曹明,黃金泉,周健,陳雪峰,魯峰,魏芳

1.中國航發(fā)商用航空發(fā)動機有限責任公司,上海 201109 2.上海交通大學 航空航天學院,上海 200240 3.南京航空航天大學 能源與動力學院,南京 210016 4.西安交通大學 機械工程學院,西安 710049

航空發(fā)動機健康管理系統(tǒng) (Engine Health Management, EHM) 系統(tǒng)的終極目的是通過分析在線、在翼的狀態(tài)數(shù)據(jù),輔以離線的孔探、無損探傷及維護維修數(shù)據(jù)和記錄,準確、及時地診斷和預測發(fā)動機故障；進而提高發(fā)動機系統(tǒng)的總體可靠性、安全性及經(jīng)濟性。EHM的主要價值是：① 避 免惡性事故、保證乘客和乘務(wù)人員生命財產(chǎn)安全；② 提高航班運行的經(jīng)濟性,減少航班取消、延誤、在保證運行服務(wù)質(zhì)量的前提下優(yōu)化運維成本。故障診斷與預測本身并不直接產(chǎn)生價值,EHM的價值是通過基于視情的維護、維修優(yōu)化決策實現(xiàn)。所以地面綜合診斷、智能壽命管理、和智能維護維修決策系統(tǒng)都是EHM全流程解決方案的重要環(huán)節(jié) (見圖1)。

圖1 簡化EHM全流程場景圖: 從診斷到維護維修決策(CBM+)Fig.1 Simplified EHM process scenario diagram:From diagnosis to maintenance decision (CBM+)

針對EHM全流程解決方案里偏“上游”的EHM氣路性能退化監(jiān)測、振動(機械)故障診斷與預測、和控制系統(tǒng) (FADEC) 故障診斷與預測(見圖1)進行了總結(jié)和展望。這3個研究方向是傳統(tǒng)的民用發(fā)動機EHM方向,國內(nèi)外已經(jīng)開展了大量的研發(fā)工作。最近這一二十年相關(guān)工程技術(shù)的發(fā)展,給EHM研發(fā)提出了新的挑戰(zhàn)：① 基于非線性無跡卡爾曼濾波器 (Unscented Kalman Filter,UKF)和深度學習神經(jīng)網(wǎng)絡(luò)的發(fā)動機氣路故障診斷算法已經(jīng)顯示出提高氣路診斷精度的潛力；② 復合材料葉片在渦扇發(fā)動機里得到廣泛使用；③ 增材制造技術(shù)正被越來越多地應(yīng)用于復雜形狀尤其是帶有內(nèi)管路結(jié)構(gòu)發(fā)動機零部件的制造；④ 金屬屑末傳感器的精度已獲得大幅提高、其技術(shù)成熟度已達到發(fā)動機使用要求,與振動信號的融合診斷已由國外發(fā)動機制造商 (Original Equipment Manufacturer, OEM) 實現(xiàn)；⑤ 電氣化、智能化的發(fā)動機全權(quán)限數(shù)字控制系統(tǒng) (Full Authority Digital Engine Control, FADEC) 發(fā)展趨勢對現(xiàn)有的基于傳統(tǒng)構(gòu)型控制部件和集中式控制架構(gòu)的故障診斷算法也提出了新的挑戰(zhàn)。本文討論內(nèi)容及劃分力求反映這些新的進展。故障傳感技術(shù)雖然也極端重要,但限于篇幅,不作為本文重點；故障仿真技術(shù)也只在少數(shù)子系統(tǒng)(滑油系統(tǒng)故障等)略有涉及。

1 氣路故障診斷

1.1 氣路故障診斷背景

航空發(fā)動機是結(jié)構(gòu)復雜的氣動熱力系統(tǒng),長期在高溫、高壓、高速、強振動等異常惡劣的環(huán)境下工作,不可避免地會導致航空發(fā)動機零部件結(jié)構(gòu)和性能退化,進而引發(fā)發(fā)動機機械故障、甚至導致系統(tǒng)崩潰失效。EHM 是發(fā)動機異常檢測、故障診斷以及健康預測技術(shù)的管理系統(tǒng),按系統(tǒng)功能劃分為氣路分析、機械性能監(jiān)控(滑油、碎屑和振動監(jiān)視)、FADEC系統(tǒng)監(jiān)測和壽命管理等。其中,氣路性能監(jiān)控通過監(jiān)視發(fā)動機氣路參數(shù),如轉(zhuǎn)速、壓力、溫度等來監(jiān)視發(fā)動機是否正常,進而對氣路部件的性能與健康狀況做出評定。氣路部件故障相關(guān)維護費用占發(fā)動機總體維護費用的60%。氣路部件故障導致也是引發(fā)空中停車等險情的主要因素之一,因而發(fā)動機氣路故障診斷技術(shù)在EHM中占據(jù)重要的地位。

常見航空發(fā)動機氣路故障模式為：內(nèi)來物損傷 (Domestic Object Damage,DOD) 和外來物損傷 (Foreign Object Damage,FOD)；葉片腐蝕、侵蝕、積垢；燃油噴油器堵塞；葉尖磨損等。

發(fā)動機不同故障模式都將引起相應(yīng)的狀態(tài)變化。發(fā)動機氣路故障診斷系統(tǒng)通過觀測相應(yīng)測量參數(shù)的變化來估計故障特征參數(shù)即氣路部件性能的改變,并分析發(fā)動機氣路性能健康狀況,完成故障定位。氣路故障診斷技術(shù)隨著健康管理概念的發(fā)展而不斷完善。部分典型的發(fā)動機氣路狀態(tài)監(jiān)測與診斷系統(tǒng)如表1所示。表中:QAR的全稱為Quick Access Recorder; ACARS的全稱為 Aircraft Communication Addressing and Reporting System。

表1 航空發(fā)動機氣路狀態(tài)監(jiān)測與診斷系統(tǒng)[14]Table 1 Condition monitoring and diagnosis system of aeroengine gas system[14]

續(xù)表1

1.2 發(fā)動機氣路故障診斷國內(nèi)外現(xiàn)狀

發(fā)動機氣路不同于發(fā)動機空氣系統(tǒng),是指空氣從發(fā)動機進氣截面至內(nèi)外涵排氣截面所涉及的路徑中,所包含的風扇、增壓級、高壓壓氣機、燃燒室、高壓渦輪與低壓渦輪部件；發(fā)動機所記錄的故障診斷信號來自于表征發(fā)動機性能的高低壓轉(zhuǎn)子轉(zhuǎn)速、各截面溫度壓力與燃油流量等傳感器。氣路部件的故障主要指氣路部件因損傷、退化等原因?qū)е聦嶋H性能與預期性能產(chǎn)生偏差的現(xiàn)象。導致氣路部件故障的原因可以通過故障失效模式與危害程度分析(Failure Mode Effect & Criticality Analysis, FMECA)分析得到。對于嚴重的氣路部件故障可以通過(振動)傳感器數(shù)據(jù)超限檢測。而細微的氣路部件故障僅能通過排氣溫度裕度(Exhaust Gas Temperature Margin,EGTM)與無損探傷檢測。隨著數(shù)據(jù)綜合處理技術(shù)以及多學科交叉理論技術(shù)的發(fā)展,基于知識和信號處理的方法呈現(xiàn)交叉互補發(fā)展,信息融合作為故障診斷的一種新興手段也越來越受到重視。發(fā)動機氣路故障診斷方法相應(yīng)地可分為3類：基于模型的故障診斷方法、基于數(shù)據(jù)的故障診斷方法和基于信息融合的故障診斷方法。

1.2.1 基于模型的氣路故障診斷方法

基于機理模型的診斷方法是目前最常用、成熟度也最高的方法,按照模型的類型可以分為基于線性模型的診斷方法和基于非線性模型的診斷方法。

基于線性模型的診斷方法可以進一步分為參數(shù)估計和狀態(tài)估計的方法。參數(shù)估計方法指通過對系統(tǒng)模型參數(shù)的辨識來達到故障診斷的目的。其基本思想是把理論建模與參數(shù)辨識結(jié)合起來,根據(jù)參數(shù)估計值與正常值之間的偏差情況及其統(tǒng)計特性來檢測故障信息?？柭鼮V波算法作為故障隔離、評估的重要技術(shù),自從20世紀70年代被引入發(fā)動機故障診斷領(lǐng)域中后已在行業(yè)內(nèi)得到了廣范應(yīng)用。美國普惠(Pratt&Whitney, P&W)公司基于漢密爾頓規(guī)則最先使用卡爾曼濾波器進行發(fā)動機故障診斷,并對傳統(tǒng)的卡爾曼濾波方法進行了一系列的改進。目前英國羅-羅(Rolls-Royce)公司正在使用的發(fā)動機氣路部件故障診斷工具也是基于卡爾曼濾波器的改進版本。Brotherton等基于線性卡爾曼濾波器建立了航空發(fā)動機機載自適應(yīng)模型,通過卡爾曼濾波器在線估計調(diào)節(jié)發(fā)動機氣路部件健康參數(shù),實現(xiàn)機載模型對于發(fā)動機對象的自適應(yīng)跟蹤。該方法以較少的故障因子反映出眾多復雜的故障狀態(tài),并可進行故障隔離和辨別。

基于非線性發(fā)動機模型的方法在非線性模型基礎(chǔ)上解算模型輸出與測量參數(shù)的殘差；當殘差服從正態(tài)分布時,基于主因子對每種組合進行優(yōu)化可得到該組合下的最優(yōu)解,再選出殘差最小的那組解,即得到最可能的故障。Bai等提供了一個具有魯棒性的狀態(tài)估計,采用了遺傳算法進行優(yōu)化,并在羅-羅公司小涵道比渦扇發(fā)動機EJ200精確穩(wěn)態(tài)模型開展了分析驗證。Davison和Birk給出了一種稱為故障圖(Fault Map)的方法,故障圖的坐標軸是氣路參數(shù)的組合值如轉(zhuǎn)速比或轉(zhuǎn)速差、溫比、壓比等。P&W公司發(fā)動機機隊管理中采用了故障圖對故障進行定性診斷。近年來,國內(nèi)外相關(guān)學者利用發(fā)動機非線性模型以及測量參數(shù),相繼提出了多種采用非線性濾波算法用于故障診斷。通過建立自適應(yīng)的發(fā)動機性能模型估計出實際的部件性能量,再從部件性能參數(shù)的變化來檢測和辨識故障。Borguet等開發(fā)了基于擴展卡爾曼濾波估計器(Extended Kalman Filter,EKF)的氣路故障診斷系統(tǒng),并通過誤差修正保證了診斷精度。EKF的基本思想是將非線性系統(tǒng)線性化,然后進行卡爾曼濾波。雖然已被廣泛應(yīng)用于非線性系統(tǒng)狀態(tài)估計,EKF方法有兩個缺點：① 當系統(tǒng)為強非線性時局部線性假設(shè)不再成立,Taylor展開式中被忽略的高階項帶來較大誤差,會導致算法發(fā)散；② 線性化處理時需要用Jacobian矩陣,其繁瑣的計算過程導致該方法實現(xiàn)相對困難。在滿足線性系統(tǒng)、高斯白噪聲、所有隨機變量服從高斯分布這3個假設(shè)條件時,EKF方法的性能仍高度依賴于局部線性度,因此EKF只是最小方差準則下的次優(yōu)濾波器。由于局部線性化誤差沒有被徹底消除,當局部線性化假設(shè)不能嚴格成立時,EKF算法性能就會大打折扣。

