尤黎明

摘要：航空發(fā)動(dòng)機(jī)工作時(shí)軸承和齒輪等傳動(dòng)部件相互摩擦產(chǎn)生的金屬屑會(huì)隨著潤(rùn)滑系統(tǒng)流入滑油箱、附件機(jī)匣等部位，而不同工作狀態(tài)與環(huán)境造成的磨損程度不同，因此滑油中金屬含量一定程度上可反映發(fā)動(dòng)機(jī)的磨損狀態(tài)。以某型航空發(fā)動(dòng)機(jī)的試飛數(shù)據(jù)與滑油光譜數(shù)據(jù)為基礎(chǔ)，通過(guò)分析潤(rùn)滑系統(tǒng)運(yùn)行機(jī)理，確定了滑油金屬含量的主要影響因素，采用信息擴(kuò)散結(jié)合支持向量機(jī)的方法建立了滑油金屬含量預(yù)測(cè)模型，解決了小樣本數(shù)據(jù)限制的問(wèn)題。模型預(yù)測(cè)結(jié)果的相對(duì)誤差不大于5.7%，能夠滿足實(shí)際工程的精度需求，所建立的滑油金屬含量預(yù)測(cè)模型對(duì)航空發(fā)動(dòng)機(jī)磨損故障有積極的預(yù)防作用。

關(guān)鍵詞：滑油金屬含量預(yù)測(cè)；試飛數(shù)據(jù)；信息擴(kuò)散；支持向量機(jī)；小樣本數(shù)據(jù)

中圖分類號(hào)：V317.1文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19452/j.issn1007-5453.2022.05.002

在高溫、高速、高振動(dòng)的惡劣環(huán)境下工作，航空發(fā)動(dòng)機(jī)的軸承、齒輪等傳動(dòng)部件會(huì)承受較大的載荷，容易發(fā)生磨損故障，嚴(yán)重影響發(fā)動(dòng)機(jī)的安全工作。據(jù)統(tǒng)計(jì)，80%的航空發(fā)動(dòng)機(jī)故障與磨損有著直接或間接的聯(lián)系，更是早期故障的最主要原因[1]。因此，航空發(fā)動(dòng)機(jī)都設(shè)有循環(huán)工作的潤(rùn)滑系統(tǒng)對(duì)磨損部位進(jìn)行潤(rùn)滑，以減少磨損程度。而潤(rùn)滑油在發(fā)動(dòng)機(jī)中循環(huán)使用的過(guò)程中，流經(jīng)磨損部位后將摩擦所產(chǎn)生的金屬屑等磨損微粒溶入滑油中，攜帶了發(fā)動(dòng)機(jī)零部件磨損的重要信息?？赏ㄟ^(guò)光譜技術(shù)對(duì)航空發(fā)動(dòng)機(jī)潤(rùn)滑油中的金屬含量進(jìn)行檢測(cè)和分析，掌握發(fā)動(dòng)機(jī)內(nèi)部諸如軸承、齒輪、花鍵等傳動(dòng)部件與摩擦部件的磨損情況，有助于發(fā)現(xiàn)潤(rùn)滑部件的早期損傷，視情開(kāi)展相應(yīng)的檢查和維護(hù)，消除潛在隱患[2]。因此，對(duì)滑油金屬屑的監(jiān)測(cè)是保障航空發(fā)動(dòng)機(jī)運(yùn)行安全的重要手段之一。

目前，國(guó)內(nèi)針對(duì)航空發(fā)動(dòng)機(jī)滑油金屬含量預(yù)測(cè)技術(shù)的研究主要集中在發(fā)動(dòng)機(jī)地面試驗(yàn)以及對(duì)滑油光譜序列數(shù)據(jù)本身的分析等方面，如丁剛等[3]提出了一種基于Elman過(guò)程神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，對(duì)滑油光譜歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)。尉詢楷等[4]提出了一種基于支持向量機(jī)的發(fā)動(dòng)機(jī)滑油預(yù)測(cè)模型，利用支持向量回歸對(duì)滑油光譜數(shù)據(jù)的時(shí)間序列進(jìn)行多步預(yù)測(cè)。李本威等[5]提出了一種基于克隆選擇的免疫粒子群優(yōu)化算法，改善了滑油金屬屑預(yù)測(cè)模型的預(yù)測(cè)精度。曾力等[6]通過(guò)建立粒子散射模型，優(yōu)化了基于支持向量回歸機(jī)的滑油金屬含量預(yù)測(cè)模型，提高了預(yù)測(cè)精度。以上研究將滑油光譜數(shù)據(jù)視為時(shí)間序列進(jìn)行分析，但由于數(shù)據(jù)的隨機(jī)性、離散性和強(qiáng)耦合性等限制因素，較少考慮飛機(jī)以及發(fā)動(dòng)機(jī)的不同工作狀態(tài)和工作環(huán)境對(duì)發(fā)動(dòng)機(jī)磨損的影響。

