姚文榮，徐田鎮(zhèn)，張海波

（1.中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063；2.南京航空航天大學(xué)江蘇省航空動力系統(tǒng)重點實驗室，南京210016）

渦扇發(fā)動機氣路傳感器故障診斷

姚文榮1，徐田鎮(zhèn)2，張海波2

（1.中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063；2.南京航空航天大學(xué)江蘇省航空動力系統(tǒng)重點實驗室，南京210016）

為了實現(xiàn)對某渦扇發(fā)動機傳感器故障的在線診斷，提出并設(shè)計了1種基于在線貫序極端學(xué)習(xí)機的故障診斷算法。其核心思想是在定位某傳感器故障后，在線建立針對該故障傳感器“預(yù)學(xué)習(xí)”的信號重構(gòu)算法，解決多故障混疊問題。在線信號重構(gòu)算法以泛化能力指標(biāo)為判定條件，利用選擇策略對算法網(wǎng)絡(luò)權(quán)值進行選擇性更新，提高了故障診斷系統(tǒng)的實時性。以某型渦扇發(fā)動機為對象開展了傳感器故障診斷與重構(gòu)仿真，結(jié)果表明：該算法能夠?qū)Πl(fā)動機單、雙傳感器故障進行準(zhǔn)確地診斷與信號重構(gòu)，且具有良好的實時性。

在線貫序極端學(xué)習(xí)機；渦扇發(fā)動機；傳感器；故障隔離；故障診斷；信號重構(gòu)

0 引言

眾所周知，傳感器的可靠性對航空發(fā)動機控制系統(tǒng)具有至關(guān)重要的影響。發(fā)動機數(shù)控系統(tǒng)中傳感器大都在高溫、高壓、強振動的惡劣環(huán)境中工作，容易發(fā)生各種故障。為此，常采用傳感器余度技術(shù)，應(yīng)用最廣泛的余度技術(shù)主要有硬件余度和解析余度[1-2]。硬件余度技術(shù)采用多個傳感器測量同一發(fā)動機參數(shù)的方法來保證測量值的可靠性，但該技術(shù)會增加系統(tǒng)的復(fù)雜性和質(zhì)量，對于某些發(fā)動機參數(shù)，常常由于傳感器安裝困難而無法實現(xiàn)，因而限制了其應(yīng)用范圍。解析余度技術(shù)利用各測量參數(shù)的解析關(guān)系，通過軟件算法在線估計出某些發(fā)動機參數(shù)的值，當(dāng)對應(yīng)的參數(shù)傳感器發(fā)生故障時，即可將估計值作為余度信息代替?zhèn)鞲衅鳒y量值[3]。顯然，隨著智能算法等現(xiàn)代軟件計算技術(shù)的快速發(fā)展，相比硬件余度技術(shù)，解析余度技術(shù)更適宜于工程化，具有更重要的研究價值。

早在20世紀(jì)70年代，Wallhagen等[4]首先提出利用傳感器解析余度技術(shù)來提高發(fā)動機控制系統(tǒng)的可靠性；80年代開始，美國NASA Levis研究中心圍繞傳感器故障診斷、隔離與重構(gòu)開展了ADIA(Advanced Detection Isolation and Accommodation)的研究計劃，并且在F110發(fā)動機上成功進行了全包線驗證[5]；90年代后期，Mattern、Hieu等[6-7]將在線的機器學(xué)習(xí)算法應(yīng)用到傳感器故障診斷中，取得了顯著成效。而國內(nèi)的研究，則大多處于理論仿真研究階段，黃向華等[8]提出基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的發(fā)動機傳感器的故障診斷與重構(gòu)方案；劉小雄等[9]基于徑向神經(jīng)網(wǎng)絡(luò)提出1種智能解析余度的容錯飛行控制方法；魯峰等[10]提出了1種改進的粒子群算法訓(xùn)練的支持向量機，并利用融合機制將其應(yīng)用于傳感器的故障診斷中。上述方法可歸為離線設(shè)計的方法，即通過事先獲取的數(shù)據(jù)集進行故障診斷系統(tǒng)設(shè)計，受數(shù)據(jù)獲取的難度和智能算法泛化能力的限制，目前的研究結(jié)果僅適用于發(fā)動機某些特定的工作狀態(tài)。

