(中國飛行試驗研究院 發(fā)動機所，陜西 西安 710089)

航空發(fā)動機是一個復(fù)雜的氣動機械系統(tǒng)，由大量的靜止件、轉(zhuǎn)動件、傳動件組成。這些部件大多結(jié)構(gòu)復(fù)雜，且工作在高壓、高溫、高轉(zhuǎn)等惡劣工作環(huán)境下。作為飛機的心臟，航空發(fā)動機的工作穩(wěn)定性、可靠性對飛機的整體性能和飛行安全至關(guān)重要。

為了解決因發(fā)動機性能衰減和故障導(dǎo)致的飛機飛行性能衰減和災(zāi)難性故障，目前發(fā)動機逐步向智能化方向發(fā)展。智能發(fā)動機依靠傳感器數(shù)據(jù)、專家模型和二者的融合，可全面了解發(fā)動機狀態(tài)，實現(xiàn)發(fā)動機狀態(tài)監(jiān)視和管理的自動化、自動診斷和自我預(yù)測。航空發(fā)動機狀態(tài)監(jiān)視和故障診斷系統(tǒng)是智能發(fā)動機的關(guān)鍵技術(shù)之一[1]。

航空發(fā)動機飛行試驗需要按照國家和行業(yè)標準，在真實大氣環(huán)境和整體工況下對新研和改型發(fā)動機、配套新飛機的成熟發(fā)動機進行試驗。由于其工作穩(wěn)定性和可靠性還未完成充分驗證，因此相比服役和運行階段的發(fā)動機，其安全風(fēng)險更大，更需要加強安全監(jiān)控，嚴格控制試驗風(fēng)險。

排氣溫度是表征航空發(fā)動機健康狀態(tài)和決定發(fā)動機可用性的重要參數(shù)[2-3]，它對分析和控制發(fā)動機工作性能和故障診斷，以及確保工作可靠性意義重大。通過排氣溫度，可以對航空發(fā)動機工作異常、性能衰減、控制和監(jiān)視系統(tǒng)故障等進行有效監(jiān)控。因此排氣溫度監(jiān)控對航空發(fā)動機試飛安全監(jiān)控、被試發(fā)動機和試驗機技術(shù)狀態(tài)管理非常重要。

航空發(fā)動機排氣溫度測量通道故障是指由于測量通道電纜因破損搭接異常、接頭電纜插頭松動、測量通道元件失效等原因使得實測排氣溫度示值異常，但航空發(fā)動機工作正常的故障[4-5]。這類故障是一種比較常見的航空發(fā)動機測量系統(tǒng)故障。如果因為排氣溫度測量通道故障，使得實測排氣溫度不能反映發(fā)動機真實工作狀態(tài)，則存在不能及時發(fā)現(xiàn)試驗航空發(fā)動機排氣溫度超溫、喘振、異常停車等故障征兆，確定發(fā)動機工作是否正常的安全風(fēng)險，需要嚴格把控。

1 模糊邏輯與神經(jīng)網(wǎng)絡(luò)建模

1.1 模糊邏輯

模糊邏輯推理是建立在模糊邏輯基礎(chǔ)之上的，它是在二值邏輯三段論基礎(chǔ)上發(fā)展起來的一種不確定性推理方法，簡稱為模糊推理，或模糊邏輯。這種方法以模糊判斷為前提，運用模糊語言規(guī)則，推導(dǎo)出一個近似的模糊判斷結(jié)論。

模糊邏輯系統(tǒng)的一般結(jié)構(gòu)如圖1所示。

圖1 模糊邏輯系統(tǒng)的一般結(jié)構(gòu)

模糊邏輯系統(tǒng)實質(zhì)上是一個從論域U到論域V的非線性映射，一般由模糊化單元、模糊規(guī)則、模糊推理和反模糊化單元4個部分組成。模糊邏輯系統(tǒng)的處理對象是模糊信息，所以輸入信號x需要通過模糊化單元變換成U上的模糊集；模糊邏輯系統(tǒng)最終的輸出應(yīng)為明確的信息，所以需要由反模糊化單元將論域V上的模糊集轉(zhuǎn)化成確定信號y；模糊規(guī)則是模糊邏輯系統(tǒng)的核心部分，它由一組模糊推理規(guī)則組成，其基本形式為“if…then…”；模糊推理的作用是根據(jù)模糊規(guī)則，模擬人類基于模糊概念的推理過程，完成輸入模糊集和輸出模糊集之間的映射。