為了解決EKF方法存在的問題,尋找更加適用于非線性系統(tǒng)的濾波方法,學者們提出了一種適合于非線性系統(tǒng)的無跡卡爾曼濾波器。無跡卡爾曼濾波是一種新型的濾波估計算法。它以無跡變換為基礎(chǔ),摒棄了對非線性函數(shù)進行線性化的傳統(tǒng)做法,使用無跡變換來處理均值和協(xié)方差的非線性傳遞。UKF方法對非線性函數(shù)的概率密度分布進行近似,用一系列確定樣本來逼近狀態(tài)的后驗概率密度,而不是對非線性函數(shù)進行近似,不需要求導計算Jacobian矩陣。UKF沒有通過線性化來忽略高階項,因此非線性分布統(tǒng)計量的計算精度較高。研究表明,UKF方法整體上較之EKF和線性卡爾曼濾波算法精度更高。UKF方法通過無跡變換,構(gòu)造Sigma點集來表征輸入狀態(tài)的分布,然后對每個Sigma點分別進行系統(tǒng)方程的計算,通過加權(quán)計算變換后的統(tǒng)計特性。這種方法把系統(tǒng)當做“黑箱”處理,不依賴于具體的非線性特性。Dewallef和Léonard提出了發(fā)動機氣路故障診斷的無跡卡爾曼濾波(UKF)算法,結(jié)果表明UKF比EKF能更好地逼近狀態(tài)方程的非線性特性。粒子濾波(Particle Filter,PF)是一種適用于非高斯噪聲的非線性系統(tǒng)狀態(tài)估計的貝葉斯濾波方法,學者們已經(jīng)提出了多種粒子濾波算法并應(yīng)用于發(fā)動機氣路故障診斷。

1.2.2 基于數(shù)據(jù)的氣路故障診斷方法

基于數(shù)據(jù)的故障診斷方法不需要精確的數(shù)學機理模型,只需充分利用發(fā)動機領(lǐng)域?qū)＜业闹R、經(jīng)驗和已有數(shù)據(jù)。基于數(shù)據(jù)的故障診斷方法包括人工神經(jīng)網(wǎng)絡(luò)方法、專家系統(tǒng)方法、模糊推理方法、支持向量機(Support Vector Machine,SVM)、極限學習機(Extreme Learning Machine,ELM)、隱馬爾可夫方法、核遞推最小二乘法等。下文展開討論幾種目前最常用的基于數(shù)據(jù)的氣路診斷方法。在本綜述系列的下篇,作為地面綜合診斷的一部分,將進一步專門討論深度學習等數(shù)據(jù)驅(qū)動的診斷方法。

1) 專家系統(tǒng)和模糊推理方法

早期的故障診斷專家系統(tǒng)都是基于規(guī)則的,故障診斷專家系統(tǒng)需要建立故障診斷的知識庫、規(guī)則庫和推理機。將故障模式信息和征兆信息結(jié)合,根據(jù)故障征兆和故障規(guī)則等知識進行推理。模糊邏輯提供了表達和處理模糊概念的機制,由于具有處理不確定性信息的能力,模糊理論和模糊邏輯為解決故障診斷問題提供了重要的理論方法和現(xiàn)實工具。基于模糊邏輯的氣路故障診斷最大特點是其模糊規(guī)則庫可以直接利用專家知識構(gòu)造,因而能充分利用和有效處理專家的知識和經(jīng)驗,而且一個適當設(shè)計的模糊邏輯系統(tǒng)可以在任意精度上逼近氣路故障模式與可測參數(shù)之間的非線性函數(shù)關(guān)系。

2) 人工神經(jīng)網(wǎng)絡(luò)和極限學習機方法

常用的發(fā)動機氣路診斷人工網(wǎng)絡(luò)網(wǎng)絡(luò)模型有BP (Back Propagation)網(wǎng)絡(luò)、徑向基(Radial Basis Function,RBF)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)(Probability Neural Network,PNN)、自組織特征映射網(wǎng)(Self Organizing Feature Mapping,SOFM)和自聯(lián)想網(wǎng)絡(luò)(Auto-Associative Neural Network,AANN)等。美國IHPTET計劃認為神經(jīng)網(wǎng)絡(luò)是最具潛力的診斷工具之一。澳大利亞航空航海研究實驗室以F404渦扇發(fā)動機為對象,進行了概率神經(jīng)網(wǎng)絡(luò)診斷研究與有效性試驗驗證。美國空軍研究實驗室的實時發(fā)動機診斷樣機系統(tǒng)是先采用SOFM網(wǎng)絡(luò)進行初始診斷,再用BP網(wǎng)絡(luò)進行確認。

與神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)的機器學習算法相比,極限學習機學習速度快、泛化能力好。針對在發(fā)動機故障模式識別問題中原始核極限學習機(Kernel-based Extreme Leraning Machine,KELM)算法缺乏稀疏性導致訓練與測試時間過長的問題,設(shè)計多個子學習機,并通過DS(Dempster Shafer)證據(jù)理論對各子學習機的分類結(jié)果進行融合,在保證算法分類準確率的前提下,提高用于模式識別任務(wù)的實時性。在此基礎(chǔ)上,Lu等提出迭代挑選稀疏方案并形成了一種改進的KELM算法,在不降低算法精度條件下縮短測試時間,將該算法用于發(fā)動機故障回歸與分類問題,有效提高了故障診斷實時性能。

3) 支持向量機方法

支持向量機依據(jù)結(jié)構(gòu)風險最小化原則對凸二次規(guī)劃問題求取全局最優(yōu)解,相比于神經(jīng)網(wǎng)絡(luò)算法的經(jīng)驗風險最小化原則,SVM能夠很好地同時避免過擬合與欠擬合問題,尤其適合于處理有著較少訓練樣本的分類問題,目前已廣泛應(yīng)用于發(fā)動機氣路故障診斷、性能趨勢預測、振動故障檢測等方面,包括基于SVM的氣路故障分類,但在發(fā)動機故障診斷應(yīng)用中存在核函數(shù)選擇、正則化參數(shù)確定等問題。

1.2.3 基于信息融合的氣路故障診斷方法

信息融合是數(shù)據(jù)綜合處理技術(shù)以及多學科交叉的重要體現(xiàn),它將所有的輸入數(shù)據(jù)在一個公共空間內(nèi)進行描述,同時它在該空間內(nèi)對這些數(shù)據(jù)以適當?shù)臄?shù)學方法進行綜合,然后以適當?shù)男问捷敵?。目前用于航空發(fā)動機氣路故障診斷的信息融合方法主要有：貝葉斯融合、DS證據(jù)融合、智能融合、模糊融合和集成融合等。魯峰系統(tǒng)地討論了基于改進支持向量回歸機和DS證據(jù)理論的融合方法,實現(xiàn)了發(fā)動機氣路部件性能診斷,采用權(quán)重調(diào)整的氣路故障DS證據(jù)理論融合診斷方法,完成了基于模型和基于數(shù)據(jù)的特征信息融合,并給出了信息融合濾波算法擴展至發(fā)動機分布式架構(gòu),實現(xiàn)航空發(fā)動機氣路性能健康狀態(tài)監(jiān)視與異常容錯處理。在本綜述系列的下篇,作為地面綜合診斷的子課題,將進一步專門討論基于信息融合的診斷。

1.3 發(fā)動機氣路故障診斷關(guān)鍵技術(shù)及未來研發(fā)趨勢

從上述國內(nèi)外研究現(xiàn)狀及故障診斷方法可以看出,圍繞航空發(fā)動機氣路故障診斷,不同領(lǐng)域的理論及工程技術(shù)工作者開展了大量工作,在實際應(yīng)用中也發(fā)揮了重要的作用,該領(lǐng)域亟待解決的關(guān)鍵技術(shù)及難點是：

1) 建立氣路故障診斷評價方法與體系

需要結(jié)合使用場景的特點,分析標準測試與評價指標,建立氣路健康管理評價方法與體系。

2) 開發(fā)發(fā)動機氣路故障導入仿真平臺

需要開發(fā)發(fā)動機氣路故障與退化的(多學科)聯(lián)合仿真平臺并驗證,從而為發(fā)動機氣路故障診斷與預測提供數(shù)據(jù),并加強對于氣路故障機理研究,為設(shè)計反饋提供輸入。

3) 建立魯棒性強的發(fā)動機故障模型

基于模型的診斷方法的突出問題在于對模型精度的要求較高,尤其對于大范圍工況的航空發(fā)動機而言,針對系統(tǒng)不確定性(包括模型偏差、性能退化、個體差異、噪聲等)的魯棒性是必須考慮的問題?；贓KF和UKF的發(fā)動機氣路故障診斷方法的研究還不夠深入,對于這兩種算法的優(yōu)缺點、局限性的理解還有待擴展。結(jié)合氣路診斷預測需求,論證發(fā)動機部件級身份證模型匹配方法與驗證方法,形成典型民用航空發(fā)動機氣路身份證模型。

4) 解決氣路故障診斷精度和實時性之間的矛盾

發(fā)動機氣路故障診斷一般可以分為地面和機載兩部分,其中地面部分對算法計算速度要求較低,機載部分一般要求機載運行算法具有較好的實時性,以及較低的存儲需求。目前發(fā)動機氣路故障診斷算法繁多,算法的實時性、魯棒性與精度之間存在著矛盾,通常精度高的診斷方法計算量較大,而而魯棒性更強的系統(tǒng)的診斷精度往往都不是很高,因此,要針對地面和機載的不同需求,做出診斷算法的實時性、魯棒性和精度的折中選擇。需要開展EKF、UKF算法加速研究。

