肖俊彤

摘 要：以小涵道渦扇發(fā)動(dòng)機(jī)為研究對(duì)象，對(duì)某型小涵道渦扇發(fā)動(dòng)機(jī)的測(cè)量參數(shù)和健康參數(shù)進(jìn)行了分析，研究各參數(shù)的敏感性，結(jié)合實(shí)際情況選取了合適的故障診斷所需要的參數(shù)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的健康參數(shù)估計(jì)模型，對(duì)健康參數(shù)進(jìn)行了估計(jì)，估計(jì)結(jié)果準(zhǔn)確度較高。

關(guān)鍵詞：航空發(fā)動(dòng)機(jī);故障診斷;神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：V263 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2020）09-0141-04

1健康參數(shù)分析

1.1風(fēng)扇、壓氣機(jī)

風(fēng)扇作為發(fā)動(dòng)機(jī)氣體流道的第一個(gè)大部件，其功能為利用極速旋轉(zhuǎn)的葉片將空氣吸入發(fā)動(dòng)機(jī)，并對(duì)空氣做功提高氣體壓力，經(jīng)風(fēng)扇的空氣流量一部分流向外涵道，一部分流向壓氣機(jī)。由于風(fēng)扇正常工作時(shí)長(zhǎng)期處于高速運(yùn)動(dòng)狀態(tài)，受到離心力、氣動(dòng)力、振動(dòng)、腐蝕、外來(lái)物等惡劣工作環(huán)境的影響，其葉片發(fā)生故障的概率較大，常見(jiàn)的故障有葉片積垢、磨損、外來(lái)物損傷等。

壓氣機(jī)與風(fēng)扇類似，其功能為對(duì)風(fēng)扇出口氣體進(jìn)一步增壓，使其在進(jìn)入燃燒室前達(dá)到一個(gè)比較高的壓力值，一般來(lái)說(shuō)壓氣機(jī)轉(zhuǎn)速比風(fēng)扇還要高，工作條件更為惡劣，磨損、損傷等故障發(fā)生的概率大。

葉片積垢：空氣中含有多種雜質(zhì)，可能附著在葉片上，使葉片變得不光滑、表面增厚，造成流動(dòng)損失增加，流道面積減小，導(dǎo)致部件效率和流量下降。

葉片磨損：高速旋轉(zhuǎn)使得葉片磨損、葉尖間隙逐漸增大，空氣回流量增大，導(dǎo)致部件流量和效率下降。

外來(lái)物損傷：冰塊、鳥(niǎo)類等外來(lái)物撞擊造成葉片損傷，根據(jù)損傷的嚴(yán)重程度，部件特效隨之改變。已發(fā)表的吞冰、吞鳥(niǎo)試驗(yàn)結(jié)構(gòu)表明，次類損傷多數(shù)為流量、效率下降。

1.2高壓渦輪、低壓渦輪

渦輪部件將燃燒室后的高溫、高壓燃?xì)鈩?shì)能轉(zhuǎn)化為機(jī)械能，其長(zhǎng)期工作與高溫、高壓和高轉(zhuǎn)速的環(huán)境中，工作環(huán)境最為惡劣，需要采用特殊的結(jié)構(gòu)、材料和冷卻系統(tǒng)，其發(fā)生故障的概率居高不下。常見(jiàn)故障有葉片積垢、磨損和燒蝕等。

葉片積垢：燃燒過(guò)程不可避免的存在燃燒不充分的情況，容易在葉片上形成積碳，導(dǎo)致流通性下降，部件效率、流量降低。

葉片磨損、燒蝕：氣流和燃?xì)庵械墓腆w顆粒對(duì)葉片沖擊或者高溫燃?xì)鉄g，造成葉片損傷，導(dǎo)致流通面積增大，使得部件流量變大，效率下降。

2健康參數(shù)選擇

進(jìn)氣道壓力恢復(fù)系數(shù)偏差可以直接監(jiān)視得到，結(jié)合本文研究對(duì)象，發(fā)動(dòng)機(jī)部件氣路故障及其征兆如表1[1-4]。故本文選擇研究的健康參數(shù)為風(fēng)扇、壓氣機(jī)、高壓渦輪和低壓渦輪4個(gè)關(guān)鍵部件的流量和效率性能蛻化。

3測(cè)量參數(shù)分析

氣路測(cè)量參數(shù)越多，越能全面反映發(fā)動(dòng)機(jī)的狀態(tài)。但是受到溫度、振動(dòng)、傳感器安裝位置和重量等的限制，只能有側(cè)重地選擇某些參數(shù)，如溫度、壓力等進(jìn)行測(cè)量。因此有必要對(duì)參數(shù)的選擇進(jìn)行分析，在選取測(cè)量參數(shù)時(shí)要遵守幾個(gè)原則：（1）能夠準(zhǔn)確地反映發(fā)動(dòng)機(jī)狀態(tài);（2）對(duì)故障征兆敏感，可以準(zhǔn)確反映故障現(xiàn)象;（3）測(cè)量參數(shù)之間的相關(guān)性小。

