潘　陽，李秋紅，姜　潔，劉立婷

（1.中國電子科技集團公司第二十八研究所，南京210007；2.南京航空航天大學能源與動力學院，南京210016）

航空發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)故障診斷及驗證

潘陽1，李秋紅2，姜潔2，劉立婷2

（1.中國電子科技集團公司第二十八研究所，南京210007；2.南京航空航天大學能源與動力學院，南京210016）

研究了基于執(zhí)行機構(gòu)模型以及發(fā)動機逆模型的發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)及其傳感器故障診斷方法?；诎l(fā)動機半物理仿真試驗臺試驗數(shù)據(jù)建立執(zhí)行機構(gòu)小閉環(huán)傳遞函數(shù)模型，通過二次多項式擬合將油針位置轉(zhuǎn)換為燃油流量。提出基于自校正在線訓練神經(jīng)網(wǎng)絡(luò)算法建立發(fā)動機逆模型，以離線訓練網(wǎng)絡(luò)參數(shù)初始化在線系統(tǒng)，基于閾值更新網(wǎng)絡(luò)參數(shù)，并對學習速率進行自校正，以提高算法的泛化能力及收斂速度。對比執(zhí)行機構(gòu)模型輸出、發(fā)動機逆模型輸出與LV D T傳感器測量位移換算得到的燃油流量，基于閾值判斷故障狀態(tài)。在T700渦軸發(fā)動機半物理仿真試驗平臺上進行試驗，實現(xiàn)了在發(fā)動機額定及各種性能退化狀態(tài)下，執(zhí)行機構(gòu)及其傳感器漂移和偏置故障的準確診斷及定位，驗證了算法的有效性。

燃油系統(tǒng)；執(zhí)行機構(gòu)；傳感器；故障診斷；自校正BP網(wǎng)絡(luò)；數(shù)學模型；航空發(fā)動機

0　引言

執(zhí)行機構(gòu)是連接航空發(fā)動機和控制系統(tǒng)的重要紐帶，它根據(jù)控制系統(tǒng)給定的控制指令，驅(qū)動實際控制量變化，進而控制及改變發(fā)動機的工作狀態(tài)。發(fā)動機執(zhí)行機構(gòu)及其傳感器發(fā)生故障時，將給控制系統(tǒng)提供錯誤的信息，從而給飛行器的安全帶來隱患，有可能引發(fā)災(zāi)難性后果［1］，因此有必要對發(fā)動機執(zhí)行機構(gòu)及其傳感器的性能進行監(jiān)測，以便在故障發(fā)生時及時告警。

性能監(jiān)測通?；诮馕鲇喽燃夹g(shù)。文獻［2］基于雙冗余技術(shù)，提出了1種基于簡化模型的傳感器故障診斷方法；文獻［3］將主成分分析法引入航空發(fā)動機傳感器故障診斷，利用離線模型對故障進行定位；在發(fā)動機執(zhí)行機構(gòu)故障診斷方面，文獻［4］通過狀態(tài)估計器獲取航空發(fā)動機執(zhí)行機構(gòu)特征，用在線監(jiān)測離線診斷的方法設(shè)計了執(zhí)行機構(gòu)故障診斷系統(tǒng)；文獻［5］建立了發(fā)動機執(zhí)行機構(gòu)閉環(huán)回路數(shù)學模型，根據(jù)模型輸出與傳感器測量值偏差量實現(xiàn)執(zhí)行機構(gòu)故障在線診斷；文獻［6］采用UIO觀測器對發(fā)動機動態(tài)過程中執(zhí)行機構(gòu)故障偏移量進行估計、對故障進行隔離，并通過干擾正交投影的方法提高診斷系統(tǒng)的魯棒性；文獻［7］以執(zhí)行機構(gòu)驅(qū)動量作為系統(tǒng)輸入，在白噪聲下建立故障模型，通過對包含故障信息的濾波殘差進行分析處理，實現(xiàn)對執(zhí)行機構(gòu)故障的診斷。但在上述執(zhí)行機構(gòu)故障診斷相關(guān)研究中并未考慮到執(zhí)行機構(gòu)傳感器故障的情況。文獻［8］研究了Kalman濾波器在航空發(fā)動機執(zhí)行機構(gòu)及傳感器故障診斷中的應(yīng)用，文獻［9］在飛行包線內(nèi)，分區(qū)建立基于Takagi-Sugeno模糊理論的發(fā)動機模型，并采用H^∞觀測器實現(xiàn)了執(zhí)行機構(gòu)及傳感器故障診斷；文獻［10］設(shè)計了1種基于執(zhí)行機構(gòu)模型和發(fā)動機逆模型的故障診斷系統(tǒng)。