近年來，傳感器在線故障診斷算法也開始興起。如趙永平等[11-12]提出了在線學(xué)習(xí)算法OPLS-SVR(Online Parsimonious least support vector regression)進行了傳感器故障診斷；趙成偉等[17]基于1簇卡爾曼濾波器的算法也對傳感器故障進行了快速實時仿真。但由于實時性的限制，上述在線方法僅對單個傳感器故障進行了在線仿真研究。

為了適應(yīng)實際發(fā)動機復(fù)雜的運行工況，針對常見的多傳感器故障、不同故障類型交錯發(fā)生的情況，本文提出并設(shè)計了1種基于在線貫序極端學(xué)習(xí)機(Online Sequential Extreme Learning Machine,OS-ELM)的傳感器在線診斷算法，并且設(shè)計了某渦扇發(fā)動機傳感器的故障隔離系統(tǒng)。其核心是在診斷出某一傳感器故障之后，對該故障傳感器建立1種“預(yù)學(xué)習(xí)”的信號重構(gòu)，應(yīng)用此故障隔離算法，在多個傳感器連續(xù)發(fā)生故障時，也能夠?qū)崟r、準(zhǔn)確地定位故障傳感器，并能重構(gòu)各傳感器信號。

1 在線貫序極端學(xué)習(xí)機算法

極端學(xué)習(xí)機(ELM)算法是1種簡單易用、有效的單隱含層前饋神經(jīng)網(wǎng)絡(luò)（SLFNS）[14]。相對于傳統(tǒng)的網(wǎng)絡(luò)算法，ELM法極大地提高了訓(xùn)練速度，并能有效避免過擬合現(xiàn)象[16]。為了獲得在線學(xué)習(xí)的能力，文獻[15]提出了1種在線貫序極端學(xué)習(xí)機（OS-ELM）算法。

1.1 OS-ELM算法

式中：βi=[βi1,K,βim]T，為隱含層第 i點和輸出層節(jié)式點的連接權(quán)值；wi=[wi1,wi2,K,win]，為隱含層第i點與輸入層節(jié)點的連接權(quán)值；bi為隱含層第i點的偏置。

對式(1)中的N個方程可以寫為如下矩陣形式

式中：H為ELM網(wǎng)絡(luò)的輸出層矩陣，H的第i列是相對于輸入x1,K,xN的第i個隱含層節(jié)點的輸出向量。

根據(jù)文獻[14]，當(dāng)選定的激活函數(shù)g(x)無限可微，SLFN的參數(shù)不需要全部調(diào)整，w和b在初始化過程中可以任意給1個隨機值，并且在此后的運算過程中保持?jǐn)?shù)值不變，只需求解神經(jīng)網(wǎng)絡(luò)隱含層與輸出層之間的連接權(quán)值β，因此大大提高了算法的運算速度。

β由求逆定理[15]解

式中：H?為神經(jīng)網(wǎng)絡(luò)輸出層矩陣H的廣義逆。

對于OS-ELM算法，即是利用前一步計算的網(wǎng)絡(luò)權(quán)值，通過遞推的方式來更新當(dāng)前網(wǎng)絡(luò)權(quán)值[15]，βk表示第k組輸入數(shù)據(jù)所對應(yīng)的輸出權(quán)值矩陣，hk表示第k組輸入數(shù)據(jù)所對應(yīng)的輸出層矩陣，則k+1組數(shù)據(jù)所對應(yīng)的權(quán)值矩陣為

1.2 選擇策略

為了提高故障診斷系統(tǒng)的實時性，本文采用選擇策略[16]，其工作原理是根據(jù)下式的判斷條件對Mk進行選擇更新

式中：e=|（dk+1-dk+1）/dk+1|，為算法的預(yù)測值與發(fā)動機真實值之間的相對誤差；ε為更新判定閾值。

當(dāng)e＜ε時，說明當(dāng)前采樣步長內(nèi)數(shù)據(jù)的預(yù)測精度較高，算法原系統(tǒng)具有足夠的泛化能力來精確預(yù)測當(dāng)前輸出值，因此沒有必要對Mk進行遞推更新，否則根據(jù)式(5)更新當(dāng)前的Mk+1，并且計算相應(yīng)的權(quán)值矩陣βk+1。