5) 解決氣路傳感器數(shù)據(jù)的局限性

發(fā)動機氣路故障診斷主要依靠安裝在發(fā)動機氣路各部件以及各子系統(tǒng)的傳感器來獲取各層次的工作參數(shù),發(fā)動機的結(jié)構(gòu)特點限制了傳感器的布置安裝,需探討發(fā)動機測量參數(shù)少于氣路旋轉(zhuǎn)部件性能參數(shù)的參數(shù)解算問題。另一方面,航空發(fā)動機的工作狀態(tài)復雜,雖然積累的數(shù)據(jù)規(guī)模大,但是相對于正常工作的狀態(tài)信息而言不同故障模式的信息獲取比較困難,導致存在非對稱樣本,如何解決數(shù)據(jù)稀疏性下的分類問題是氣路故障診斷的另一關(guān)鍵。

6) 氣路故障模式與特征耦合特性

由于航空發(fā)動機工作狀態(tài)復雜,影響因素較多,同一故障往往有不同的表現(xiàn),同一特征又可能是多種故障共同作用的結(jié)果。因此,測量數(shù)據(jù)與故障特征之間、故障特征與故障決策之間都是一種非線性映射,僅依賴單一的故障特征和故障診斷方法很難實現(xiàn)有效的診斷任務(wù)。因此需要對發(fā)動機氣路故障進行融合診斷,以提高診斷的準確性。

2 發(fā)動機機械故障診斷與預測

民用航空發(fā)動機機械故障一直是重要的疑難問題,影響民航營運的經(jīng)濟性和飛行安全,美國國家運輸安全委員會(NTSB)對1980—2001年商用飛機飛行事故統(tǒng)計調(diào)查結(jié)果顯示,在所有因機械故障導致的運輸飛機事故中,發(fā)動機故障占總故障的三分之一。據(jù)國際民航組織的統(tǒng)計,因機械故障原因造成事故的比例在25%～30%,而發(fā)動機則是諸機械因素的關(guān)鍵。如不能有效的解決航空發(fā)動機研制、運行和維護中的振動問題,將直接影響航空發(fā)動機的可靠性和安全性,制約航空發(fā)動機質(zhì)量的提高,增加航空發(fā)動機維修和制造成本。

2.1 發(fā)動機機械EHM需求

隨著可靠性、準確率、診斷能力的不斷提升,振動EHM技術(shù)除了用于不平衡、損傷、異常磨損等故障識別以及轉(zhuǎn)子配平外,已經(jīng)初步具備用于部件壽命預測的早期檢測、監(jiān)視能力,并已發(fā)展成為固定翼和旋翼飛機及其發(fā)動機健康管理系統(tǒng)的重要組成部分,其監(jiān)視對象也已涵蓋燃燒室、減速齒輪、軸承、附件等。傳統(tǒng)的發(fā)動機機械系統(tǒng)故障的主要體現(xiàn)形式是振動(有時也包括壓力脈動)在特定頻段能量超標或特征頻率處振動、脈動幅值超標。振動超標是在航空發(fā)動機研制、運行、維護/維修過程中都無法回避的一個問題。航空發(fā)動機的振動超標直接影響其正常工作甚至還會導致部件甚至系統(tǒng)的失效。隨著現(xiàn)代航空技術(shù)的發(fā)展,航空發(fā)動機的結(jié)構(gòu)日趨復雜,航空發(fā)動機轉(zhuǎn)子高速運轉(zhuǎn)在高溫、高壓的環(huán)境中,長時間受到熱載荷、離心載荷、氣動載荷和其他機械載荷等多重激勵的共同作用,易引起發(fā)動機轉(zhuǎn)子出現(xiàn)結(jié)構(gòu)故障從而導致發(fā)動機振動超標。當轉(zhuǎn)子平衡精度不夠,或者熱彎曲狀態(tài)下, 過大的不平衡力會激起整個發(fā)動機的高幅振動從而導致系統(tǒng)損壞；轉(zhuǎn)子軸承故障、支承故障、以及不對中都會引起異常的系統(tǒng)振動從而威脅部件、子系統(tǒng)直至發(fā)動機的安全運行；轉(zhuǎn)靜子碰磨除了會導致間隙增大及葉片損壞外,還有可能激發(fā)轉(zhuǎn)子系統(tǒng)的彎扭耦合振動從而導致轉(zhuǎn)子結(jié)構(gòu)失效。在交變載荷的激勵作用下,航空發(fā)動機轉(zhuǎn)子上容易出現(xiàn)疲勞裂紋,裂紋使得轉(zhuǎn)子承受載荷的截面積減小,在熱載荷、機械載荷頻繁作用下裂紋不斷擴展,最終導致發(fā)動機轉(zhuǎn)子斷裂等嚴重事故。

在過去20～30年里主要的民用發(fā)動機OEMs為了強化各自產(chǎn)品的市場競爭力,都在發(fā)動機機械系統(tǒng)尤其是轉(zhuǎn)子系統(tǒng)故障診斷與監(jiān)測上投入了大量資源。由于民用發(fā)動機重量及高溫環(huán)境限制,能夠安裝的振動傳感器數(shù)量有限,一般只采用個位數(shù)的振動傳感器來監(jiān)測所有的高低壓轉(zhuǎn)子系統(tǒng)及零部件,而且大部分振動傳感器安裝在前、后、和中介機匣上,這就對故障診斷與預測算法提出了極高的要求：

1) 經(jīng)過多個連續(xù)、及非線性不連續(xù)結(jié)構(gòu)界面,振動信號從故障源傳至傳感器安裝位置時已大幅衰減,且經(jīng)過濾波(傳遞路徑上的結(jié)構(gòu)固有振動特性構(gòu)成濾波機制)。

2) 發(fā)動機系統(tǒng)機械動力學頻譜特性極端復雜、噪聲源眾多,導致微弱的故障信號可能被環(huán)境噪聲淹沒,需要采用信號處理方法以提取故障特征。

3) 要用少數(shù)幾個傳感器信號來追蹤數(shù)量高出一兩個量級的零部件的故障。因此,即便是常見的典型發(fā)動機機械故障仍然有許多未完全解決的問題。這其中最突出的就是轉(zhuǎn)子部件尤其是轉(zhuǎn)子盤件裂紋和轉(zhuǎn)子連接件松動故障的診斷、隔離與預測。此外,現(xiàn)有的微弱信號特征提取方法尚無法解決發(fā)動機早期機械故障診斷虛警率高的問題,尤其是軸承和齒輪的早期故障診斷。

隨著新構(gòu)型發(fā)動機投入運營、新材料和新制造工藝投入使用,民用發(fā)動機EHM技術(shù)除了一些由于傳感技術(shù)和算法的限制而懸而未決的老問題,又增添了新的挑戰(zhàn)。新的更高效、更安靜環(huán)保的民用發(fā)動機構(gòu)型如齒輪傳動渦扇(Geared TurboFan,GTF)意味著異于傳統(tǒng)的雙轉(zhuǎn)子、三轉(zhuǎn)子構(gòu)型的發(fā)動機故障動力學特性、故障傳播機理,因而急需新的故障傳感及算法EHM解決方案。民用發(fā)動機設(shè)計的另一個重要趨勢是先進材料和先進制造工藝的廣泛應(yīng)用,其中先進材料主要是指復合材料,先進制造工藝是指增材制造(3D打印)。復材、3D打印零部件的本構(gòu)關(guān)系、失效模式等都迥異于傳統(tǒng)的冶金手段得到的金屬零部件,所以需要新的故障監(jiān)測軟硬件解決方案。

此外,隨著在線滑油金屬屑末技術(shù)的發(fā)展和其在發(fā)動機監(jiān)測系統(tǒng)里的廣泛使用,工業(yè)界越來越意識到滑油金屬屑末監(jiān)測對于零部件磨損和其它故障的重要性；采用信息融合算法綜合機械振動、壓力脈動和滑油屑末監(jiān)測兩類故障狀態(tài)指示能夠提高診斷精度,降低漏檢率和虛警率。由于滑油監(jiān)測和發(fā)動機機械故障的直接關(guān)聯(lián),滑油系統(tǒng)的故障診斷與預測被視為發(fā)動機機械故障診斷子系統(tǒng)的有機組成部分。

2.2 典型發(fā)動機機械故障診斷與預測

由于長期處于高溫、高壓、高轉(zhuǎn)速的運行環(huán)境,渦扇、渦槳發(fā)動機常常發(fā)生轉(zhuǎn)子不平衡、不對中、轉(zhuǎn)靜件碰摩等典型機械故障,嚴重影響發(fā)動機的運行安全性和使用壽命。由于渦扇、渦槳發(fā)動機結(jié)構(gòu)的高度復雜化和故障的多樣性,采用基于振動信號的傳統(tǒng)信號處理方法如FFT(Fast Forier Transformation)雖然能基本滿足常見的故障特征提取和故障分析的要求,但仍然存在不足和局限性；單純依靠單個傳感器采集的數(shù)據(jù)無法有效解決疑難故障的診斷,不能滿足發(fā)動機轉(zhuǎn)子復雜故障診斷的需求。

航空發(fā)動機機械故障多發(fā)且類型繁多,所以本節(jié)(典型發(fā)動機機械故障診斷與預測)以故障類型劃分,針對每個故障類型列出問題、差距、和未來需要重點關(guān)注的研究方向。

2.2.1 軸承故障預測與診斷

滾動軸承是包括航空發(fā)動機在內(nèi)的的高速旋轉(zhuǎn)機械承力傳動系統(tǒng)的關(guān)鍵部件,其工作條件非常惡劣、復雜,往往工作在高速、高溫以及高載荷的工況下,工況變化劇烈,在工作過程中極易發(fā)生故障。一旦軸承發(fā)生故障,將直接影響設(shè)備的使用安全,輕則會使轉(zhuǎn)子系統(tǒng)振動增大,轉(zhuǎn)靜子碰摩,嚴重時甚至會導致災難性事故。目前,軸承失效公認是造成航空發(fā)動機空中停車、非計劃換發(fā)的主要誘因之一,其中,內(nèi)外滾道表面剝落是軸承失效的主要形式。CFM56-3發(fā)動機在1986年1月至1992年12月的六年間,高壓壓氣機滾珠軸承失效占到了該型發(fā)動機空中停車事件的25%,在各種原因中名列首位。因此,開展航空發(fā)動機軸承的狀態(tài)監(jiān)測與故障診斷研究十分有必要。