這些故障診斷方法都取得了一定的效果，但也存在局限性，如動態(tài)診斷效果欠佳、退化情況不能診斷。采用在線訓練技術(shù)能使診斷系統(tǒng)適應(yīng)發(fā)動機復(fù)雜多變的情況。如文獻［11-12］提出了1種在線訓練支持向量回歸機算法，并將其用于發(fā)動機氣路傳感器的故障診斷，取得了良好效果。隨著支持向量數(shù)量增加，算法實時性受到影響。而神經(jīng)網(wǎng)絡(luò)作為經(jīng)典的智能映射方法，一旦隱含層節(jié)點數(shù)確定，則網(wǎng)絡(luò)規(guī)模確定，不隨發(fā)動機工作范圍變化，是1種理想的在線訓練診斷工具。

本文在文獻［10］開展的執(zhí)行機構(gòu)及其傳感器故障診斷的基礎(chǔ)上，改進其總體方案，增加了實際物理系統(tǒng)從油針位置至燃油流量的換算，提出基于在線訓練自校正神經(jīng)網(wǎng)絡(luò)算法，建立了發(fā)動機逆模型，提高了診斷系統(tǒng)在包線內(nèi)的適用性，并在T700渦軸發(fā)動機半物理仿真試驗平臺上進行了驗證。

1　執(zhí)行機構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)

在半物理仿真試驗平臺中，發(fā)動機由模型代替，控制器和診斷系統(tǒng)植入NI公司的嵌入式測控系統(tǒng)CompactRIO，燃油傳感器及執(zhí)行機構(gòu)為實物。燃油系統(tǒng)執(zhí)行機構(gòu)輸出由LVDT傳感器測量并進行反饋，轉(zhuǎn)速控制系統(tǒng)計算出油針的期望位置Lr。執(zhí)行機構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。圖中，執(zhí)行機構(gòu)模型映射從油針期望位置至燃油流量Wf1之間的數(shù)量關(guān)系；發(fā)動機逆模型根據(jù)發(fā)動機氣路傳感器輸出對燃油流量Wf2進行預(yù)測。故障診斷系統(tǒng)將LVDT傳感器測量到的位移信號L0換算為燃油量Wf0。將Wf1與Wf0的偏差記為e1，Wf2與Wf0的偏差記為e2。在正常工作情況下，偏差e1、e2＜故障閾值D，系統(tǒng)無故障。

圖1　執(zhí)行機構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)

由于執(zhí)行機構(gòu)小閉環(huán)中存在積分環(huán)節(jié)，因此不能依據(jù)偏差e1判斷傳感器發(fā)生故障；但當執(zhí)行機構(gòu)發(fā)生故障時，積分環(huán)節(jié)失去作用，則從Lr到L0的映射關(guān)系發(fā)生變化，從而可根據(jù)e1判斷執(zhí)行機構(gòu)是否發(fā)生故障。可以通過e2來判斷傳感器的故障。

在施加故障瞬間，執(zhí)行機構(gòu)模型及發(fā)動機逆模型與測量值之間的偏差量會出現(xiàn)跳躍情況。為避免誤診，設(shè)定故障判定機制為連續(xù)5個步長偏差量大于故障閾值時，發(fā)出故障告警。

2　執(zhí)行機構(gòu)模型

執(zhí)行機構(gòu)模型以執(zhí)行機構(gòu)油針位置指令為輸入，燃油流量為輸出，根據(jù)圖1建立其模型。

燃油執(zhí)行機構(gòu)油針位置小閉環(huán)（圖1中虛線框部分）由校正環(huán)節(jié)、DA（數(shù)模轉(zhuǎn)換）、電液伺服閥、計量活門、LVDT傳感器、AD（模數(shù)轉(zhuǎn)換）模塊組成。參考文獻［10］建立3階執(zhí)行機構(gòu)傳遞函數(shù)。