模糊邏輯被廣泛應(yīng)用于控制系統(tǒng)設(shè)計與實現(xiàn)[6-7]、狀態(tài)監(jiān)視與故障診斷[8-9]、系統(tǒng)辨識和建模[10-11]等領(lǐng)域。在燃氣渦輪發(fā)動機控制系統(tǒng)設(shè)計、故障診斷等方面，模糊推理/模糊邏輯也被普遍使用[10-12]。

1.2 神經(jīng)網(wǎng)絡(luò)建模

神經(jīng)網(wǎng)絡(luò)是由簡單處理單元構(gòu)成的大規(guī)模并行分布式處理器，天然地具有存儲經(jīng)驗知識和使之可用的特性。神經(jīng)網(wǎng)絡(luò)具有非線性、輸入輸出映射、自適應(yīng)性、證據(jù)響應(yīng)、上下文信息、容錯性、VLSI實現(xiàn)、分析和設(shè)計一致性、神經(jīng)生物類比等特點。神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域主要有：模式聯(lián)想、模式識別、函數(shù)逼近、控制等。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個多輸入/單輸出的非線性元件。如圖2所示為一般神經(jīng)元結(jié)構(gòu)示意圖，圖中pj(j=1,2,…,r)為輸入分量，r為輸入分量個數(shù)；wi為權(quán)值；b為偏差(或閾值或門限值)；∑表示對輸入分量與權(quán)值乘積和偏差求和；f(·)為激活函數(shù)；a為輸出。

圖2 神經(jīng)元模型

BP(反向傳播)網(wǎng)絡(luò)是在多層感知器的基礎(chǔ)上發(fā)展而來的，是將W-H規(guī)則一般化，對線性可微分函數(shù)進行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，其典型結(jié)構(gòu)如圖3所示。BP網(wǎng)絡(luò)的產(chǎn)生歸功于BP算法，該算法是一種監(jiān)督式的學(xué)習(xí)算法，其主要特點是信息的正向傳播和誤差的反向傳播，神經(jīng)網(wǎng)絡(luò)的權(quán)值和誤差的反向傳播是利用負梯度下降算法實現(xiàn)的。理論上，具有一個隱含層的BP神經(jīng)網(wǎng)絡(luò)可以逼近任意一個非線性系統(tǒng)，實現(xiàn)輸入與輸出參數(shù)之間的非線性映射。

圖3 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

一般來說，需要估計的參數(shù)模型按照其是否需要考慮輸入?yún)?shù)的動態(tài)變化過程可分為兩類：一類是用當前時刻的輸入?yún)?shù)估計當前時刻的輸出參數(shù)的穩(wěn)態(tài)參數(shù)模型，如式(1)表示；另一類是用輸入?yún)?shù)的當前時刻和當前時刻之前的歷史數(shù)據(jù)估計當前時刻的輸出參數(shù)的可表征系統(tǒng)動態(tài)變化過程的全狀態(tài)參數(shù)模型，如式(2)所示。

z(n) =f(x(n),y(n))

(1)

z(n)=g(x(n),y(n),y(n-1),…y(n-K))

(2)

x(n) =[x1(n),x2(n),…,xM(n)]T

(3)

y(n) =[y1(n),y2(n),…,yP(n)]T

(4)

z(n) =[z1(n),z2(n),…,zQ(n)]T

(5)

要用神經(jīng)網(wǎng)絡(luò)構(gòu)建如式(1)和式(2)所示的參數(shù)模型，則需要采用不同的模型構(gòu)建方法[13-15]。式(1)采用一般的曲線擬合的方法就可以實現(xiàn)，如圖4所示；式(2)則要采用系統(tǒng)識別的方法，如圖5所示。

