了網(wǎng)絡(luò)的實(shí)用性和可信性。

但是，對(duì)于樣本2，RS與Net2的診斷結(jié)果不一致，而與Net1的一致，實(shí)際檢驗(yàn)證明Net2的診斷結(jié)果是正確的。導(dǎo)致RS出錯(cuò)的原因主要是其容錯(cuò)能力和抗干擾能力較差，對(duì)相似性很強(qiáng)樣本的識(shí)別能力不足；而導(dǎo)致Net1出錯(cuò)的主要原因是知識(shí)樣本集冗余屬性較多，冗余屬性之間的相似關(guān)系干擾了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，從而導(dǎo)致了診斷錯(cuò)誤。由此可以看出，有必要對(duì)粗糙集和神經(jīng)網(wǎng)絡(luò)進(jìn)行融合和互補(bǔ)。

對(duì)AE3007發(fā)動(dòng)機(jī)的最終診斷結(jié)果見(jiàn)表8。

表8 粗糙神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果

至此，完成了利用粗糙神經(jīng)網(wǎng)絡(luò)對(duì)AE3007發(fā)動(dòng)機(jī)的故障診斷，診斷結(jié)果與發(fā)動(dòng)機(jī)真實(shí)狀態(tài)完全一致，證明了本文所建立的粗糙神經(jīng)網(wǎng)絡(luò)模型可信且實(shí)用。

5 結(jié)束語(yǔ)

本文建立的用于故障診斷的粗糙神經(jīng)網(wǎng)絡(luò)模型，不僅離散化算法思想獨(dú)特，而且，按照故障診斷準(zhǔn)確、徹底的要求所創(chuàng)建的模型結(jié)構(gòu)新穎。實(shí)踐證明此模型在工程上的適用性和可信性很強(qiáng)，能夠?yàn)楝F(xiàn)代工業(yè)工程中的故障診斷提供有效的參考。

[1]安利平.基于粗糙集理論的多屬性決策分析[M].北京：科技出版社，2008.

[2]Kohonen T. Self-organization and Associative Memory[M].Belin:springer verlag,1982.

[3]Pawlak Z.Raugh Sets[J].International Journal of Information and Computer Science,1982(11):341-356.

[4]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.