式中：τ，T1，T2，T3為模型的待定參數(shù)；Lr、L0分別為油針位置小閉環(huán)控制回路傳遞函數(shù)的輸入、輸出變量。

利用Matlab軟件強大的計算功能，針對半物理試驗臺實測輸入、輸出響應(yīng)數(shù)據(jù)，通過擬合法對執(zhí)行機構(gòu)模型進行辨識，按照時間常數(shù)Ts=0.02 s離散化后得到油針位置小閉環(huán)傳遞函數(shù)，模型表達式為

執(zhí)行機構(gòu)模型還包括從油針位置至燃油流量的換算關(guān)系，采取多項式擬合的方式來獲得對應(yīng)關(guān)系。經(jīng)過嘗試發(fā)現(xiàn)，當采用2次多項式對該換算關(guān)系進行擬合時，精度能夠滿足執(zhí)行機構(gòu)建模需求，擬合得到執(zhí)行機構(gòu)模型

式中：Wf0為燃油量；L0為LVDT位置。

將式（2）中的傳遞函數(shù)與式（3）中的換算關(guān)系結(jié)合，即可得到以Lr為輸入、Wf1為輸出的執(zhí)行機構(gòu)模型。執(zhí)行機構(gòu)模型輸出與半物理試驗臺實測數(shù)據(jù)之間的相對誤差的絕對值如圖2所示。模型平均誤差為0.19%，最大誤差小于0.86%，具有較高的精度。

圖2　執(zhí)行機構(gòu)模型相對誤差

3　發(fā)動機逆模型

3.1在線自校正BP神經(jīng)網(wǎng)絡(luò)

采用在線訓練方法建立發(fā)動機逆模型能使模型根據(jù)發(fā)動機工作狀態(tài)更新模型參數(shù)，在發(fā)動機的飛行包線內(nèi)具有自適應(yīng)能力。本文提出基于在線自校正神經(jīng)網(wǎng)絡(luò)建立發(fā)動機逆模型的方法，保證了模型的精度和實時性。

設(shè)BP網(wǎng)絡(luò)［13］輸入層節(jié)點為xi，隱含層節(jié)點為oj，輸出層節(jié)點為yk，其中i=｛1，2，…，L｝，j=｛1，2，…，M｝，k=｛1，2，…，N｝。

對于隱含層

對于輸出層

式中：f（·）為隱含層激發(fā)函數(shù)；g（·）為輸出層激發(fā)函數(shù)；w1ji為輸入層和隱含層之間的連接權(quán)值；b1j為隱含層偏置；w2kj為隱含層和輸出層節(jié)點之間的連接權(quán)值；b2k為輸出層偏置。

BP網(wǎng)絡(luò)隨機生成網(wǎng)絡(luò)初始參數(shù)，通過梯度下降法進行搜索，找到1組最優(yōu)，使得誤差函數(shù)E最小。

定義BP網(wǎng)絡(luò)誤差函數(shù)為

式中：p為樣本編號；P為樣本容量；N為輸出層節(jié)點數(shù)；ykp和ykp分別為輸出層第k個節(jié)點對于p號樣本的輸出值及期望值；Ep為整個網(wǎng)絡(luò)對樣本p的誤差函數(shù)。

相比于離線的批量學習，在線學習訓練針對單個訓練樣本，因此在線學習的誤差函數(shù)為Ep［14］。在線BP算法同樣采用誤差反向傳播來更新各層間的連接權(quán)值，調(diào)整原則是使誤差不斷減小，因此權(quán)值的調(diào)整量和誤差下降的梯度成正比，權(quán)值增量計算方法為