圖4 參數(shù)神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)模型

圖5 參數(shù)神經(jīng)網(wǎng)絡(luò)全狀態(tài)模型

1.3 模糊邏輯與神經(jīng)網(wǎng)絡(luò)的融合

不難發(fā)現(xiàn)，模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)具有以下共通之處：均可以利用給定系統(tǒng)的輸入和輸出數(shù)據(jù)，建立系統(tǒng)的非線性映射關(guān)系；從處理方式來看，兩者均采用并行處理的結(jié)構(gòu)。但是通過詳細對比還是可以發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)也具有明顯的差異：神經(jīng)網(wǎng)絡(luò)具有較強的自學(xué)習(xí)能力，但從系統(tǒng)建模角度考慮，它是一個典型的黑箱型學(xué)習(xí)模式，其輸入和輸出關(guān)系很難用大家容易接受的方式表示出來；模糊系統(tǒng)建立在大家很容易接受的“if… then…”規(guī)則集表述方式之上，但其不具備自學(xué)習(xí)能力，隸屬函數(shù)和模糊規(guī)則生成和調(diào)整往往要依賴于領(lǐng)域?qū)＜摇Ｒ虼俗陨鲜兰o70年代中期開始，如何將模糊理論和神經(jīng)網(wǎng)絡(luò)有機結(jié)合起來，提高整個系統(tǒng)的學(xué)習(xí)能力和表達能力就成為了一個焦點問題。

神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的融合大致可以分為以下幾種情況：

① 松散型方式，即對于系統(tǒng)適合用模糊規(guī)則表示的用模糊系統(tǒng)描述，適合用神經(jīng)網(wǎng)絡(luò)表示的用神經(jīng)網(wǎng)絡(luò)系統(tǒng)描述，兩者之間沒有直接聯(lián)系，如文獻[16]；

② 以神經(jīng)網(wǎng)絡(luò)系統(tǒng)為主，模糊系統(tǒng)為輔的方式，即將常規(guī)神經(jīng)網(wǎng)絡(luò)的確定性輸入輸出參數(shù)用模糊變量代替，模糊推理過程用神經(jīng)網(wǎng)絡(luò)實現(xiàn)，如文獻[15]；

③ 以模糊系統(tǒng)為主，神經(jīng)網(wǎng)絡(luò)為輔的方式，即利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)必要的模糊系統(tǒng)輸入?yún)?shù)的前處理和輸出參數(shù)的后處理，如文獻[17]；

④ 神經(jīng)網(wǎng)絡(luò)和模糊邏輯的全面融合方式，如文獻[18]。

本文主要參考第3種方式構(gòu)建排氣溫度測量通道故障檢測方法。

2 排氣溫度測量通道故障自動檢測方法

排氣溫度測量通道故障的表現(xiàn)一般為：當航空發(fā)動機在特定狀態(tài)(例如爬升)穩(wěn)定工作時，其主要參數(shù)(例如油門桿角度、高壓轉(zhuǎn)速、低壓轉(zhuǎn)速)示值正常，但排氣溫度示值明顯偏小或偏大，如圖6所示。

圖6 典型排氣溫度測量通道故障參數(shù)變化情況

需要特別說明的是圖6中的所有參數(shù)均為歸一化處理后的數(shù)據(jù)。

從圖6可以看出，當編號為1的試驗發(fā)動機在某個狀態(tài)穩(wěn)定工作時，在油門桿Ф、高壓轉(zhuǎn)速n1、低壓轉(zhuǎn)速n2均沒有明顯的上升或下降的情況下，排氣溫度T5卻有一個非常明顯的大幅下降并回升至最初示值的過程。對比2發(fā)的T5，1發(fā)排氣溫度測量通道故障現(xiàn)象非常明顯。

針對前述排氣溫度測量通道故障的現(xiàn)象，考慮將模糊邏輯和神經(jīng)網(wǎng)絡(luò)建模技術(shù)融合起來，實現(xiàn)對該類故障的實時自動檢測(圖7)。

圖7 排氣溫度測量通道故障自動檢測方法

如圖7所示，T5測試通道故障通過利用一個模糊推理系統(tǒng)實現(xiàn)，其輸入?yún)?shù)為高壓轉(zhuǎn)速偏差Δn2、低壓轉(zhuǎn)速偏差Δn1和排氣溫度偏差ΔT5，輸出參數(shù)為表征T5測試通道故障狀態(tài)的離散變量ST5。

n2、n1、T5正常狀態(tài)輸出值n2s、n1s、T5s估計模型均采用神經(jīng)網(wǎng)絡(luò)實現(xiàn)。假設(shè)飛行狀態(tài)主要控制參數(shù)高度H、表速Vi，以及發(fā)動機狀態(tài)主要控制參數(shù)油門桿角度Ф、高壓轉(zhuǎn)子轉(zhuǎn)速n2，均具有較高的控制精度，因此偏差估計值估計神經(jīng)網(wǎng)絡(luò)模型采用如圖5所示的具有一定記憶功能的、精度更高的、考慮了Ф和n2歷史反饋信息的神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)。n1和T5采用圖4所示的一般神經(jīng)網(wǎng)絡(luò)參數(shù)估計模型實現(xiàn)。