2 發(fā)動機傳感器的故障類型及其模擬仿真

發(fā)動機傳感器最常見的故障是偏置、漂移2種類型，為了進行仿真研究，需要先對故障信號進行模擬。傳感器發(fā)生偏置故障時，其時域特征為傳感器在某一時刻測量值突然發(fā)生較大的幅值偏差?？捎上率侥M偏置故障信號

式中：d（k）為k時刻傳感器的實際測量值；dr（k）為k時刻發(fā)動機參數(shù)的真實值；t0為發(fā)生故障的時刻；n為偏置百分率。

傳感器在某一時刻發(fā)生漂移故障時，表現(xiàn)為傳感器的測量值隨著時間以某一速率緩慢偏離對應(yīng)發(fā)動機參數(shù)的真實值，漂移故障信號的模擬方式為

式中：m為采樣步長時間內(nèi)故障漂移速率。

另外，為了使每個傳感器在診斷過程中有相同的權(quán)重，對不同參數(shù)的測量值根據(jù)式（9）進行歸一化處理

式中：dn（k）為k時刻傳感器測量值信號處理后的值；dmax和dmin分別為傳感器信號的最大值和最小值。

3 基于OS-ELM的某渦扇發(fā)動機的傳感器故障診斷系統(tǒng)設(shè)計

根據(jù)上述的OS-ELM法，針對某渦扇發(fā)動機控制系統(tǒng)傳感器故障診斷問題進行研究。

3.1 渦扇發(fā)動機

本文研究對象為某小涵道比渦扇發(fā)動機，發(fā)動機控制輸入為主燃油流量Wf以及尾噴管面積A8，閉環(huán)運行定義油門桿角度為PLA。

渦扇發(fā)動機軸向結(jié)構(gòu)如圖1所示。1截面為發(fā)動機進口，2截面為風(fēng)扇進口，22截面為風(fēng)扇出口，13截面為外涵道進口，23截面為內(nèi)涵道進口，25截面為壓氣機進口，3截面為壓氣機出口，4截面為燃燒室出口，42截面為高壓渦輪出口，45截面為低壓渦輪進口，46截面為低壓渦輪出口，16和6截面分別為外涵道和內(nèi)涵道出口，7截面為加力燃燒室進口，75截面為加力燃燒室出口，8截面為尾噴管喉道，9截面為尾噴管出口。

為便于說明，分別對渦扇發(fā)動機控制系統(tǒng)5個主要傳感器編號1～5，對應(yīng)的測量值分別為風(fēng)扇轉(zhuǎn)速N1，壓氣機轉(zhuǎn)速N2，壓氣機出口總溫T3，壓氣機出口總壓P3，低壓渦輪出口總溫T46。

3.2 故障診斷系統(tǒng)結(jié)構(gòu)設(shè)計

為了充分利用傳感器的測量值，改善傳感器映射模塊的動態(tài)預(yù)測精度，考慮到發(fā)動機動態(tài)可以簡化為1個2階數(shù)學(xué)系統(tǒng)，因此所設(shè)計的故障診斷系統(tǒng)中，傳感器信號均引入前2個時刻的測量值作為系統(tǒng)輸入，可描述為

對于1～5號傳感器分別設(shè)計基于OS-ELM法的診斷系統(tǒng)，其結(jié)構(gòu)如圖2所示。

當(dāng)ei＜DC時，傳感器正常工作，直接輸出傳感器所測量信號值dik；當(dāng) DC≤ei＜FC時，則傳感器診斷系統(tǒng)診斷為漂移故障；當(dāng)ei≥FC時，則診斷系統(tǒng)診斷為偏置故障；傳感器發(fā)生故障后，診斷系統(tǒng)將其映射模型的重構(gòu)值代替測量信號作為輸出。

而對于多傳感器故障，基于上述的診斷系統(tǒng)，定位某一傳感器發(fā)生故障后，若將此測量信號繼續(xù)作為映射模塊的輸入易引起誤診，從而導(dǎo)致整個診斷系統(tǒng)出現(xiàn)混亂甚至崩潰。

針對上述問題，對多傳感器故障信號設(shè)計了隔離系統(tǒng)，其診斷流程如圖3所示。其中，傳感器未發(fā)生故障時的映射系統(tǒng)記作診斷系統(tǒng)A。發(fā)生故障的傳感器信號從映射模型的輸入中剔除，用剩余健康傳感器信號作為輸入重新訓(xùn)練預(yù)測模型，記作診斷系統(tǒng)B。