而在飛行過(guò)程中，飛機(jī)的特技飛行等大機(jī)動(dòng)動(dòng)作往往伴隨著法向過(guò)載的大幅度變化，發(fā)動(dòng)機(jī)工作狀態(tài)也會(huì)頻繁變化，從而對(duì)發(fā)動(dòng)機(jī)內(nèi)部摩擦部件與潤(rùn)滑系統(tǒng)的平衡產(chǎn)生影響，最終造成了潤(rùn)滑部件的不同程度磨損。傳動(dòng)部件所產(chǎn)生的疲勞裂紋通常不易察覺(jué)，采用滑油光譜技術(shù)可在一定程度上進(jìn)行監(jiān)測(cè)[7]。因此，需要考慮飛機(jī)以及發(fā)動(dòng)機(jī)的工作狀態(tài)及環(huán)境的變化，有必要建立滑油金屬含量預(yù)測(cè)模型，以實(shí)現(xiàn)對(duì)滑油系統(tǒng)工作狀態(tài)的健康監(jiān)測(cè)。

本文提出了一種基于試飛數(shù)據(jù)的滑油金屬含量預(yù)測(cè)方法，采用信息擴(kuò)散結(jié)合支持向量機(jī)建立預(yù)測(cè)模型，將飛機(jī)與發(fā)動(dòng)機(jī)的試飛數(shù)據(jù)進(jìn)行分析與處理，作為預(yù)測(cè)模型輸入數(shù)據(jù)，進(jìn)行滑油金屬屑含量預(yù)測(cè)研究。由于航空發(fā)動(dòng)機(jī)內(nèi)部摩擦部件材料的元素成分主要以鐵、鋁、銅（Fe、Al、Cu）為主，其中Fe元素占比較大，如在齒輪以及軸承中的質(zhì)量分?jǐn)?shù)可超過(guò)70%[8]，本文以滑油中Fe元素為對(duì)象，建立金屬含量預(yù)測(cè)模型。在實(shí)際試飛中，由于單個(gè)飛行日只進(jìn)行一次滑油光譜檢測(cè)，光譜分析樣本量較小，通過(guò)采用信息擴(kuò)散方法對(duì)數(shù)據(jù)樣本進(jìn)行模糊處理，擴(kuò)散后的數(shù)據(jù)在一定程度上彌補(bǔ)了小樣本的不完備性等缺陷，改善了數(shù)據(jù)樣本的質(zhì)量，提高了模型的預(yù)測(cè)精度。計(jì)算表明，該模型具有較好的預(yù)測(cè)精度，為發(fā)動(dòng)機(jī)滑油金屬含量的預(yù)測(cè)提供了有效的技術(shù)手段。

1模型參數(shù)分析

1.1航空發(fā)動(dòng)機(jī)滑油系統(tǒng)機(jī)理分析

航空發(fā)動(dòng)機(jī)在運(yùn)行過(guò)程中會(huì)對(duì)軸承、齒輪、花鍵等摩擦部件造成磨損，由于航空發(fā)動(dòng)機(jī)一般采用循環(huán)潤(rùn)滑系統(tǒng)，因此磨損產(chǎn)生的金屬屑會(huì)隨潤(rùn)滑油流入滑油箱中，而飛機(jī)與發(fā)動(dòng)機(jī)所處的工作狀態(tài)與工作環(huán)境變化會(huì)導(dǎo)致磨損程度不同。滑油中的金屬含量可在一定程度上反映磨損程度。所以可通過(guò)對(duì)試飛數(shù)據(jù)的分析，以及發(fā)動(dòng)機(jī)滑油系統(tǒng)的工作原理與特點(diǎn)來(lái)確定預(yù)測(cè)模型的輸入?yún)?shù)。