其表達形式為

式中：η為學習速率；δ1j為輸入層到隱含層的局部梯度；δ2k為隱含層到輸出層的局部梯度。

在BP網(wǎng)絡(luò)中，網(wǎng)絡(luò)誤差較小處，權(quán)值調(diào)整幅度較小，需要進行多次計算調(diào)整才能減小誤差，會導(dǎo)致網(wǎng)絡(luò)訓練速度緩慢；而在網(wǎng)絡(luò)誤差較大處，誤差梯度也較大、網(wǎng)絡(luò)參數(shù)調(diào)節(jié)幅度也隨之增大，調(diào)節(jié)過程中會出現(xiàn)過沖現(xiàn)象，使權(quán)值出現(xiàn)震蕩，難以收斂［15］。

為了加強在線學習BP網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)參數(shù)搜索能力以及訓練速度，本文以額定發(fā)動機數(shù)據(jù)對網(wǎng)絡(luò)初始權(quán)值進行離線訓練，確定網(wǎng)絡(luò)初始權(quán)值及隱含層節(jié)點數(shù)，使初始網(wǎng)絡(luò)參數(shù)在包線內(nèi)即具有較好的泛化能力。引入支持向量機的閾值判別法［16］，當訓練閾值＜網(wǎng)絡(luò)輸出和傳感器輸出之間偏差＜故障閾值時，通過梯度下降，更新網(wǎng)絡(luò)參數(shù)，訓練過程中采取學習速率自校正策略。根據(jù)當前BP網(wǎng)絡(luò)輸出值與期望值相對誤差，對學習速率進行調(diào)節(jié)。當誤差較小時，為了加快網(wǎng)絡(luò)訓練速度適當增大學習速率；當誤差較大時，減小學習速率，加強對最優(yōu)網(wǎng)絡(luò)參數(shù)的搜索，避免網(wǎng)絡(luò)參數(shù)震蕩以及過沖現(xiàn)象。

在線自校正BP網(wǎng)絡(luò)的具體實現(xiàn)步驟如下：

Step1：網(wǎng)絡(luò)初始化。通過離線訓練獲得初始化BP網(wǎng)絡(luò)參數(shù)以及學習效率η0，設(shè)置網(wǎng)絡(luò)權(quán)值參數(shù)更新閾值E1，故障閾值E2，學習效率調(diào)整閾值；

Step 2：輸出誤差計算。基于當前網(wǎng)絡(luò)計算當前樣本數(shù)據(jù)對應(yīng)輸出yk以及與傳感器輸出之間的誤差函數(shù)Ep，計算出輸出誤差；

Step 3：閾值判別。若Ep＜E1，則認為當前網(wǎng)絡(luò)參數(shù)具有足夠的精度，轉(zhuǎn)至Step 6；若Ep＞E2，則認為傳感器發(fā)生故障，轉(zhuǎn)至Step 6；若E1≤Ep≤E2，則需要更新網(wǎng)絡(luò)參數(shù)，執(zhí)行Step 4；

Step 5：網(wǎng)絡(luò)參數(shù)更新。根據(jù)式（8）計算δ1j，δ2k，根據(jù)式（7）計算△w，并按照如下方式更新權(quán)值

式中：wn為當前網(wǎng)絡(luò)參數(shù)，△w為網(wǎng)絡(luò)參數(shù)調(diào)整量，wn+1為更新后的網(wǎng)絡(luò)參數(shù)。

返回執(zhí)行Step 2；

Step 6：返回當前網(wǎng)絡(luò)參數(shù)及預(yù)測輸出值。

為了驗證本文提出的在線自校正神經(jīng)網(wǎng)絡(luò)的學習優(yōu)勢，在4組Benchmark數(shù)據(jù)集上對算法學習效果進行對比，設(shè)定2種算法單個樣本學習完成判定條件為預(yù)測值相對誤差小于1‰，結(jié)果見表1。設(shè)定2種算法隱含層節(jié)點均為10，在線神經(jīng)網(wǎng)絡(luò)算法學習速率η始終為0.5，在線自校正神經(jīng)網(wǎng)絡(luò)中η在［0.1，0.8］范圍內(nèi)進行自校正。