通常,局部故障會激發(fā)軸承系統(tǒng)的結(jié)構(gòu)響應(yīng)。而軸承故障特征提取的目的即是通過對響應(yīng)信號的分析與處理提取出對應(yīng)的故障特征指標。1984年,McFadden等提出了基于Hilbert變換的包絡(luò)分析方法,得到了軸承的故障特征頻率,為通用軸承的故障特征提取提供了有效途徑。由于包絡(luò)分析物理意義明確,目前已成為工程實踐中應(yīng)用最廣泛的軸承故障特征提取方法。其后,Liang、Antoni等又分別發(fā)展了基于能量算子解調(diào)和基于循環(huán)平穩(wěn)分析的故障特征提取方法。這幾種方法都是包絡(luò)分析的不同形式,只是具體的包絡(luò)計算過程不同。

航空發(fā)動機軸承故障診斷的主要困難是故障信號微弱,而航空發(fā)動機的背景噪聲又很強；故障信號微弱有兩個原因：① 振動傳感器數(shù)量有限,傳感器安裝點遠離故障源頭；② 故障早期源頭信號微弱。截至目前,除了風扇軸承的監(jiān)測,其他發(fā)動機軸承故障監(jiān)測的振動加速度傳感器都安裝在機匣上,軸承故障信號要經(jīng)過多個不完全連續(xù)、非線性的接觸面,并經(jīng)歷殼體的濾波效應(yīng)才到達傳感器,故障信號微弱。此外,軸承內(nèi)、外圈特征頻率、滾子特征頻率一般低于1 500 Hz,而保持架故障特征頻率一般低于100 Hz,在這些中低頻率范圍里發(fā)動機有大量噪聲污染。所以發(fā)動機軸承故障診斷算法面臨的挑戰(zhàn)是從微弱的、被噪聲污染的、并經(jīng)過傳播路徑濾波的振動信號里提取出故障特征,并將虛警率、漏檢率保持在可接受的范圍內(nèi)。

包絡(luò)分析本質(zhì)上是基于窄帶信號分析的方法。在故障早期,故障特征非常微弱時,頻帶較寬的噪聲有可能導致故障特征提取的失敗。因此,增強故障特征算法受到國內(nèi)外學者的廣泛重視,已成為近年來微弱軸承故障特征提取方法研究的熱點問題。包絡(luò)譜方法特征提取在原理上和傳統(tǒng)的譜分析方法是一致的,假設(shè)故障導致了周期性的信號,不管軸承故障發(fā)生在外圈、內(nèi)圈、保持架、或是滾子滾珠上,都可以通過檢視相應(yīng)的特征頻率處幅值大小來斷定是否發(fā)生故障。在軸承故障早期,由于故障點較小,因而只會隨機地導致沖擊信號或者導致周期性的微弱信號。如果采用傳統(tǒng)的FFT或包絡(luò)譜分析方法,則所選取的時間窗內(nèi)可能會錯過故障信號因而無法捕捉到故障特征,或者無法從被噪聲污染的信號中提取出微弱的故障特征頻率信號；采用時頻域混合分析(短時傅里葉變換、小波分析等)部分解決了這個問題。近二十年來,研究人員相繼采用基于小波分析、經(jīng)驗模式分解(Empirical Mode Decomposition,EMD)等方法進行故障特征增強與提取。這些方法采用不同手段選擇帶通濾波器的中心頻率和帶寬,實現(xiàn)最優(yōu)帶通濾波器的設(shè)計,促進了軸承故障特征增強研究的發(fā)展。

除了上述較基礎(chǔ)的時頻域混合分析方法外,研發(fā)人員也試圖通過主動地有選擇性地增強故障相關(guān)信號分量以期提取出增強的故障特征。Yuan等提出采用基于EMD分解的廣義的時頻域維數(shù)(Generalized Dimension in Time-Frequency Domain) 作為早期軸承故障狀態(tài)指示。尚柏林等將EMD方法與ICA (Independent Component Analysis) 相結(jié)合,選取合適IMF (Intrinsic Mode Function)分量利用基于非高斯性極大的ICA固定點算法進行混合再分離,得到信息較為獨立的特征分量；然后對特征分量進行解調(diào)分析以得到能清晰反應(yīng)故障狀態(tài)的調(diào)制信號信息。共振稀疏分解(Resonance Sparse Decomposition)是另一種被廣泛采用的早期故障診斷方法,是一種基于多字典庫的稀疏分解方法,可以同時分解出滾動軸承故障信號中的瞬態(tài)沖擊成分及其持續(xù)震蕩成分。張勇對EMD處理后的信號進行共振稀疏分解分析,分別構(gòu)建高、低品質(zhì)因子小波基函數(shù)字典庫,采用形態(tài)學分析方法建立信號稀疏表示的目標函數(shù),進而實現(xiàn)對低品質(zhì)因子的瞬態(tài)故障成分及其他持續(xù)振蕩高品質(zhì)因子噪聲成分的成功分離,通過對低品質(zhì)因子信號成分進行包絡(luò)解調(diào)分析得到早期故障指示。

Wiggins提出的最小熵反褶積 (Minimum Entropy Deconvolution, MED) 是一種無需任何先驗假設(shè)的能夠提高信號信噪比時域盲解卷積技術(shù)；Sawalhi等提出采用 MED 和峭度譜結(jié)合以增強軸承故障信號；王宏超等采用最小熵解卷積對數(shù)據(jù)進行了降噪處理,然后采用稀疏分解提取滾動軸承微弱故障特征；劉尚坤等分別結(jié)合MED 和變分模態(tài)分解、最大譜峭度分量和變分模態(tài)分解進行滾動軸承早期故障診斷。McDonald 等在MED 的基礎(chǔ)上提出了最大相關(guān)峭度反褶積 (Maximum Correlated Kurtosis Deconvolution,MCKD)；以信號的相關(guān)峭度達到最大值為優(yōu)化條件；MCKD 突出運算結(jié)果中的連續(xù)脈沖序列,從而在低信噪比下突出信號中的周期沖擊性成分,以達到消除噪聲干擾的目的。王朝閣等提出了結(jié)合總體局部均值分解(Ensemble Local Mean Decomposition,ELMD) 和最大相關(guān)峭度反褶積 (MCKD) 的早期故障診斷方法,運用ELMD 對采集到的振動信號進行分解,得到有限個乘積函數(shù),然后對包含故障特征的乘積函數(shù)分量進行最大相關(guān)峭度反褶積處理以消除噪聲影響,并凸現(xiàn)故障特征信息。

軸承信號增強算法,不論其動機是解決傳感器遠離故障源,或者故障處于早期因而動力學特性變化微弱的問題,都面臨虛警率高的問題。這是因為該類算法的理論基礎(chǔ)就是信息熵最小化、故障特征分量峭度值最大等假設(shè),但是這些假設(shè)與現(xiàn)實有一定差距因而其正確性無法保證。所以“過度”處理信號就導致了虛警率的增加。

綜上所述,未來航空發(fā)動機軸承故障預測與診斷亟待發(fā)展的方向包括：

1) 開發(fā)小型化、輕量化的振動傳感器,以便就近安裝,從源頭增強故障信號特征。

2) 開發(fā)其他類型的對微弱故障更敏感的傳感技術(shù)。

3) 挖掘傳統(tǒng)時域、頻域、及時頻域算法潛力,輔以特征和決策融合,提高機械故障診斷正確率。

4) 開發(fā)分工況機械故障報警系統(tǒng)。一般來講高狀態(tài)意味著高載荷,因而故障動力學相應(yīng)一般也更強烈；開發(fā)分工況機械故障報警系統(tǒng),可以在降低高狀態(tài)時虛警率的同時增加低狀態(tài)時的漏檢率。

5) 融合基于在線傳感技術(shù)的診斷和基于在翼無損探傷及外場測試診斷。

2.2.2 齒輪故障預測與診斷

附件齒輪箱(Accessary Gear Box,AGB)裝置經(jīng)由與徑向傳動軸相連的一對錐齒輪從發(fā)動機主軸提取動力,飛機的起動系統(tǒng)、滑油系統(tǒng)、燃油系統(tǒng)、液壓系統(tǒng)等主要附件都是由發(fā)動機轉(zhuǎn)子通過附件機匣帶動； 轉(zhuǎn)接齒輪箱(Transfer Gear Box,TGB)則連接發(fā)動機轉(zhuǎn)軸和AGB。作為航空發(fā)動機的重要組成部件之一,AGB(也稱附件機匣)或TGB一旦發(fā)生故障,就會導致空停,甚至造成重大飛行事故。隨著航空發(fā)動機的推重比和傳動附件的轉(zhuǎn)速不斷提高,高速、重載、輕量化成為附件齒輪箱傳動齒輪的主要特點。輕量化導致齒輪腹板變薄,使得其重量減輕,隨著齒輪的工作狀態(tài),機械振動更容易在內(nèi)部和外部激勵下產(chǎn)生,這種機械振動不但會引起噪聲、降低齒輪的嚙合精度和可靠性,甚至會使傳動系統(tǒng)失效,進而引發(fā)嚴重的后果。

航空發(fā)動機齒輪傳動系統(tǒng)故障形式,隨齒輪傳動系統(tǒng)結(jié)構(gòu)和工況的不同而表現(xiàn)各異。長期的工程實踐中發(fā)現(xiàn),附件齒輪箱傳動齒輪常見的故障形式主要有：輪齒折斷、接觸疲勞破壞、和齒面膠合。輪齒的折斷通常發(fā)生在齒根部,這是由于輪齒受力恰似懸臂梁的受力情況,齒根部的彎曲應(yīng)力最大且為變應(yīng)力,同時在齒根部還存在應(yīng)力集中,因而在輪齒根部易產(chǎn)生疲勞裂紋。接觸疲勞是零件的接觸表面在接觸應(yīng)力的反復長期作用后所引起的一種表面材料去除的損壞現(xiàn)象,是一種兼有磨損與疲勞的力學行為,常發(fā)生在齒輪、軸承、鋼軌、凸輪等零部件中,具有很大的危害性。大致可分為點蝕、剝落、表層壓碎。齒面膠合是指在高速重載的齒輪傳動中,由于齒面壓力大、相對滑動速度高、摩擦發(fā)熱而產(chǎn)生局部瞬時高溫,如散熱條件不好,潤滑油的油膜被破壞,齒面金屬直接接觸發(fā)生瞬時點焊(粘著),此時,相嚙合的齒面在做相對運動,引起較軟齒面上的部分接觸面材料沿嚙合齒面相對滑動方向被撕破或起溝。發(fā)動機附件齒輪箱的振動問題同發(fā)動機整機振動問題一樣,對航空發(fā)動機的安全、壽命等指標有著重要的影響。