根據(jù)發(fā)動(dòng)機(jī)的部件級(jí)模型初步選取出測(cè)量參數(shù)，然后根據(jù)敏感性分析和相關(guān)性分析，力求選出少量的測(cè)量參數(shù)達(dá)到好的診斷結(jié)果。

對(duì)健康參數(shù)變化敏感的測(cè)量參數(shù)才能反映健康參數(shù)的實(shí)際變化，進(jìn)而準(zhǔn)確地反映故障現(xiàn)象，因此以測(cè)量參數(shù)對(duì)健康參數(shù)的敏感性大小為依據(jù)進(jìn)行選擇。氣路性能測(cè)量參數(shù)可通過(guò)分析特定氣路故障的原理進(jìn)行狀態(tài)量猜測(cè)，但基于模型計(jì)算分析的方法往往更具有理論支持。根據(jù)氣路分析技術(shù)，利用小偏差原理，可以計(jì)算出健康參數(shù)偏差和測(cè)量參數(shù)偏差之間的影響系數(shù)矩陣。

基于某型航空發(fā)動(dòng)機(jī)部件級(jí)模型，通過(guò)數(shù)值計(jì)算，可以得到某型航空發(fā)動(dòng)在設(shè)計(jì)工況下的影響系數(shù)矩陣，具體數(shù)值見(jiàn)表2，該系數(shù)矩陣反應(yīng)了測(cè)量參數(shù)對(duì)健康參數(shù)的敏感性。

4測(cè)量參數(shù)選擇

由表2可以看出：

（1）風(fēng)扇流量對(duì)低壓轉(zhuǎn)速較敏感;風(fēng)扇效率對(duì)測(cè)量參數(shù)的敏感性都較低，其中對(duì)P21最敏感。T21對(duì)包括風(fēng)扇在內(nèi)的健康參數(shù)變化都不敏感，但對(duì)低壓渦輪和低壓壓氣機(jī)的健康參數(shù)變化有比較敏感的反映，本文選擇不測(cè)量T21。

（2）在高壓壓氣機(jī)中，對(duì)于壓氣機(jī)流量，幾乎所有的參數(shù)都不是很敏感。壓氣機(jī)葉片結(jié)垢、葉頂間隙增大會(huì)導(dǎo)致壓氣機(jī)流量變化，考慮故障監(jiān)測(cè)診斷的需要，保留相對(duì)較敏感的幾個(gè)參數(shù)：P4、P3和N2（按敏感度從大到小排序，取影響系數(shù)絕對(duì)值>=0.25）;壓氣機(jī)效率對(duì)于T4、P43、T5都較敏感。T3對(duì)包括高壓壓氣機(jī)自身在內(nèi)的健康參數(shù)變化都不敏感，所以不測(cè)量該參數(shù)。

（3）在高壓渦輪中，高壓我來(lái)流量對(duì)于P4、P3非常敏感;高壓渦輪效率對(duì)于P3、T43、P43和T5都較敏感。結(jié)合測(cè)量參數(shù)的測(cè)量難度，因T43、P43測(cè)量難度非常大，實(shí)際發(fā)動(dòng)機(jī)一般未測(cè)量，采用溫度相對(duì)較低且對(duì)高壓渦輪性能量變化也較敏感的P3、P5、T5而不測(cè)量T45和P45。

（4）在低壓渦輪中，低壓渦輪流量對(duì)于P21、P43;低壓渦輪效率對(duì)于幾乎所有參數(shù)都不是很敏感，考慮到診斷需要，保留相對(duì)較敏感的參數(shù)P21、P3。

綜合考慮測(cè)量參數(shù)、健康參數(shù)的敏感性和測(cè)量參數(shù)的測(cè)量難度，本文選擇測(cè)量參數(shù)為P21、P3、T5、P5、N1和N2，其中高壓渦輪流量影響因素較大的參數(shù)僅有P3，后續(xù)對(duì)高壓渦輪流量的估計(jì)過(guò)程中受P3的影響大。

5基于BP神經(jīng)網(wǎng)絡(luò)的健康參數(shù)估計(jì)

Kohonen在1988年對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行定義：由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互聯(lián)的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反映。

神經(jīng)網(wǎng)絡(luò)最基本的成分是神經(jīng)元模型，1943年，McCulloch and Pitts提出了沿用至今的“M-P神經(jīng)元模型”，每個(gè)神經(jīng)元接收到許多個(gè)其他神經(jīng)元傳遞過(guò)來(lái)的輸入信號(hào)，并通過(guò)權(quán)重對(duì)接收到的信號(hào)進(jìn)行整合，接受的總輸入值與神經(jīng)元設(shè)置的閥值進(jìn)行比較，并通過(guò)“激活函數(shù)”處理產(chǎn)生神經(jīng)元的輸出信號(hào)，將許多個(gè)這樣的神經(jīng)元按一定的層次結(jié)構(gòu)連接起來(lái)，就得到了神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)有著很強(qiáng)的非線性擬合能力，能以任意精度逼近非線性連續(xù)函數(shù)[5]，十分適合發(fā)動(dòng)機(jī)非線性模型的擬合。