航空發(fā)動(dòng)機(jī)常規(guī)滑油系統(tǒng)簡(jiǎn)圖如圖1所示，系統(tǒng)包括供油、回油和通風(fēng)三個(gè)主要部分。發(fā)動(dòng)機(jī)運(yùn)作時(shí)供油泵將滑油箱內(nèi)的滑油抽出并加壓，再經(jīng)滑油濾過(guò)濾后分成若干油路送往各軸承及傳動(dòng)部件進(jìn)行潤(rùn)滑和散熱；潤(rùn)滑過(guò)后含有大量空氣的高溫滑油經(jīng)回油泵抽取，進(jìn)入油氣分離器，最終返回滑油箱；由于滑油因受熱而部分汽化、滑油噴嘴的噴射、飛濺以及部分壓縮空氣可能經(jīng)封油裝置進(jìn)入滑油系統(tǒng)內(nèi)形成大量滑油蒸氣，導(dǎo)致滑油潤(rùn)滑、冷卻效果變差，因此需經(jīng)通風(fēng)部分將這些蒸氣引出[9]。

1.2模型參數(shù)的優(yōu)化和確定

通過(guò)以上分析可知，供油路以及各軸承與傳動(dòng)部件本身狀態(tài)是影響滑油中金屬含量的主要因素。主要影響因素如下。

（1）滑油壓差?；捅媒M中設(shè)置有調(diào)壓閥，用來(lái)調(diào)節(jié)供油壓力和軸承腔腔壓之差（即滑油壓差），滑油壓差過(guò)小會(huì)導(dǎo)致系統(tǒng)潤(rùn)滑不良，加劇傳動(dòng)部件磨損[10]，可用滑油壓差表征供油路對(duì)系統(tǒng)潤(rùn)滑效果的影響。

（2）滾轉(zhuǎn)角與法向過(guò)載。飛行過(guò)程中飛機(jī)進(jìn)行特技飛行等大機(jī)動(dòng)動(dòng)作會(huì)導(dǎo)致發(fā)動(dòng)機(jī)內(nèi)部潤(rùn)滑部件潤(rùn)滑環(huán)境受到影響，破壞潤(rùn)滑系統(tǒng)與摩擦部件的平衡，從而加劇磨損。同時(shí)，也會(huì)影響滑油箱、供油管路與滑油噴嘴的相對(duì)位置，惡化潤(rùn)滑環(huán)境，可采用滾轉(zhuǎn)角與法向過(guò)載來(lái)表征飛行時(shí)機(jī)動(dòng)動(dòng)作的劇烈程度對(duì)摩擦部件潤(rùn)滑環(huán)境的影響。

（3）慢車(chē)狀態(tài)與高壓轉(zhuǎn)子轉(zhuǎn)速。發(fā)動(dòng)機(jī)狀態(tài)也是影響磨損程度的重要因素之一，飛行過(guò)程中發(fā)動(dòng)機(jī)處于慢車(chē)狀態(tài)時(shí)，由于滑油泵等附件直接由高壓轉(zhuǎn)子傳動(dòng)，因此滑油系統(tǒng)的供油條件會(huì)相應(yīng)減弱，而此時(shí)發(fā)動(dòng)機(jī)高低壓轉(zhuǎn)子依舊在高速轉(zhuǎn)動(dòng)，與軸承產(chǎn)生摩擦，加劇磨損。因此，可選擇發(fā)動(dòng)機(jī)慢車(chē)狀態(tài)及高壓轉(zhuǎn)子轉(zhuǎn)速來(lái)表征發(fā)動(dòng)機(jī)狀態(tài)對(duì)系統(tǒng)磨損程度的影響。DBD5324D-343E-460F-8FEF-EE2D0E285685

基于以上分析結(jié)論，初步確定了以飛機(jī)法向過(guò)載、主管路滑油壓差、滾轉(zhuǎn)角改變大于±30°的次數(shù)、滾轉(zhuǎn)角改變的持續(xù)時(shí)間、發(fā)動(dòng)機(jī)慢車(chē)狀態(tài)持續(xù)時(shí)間，以及高壓轉(zhuǎn)子轉(zhuǎn)速作為建模所需的輸入?yún)?shù)，以滑油中Fe含量作為輸出參數(shù)進(jìn)行建模研究。

為了驗(yàn)證所選參數(shù)的正確性和合理性，采用平均影響值（mean impact value，MIV）算法對(duì)預(yù)測(cè)模型所用參數(shù)進(jìn)行了敏感性分析。