目前工業(yè)界比較常用的齒輪故障診斷算法是基于Mcfadden等1986—1991年發(fā)表的他本人博士論文的經(jīng)典方法。該方法的核心是：

1) 齒輪故障會影響嚙合頻率及其超次諧波、以及相應(yīng)的邊頻段內(nèi)的幅值和相位,嚙合頻率及其超次諧波的調(diào)制頻率定義為±,=1,2,…,,=1,2,…,,為嚙合頻率,為轉(zhuǎn)軸基頻。

2) 在采用邊頻幅值、能量進行故障診斷時采用時域平均方法(Time Synchronous Average, TSA)對數(shù)據(jù)進行預處理可以降低噪聲,進而增強故障信號。

Lei等在2014年對行星齒輪箱的故障診斷方法做了一個總結(jié),從行星齒輪系故障建模、故障診斷信號處理、智能診斷3個角度對齒輪故障診斷方法做了比較全面的總結(jié)。該綜述認為齒輪系的故障診斷需要在以下幾個方面加強：

1) 針對齒輪各類故障程度和工況變化的試驗要加強。

2) 齒輪監(jiān)測的振動加速度傳感器目前仍然只能安裝在齒輪箱外殼上,齒輪故障信號要經(jīng)過多個不完全連續(xù)、非線性的接觸面,并經(jīng)歷殼體的濾波效應(yīng)才到達傳感器,故障信號微弱而且噪聲污染嚴重,故障診斷信號處理算法需要解決該問題。

3) 基于多源信號的融合算法需要加強。Sharma和Parey在2016年對于主要McFadden的嚙合頻率及其超次諧波邊頻幅值及能量之外的其他齒輪故障狀態(tài)指示 (Condition Indicators,CIs) 進行了總結(jié),涵蓋了常見的狀態(tài)指示：平均振動幅值 (Root Mean Square,RMS)(時域狀態(tài)指示)；峭度 (Kurtosis)(時域狀態(tài)指示);波峰因子 (Crest Factor)(時域狀態(tài)指示);能量比 (Energy Ratio,ER)(平域狀態(tài)指示); 能量算子 (Energy Operator,EOP)為

(1)

Wang等在2018年綜述了基于振動信號的軸承和齒輪故障健康指示 (Health Indicator, HI)。他們將軸承和齒輪故障健康指示分為3類：基于振動信號處理方法,基于模型,和基于機器學習的健康指示,并分別進行了總結(jié)、論述?；谡駝有盘柼幚淼腍I是經(jīng)典方法,而基于模型的方法通過建立自回歸模型來監(jiān)測齒輪隨著時間的性能退化。由于軸承信號是具有一定隨機性的循環(huán)平穩(wěn) (所謂Cyclostationary) 信號,而不是嚴格的周期信號,這種自回歸模型在嚴格意義上僅適用于齒輪故障監(jiān)測。作為一個動力學模型,顯然自回歸模型的階數(shù)對于其性能有決定性的影響。2006—2010年有一系列自回歸模型齒輪故障監(jiān)測方面的研究工作發(fā)表,限于篇幅,在此不贅述。基于機器學習的齒輪故障是采用大量健康的齒輪動力學數(shù)據(jù)去訓練統(tǒng)計、概率模型,如果該模型預測的結(jié)果與已知的行為有較大的偏離則斷定故障發(fā)生。如果訓練數(shù)據(jù)足夠,機器學習方法還可以對故障進行甄別、分類。目前文獻上可以查閱到的基于機器學習的齒輪系故障診斷方法都還限于基于普適機器學習方法包括各類神經(jīng)網(wǎng)絡(luò)建模方法,并沒有見到針對齒輪故障信號特點的特殊處理,所以其在齒輪診斷上的適用性還有待驗證。Xue在其博士論文里對于行星齒輪故障對于齒輪嚙合剛度的影響進行了較深入的研究。Chen和Feng研究了在變轉(zhuǎn)速工況下采用扭轉(zhuǎn)振動信號進行行星齒輪系故障診斷,他們的研究指出可以通過扭轉(zhuǎn)信號的時頻域分析(短時傅里葉變換等)跟蹤固有扭轉(zhuǎn)頻率處的瞬時幅值達到齒輪故障診斷的目的。

航空發(fā)動機齒輪的故障診斷目前所面臨的主要挑戰(zhàn)和亟需解決的問題是：

1) 目前安裝在機匣上和風扇軸承附近的傳感器都距離附件齒輪箱較遠,齒輪嚙合頻率處信號衰減嚴重。

2) 現(xiàn)有的時頻域齒輪狀態(tài)指示無法精確判定具體的齒輪故障類型。

3) 齒輪融合故障診斷除了振動信號外也依賴于金屬屑末監(jiān)測,對金屬屑末傳感器及相應(yīng)算法、閾值設(shè)置等都有比較高的要求。

4) 針對發(fā)動機早期齒輪故障的診斷方法還很匱乏。

5) 針對前述各類不同的齒輪故障模式的試驗研究較少,公開文獻上可資參考的數(shù)據(jù)很少,而反應(yīng)真實航空發(fā)動機自故障源頭至傳感其位置的試驗數(shù)據(jù)更少；需要在開展相關(guān)試驗研究以填補空白。

2.2.3 發(fā)動機轉(zhuǎn)子裂紋故障預測與診斷

裂紋是航空發(fā)動機和燃氣輪機轉(zhuǎn)子的常見故障。最新的例子是2021年2月20日,一架美聯(lián)航UA328航班起飛后,突然發(fā)生引擎(普惠PW4000)故障起火,并有零部件脫落,后緊急返航；經(jīng)查該事故很可能是由于風扇葉片裂紋未被及時發(fā)現(xiàn)導致。國內(nèi)外已經(jīng)在裂紋建模、裂紋轉(zhuǎn)子非線性動力學特性、轉(zhuǎn)子裂紋故障識別診斷及裂紋轉(zhuǎn)子的壽命評估等方面開展了大量研究工作。

在裂紋轉(zhuǎn)子的建模過程中首先需要確定裂紋的開合狀態(tài),目前常用的裂紋模型主要分為常開裂紋模型和呼吸裂紋模型,其中呼吸裂紋模型應(yīng)用較為廣泛。在呼吸裂紋模型中,假設(shè)裂紋開合頻率為轉(zhuǎn)子的轉(zhuǎn)頻,沒有考慮不同轉(zhuǎn)速下裂紋開合狀態(tài)的變化。基于呼吸裂紋模型,國內(nèi)外對裂紋轉(zhuǎn)子振動特性進行了大量研究,發(fā)現(xiàn)裂紋轉(zhuǎn)子主要具有以下特征：① 過1/2臨界轉(zhuǎn)速時振幅發(fā)生突變；② 轉(zhuǎn)子振動頻譜圖上2倍頻和3倍頻幅值明顯；③ 轉(zhuǎn)子軸心軌跡為內(nèi)8字型。

基于裂紋轉(zhuǎn)子的振動特征,國內(nèi)外主要發(fā)展了基于經(jīng)驗模式分解法、振動特征法、高階譜法的裂紋轉(zhuǎn)子故障診斷方法。裂紋轉(zhuǎn)子的彎、扭、縱耦合動力學建模及振動特性方面也有相關(guān)的研究。

關(guān)于裂紋轉(zhuǎn)子動力學試驗的研究較少。由于呼吸裂紋在轉(zhuǎn)子試驗件上難以精確實現(xiàn),目前裂紋轉(zhuǎn)子動力學的試驗主要通過線切割等方法在轉(zhuǎn)子試驗件上制造常開裂紋,進而開展動力學試驗。在發(fā)動機零部件裂紋無損探傷(離線)領(lǐng)域,田武剛等設(shè)計了一種專用渦流探頭,檢測出篦齒盤均壓孔邊長、寬和深分別為4 mm、0.2 mm和1 mm的裂紋。之后,他們將渦流檢測與內(nèi)窺鏡目視檢測結(jié)合,研制了一種可用于均壓孔邊裂紋原位檢測的設(shè)備,對在役發(fā)動機進行原位檢測實驗,發(fā)現(xiàn)了全部均壓孔邊裂紋,但沒有給出裂紋的大小。付剛強等將多頻渦流檢測與視頻內(nèi)窺鏡檢測集成,研制了一套超小型一體化內(nèi)窺渦流探頭和儀器,實現(xiàn)篦齒盤均壓孔邊裂紋的原位檢測。丁曉萍等使用渦流檢測方法檢測出渦輪盤榫齒深0.2 mm的裂紋和盤面上同樣深度的裂紋。Woike等使用光學檢測方法檢測出旋轉(zhuǎn)的盤面上長50.8 mm的裂紋。胡博等采用地磁場微磁無損檢測方法檢測出渦輪盤面長、寬和深分別為1 mm、0.15 mm和1 mm的裂紋。魏桂生和齊共金使用渦流檢測方法檢測出渦輪盤榫齒長25 mm的裂紋。于霞等使用渦流檢測方法檢測葉尖部位長、寬和深分別為5 mm、0.1 mm和0.15 mm的裂紋。董利明等使用激光聲表面波檢測出葉片根部和側(cè)邊10微米量級的疲勞裂紋。董瑞琴等使用超聲檢測方法檢測出葉片深根部位長5 mm、深2 mm的裂紋。Zenzinger等使用渦流熱成像檢測出葉根長2 mm的裂紋。

目前的研究工作對航空發(fā)動機和燃氣輪機轉(zhuǎn)子結(jié)構(gòu)特征及振型、轉(zhuǎn)子工作溫度環(huán)境等特性具體因素的考慮較少,使得目前裂紋轉(zhuǎn)子的動力學模型及故障診斷方法無法滿足航空發(fā)動機和燃氣輪機非連續(xù)轉(zhuǎn)子裂紋故障的診斷識別需求。未來的發(fā)動機轉(zhuǎn)子裂紋故障診斷與預測重點研究方向是：