當(dāng)傳感器再次發(fā)生故障時，將該傳感器繼續(xù)從映射模塊輸入中剔除，用剩余健康傳感器信號作為輸入重新訓(xùn)練預(yù)測模型，記作診斷系統(tǒng)C。對于所剔除故障傳感器信號的重構(gòu)，采用本文所提出的“預(yù)學(xué)習(xí)”診斷系統(tǒng)。

以下詳細(xì)說明基于OS-ELM法傳感器故障診斷系統(tǒng)的故障隔離的工作原理，不失一般性，僅以1、2號傳感器發(fā)生單、雙故障的情形為例。

3.3 單傳感器故障診斷系統(tǒng)的隔離邏輯

當(dāng)各傳感器正常工作時，其OS-ELM映射模型的輸入-輸出關(guān)系見表1，即故障診斷系統(tǒng)A。

表1 診斷系統(tǒng)A對應(yīng)的輸入-輸出關(guān)系

當(dāng)1號傳感器單獨發(fā)生故障時，將其測量值與其預(yù)測值進行比較，根據(jù)圖2的診斷邏輯置故障標(biāo)志位。而后，在其它傳感器預(yù)測模型中將1號故障傳感器的測量值從模型的輸入中剔除，重新進行在線訓(xùn)練。1號故障傳感器的估計沿用診斷系統(tǒng)A中相應(yīng)的輸入，此時每個傳感器的映射模型中都不含有故障傳感器1的信息，可以實現(xiàn)發(fā)動機控制系統(tǒng)在傳感器發(fā)生故障后，仍然能夠正常工作。故障診斷系統(tǒng)B中，映射模型具體的輸入對應(yīng)關(guān)系見表2。

表2 診斷系統(tǒng)B對應(yīng)的輸入-輸出關(guān)系

3.4 多傳感器故障診斷系統(tǒng)的隔離邏輯

如前所述，在線傳感器故障診斷系統(tǒng)多針對單個傳感器故障進行設(shè)計研究，而實際上，多個不同傳感器發(fā)生故障或是不同故障類型交錯發(fā)生的情況也是常見的。

為了避免在多個傳感器發(fā)生故障時引起誤診，在診斷出單傳感器（假設(shè)為1號傳感器）故障后，對1號傳感器的信號重構(gòu)進行“預(yù)學(xué)習(xí)”。由于當(dāng)前時刻下次發(fā)生故障的傳感器未知，因此需預(yù)先去除可能發(fā)生故障的每個傳感器測量值，分別建立映射模型，并行地預(yù)測第1次發(fā)生故障的1號傳感器。具體的預(yù)學(xué)習(xí)映射模型的輸入-輸出對應(yīng)關(guān)系見表3。

表3 預(yù)學(xué)習(xí)系統(tǒng)對應(yīng)的輸入-輸出關(guān)系

當(dāng)其它傳感器發(fā)生疊加故障，假設(shè)為2號傳感器發(fā)生故障。顯然，通過故障診斷系統(tǒng)B，可以定位2號傳感器故障，此時應(yīng)選擇“預(yù)學(xué)習(xí)”模型中不包含故障傳感器2的1組，對1號故障傳感器進行預(yù)測。其它傳感器預(yù)測模型中將1、2號故障傳感器的測量值從模型的輸入中去除，重新進行在線訓(xùn)練，實現(xiàn)對3～5號傳感器參數(shù)的預(yù)測。對2號故障傳感器的預(yù)測仍延用診斷系統(tǒng)B中相應(yīng)的輸入，最終診斷系統(tǒng)C中各傳感器映射模型的輸入-輸出對應(yīng)關(guān)系，見表4。

表4 診斷系統(tǒng)C對應(yīng)的輸入-輸出關(guān)系

通過以上設(shè)計的故障隔離系統(tǒng)，在多傳感器發(fā)生故障的情況下，均能夠?qū)⒂成淠Ｐ椭械墓收蟼鞲衅餍盘枏妮斎胄畔⒅刑蕹Ｕ狭怂O(shè)計的故障診斷系統(tǒng)的魯棒性、降低了誤診率。