表1　Benchmark數(shù)據(jù)集學習效果對比

從表1中可見，在達到相同預(yù)測精度情況下，相較于單純的在線神經(jīng)網(wǎng)絡(luò)，本文提出的在線自校正神經(jīng)網(wǎng)絡(luò)算法需要的反向修正計算次數(shù)更少，即具有更快的計算速度和更好的實時性。

3.2基于在線自校正BP網(wǎng)絡(luò)的發(fā)動機逆模型

在線自校正BP網(wǎng)絡(luò)以Wf0為輸出量，以渦軸發(fā)動機傳感器測量參數(shù)為輸入量，包括燃氣渦輪轉(zhuǎn)速Ng、動力渦輪扭矩Qpt、壓氣機出口總壓P3、動力渦輪出口溫度T45、動力渦輪出口壓力P45。為了使逆模型在發(fā)動機動態(tài)過程中也具有較好的估計效果，將前一時刻的5個傳感器數(shù)據(jù)也加入輸入數(shù)據(jù)，則在線自校正BP網(wǎng)絡(luò)輸入節(jié)點數(shù)L為10。

設(shè)置隱含層結(jié)點數(shù)M為10，隱含層激勵函數(shù)選為tansig，輸出層激勵函數(shù)選為logsig，初始學習速率η0為0.3，網(wǎng)絡(luò)權(quán)值參數(shù)更新閾值E1為0.2%，故障閾值E2為1%，學習效率調(diào)整閾值E為0.15%，為了保障在線自校正BP網(wǎng)絡(luò)算法的穩(wěn)定性，限定η的范圍為［0.1，0.8］。

在高度H=0 m、前飛速度Vx=0 m/s工作點、t=10 s時，將爬升指令Vzr從0 m/s增加至6 m/s；在t=25 s時，將前飛指令指令Vxr從0 m/s增加至10 m/s；在t=40 s時，將Vzr從6 m/s減小至0 m/s，對在線自校正BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機逆模型進行測試，仿真結(jié)果如圖3所示。

圖3　逆模型跟蹤效果及相對誤差

從圖中可見，基于在線自校正BP網(wǎng)絡(luò)的發(fā)動機逆模型在直升機動態(tài)飛行過程中，模型預(yù)測燃油量Wf2很好的吻合了實際燃油量Wf0，其最大相對誤差小于0.2%，驗證了本文提出的基于在線自校正BP網(wǎng)絡(luò)逆模型的有效性。

將文獻［12］中采用的改進最小二乘支持向量機逆模型建模方法與本文基于在線自校正BP網(wǎng)絡(luò)逆模型計算時間進行比較，設(shè)置支持向量機核函數(shù)為Gaussian核函數(shù)，核參數(shù)為v=1，正則化因子C=215，滑動窗口長度L=140，更新支持向量的閾值E1為0.2%。在線支持向量機方法在逆模型初始階段，計算時間小于1 ms，隨著時間增加，支持向量數(shù)量增長超過滑窗上限140之后，計算時間會超過1 ms；而本文采用的基于在線自校正BP網(wǎng)絡(luò)逆模型建模方法在整個仿真過程中計算時間均小于1 ms，表明本方法相比在線支持向量機，在故障診斷實時性方面具有優(yōu)勢。

4　半物理試驗仿真

4.1半物理試驗平臺

本文中執(zhí)行機構(gòu)及其傳感器故障診斷半物理仿真平臺包含燃油調(diào)節(jié)裝置、油泵、伺服電機、LVDT傳感器、轉(zhuǎn)速傳感器、CompactRIO機箱以及PXI計算機等，其結(jié)構(gòu)如圖4所示。

圖4　半物理仿真試驗平臺

仿真試驗基于LabVIEW軟件，CompactRIO 9074嵌入式硬件平臺運行程序包括油針位置小閉環(huán)控制回路、轉(zhuǎn)速閉環(huán)控制回路以及包含執(zhí)行機構(gòu)模型、發(fā)動機逆模型的故障診斷系統(tǒng)，PXI計算機既是發(fā)動機控制器的狀態(tài)監(jiān)視設(shè)備，也是渦軸發(fā)動機部件級模型的運行設(shè)備。