3 故障自動檢測方法驗證

為了驗證圖7所述發(fā)動機排氣溫度測量通道故障自動檢測方法的實施效果，本節(jié)以某發(fā)動機試飛數(shù)據(jù)為基礎(chǔ)，利用Matlab實現(xiàn)了檢測算法，并利用該發(fā)動機某架次爬升階段的試飛數(shù)據(jù)對算法實施效果進行了檢驗。神經(jīng)網(wǎng)絡(luò)建模部分主要基于Matlab的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)，檢測故障模糊推理過程主要基于Matlab的模糊邏輯工具箱實現(xiàn)。

如圖7所示，要實現(xiàn)發(fā)動機排氣溫度測量通道故障自動檢測，首先需要建立高壓轉(zhuǎn)速n2、低壓轉(zhuǎn)速n1、排氣溫度T5的參數(shù)模型。綜合考慮某航空發(fā)動機技術(shù)特點和控制邏輯，以及高度H、表速Vi、油門桿角度Ф、高壓轉(zhuǎn)速n2、低壓轉(zhuǎn)速n1等相關(guān)參數(shù)的精度和穩(wěn)定性等問題，最終確定n2采用帶反饋的全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型、n1和T5采用一般的穩(wěn)態(tài)神經(jīng)網(wǎng)絡(luò)模型，如圖8～圖10所示。神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)、輸出參數(shù)、隱含層層數(shù)、隱含層神經(jīng)元個數(shù)等參數(shù)見表1。

圖8 n2神經(jīng)網(wǎng)絡(luò)模型

圖9 n1神經(jīng)網(wǎng)絡(luò)模型

圖10 T5神經(jīng)網(wǎng)絡(luò)模型

表1 3個神經(jīng)網(wǎng)絡(luò)模型主要參數(shù)

n2采用全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型，主要是考慮作為主要控制參數(shù)，n2的數(shù)據(jù)質(zhì)量比較高，跳點和毛刺干擾少，不會因為前續(xù)估計的n2(n-1)的誤差大而導(dǎo)致其誤差在時間維度向下傳播，影響后續(xù)n2(n+1)、n2(n+2)等的估計精度的情況；n1和T5采用穩(wěn)態(tài)神經(jīng)網(wǎng)絡(luò)模型，則主要是考慮n1和T5作為被控制參數(shù)，數(shù)據(jù)質(zhì)量較差，跳點和毛刺干擾較多，如采用全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型，n1和T5的估計誤差向下游傳播的可能性較大。n2、n1和T5訓(xùn)練及驗證情況如圖11～圖13所示。

圖11 n2神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗證情況

圖12 n1神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗證情況

圖13 T5神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗證情況

根據(jù)圖8和表1所示，除H(n)、Vi(n)、Ф(n)外，n2的神經(jīng)網(wǎng)絡(luò)模型將油門桿的歷史數(shù)據(jù)Ф(n-1)和高壓轉(zhuǎn)子轉(zhuǎn)速的歷史數(shù)據(jù)n2(n-1)也作為了其輸入?yún)?shù)，這主要是考慮到H、Vi、Ф、n2作為發(fā)動機的主要控制參數(shù)，穩(wěn)定性比較高；而且無論是n2(n)，還是n1(n)和T5(n)神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，其精度要求均比較高。從圖11可以看出，由n2全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型獲得T5估計值與實測值差別比較小，未超過0.0005(0.05%)。

從圖12和圖13可以看出，相比n2，n1和T5的神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)模型精度略差，n1估計值與實測值的偏差最大在0.004(0.4%)左右，T5估計值與實測值的偏差最大在0.008(0.8%)左右。