類似地，其它傳感器故障均可以按照相同的故障隔離邏輯實現(xiàn)多個故障傳感器的診斷與信號的預(yù)測重構(gòu)。

4 數(shù)字仿真驗證

以前述渦扇發(fā)動機為研究對象，在地面標(biāo)準(zhǔn)狀態(tài)下，發(fā)動機油門桿角度PLA，在第5 s時由30°變化到70°，在第20 s時由70°變化到30°，在第35 s時由30°變化到70°。針對傳感器發(fā)生偏置或漂移故障情況進行仿真分析，其他包線點的結(jié)果類似，限于篇幅不再給出仿真圖。設(shè)置OS-ELM法隱含層激勵函數(shù)sigmoid，節(jié)點數(shù)設(shè)置為50，圖中的縱坐標(biāo)是經(jīng)式(9)處理后的結(jié)果。

4.1 單傳感器故障在線診斷

模擬發(fā)動機在過渡態(tài)運行過程中，對T3傳感器發(fā)生偏置或漂移故障的情況進行仿真分析。

發(fā)動機在第35～40 s過渡態(tài)運行過程中，T3傳感器發(fā)生偏置故障時的仿真結(jié)果如圖4(a)所示，其中傳感器的偏置故障幅度為3.5%。圖4(a)的局部放大如圖4(b)所示。從圖中可見，當(dāng)T3傳感器發(fā)生偏置故障時，傳感器測量值偏離其真實值，此時診斷系統(tǒng)的輸出值并沒有跟隨故障傳感器的測量值，而是等于映射模塊的預(yù)測值，最大相對誤差為1.95%。

T3傳感器發(fā)生漂移故障時的仿真結(jié)果如圖5(a)所示。其中漂移速率為每個采樣周期20 ms內(nèi)負(fù)向漂移0.04%，持續(xù)時間為1 s。圖5(a)的局部放大如圖5(b)所示。當(dāng)?shù)?5.0～35.8 s傳感器發(fā)生漂移故障時，由于沒有超過判定閾值，并未被診斷出故障，診斷系統(tǒng)的輸出值跟隨了故障傳感器的測量值，當(dāng)漂移故障幅度超過判定閾值時，診斷系統(tǒng)的輸出值等于其預(yù)測值，最大相對誤差為3.72%。其他傳感器的診斷結(jié)果見表5。

表5 地面狀態(tài)下傳感器診斷的最大相對誤差

4.2 雙傳感器故障在線診斷

模擬T46傳感器與N2傳感器同時發(fā)生故障的情況，其中在發(fā)動機過渡態(tài)運行過程中發(fā)生T46傳感器漂移故障，在發(fā)動機穩(wěn)態(tài)過程疊加N2傳感器偏置故障。其故障偏置幅度、漂移速率及持續(xù)時間與前同。

在t=37 s處發(fā)動機處于過渡態(tài)時，T46傳感器發(fā)生漂移故障時的仿真結(jié)果如圖6(a)所示。其結(jié)果與圖5(b)基本一致,經(jīng)故障診斷系統(tǒng)后，其輸出值并沒有再跟隨T46傳感器的測量值，而是替代為映射模塊輸出的預(yù)測值。

為模擬疊加故障，在第42 s處開始模擬N2傳感器偏置故障，如圖6(b)所示。從圖中同樣可見，診斷系統(tǒng)的輸出值沒有再跟隨故障傳感器的測量值，而是很好地跟蹤了其真實值，最大相對誤差為2.81%。且從圖6(a)中還可見，在對N2傳感器偏置故障進行重構(gòu)時，T46傳感器重構(gòu)沒有受到影響。

為了驗證多故障隔離系統(tǒng)的有效性，在相同條件下，將診斷系統(tǒng)的故障隔離系統(tǒng)去除，在第42 s處發(fā)生混疊故障時，診斷系統(tǒng)輸出結(jié)果相較于真實值產(chǎn)生了大的偏離，如圖7(a)所示。從圖中可見，此時N1沒有發(fā)生故障，由于映射模塊的輸入中有故障信號，導(dǎo)致其重構(gòu)預(yù)測的信號值出現(xiàn)錯誤，此時系統(tǒng)輸出值并不是健康傳感器的測量信號，而是錯誤的預(yù)測值，導(dǎo)致診斷系統(tǒng)發(fā)生誤診。故障傳感器T46的診斷結(jié)果如圖7(b)所示。從圖中可見，診斷系統(tǒng)的輸出值并沒有跟隨發(fā)動機的真實值，最大相對誤差超過20%。說明所設(shè)計診斷系統(tǒng)中基于”預(yù)學(xué)習(xí)”思想的故障隔離邏輯能有效解決多故障混疊發(fā)生的情況，避免了誤診，且保持了較高的預(yù)測精度。