伺服電機通過按比例縮放后的實際物理轉(zhuǎn)速模擬PXI計算機中渦軸發(fā)動機模型動力渦輪轉(zhuǎn)速Np，并帶動燃油調(diào)節(jié)裝置運行。

CompactRIO機箱內(nèi)，執(zhí)行機構(gòu)傳遞函數(shù)模型根據(jù)油針位置指令Lr計算獲得模型燃油量Wf1；發(fā)動機逆模型采集經(jīng)過接口模擬器模擬的PXI計算機中模型傳感器參數(shù)，經(jīng)過在線BP神經(jīng)網(wǎng)絡(luò)訓練獲得預(yù)測燃油量Wf2，按照圖1中的診斷邏輯實現(xiàn)執(zhí)行機構(gòu)及其傳感器故障診斷。

4.2仿真結(jié)果

設(shè)置仿真試驗整個回路周期為20 ms，由于半物理試驗臺噪聲幅值約為0.2%，除極個別點外，執(zhí)行機構(gòu)模型及逆模型誤差均小于0.8%，二者疊加精度約為1%，因此本文將故障判定閾值D為1%，可以診斷幅值超過2%的故障［10］，而幅值在1%到1.5%之間的偏差，不告警［11-12］，在1.5%到2%之間的偏差進行故障風險提示。

在H=0 km、Vx=0 m/s、Vzr=0 m/s工作點，模擬執(zhí)行機構(gòu)故障情況。模擬額定發(fā)動機工作狀態(tài)，如圖5所示，執(zhí)行機構(gòu)偏置2%故障診斷結(jié)果；模擬壓氣機效率退化2%的非額定工作狀態(tài)，如圖6所示。施加執(zhí)行機構(gòu)每20 ms漂移0.0044%故障（漂移時間10 s）診斷結(jié)果。所有仿真均在t=10 s時施加故障，t=30 s時消除故障。

圖5　H=0 km、Vx=0 m/s、Vzr=0 m/s工作點額定狀態(tài)執(zhí)行機構(gòu)偏置故障診斷

圖6　H=0 km、Vx=0 m/s、Vzr=0 m/s工作點壓氣機效率退化狀態(tài)執(zhí)行機構(gòu)漂移故障診斷

從圖5中可見，執(zhí)行機構(gòu)無故障時，執(zhí)行機構(gòu)模型和發(fā)動機逆模型與傳感器測量值之間的偏差始終小于故障閾值。執(zhí)行機構(gòu)故障施加和消失的瞬間，執(zhí)行機構(gòu)輸出Wf0發(fā)生突變，而執(zhí)行機構(gòu)逆模型需要再經(jīng)過1個仿真步長才能反映這個突變，致使偏差e2有瞬間超過故障閾值，但其連續(xù)過程不超過5個步長，因此不做故障告警。執(zhí)行機構(gòu)一旦發(fā)生故障，執(zhí)行機構(gòu)模型輸出Wf1和測量值Wf0之間的偏差e1即超過故障閾值，并停留在故障閾值之外，直至故障消失。因而可以準確診斷出執(zhí)行機構(gòu)故障。由于逆模型采用在線訓練方法，即使壓氣機效率退化時（圖6），也能準確對故障進行診斷，驗證了在線訓練診斷方法良好的自適應(yīng)能力。

在H=1 km、Vx=5 m/s、Vzr=4 m/s工作點，對執(zhí)行機構(gòu)傳感器故障進行驗證。模擬動力渦輪流量退化2%，LVDT傳感器2%偏置故障診斷結(jié)果如圖7所示；模擬額定發(fā)動機，LDVT傳感器每20 ms漂移0.0044%故障（漂移時間10 s）診斷結(jié)果如圖8所示。

圖7　H=1 km、Vx=5 m/s、Vzr=4 m/s工作點渦輪流量退化狀態(tài)LVDT傳感器偏置故障診斷

從圖7中可見，傳感器偏置故障施加和消失的瞬間，由于執(zhí)行機構(gòu)小閉環(huán)控制尚未響應(yīng)故障調(diào)整輸入指令，因而執(zhí)行機構(gòu)模型輸出和傳感器測量值的偏差也有瞬間超過故障閾值，但持續(xù)時間小于5個步長，因此不告警。而逆模型輸出與傳感器測量值之間的偏差則實時、準確的反映了傳感器故障狀態(tài)，可以對傳感器故障進行準確診斷。從圖8中可見，在漸變的漂移故障情況下，不會出現(xiàn)瞬間超過故障閾值的情況。無論發(fā)動機退化與否，均能對執(zhí)行機構(gòu)傳感器故障進行有效診斷。