1) 開展航空發(fā)動機關(guān)鍵件全壽命試驗,并在試驗過程中全程收集相應(yīng)的動力學信號,以獲取裂紋故障發(fā)生位置、裂紋特性、及裂紋發(fā)展歷程和相伴的動力學信號特征。

2) 收集自然損壞的航空發(fā)動機轉(zhuǎn)子裂紋試驗件,并開展相應(yīng)的試驗研究,以期得到更接近實際裂紋故障零部件的動力學響應(yīng)特性。

3) 轉(zhuǎn)子裂紋故障動力學仿真,尤其是早中期故障的動力學仿真。

4) 開發(fā)基于在線的振動信號和基于在翼的無損探傷融合裂紋故障監(jiān)測方案。

5) 以往的研究表明,除非裂紋的幾何尺寸達到一定水平而且裂紋在特定的走向,振動信號對于裂紋故障并不敏感,需要開發(fā)轉(zhuǎn)子小尺寸早期裂紋故障診斷方法。

6) 需要探索應(yīng)用振動信號之外的傳感信號來診斷裂紋故障。

2.3 先進發(fā)動機構(gòu)型及先進制備工藝零部件機械故障診斷與預測

2.3.1 GTF構(gòu)型故障失效模式研究、故障預測與診斷

齒輪傳動渦扇(Geared TurboFan,GTF)發(fā)動機的主要構(gòu)型特點是在風扇與增壓級之間安裝有一個齒輪減速器。由此帶來的優(yōu)勢主要為：① 降 低了風扇轉(zhuǎn)速和葉尖速度,降低發(fā)動機噪聲；② 增大發(fā)動機的涵道比,降低了整機油耗和污染排放；③ 減少了壓氣機和渦輪級數(shù)、降低了級負荷；④ 大幅減少發(fā)動機的零部件數(shù)量,從而降低發(fā)動機的價格與使用成本,并提高可靠性。

美國P&W公司于20世紀80年代后期開展了一項用于傳動風扇的行星輪系的發(fā)展、研究工作,研制成一臺減速比約為3∶1,傳遞功率高達24 000 kW,傳動效率達到99.8%的行星齒輪減速器,命名為“清潔動力PW1000G系列發(fā)動機”,并于2016年交付了全世界首款GTF中大型渦扇發(fā)動機。PW1000G的齒輪減速器為星齒輪結(jié)構(gòu),其工作原理如下：齒輪減速系統(tǒng)有一個由低壓渦輪驅(qū)動的中心齒輪(太陽齒輪)作為動力輸入,5個固定的行星齒輪均勻圍繞在太陽輪周邊,這5個行星齒輪被一個齒環(huán)環(huán)繞著,并驅(qū)動齒環(huán)轉(zhuǎn)動。這個齒環(huán)產(chǎn)生的扭矩直接驅(qū)動風扇軸,帶動風扇旋轉(zhuǎn)。采用這種簡單傳動的行星輪系時,輸出軸與輸入軸的轉(zhuǎn)向是相反的,即風扇轉(zhuǎn)子與低壓轉(zhuǎn)子轉(zhuǎn)向相反。

英國航空發(fā)動機制造商羅-羅公司正在研制的超扇 (UltraFan) 發(fā)動機是另一款由歐美主要民用發(fā)動機OEM設(shè)計的GTF渦扇發(fā)動機。UltraFan對標雙通道大型寬體民用寬體客機,設(shè)計輸出功率達7萬馬力(350 000 kW)；從2016年開始已經(jīng)將動力齒輪箱放在姿態(tài)測試臺上模擬飛行條件進行試驗。2017年進行了關(guān)鍵部件動力齒輪箱 (Power Gear Box, PGB) 的首次運行。該齒輪箱也使用五個行星齒輪,傳動比率為4∶1。

GTF構(gòu)型在帶來優(yōu)越的噪聲、排放、和油耗指標的同時,也對故障診斷與健康管理帶來了新的挑戰(zhàn)。GTF構(gòu)型里的變速箱實際上將低壓轉(zhuǎn)子進一步分為了兩個轉(zhuǎn)子：風扇和低壓渦輪。這就導致了GTF構(gòu)型相較傳統(tǒng)發(fā)動機雙轉(zhuǎn)子構(gòu)型更復雜的轉(zhuǎn)子動力學行為。此外,變速齒輪箱的引入帶來了新的轉(zhuǎn)子不連續(xù)性,減重所導致的轉(zhuǎn)子系統(tǒng)柔性增加也會引起其動力學特性的變化。因此,GTF轉(zhuǎn)子系統(tǒng)的故障模式、機理等也會明顯不同于傳統(tǒng)構(gòu)型的轉(zhuǎn)子系統(tǒng)。惠普公司的GTF構(gòu)型發(fā)動機的EHM傳感器較其前一代傳統(tǒng)構(gòu)型發(fā)動機增加了40%,數(shù)據(jù)采集量達到3倍；相應(yīng)地普惠更新了其PHM監(jiān)測算法和系統(tǒng),已具備對于GTF發(fā)動機構(gòu)型全面故障診斷和健康管理的能力。

國內(nèi)洪杰、馬艷紅團隊對于GTF構(gòu)型渦扇發(fā)動機的動力學特性進行了分析。由于設(shè)計參數(shù)和試驗數(shù)據(jù)的匱乏,國內(nèi)針對GTF構(gòu)型的故障動力學特性尚缺乏深入了解,針對GTF轉(zhuǎn)子系統(tǒng)典型故障動力學模型及機理的研究尚未廣泛開展。GTF構(gòu)型EHM研發(fā)重點是：① 低壓轉(zhuǎn)子構(gòu)型改變帶來的新的故障失效模式和相應(yīng)故障動力學特性變化；② 齒輪傳動系統(tǒng)的故障失效模式和相應(yīng)故障動力學特性。齒輪傳動故障特征提取的主要難點在于：

1) 箱體內(nèi)眾多零部件都有可能出故障,包括軸承、齒輪等；而光齒輪故障就有輪齒嚙合不均、齒輪點蝕、齒面偏磨、齒裂紋等眾多類型,軸承故障也包括內(nèi)外圈故障、保持架故障、滾子故障。

2) 不對中、不同心等故障也會在齒輪箱狀態(tài)上有所體現(xiàn)。

3) 各種故障信號混疊在有可能相互重合的頻段內(nèi),對故障檢測和隔離帶來困擾。

4) 而EHM傳感器則受安裝位置、操作限制只能安裝在齒輪箱或者輸入、輸出軸上；故障信號通過傳遞路徑到達傳感器位置時已大幅衰減。

綜上述,GTF構(gòu)型主要研發(fā)需求是：

1) 結(jié)合試驗和強度、動力學分析進行GTF構(gòu)型故障失效模式、影響、及嚴酷度分析(Failure Mode Effect,Criticality Analysis,FMECA),確定故障失效模式,并通過全壽命試驗等進行驗證。

2) 根據(jù)FMECA分析結(jié)果確定故障診斷需求,并決定傳感方案。

3)由于對于不同構(gòu)型下的發(fā)動機數(shù)據(jù)處理偏重有所不同,在新的構(gòu)型下,需要有針對性的開發(fā)相應(yīng)的信號處理算法和系統(tǒng),利用建模仿真信息等,輔助故障特征的提取和故障判別。

4) 開展GTF行星齒輪傳動系統(tǒng)和低壓轉(zhuǎn)子系統(tǒng)典型故障仿真和驗證研究。

5) 開展行星齒輪傳動系統(tǒng)典型故障模擬試驗。行星齒輪傳動系統(tǒng)典型故障模擬試驗在國外已有開展；但針對類似構(gòu)型齒輪傳動箱的故障模擬試驗國內(nèi)尚未開展。即便在歐美等發(fā)達國家,齒輪箱的故障檢測還停留在依賴振動傳感信號作為狀態(tài)信號,且實用的工程解決方案在故障隔離、定位等方面尚與工程需求有差距；一般常用的齒輪箱監(jiān)測方法會采用一個或多個振動傳感器安裝在箱體上,通過時域、頻域信號處理得到齒輪傳動系統(tǒng)故障,包括軸承、齒輪故障等。

6) 探索使用其他類型的傳感器(如扭矩傳感器)進行GTF發(fā)動機機械故障診斷。已有研究者采用聲信號進行齒輪箱故障診斷與隔離、定位；但這類結(jié)果并不常見。

2.3.2 復材和增材零部件故障監(jiān)測

民用發(fā)動機設(shè)計的另一個重要趨勢是先進材料和先進制造工藝的廣泛應(yīng)用,其中先進材料主要是指復合材料,而制造工藝是指增材制造(3D打印)。

航空發(fā)動機風扇段重量在整個發(fā)動機重量中占比很高,在風扇段大規(guī)模使用復合材料已成為現(xiàn)代發(fā)動機發(fā)展的趨勢,也是現(xiàn)代發(fā)動機對高推重比、低噪聲、低油耗、高可靠性和高安全性的要求,GE的Genx和LEAP-X、以及RR的Trent XWB等先進發(fā)動機都采用了復合材料風扇葉片和機匣。葉片等結(jié)構(gòu)的安全直接影響航空發(fā)動機的整體安全,2018年4月17日美國西南航空的B737客機事故就是由于發(fā)動機葉片斷裂引起的非包容性故障,該事故引起了諸多航空公司對該型號發(fā)動機CFM56-7B葉片的恐慌,并啟動了對同型號發(fā)動機葉片的大檢查。

和傳統(tǒng)金屬空心葉片設(shè)計相比復材葉片在故障診斷和健康管理上面提出了新的挑戰(zhàn)：新型航空發(fā)動機所采用的復合材料風扇(特別是葉片)具有結(jié)構(gòu)曲率大(易分層)、離心載荷大(大結(jié)構(gòu)變形使葉片與機匣產(chǎn)生摩擦)、易受外界撞擊(飛鳥、冰雹、石子等)等特點,使得其損傷形式更為復雜,發(fā)動機的安全形式更為嚴峻；此外,復合材料不是各向同性的,其本構(gòu)關(guān)系與制備方式有密切關(guān)系且完全不同于金屬葉片,相應(yīng)的診斷傳感策略和方法都迥異于傳統(tǒng)金屬材料零部件。