從圖4～6中明顯可見，無論是單傳感器故障還是雙傳感器故障，該系統(tǒng)均能迅速定位故障傳感器，并且隔離故障傳感器測量信號，診斷系統(tǒng)的輸出值沒有跟隨發(fā)生故障的傳感器測量值，而是精確反映了渦扇發(fā)動機對應(yīng)參數(shù)的真實值。

4.3 不同傳感器故障包線適應(yīng)性測試

類似地還給出在地面狀態(tài)下其它傳感器故障診斷的結(jié)果（表5）。為了驗證發(fā)動機診斷系統(tǒng)的包線適應(yīng)性，在H=7 km、Ma=0.6，針對P3傳感器漂移故障或偏置故障，N1和N2同時發(fā)生漂移故障和偏置故障進行了仿真驗證，系統(tǒng)診斷最大相對誤差見表6。從表5、6中可見傳感器診斷的輸出值與真實值的最大相對誤差控制在5%以內(nèi)。

表6 高空狀態(tài)下傳感器診斷的最大相對誤差

4.4 算法實時性測試

上述仿真試驗均在VC++6.0環(huán)境下完成，計算電腦主頻為3.30 GHz，內(nèi)存為3.46 GB。采用選擇策略的映射模塊平均預(yù)測時間為0.8302 ms,由于通過選擇策略對輸出層權(quán)值進行了選擇性的更新，使得OS-ELM算法在實時性上有了明顯改善，更適用于傳感器故障的在線診斷。

5 結(jié)論

（1）基于OS-ELM法建立的在線故障診斷系統(tǒng)具有良好的預(yù)測精度，對傳感器信號的重構(gòu)精度在98%以上。

（2）采用“預(yù)學(xué)習(xí)”思想所建立的故障隔離系統(tǒng)，對單傳感器以及多傳感器的故障均具有良好的診斷能力，診斷系統(tǒng)的輸出誤差在5%以內(nèi)。

（3）以泛化能力為指標(biāo)，采用選擇策略對OS-ELM法的輸出權(quán)值進行選擇性更新，提高了其在線使用的實時性，其預(yù)測時間在1 ms以內(nèi)。

[1]Garg S.Controls and health management technologies for intelligent aerospace propulsion systems[R].AIAA-2004-0949.

[2]Delaat John C,Merrill Walter C.Advanced detection,isolation,and accommodation of sensor failures in turbofan engines[R].NASA-TP-2925,1990.

[3]張婭玲，陳偉民，章鵬，等.傳感器故障診斷技術(shù)概述[J].傳感器與微系統(tǒng),2009,28（1）：4-6.ZHANG Yaling,CHEN Weimin,ZHANG Peng，et al.Overview on sensor fault diagnosis technology[J].Transducer and Microsystem Technologies,2009,28（1）:4-6.(in Chinese)

[4]Wallhagen R E,Arpasi D J.Self-teaching digital-computer program for fail-operational control of a turbojet engine in a sea-level test stand[R].NASA-TM-X-3043,1974.

[5]Alag G,Gilyard G.A proposed kalman filter algorithm for estimation of unmeasured output variables for an F100 turbofan engine[R].AIAA-90-1920.

[6]Mattern D L,Jaw L C,Guo T H，et al.Using neural networks for sensor validation[R].AIAA-98-3547.

[7]Hieu Trung Huynh,Yonggwan Won.Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks[J].Pattern Recognition Letters,2011，32：1930-1935.