對比n2，n1和T5的估計結(jié)果，可以發(fā)現(xiàn)n2的精度要比n1和T5的精度高，這主要是因為n2的輸入?yún)?shù)數(shù)據(jù)質(zhì)量高、且采用了全狀態(tài)神經(jīng)網(wǎng)絡(luò)模型。但總體來說，n2，n1和T5的估計都沒有超過1%，可以滿足測試通道故障檢測要求。

T5測試通道故障算法的模糊推理模塊輸入?yún)?shù)Δn2、Δn1、ΔT5，輸出參數(shù)的隸屬函數(shù)ST5的類型、參數(shù)和參數(shù)取值如圖14、圖15和表2所示。隸屬函數(shù)選用了普遍使用的梯形，輸入?yún)?shù)分為小、偏小、正常、偏大、大共5個模糊等級；輸出參數(shù)分為正常、黃色告警、紅色告警共3個模糊等級。上述隸屬函數(shù)參數(shù)的取值是通過對試飛數(shù)據(jù)的統(tǒng)計分析獲得。

圖14 模糊推理模塊輸入?yún)?shù)隸屬函數(shù)

圖15 模糊推理模塊輸出參數(shù)隸屬函數(shù)

表2 模糊推理模塊輸入?yún)?shù)的隸屬函數(shù)參數(shù)取值

表3 模糊推理模塊輸出參數(shù)的隸屬函數(shù)參數(shù)取值

最后利用某航空動力裝置某架次爬升階段排氣溫度T5故障數(shù)據(jù)對故障自動檢測算法進行了驗證，結(jié)果如圖16所示。

圖16 某次故障數(shù)據(jù)分析結(jié)果

從圖16可以看出，在飛機姿態(tài)和發(fā)動機狀態(tài)保持不變的情況下，圖7所示的算法可以自動檢測T5明顯偏離正常值的情況。此外，算法自動檢測故障發(fā)生和結(jié)束時間也符合實際情況，且輸出穩(wěn)定連續(xù)，未出現(xiàn)突然跳變等情況。綜上可以確定，圖7給出的方法可以實現(xiàn)對航空發(fā)動機起飛階段排氣溫度測量通道故障的自動檢測，且具有良好的穩(wěn)定性。

4 結(jié)論

本文針對試飛中航空發(fā)動機試飛安全監(jiān)控、被試發(fā)動機和試驗機技術(shù)狀態(tài)管理需求背景，結(jié)合排故經(jīng)驗，給出了融合了相關(guān)參數(shù)神經(jīng)網(wǎng)絡(luò)建模和故障檢測模糊邏輯推理的航空發(fā)動機排氣溫度測量通道故障自動檢測算法，并利用試飛數(shù)據(jù)對故障檢測算法進行了驗證和分析，得出以下結(jié)論：

① 基于高壓轉(zhuǎn)子轉(zhuǎn)速偏差、低壓轉(zhuǎn)子轉(zhuǎn)速偏差、排氣溫度偏差的模糊推理系統(tǒng)可以實現(xiàn)對航空發(fā)動機排氣溫測量通道故障的實時自動檢測，檢測結(jié)果與實際情況一致，且具有良好的穩(wěn)定性；

② 基于試飛數(shù)據(jù)的高壓轉(zhuǎn)子轉(zhuǎn)速神經(jīng)網(wǎng)絡(luò)全狀態(tài)參數(shù)估計模型，以及基于試飛數(shù)據(jù)的低壓轉(zhuǎn)子轉(zhuǎn)速和排氣溫度神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)參數(shù)估計模型可以實現(xiàn)對高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、排氣溫度的參數(shù)建模，模型精度可以滿足航空發(fā)動機排氣溫度測量通道故障自動檢測要求；

③ 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本數(shù)據(jù)對高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、排氣溫度神經(jīng)網(wǎng)絡(luò)模型的精度影響比較大，在訓(xùn)練時需要根據(jù)訓(xùn)練結(jié)果及時進行調(diào)整；

④ 為了保證高壓轉(zhuǎn)子轉(zhuǎn)速偏差、低壓轉(zhuǎn)子轉(zhuǎn)速偏差、排氣溫度偏差、排氣溫度測量通道故障狀態(tài)隸屬函數(shù)的適用性，隸屬函數(shù)參數(shù)的確定需要通過對試飛數(shù)據(jù)統(tǒng)計分析的方法獲得，且統(tǒng)計樣本需要進行篩選和預(yù)處理。