在半物理仿真驗證中，發(fā)動機部件級模型調(diào)用、控制參數(shù)計算、故障診斷以及信號采集傳輸在內(nèi)的整個仿真回路運行過程均在20 ms以內(nèi)完成，也驗證了本文提出的故障診斷系統(tǒng)的實時性。

圖8　H=1km、Vx=5m/s、Vzr=4m/s工作點額定狀態(tài)LDVT傳感器漂移故障診斷

5　結(jié)論

本文研究了發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)及其傳感器故障診斷方法，得出以下結(jié)論：

（1）提出了1種基于自校正在線訓練神經(jīng)網(wǎng)絡(luò)的發(fā)動機逆模型建立方法，提高了模型的適應(yīng)性和實時性；

（2）基于執(zhí)行機構(gòu)模型以及發(fā)動機逆模型，構(gòu)建故障診斷系統(tǒng)，并設(shè)計了診斷邏輯；

（3）開展了半物理仿真試驗驗證。結(jié)果表明，當故障引起幅值變化超過2%時，診斷系統(tǒng)能夠?qū)︻~定或退化發(fā)動機的執(zhí)行機構(gòu)及其傳感器故障進行有效診斷。

［1］宋輝，李曉明，宋文波.航空發(fā)動機健康評估技術(shù)綜述［J］.航空發(fā)動機，2011，37（2）：58-62. SONG Hui，LI Xiaoming，SONG Wenbo.Review on aeroengine health assessment technology［J］.Aeroengine，2011，37（2）：58-62.（in Chinese）

［2］LU F，HUANG J，XING Y.Fault diagnostics for turbo-shaft engine sensors based on a simplified on-board model［J］.Sensors，2012，12（8）：11061-11076.

［3］ZHAO Z，SUN Y，ZHANG J.PCA-based sensor fault diagnosis for aero-engine［C］//27th Chinese Control and Decision Conference（CCDC）. Qingdao：IEEE Press，2015：2679-2683.

［4］Lamoureux B，Masse J R，Mechbal N.An approach to the health monitoring of the fuel system of a turbofan［C］//2012 International Conference on Prognostics and Health Management.Denver：IEEE Press，2012：1-6.

［5］蔣平國，姚華，孫健國.航空發(fā)動機數(shù)控系統(tǒng)執(zhí)行機構(gòu)回路故障診斷和容錯控制方法［J］.航空動力學報，2005，20（2）：282-286. JIANG Pingguo，YAO Hua，SUN Jianguo.Method of fault diagnosis and fault tolerant control for actuator loop in aeroengine digital control system［J］.Journal of Aerospace Power，2005，20（2）：282-286.（in Chinese）

［6］何皚，覃道亮，孔祥興，等.基于UIO的航空發(fā)動機執(zhí)行機構(gòu)故障診斷［J］.推進技術(shù)，2012，33（1）：98-104. HE Ai，TAN Daoliang，KONG Xiangxing，et al.UIO based diagnosis of aeroengine actuator faults［J］.Journal of Propulsion Technology，2012，33（1）：98-104.（in Chinese）

［7］韓冰潔，緱林峰.基于卡爾曼濾波器組的執(zhí)行機構(gòu)故障診斷方法［J］.計算機仿真，2013，30（2）：93-96. HAN Bingjie，GOU Linfeng.Actuator fault diagnosis based on Kalman filter bank［J］.Computer Simulation，2013，30（2）：93-96.（in Chinese）

［8］Kobayashi T，Simon D L.Application of a bank of Kal-man filters for aircraft engine fault diagnostics［C］//2003 International Joint Power Generation Conference.Atlanta：ASME Press，2003：461-470.