MIV算法原理為：在模型訓(xùn)練結(jié)束后將訓(xùn)練樣本P中的每一個(gè)自變量特征在其原值基礎(chǔ)上分別加和減10%構(gòu)成兩組新的訓(xùn)練樣本P1和P2，使用模型對(duì)這兩組樣本進(jìn)行仿真，得到兩組仿真結(jié)果A1和A2，求出A1和A2的差值，即為變動(dòng)該自變量后對(duì)輸出產(chǎn)生的影響變化值（impact value，IV），最后將IV按觀測(cè)例數(shù)平均得出該自變量對(duì)于因變量即模型輸出的MIV。依次算出各自變量的MIV值，即可得到各自變量對(duì)網(wǎng)絡(luò)輸出的影響程度大小?；凸庾VFe元素含量預(yù)測(cè)模型相關(guān)參數(shù)的MIV值如圖2所示。

從圖2中可看出：參數(shù)1～8對(duì)模型輸出的影響程度明顯高于參數(shù)9～13。表明MIV算法參數(shù)敏感性分析結(jié)果與前文所述參數(shù)分析結(jié)果一致，證明了通過(guò)對(duì)發(fā)動(dòng)機(jī)滑油系統(tǒng)工作原理及發(fā)動(dòng)機(jī)工作分析確定影響滑油金屬含量方法的可行性。

1.3建模所用數(shù)據(jù)

建模采用的數(shù)據(jù)樣本來(lái)源于某型發(fā)動(dòng)機(jī)不同工況下的試飛數(shù)據(jù)和滑油光譜檢測(cè)數(shù)據(jù)，發(fā)動(dòng)機(jī)數(shù)據(jù)涵蓋了飛行包線的大部分范圍，相關(guān)參數(shù)的最小值和最大值見(jiàn)表1。

2信息擴(kuò)散方法

由于滑油金屬屑樣本數(shù)量較少，屬于小樣本問(wèn)題，而小樣本問(wèn)題的實(shí)質(zhì)是信息不足，不能反映整個(gè)樣本空間的分布情況。

信息擴(kuò)散是一種對(duì)樣本進(jìn)行集值化的模糊數(shù)學(xué)處理方法，可以將單值樣本變成集值樣本。信息擴(kuò)散的原理是當(dāng)用不完備的數(shù)據(jù)估計(jì)一種關(guān)系時(shí)，一定存在合理的擴(kuò)散方式將觀測(cè)值變?yōu)槟：?，以填充由?shù)據(jù)不完備性造成的部分缺陷，從而改進(jìn)非擴(kuò)散估計(jì)[11]，以改進(jìn)或優(yōu)化建模數(shù)據(jù)樣本的質(zhì)量或提升預(yù)測(cè)模型的性能。對(duì)數(shù)據(jù)的擴(kuò)散是通過(guò)擴(kuò)散函數(shù)實(shí)現(xiàn)的，其中最常用的擴(kuò)散函數(shù)是正態(tài)擴(kuò)散函數(shù)

3支持向量機(jī)回歸模型

支持向量機(jī)（SVM）于1995年被正式提出，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論中的風(fēng)險(xiǎn)最小化原則的機(jī)器學(xué)習(xí)算法。它一開(kāi)始是針對(duì)二分類任務(wù)所設(shè)計(jì)，采用核函數(shù)的方法將樣本從原始空間映射到一個(gè)更高維的特征空間，使得樣本在高維特征空間內(nèi)線性可分[12]。

每個(gè)子集Di都通過(guò)從D中分層采樣得到。然后每次用k - 1個(gè)子集的并集作為訓(xùn)練集，余下的子集作為測(cè)試集，可獲得k組訓(xùn)練集，從而可進(jìn)行k次訓(xùn)練和測(cè)試，最終返回k次測(cè)試結(jié)果的均值。K折交叉驗(yàn)證可以有效地避免模型過(guò)學(xué)習(xí)以及欠學(xué)習(xí)狀態(tài)的發(fā)生，最后得到的結(jié)果也比較具有說(shuō)服力。K折交叉驗(yàn)證的示意圖如圖3所示。

5試驗(yàn)驗(yàn)證

采用某型航空發(fā)動(dòng)機(jī)滑油光譜中Fe元素含量的增量以及相應(yīng)的試飛數(shù)據(jù)共20組數(shù)據(jù)作為樣本集，其中前16組為訓(xùn)練數(shù)據(jù)，后4組為預(yù)測(cè)數(shù)據(jù)。