目前,航空發(fā)動機健康管理的視情維護中對結(jié)構(gòu)損傷的評估主要有兩種方式：損傷探測和損傷預測。其中,損傷探測主要是指對結(jié)構(gòu)進行拆卸并進行無損探傷；損傷預測是通過分析發(fā)動機工作時部件的工作環(huán)境,結(jié)合材料學、傳熱學和有限元分析理論建立發(fā)動機部件損傷模型、預測其損傷情況。隨著現(xiàn)代傳感器技術(shù)的發(fā)展,將傳感器與發(fā)動機結(jié)構(gòu)進行綜合集成,實時監(jiān)測結(jié)構(gòu)的健康狀態(tài),對結(jié)構(gòu)中可能存在的損傷進行診斷,并發(fā)展基于診斷結(jié)果的視情維護策略,將極大提升發(fā)動機的結(jié)構(gòu)安全。

復合材料的廣泛應(yīng)用極大了促進了復合材料結(jié)構(gòu)實時監(jiān)測技術(shù)的發(fā)展。在民用飛機上,空客已在A350XWB、巴西航空在E190上對復合材料結(jié)構(gòu)健康監(jiān)測技術(shù)進行了飛行驗證。巴西航空并已將基于結(jié)構(gòu)健康監(jiān)測的視情維護策略寫入其維護大綱中。美國Sandia國家實驗室和FAA正在開展對部分結(jié)構(gòu)健康監(jiān)測技術(shù)的適航符合性驗證。羅-羅公司通過Advance項目和UltraFan項目在下一代航空發(fā)動機復合材料風扇葉片尖端安裝光纖傳感器監(jiān)測葉片與機匣的間隙防止碰撞發(fā)生,并進行葉尖記時并以此計算葉片的損傷狀況,實時評估發(fā)動機風扇健康狀態(tài)；國內(nèi)的劉鵬鵬、Lin等分別基于靜電監(jiān)測和渦流監(jiān)測發(fā)展了葉片尖端碰撞故障監(jiān)測系統(tǒng)。

綜上所述,研究者們已采用單項傳感技術(shù)對復合材料風扇葉片的監(jiān)測進行了諸多探索。隨著現(xiàn)代傳感技術(shù)和信息技術(shù)的不斷發(fā)展,采用多源、多物理場、分布式傳感網(wǎng)絡(luò)采集發(fā)動機復合材料風扇結(jié)構(gòu)在全壽命周期的傳感數(shù)據(jù),探索信息融合技術(shù)綜合處理結(jié)構(gòu)狀態(tài)信息和損傷信息,對發(fā)動機復合材料風扇進行在線和在翼綜合監(jiān)測與評估是未來航空發(fā)動機應(yīng)用復合材料的主要發(fā)展方向。

除了復合材料,航空發(fā)動機制造商和零部件供應(yīng)商已經(jīng)將增材制造技術(shù)用于開發(fā)商業(yè)化的零部件。和傳統(tǒng)金屬加工方法相比,增材制造使整體化設(shè)計和階梯功能性設(shè)計成為可能,并降低了原材料成本、減少了工裝準備時間、實現(xiàn)了近凈成形。增材制造技術(shù)還能夠用于產(chǎn)品修復,進而降低了產(chǎn)品生命周期的整體成本。金屬增材制造技術(shù)非常適用于制造發(fā)動機中具有輕量化要求的復雜構(gòu)件,特別是帶有內(nèi)部油路、管路的構(gòu)件,具有復雜凸緣或凸臺、復雜翼型的構(gòu)件,具有封閉或開孔蜂窩結(jié)構(gòu)的構(gòu)件和集成異形通路的構(gòu)件；從另一個角度講,增材制造技術(shù)適用于制造固有動力學特性復雜、故障模式也相對復雜的零部件。

3D增材制造的主要問題之一是部件質(zhì)量一致性差,導致性能分散度遠大于傳統(tǒng)冶金制造工藝。在發(fā)動機增材制造部件的變形失效機理、強度壽命預測等方面尚未開展系統(tǒng)研究和驗證,增材制造部件中材料多尺度微觀組織結(jié)構(gòu)不清楚；截至目前典型服役載荷環(huán)境下部件內(nèi)應(yīng)力還不清楚,尚未掌握原始缺陷對材料強度、疲勞行為的影響機理和規(guī)律。這就導致傳統(tǒng)零部件的故障診斷方法不適用于3D打印件。由于增材技術(shù)在航空發(fā)動機制造上的應(yīng)用還處于起步階段,增材制造的零部件從制造過程的監(jiān)控到增材零部件本身的缺陷、故障失效模式、檢測(涵蓋離線無損監(jiān)測和在線基于狀態(tài)的故障監(jiān)測)在國內(nèi)都還是空白。

在增材零部件的故障診斷和檢測上,國內(nèi)需要及時投入,梳理增材零、部件故障診斷與壽命預測需求,在相關(guān)傳感領(lǐng)域和算法開發(fā)關(guān)鍵技術(shù)上持續(xù)投入以滿足國內(nèi)增材零部件的監(jiān)測、診斷需求。

2.4 滑油系統(tǒng)的故障診斷與預測及融合診斷

發(fā)動機機械旋轉(zhuǎn)部件的摩擦和磨損是降低發(fā)動機性能和預期壽命的最重要因素?；拖到y(tǒng)及其滑油品質(zhì)直接決定了旋轉(zhuǎn)部件的摩擦和磨損狀態(tài)?；椭心p屑末攜帶豐富的發(fā)動機零部件磨損和滑油品質(zhì)性能的重要信息,不僅可以直接反映發(fā)動機軸承及傳動系統(tǒng)等磨損狀態(tài),而且可以進一步預測磨損的變化趨勢,盡早發(fā)現(xiàn)發(fā)動機機械故障。金屬屑末的數(shù)量和屑末顆粒和體積監(jiān)測可以協(xié)助判斷故障損傷是否發(fā)生,并反映了機械磨損和故障的程度；因而,滑油系統(tǒng)在發(fā)動機狀態(tài)監(jiān)測和故障診斷方面的作用越來越大,并作為整機機械健康監(jiān)測的重要組成部分得到廣泛關(guān)注和深入研究。

20世紀末歐盟相關(guān)國家在EuroFighter Ground Support System 研究項目中以EJ200 發(fā)動機為背景開發(fā)了地面和機載監(jiān)視系統(tǒng)并取得了成功,近年來又開展了一系列針對滑油系統(tǒng)的攻關(guān)計劃,如2001—2011年歐洲開展的ATOS (Advanced Transmission and Oil System) 計劃和2011年至今開展的ELUBSYS (Engine Lubrication System Technology) 計劃,旨在獲得更佳性能的滑油系統(tǒng)以及滑油健康監(jiān)視系統(tǒng)。目前美國最先進的第4代發(fā)動機在傳統(tǒng)的屑末報警分析、光譜分析、參數(shù)分析的基礎(chǔ)上,增加了靜電傳感器在線檢測顆粒度、振動傳感器檢測附件機匣、應(yīng)力波檢測主軸承等新項目,并將其系統(tǒng)化融入發(fā)動機健康管理系統(tǒng)。

發(fā)動機滑油系統(tǒng)的故障診斷與預測及融和診斷方面的工作劃分為

1) 滑油系統(tǒng)的在線診斷與預測方法: ① 滑油系統(tǒng)控制作動、滑油泵、及油濾組件等的在線監(jiān)測。② 滑油金屬屑末監(jiān)測。③ 滑油品質(zhì)監(jiān)測。

2) 滑油油樣檢測：① 滑油金屬屑末監(jiān)測。② 滑油品質(zhì)監(jiān)測。

3) 滑油系統(tǒng)故障仿真

2.4.1 滑油系統(tǒng)的在線故障診斷與預測研究

國內(nèi)雖然掌握了一些滑油系統(tǒng)的檢測手段,但在商用發(fā)動機滑油系統(tǒng)監(jiān)測方面,還缺少整機發(fā)動機的臺架測試和飛行使用經(jīng)驗,尚未形成一個完整檢測與監(jiān)測體系。因此,亟需對各種檢測/監(jiān)測手段進行歸納、整理、研究,同時加強對新型的基于光、電和化學傳感原理的在線傳感器的研究,以獲得全流域的滑油碎屑顆粒監(jiān)測和滑油品質(zhì)性能在線評估,以適應(yīng)發(fā)動機健康管理系統(tǒng)的需要,為發(fā)動機視情維護奠定基礎(chǔ)。

國內(nèi)自2000年開始研發(fā)航空發(fā)動機滑油故障診斷專家系統(tǒng)。侯勝利、王威等提出了基于遺傳編程的發(fā)動機滑油系統(tǒng)故障診斷,利用遺傳編程從原始特征集中提取更能反映故障本質(zhì)的復合特征,然后通過Fisher判別分析進行二次特征提取得到對分類識別最有效、數(shù)目最少的特征。在神經(jīng)網(wǎng)絡(luò)的分類試驗中,經(jīng)過遺傳編程和Fisher判別分析提取的特征使樣本集的可分性增大,分類正確率大大提高且顯示出較強的魯棒性。文獻[108-110]基于小波神經(jīng)網(wǎng)絡(luò)航空發(fā)動機滑油系統(tǒng)故障診斷方法進行了研究,結(jié)果顯示小波網(wǎng)絡(luò)應(yīng)用于故障診斷時收斂速度快,為非線性系統(tǒng)的故障診斷提供了新的理論和方法。任忠朝初步探討了狀態(tài)監(jiān)視系統(tǒng)在航空發(fā)動機試車臺上的應(yīng)用。張東峰等研究了基于集成智能算法的發(fā)動機滑油系統(tǒng)融合診斷。許偉、王曉剛等分別將統(tǒng)計診斷理論(包括貝葉斯理論)用于航空發(fā)動機滑油系統(tǒng)故障診斷。文獻[115-118]分別將故障樹分析應(yīng)用于發(fā)動機滑油系統(tǒng)故障診斷中,涵蓋了模糊故障樹和擴展故障樹。梁茂宗等使用DS證據(jù)理論決策層融合結(jié)構(gòu)融合了4種經(jīng)典信息融合算法,對滑油系統(tǒng)典型故障進行診斷。