［9］Wang L，Zhang L，Shi X.Research on aircraft engine actuator and sensor faults diagnosis with Takagi-Sugeno fuzzy model and H^∞observer［J］.Journal of Computational Methods in Sciences and Engineering，2015，15（3）：423-436.

［10］姜潔，李秋紅，張高錢，等.航空發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)及其傳感器故障診斷［J］.航空動力學報，2015，30（6）：1529-1536. JIANG Jie，LI Qiuhong，ZHANG Gaoqian，et al.Fault diagnosis of actuator and its sensor of aero-engine fuel system［J］.Journal of Aerospace Power，2015，30（6）：1529-1536.（in Chinese）

［11］ZHAO Y，SUN J.Fast online application for hard sup-port vector regression and its application to analytical redundancy for aeroengines［J］.Journal of Aeronautics，2010，23（2）：145-152.

［12］ZHAO Y，SUN J，WANG J.Online parsimonious least squares support vector regression and its application［J］.Transactions of Nanjing University of Aeronautics and Astronautics，2009，26（4）：280-287.

［13］LI J，Cheng J，Shi J，et al.Brief introduction of back propagation（BP）neural network algorithm and its improvement［M］.Berlin：Springer -Verlag，2012：553-558.

［14］張廆.基于在線學習方法的BP神經(jīng)網(wǎng)絡(luò)訓練算法研究［D］.武漢：華中科技大學，2009. ZHANG Wei.Research on training algorithm of BP neural networks based on online learning［D］.Wuhan：Huazhong University of Science and Technology，2009.（in Chinese）

［15］蔡輝春.一種隨機學習速率的BP神經(jīng)網(wǎng)絡(luò)算法［J］.計算機與數(shù)字工程，2008，36（10）：25-27. CAI Huichun.A BP neural network algorithm for random learning rate［J］.Computer and Digital Engineering，2008，36（10）：25-27.（in Chinese）

［16］張高錢.航空發(fā)動機傳感器故障診斷與容錯控制［D］.南京：南京航空航天大學，2014. ZHANG Gaoqian.Research on aero-engine sensor fault diagnosis and fault tolerant control［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2014.（in Chinese）

（編輯：趙明菁）

Fault Diagnosis and Validation for Aeroengine Fuel System Actuator

PAN Yang1，LI Qiu-hong2，JIANG Jie2，LIU Li-ting2
（1.The 28th Research Institute of China Electronics Technology Group Corporation，Najing 210007，China；2.College of Energy and Power Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

A fault diagnosis method for engine fuel system actuator and its sensor based on actuator model and the inverse engine model was studied.The transfer function model of the actuator closed-loop system was built based on the experimental data of the semi physical simulation platform，and the position of metering pin was transformed to fuel flow through quadratic polynomials fitting.An online self-adjustment BP network algorithm was proposed to establish the inverse engine model.In order to enhance the generalization ability and convergence rate of the algorithm，the online training system was initialized by the parameters gotten from the off-line training，the parameter was renewed based on the threshold，and the self-adjustment of the algorithm learning-rate was adopted.Compared the difference from actuator model output，inverse engine model output and the fuel flow by the LVDT sensor transform from the displacement measured，the fault was diagnosed according to the threshold.Semi physical simulation experimented in T700 engine experimental platform.Results show the fault diagnosis and location of the actuator and its sensor in nominal engine and various degradation engine，which shows the validation of the proposed algorithm.

fuel system；actuator；sensor；fault diagnosis；self-adjustment BP network；mathematical model；aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2016.04.007

2015-08-30基金項目：航空科學基金（20110652003）、中央高?；究蒲袠I(yè)務(wù)專項基金（NN2012033）資助

潘陽（1991），男，碩士，研究方向為航空發(fā)動機故障診斷；E-mail：499735168@qq.com。

引用格式：潘陽，李秋紅，姜潔，等.航空發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)故障診斷及驗證［J］.航空發(fā)動機，2016，42（4）：30-35.PANYang，LIQiuhong，JIANGJie，et al.Faultdiagnosisandvalidationforaeroenginefuelsystemactuator［J］.Aeroengine2016，42（4）：30-35.