第一步，對(duì)原始樣本數(shù)據(jù)進(jìn)行歸一化處理，采用最大最小法將數(shù)據(jù)歸一化到[0，1]區(qū)間內(nèi)；第二步，采用信息擴(kuò)散原理將歸一化后的樣本集進(jìn)行擴(kuò)充，其中監(jiān)測(cè)集U也選擇為[0，1]區(qū)間，間距為0.2，將原16組樣本擴(kuò)充為模糊集中的96組；第三步，建立支持向量回歸預(yù)測(cè)模型，如前所述，選擇高斯徑向基函數(shù)作為核函數(shù)，采用K折交叉驗(yàn)證法來(lái)選取回歸模型的最佳參數(shù)c和g來(lái)優(yōu)化模型的預(yù)測(cè)性能，先進(jìn)行粗略的尋找，觀測(cè)粗略尋找的結(jié)果后再進(jìn)行精細(xì)選擇，圖4、圖5為粗略與精細(xì)尋找的結(jié)果圖；最后，將預(yù)測(cè)集樣本輸入模型中測(cè)試其泛化能力。

模型的訓(xùn)練與預(yù)測(cè)結(jié)果如圖6所示，圖中虛線左側(cè)為進(jìn)行信息擴(kuò)散后的訓(xùn)練樣本，右側(cè)為4組預(yù)測(cè)樣本結(jié)果，可看出實(shí)際預(yù)測(cè)結(jié)果較為準(zhǔn)確。

表2對(duì)未采用信息擴(kuò)散方法的原始樣本預(yù)測(cè)結(jié)果與進(jìn)行擴(kuò)散后的樣本預(yù)測(cè)結(jié)果進(jìn)行了比較?？梢钥闯觯催M(jìn)行信息擴(kuò)散前的原始樣本訓(xùn)練的模型的預(yù)測(cè)結(jié)果平均相對(duì)誤差為18.4%，而采用信息擴(kuò)散方法后的平均相對(duì)誤差為5.7%，其他如平均平方誤差（MSE）、平方相關(guān)系數(shù)等參數(shù)指標(biāo)均有較大的提升。這表明了采用信息擴(kuò)散與支持向量機(jī)進(jìn)行結(jié)合的方法的可行性與有效性。

6結(jié)論

通過(guò)研究，可以得出以下結(jié)論：

（1）本文通過(guò)對(duì)發(fā)動(dòng)機(jī)滑油系統(tǒng)工作原理與實(shí)際試飛數(shù)據(jù)的分析，總結(jié)出影響滑油金屬含量的主要因素來(lái)自飛機(jī)的機(jī)動(dòng)動(dòng)作以及滑油系統(tǒng)的工作狀態(tài)兩方面。

（2）本文結(jié)合信息擴(kuò)散原理與支持向量回歸方法建立滑油金屬含量預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果較好，能夠滿足實(shí)際工程的精度需求，表明了在小樣本情況下采用信息擴(kuò)散原理建立預(yù)測(cè)模型的可行性與有效性。DBD5324D-343E-460F-8FEF-EE2D0E285685

參考文獻(xiàn)

[1]吳振鋒，左洪福.航空發(fā)動(dòng)機(jī)磨損故障分析及診斷技術(shù)評(píng)述[J].航空工程與維修，2002（6）：42-43. Wu Zhenfeng， Zuo Hongfu. The commentary of the wearing faults analysis and diagnosis technology of aero-engine[J]. Aviation Maintenance and Engineering， 2002（6）： 42-43. （in Chinese）

[2]曲昌琦，周銳，杜寶，等.航空裝備故障預(yù)測(cè)與健康管理的數(shù)據(jù)體系研究[J].航空科學(xué)技術(shù)，2020，31（12）：61-67. Qu Changqi， Zhou Rui， Du Bao， et al. Research on PHM data system architecture for aviation equipment[J]. Aeronautical Science & Technology， 2020， 31（12）： 61-67. （in Chinese）

[3]丁剛，鐘詩(shī)勝，欒圣罡.航空發(fā)動(dòng)機(jī)滑油金屬含量預(yù)測(cè)及其控制研究[J].潤(rùn)滑與密封，2006（9）：52-54. Ding Gang， Zhong Shisheng， Luan Shenggang. Research on aeroenginelubricatingoilmetalelementconcentration prediction and its control[J]. Lubrication Engineering， 2006（9）： 52-54. （in Chinese）