[8]黃向華,孫建國.基于自聯(lián)想網(wǎng)絡(luò)的發(fā)動機傳感器解析余度技術(shù)[J].航空動力學(xué)報，1999，14（4）：433-436.HUANG Xianghua,SUN Jianguo.Analytical redundancy based on auto-associative neural network for aeroengine sensors[J].Journal of Aerospace Power,1999,14（4）:433-436.(in Chinese)

[9]劉小雄，章衛(wèi)國，李廣文.基于智能解析余度的容錯飛行控制系統(tǒng)設(shè)計[J].傳感技術(shù)學(xué)報，2007,20（8）：1912-1916.LIU Xiaoxiong,ZHANG Weiguo,LI Guangwen.Intelligence analytical redundancy-based fault-tolerance design for flight control system[J].Chinese Journal of Sensors and Actuators，2007,20（8）:1912-1916.(in Chinese)

[10]魯峰，黃金泉，陳煜，等.基于SPSO-SVR的融合航空發(fā)動機傳感器診斷[J].航空動力學(xué)報，2009，24（8）：1856-1865.LU Feng,HUANG Jinquan,CHEN Yu,et al.Research on sensor fault diagnosis of aeroengine based on data fusion of SPSO-SVR[J].Journal of Aerospace Power,2009,24（8）：1856-1865.(in Chinese)

[11]Zhao Yongping,SUN Jianguo.Fast online application for hard support vector regression and its application to analytical redundancy for aeroengines[J].Journal of Aeronautics,2010,23:145-152.

[12]Zhao Yongping,Sun Jianguo,Wang Jiankang.Online parsimonious least squares support vector regression and its application[J].Transactions of Nanjing University of Aeronautics&Astronautics,2009，26（4）：280-287.

[13]張賢達.矩陣分析與應(yīng)用[M].北京：清華大學(xué)出版社，2004:68-69.ZHANG Xianda.Matrix analysis and applications[M].Beijing:Tsinghua University Press,2004:68-69.(in Chinese)

[14]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70（1）：489-501.

[15]Huang G B,Liang N Y,Rong H J,et al.Online sequential extreme learning machine [J].ComputationalIntelligence,2005,128（5）:232-237.

[16]李業(yè)波.智能航空發(fā)動機性能退化緩解控制技術(shù)研究[D].南京：南京航空航天大學(xué)，2014.LI Yebo.Research on intelligent aeroengine performance deterioration mitigating control[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2014.(in Chinese)

[17]趙成偉，葉志峰，王繼強，等.渦扇發(fā)動機傳感器故障診斷的快速原型實時仿真[J]航空動力學(xué)報,2014,29（2）：451-457.ZHAO Chengwei,YE Zhifeng,WANG Jiqiang，et al.Rapid prototype real-time simulation of turbofan engine sensor fault diagnosis[J].Journal of Aerospace Power,2014,29（2）：451-457.(in Chinese)

Fault Diagnosis of Gas Path Sonsor for Turbofan Engine

YAO Wen-rong1,XU Tian-zhen2,ZHANG Hai-bo2
（1 China Aerospace Power Control System Research Institute,Wuxi Jiangsu 214063,China;2.Jiangsu Province Key Laboratory of Aerospace Power Systems,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China）

In order to diagnose malfunctioning turbofan engines'sensor,a corresponding fault diagnosis system was designed with the Online Sequential Extreme Learning(OS-ELM)algorithm.The core idea is that after finding some malfunction sensor,a predictive learning mechanism is applied to construct fault detection and isolation for the sensor.The fault diagnosis for multiple-sensor failures can be effectively solved by this mechanism.Meanwhile,the output layer weight vector of the algorithm net is updated selectively based on generalization capability,the method could significantly improve the really-time of fault diagnosis system.Simulations on a turbofan engine show that the diagnosis method of sensor faults could detect and isolate faults of single-sensor and double-sensor failures,which also prove the validity and feasibility of the algorithm.

online sequential extreme learning;turbofan engine;sensor;fault isolation;fault diagnosis；signal reconstruction

V 235.13

A

10.13477/j.cnki.aeroengine.2017.05.010

2017-03-07

姚文榮(1981),男，博士，工程師，研究方向為航空發(fā)動機控制及故障診斷；E-mail:272231671@qq.com。

姚文榮，徐田鎮(zhèn)，張海波.渦扇發(fā)動機氣路傳感器故障診斷[J].航空發(fā)動機，2017，43（5）：54-61.YAO Wenrong,XU Tianzhen,ZHANG Haibo.Fault diagnosis of gas path sonsor for turbofan engine[J].Aeroengine，2017，43（5）：54-61.

（編輯：李華文）