[4]尉詢楷，李應(yīng)紅，王碩，等.基于支持向量機(jī)的航空發(fā)動(dòng)機(jī)滑油監(jiān)控分析[J].航空動(dòng)力學(xué)報(bào)，2004，19（3）：392-397. Wei Xunkai， Li Yinghong， Wang Shuo， et al. Aeroengine lubrication monitoring analysis via support vector machines[J]. Journal ofAerospace Power， 2004， 19（3）： 392-397. （in Chinese）

[5]李本威，張赟，孫濤.基于免疫粒子群算法的滑油屑末支持向量機(jī)預(yù)測(cè)模型設(shè)計(jì)[J].航空動(dòng)力學(xué)報(bào)，2009，24（7）：1639-1643.Li Benwei， Zhang Yun， Sun Tao. Design of forecasting model for aero-engine lubrication debris support vector machines based on immune-particle swarm optimization algorithm[J]. Journal of Aerospace Power， 2009， 24（7）： 1639-1643. （in Chinese）

[6]曾力，龍偉.基于SVR的航空發(fā)動(dòng)機(jī)滑油金屬含量預(yù)測(cè)方法[J].四川大學(xué)學(xué)報(bào)，2016，48（2）：161-164. Zeng Li， Long Wei. Prediction method of metal content of aero engine lubricating oil based on SVR[J]. Journal of Sichuan University， 2016， 48（2）： 161-164. （in Chinese）

[7]袁慎芳，李曉泉，陳健.疲勞裂紋擴(kuò)展的卷積神經(jīng)網(wǎng)絡(luò)辨識(shí)[J].航空科學(xué)技術(shù)，2020，31（7）：64-71. Yuan Shenfang， Li Xiaoquan， Chen Jian. Convolutional neural network based fatigue crack growth identification[J]. Aero nautical Science & Technology， 2020，31（7）： 64-71.（in Chinese）

[8]陳果.航空發(fā)動(dòng)機(jī)磨損故障的智能融合診斷[J].中國(guó)機(jī)械工程，2005，16（4）：299-306. Chen Guo. Intelligent fusion diagnosis of aeroengine wear faults[J]. China Mechanical Engineering， 2005， 16（4）： 299- 306. （in Chinese）

[9]張帥.基于滑油分析的航空發(fā)動(dòng)機(jī)磨損監(jiān)測(cè)技術(shù)研究[D].沈陽(yáng)：沈陽(yáng)航空航天大學(xué)，2012. Zhang Shuai. Research on technologies of aeroengine wear monitoring based on lubrication oil analysis[D]. Shenyang： ShenyangAerospace University， 2012. （in Chinese）

[10]許艷芝，李志鵬，郭政波.某型渦扇發(fā)動(dòng)機(jī)滑油壓差異常故障分析[J].科學(xué)技術(shù)與工程，2019，19（17）： 341-346. Xu Yanzhi， Li Zhipeng， Guo Zhengbo. Failure analysis of abnormal oil pressure difference drop for a turbofan engine[J]. Science Technology and Engineering， 2019， 19（17）： 341-346.（in Chinese）DBD5324D-343E-460F-8FEF-EE2D0E285685

[11]Huang C F. Principle of information diffusion[J]. Fuzzy Sets and Systems，1997，91（1）：69-90.

[12]周志華.機(jī)器學(xué)習(xí)[M.北京：清華大學(xué)出版社，2016. ZhouZhihua.Machinelearning[M].Beijing：Tsinghua University Press， 2016. （in Chinese）

A Method for Predicting Lubricating Oil Metal Element of Aero-Engine Based on Flight Test Data

You Liming

Chinese Flight Test Establishment，Xian 710089，China

Abstract： When the aero-engine works， the metal scraps produced by the friction between the transmission parts such as bearings and gears will flow into the lubricating oil tank， accessory casing and other parts along with the lubrication system， and the degree of wear caused by different working conditions and environments is different， so the metal content in the lubricating oil can reflect the wear state of the engine to some extent. Based on the flight test data and oil spectrum data of an aero-engine， the main influencing factors of oil metal content are determined by analyzing the operation mechanism of the lubrication system. The prediction model of oil metal content is established by using the method of information diffusion combined with support vector machine， which solves the problem of limited small sample data. The relative error of the prediction result of the model is less than 5.7%， which can meet the precision requirement of practical engineering. The established prediction model of lubricating oil metal content has positive preventive effect on aero-engine wear fault.

Key Words： lubricating oil metal element prediction； flight test data； information diffusion； support vector machine； small sample dataDBD5324D-343E-460F-8FEF-EE2D0E285685