2.4.2 滑油品質(zhì)檢測和屑末監(jiān)測

滑油油樣檢測是相對成熟的技術(shù),實驗室檢測滑油油樣指標主要包括粘度(Viscosity)、氧化度(Oxidation)、酸粒子數(shù) (Total Acid Number, TAN)及pH值、水含量等理化指標。每一個指標可視為是一個狀態(tài)指示,一般每個指標都有一個正常值范圍。以黏度為例,粘度是滑油的關(guān)鍵性能指標,黏度太大有可能導致被潤滑表面滑油太少導致燒蝕,黏度太小則滑油承載能力太差導致金屬表面直接接觸而導致燒蝕；所以,健康的滑油黏度是在一個范圍內(nèi),過低或者過高都需要報警。而氧化度、水含量、酸粒子數(shù)等指標則只有一個超限值,也就是說不存在“過低”報警閾值。和其它系統(tǒng)報警值類似,閾值是基于大量運維數(shù)據(jù)由統(tǒng)計方法確定。滑油油樣檢測在發(fā)動機EHM里應(yīng)用的難點是如何與其他系統(tǒng)狀態(tài)指示及其特征融合以得到綜合的系統(tǒng)、子系統(tǒng)健康評估。除了油樣檢測,輕質(zhì)化的多功能滑油狀態(tài)在線監(jiān)測傳感器將提供目前不具備的航空發(fā)動機油品實時監(jiān)測能力。

離線的工業(yè)滑油油樣檢測報告一般會涵蓋基于光譜分析的金屬屑末檢測?；推焚|(zhì)檢測主要關(guān)注以粘度、氧化度、酸度為代表的滑油性能的退化。而金屬屑末檢測項目里除了滑油性能添加劑(比如工業(yè)潤滑劑里經(jīng)常添加的鋇),并不與滑油性能直接相關(guān)。發(fā)動機零部件(包括軸承、齒輪、軸、聯(lián)軸器等)的磨損、退化總是伴隨著金屬屑末的產(chǎn)生；即便在軸承、齒輪故障的早期階段,微細的金屬屑末也會進入滑油。因而,發(fā)動機滑油金屬屑末檢測本質(zhì)上是一種機械故障指示(Condition Indicator, CI),在發(fā)動機機械故障診斷中起著重要作用?，F(xiàn)代的離線光譜金屬分析手段可以檢測出微量的滑油金屬并加以區(qū)分,進而甄別發(fā)動機磨損部件。通過將滑油金屬屑末監(jiān)測的結(jié)果與振動監(jiān)測結(jié)果融合,可以提高發(fā)動機機械故障診斷精度。

常用的油液金屬屑末光譜檢測方法有原子發(fā)射光譜分析法、原子吸收光譜分析法、X 射線熒光光譜分析法等。其它油液金屬屑末分析方法還有鐵譜分析法、電鏡掃描-能譜分析法及自動顆粒計數(shù)法等。

金屬屑末檢測可以采用所謂的“磁堵”；“磁堵”顧名思義利用安裝在回油路中或者附件或傳動齒輪箱中的磁性屑末收集器吸附滑油中的金屬碎屑,通過定期對磁性探頭上的屑末樣品進行分析可以揭示發(fā)動機機械系統(tǒng)磨損狀況。磁堵也可以直接聯(lián)接金屬屑末報警控制電路在必要時提供實時在線報警。顯然,只有在磁性探頭在一定期限內(nèi)收集到一定量的鐵磁性屑末后系統(tǒng)才有可能報警。因而該方法僅在金屬屑末體積比較大(>100 μm)或者屑末數(shù)量比較大時才會有效,因而更適用于中晚期的機械故障診斷與報警；獨立采用磁堵進行故障報警不適用于發(fā)動機早期故障。

滑油鐵譜分析是利用高梯度強磁場的原理,將滑油中的磨損顆粒分離出來,這些磨粒按一定的規(guī)律排列在譜片上,然后通過鐵譜顯微鏡來觀察滑油中金屬顆粒的大小、形狀和分布規(guī)律,并以此來分析判斷發(fā)動機內(nèi)部的磨損情況。鐵譜分析技術(shù)有效的顆粒分析范圍是1～100 μm?？梢圆捎脦в心茏V儀(Energy Density System, EDS)的掃描電子顯微鏡對磁堵收集的磨損顆粒進行分析,利用電鏡分析對其尺寸、形狀及表面特征,進而判斷磨損機制；根據(jù)能譜確定材料成分并確定材料牌號進而完成故障零部件定位。磨損顆粒的大小、形狀、及表面特征等也揭示了相應(yīng)零部件的損傷嚴重性。

上述的光譜金屬屑末和磁堵金屬屑末分析都限于由于漸進性磨損引起的比較小的金屬屑末分析,突發(fā)機械故障和中晚期發(fā)動機機械故障會引發(fā)比較大的金屬顆粒,針對這類金屬顆粒的分析需要借助于能量色散X 射線熒光光譜分析或者在線大顆粒監(jiān)控金屬掃描儀。

SAE專門為航空發(fā)動機滑油系統(tǒng)監(jiān)測發(fā)布了一系列AIR1828系列報告。在2018年4月發(fā)布的AIR1828C第7章專門討論滑油屑末監(jiān)測；在這個報告中,滑油金屬屑末檢測方法被分類為兩大類：基于定期采集滑油油樣的離線分析 (Off-line)和在線 (On-line) 屑末檢測。在線滑油金屬屑末傳感裝置又被進一步分為以下幾類：① 磁堵 (Magnetic Chip Collector) 和電子磁堵(Electric Chip Detector); ② 金屬顆粒計數(shù)器 (Pulsed Electric Chip Detector); ③ 篩網(wǎng)式全流量金屬屑末檢測器 (Screen-type Full-flow Debris Monitor); ④ 離心式屑末分離器 (Centrifugal Debris Separator); ⑤ 感應(yīng)顆粒計數(shù)器/收集器/檢測器 (Inductive Particle Counter/Collector/Monitor); ⑥ 感應(yīng)金屬顆粒計數(shù)器/收集器 (Inductive Ferrous Particle Sensor/Collector); ⑦ 靜 電滑油顆粒計數(shù)器 (Electrostatic Oil Debris Monitor)。該SAE報告也涵蓋了與滑油金屬屑末相關(guān)的油濾屑末分析及滑油品質(zhì)分析。

Toms等給出了一個基于油濾屑末分析的航空發(fā)動機視情維護案例在J52發(fā)動機上成功應(yīng)用的案例。孫衍山等詳細總結(jié)分析了超聲檢測技術(shù)、光學檢測技術(shù)、電磁檢測技術(shù)和能量檢測技術(shù)等在航空發(fā)動機滑油磨粒在線監(jiān)測中的技術(shù)適用性。林凱等提出了由滑油金屬屑末傳感器、金屬屑末信號處理機、金屬屑末信號解析算法和診斷單元組成的在線滑油金屬屑末檢測系統(tǒng),通過仿真驗證了該系統(tǒng)能夠穩(wěn)定檢測到直徑 100～900 μm 的滑油金屬屑鐵磁、非鐵磁顆粒。

不論是基于離線滑油屑末監(jiān)測的、或者在線的金屬顆粒計數(shù)的發(fā)動機機械故障診斷與預測,其報警閾值的都通過實測數(shù)據(jù)統(tǒng)計分析得到。滑油屑末監(jiān)測、分析較傳統(tǒng)發(fā)動機振動監(jiān)測和分析更為復雜,體現(xiàn)在狀態(tài)指示的多維度：① 屑末數(shù)量在多個體積范圍內(nèi)報告；② 可以得到各種不同金屬的濃度測量結(jié)果；③ 可以得到屑末表面、形狀特征等。有效充分地利用滑油屑末分析結(jié)果可以協(xié)助判斷機械故障的發(fā)生并將故障隔離到零部件水平。

基于屑末監(jiān)測的發(fā)動機故障診斷算法和邏輯的開發(fā)除了判斷故障是否發(fā)生、故障程度、及故障隔離,融合金屬屑末CI和基于振動信號的CI以得到準確的機械故障診斷和隔離結(jié)論也是一個重要的任務(wù)。陳果等研究了基于圖像識別的航空發(fā)動機滑油濾磨屑檢測技術(shù),利用核主成分分析對滑油濾圖像進行特征提??；運用二維最大熵遺傳算法對滑油濾磨屑圖像進行閾值分割并提取圖像特征量,并采用多元回歸分析法確定了圖像特征量與磨損烈度值之間的線性關(guān)系。該發(fā)動機滑油濾磨屑分析診斷系統(tǒng)已被成功應(yīng)用于某型航空發(fā)動機的外場滑油濾監(jiān)控。陳果團隊還采用神經(jīng)網(wǎng)絡(luò)規(guī)則提取方法得到了發(fā)動機磨損故障的診斷規(guī)則,并應(yīng)用 DS證據(jù)理論實現(xiàn)發(fā)動機磨損故障的融合診斷。Shang等采用小波分析方法對在線金屬屑末傳感信號進行降噪處理,從而排除了振動對傳感信號的干擾并準確地提取出金屬屑末體積信息。張建等采用支持向量機分類算法處理鐵譜分析數(shù)據(jù),實現(xiàn)發(fā)動機磨損診斷,并提出采用免疫算法進行支持向量機懲罰因子、松弛變量及核函數(shù)參數(shù)優(yōu)化。

2.4.3 滑油系統(tǒng)故障仿真

滑油系統(tǒng)故障建模主要有兩個途徑：基于物理原理的建模和基于數(shù)據(jù)的建模。基于物理原理的滑油系統(tǒng)故障建模常用的商業(yè)軟件平臺有AMESim、Flowmaster、MATLABSimulink、SimulationX等。AMESim(Advanced Modeling Environment for Simulations of engineering systems) 是一款目前比較先進的系統(tǒng)工程高級建模和仿真平臺。AMEsim 是IMAGINE 公司于1995 年推出的專門用于一維流體系統(tǒng)仿真的軟件包,可用于液壓/機械系統(tǒng)的建模、仿真及動力學分析。AMESim 使用圖標符號代表各種系統(tǒng)的元件, 這些圖標符號要么是國際標準組織如工程領(lǐng)域的ISO 為液壓元部件確定的標準符號,或為控制系統(tǒng)確定的方塊圖符號。AMESim 已經(jīng)在國際、國內(nèi)成為主流的流體動力、機械、熱流體和控制系統(tǒng)仿真解決方案。Flowmaster由英國Flowmaster公司開發(fā),目前隸屬于Mentor Graphic公司。Flowmaster是另一款面向工程的一維流體建模、解算平臺,可以對流體系統(tǒng)進行瞬態(tài)和穩(wěn)態(tài)分析。MATLABSimulink是美國Mathworks公司推出的可視化仿真工具。Simulink是一個模塊圖環(huán)境,用于多域仿真及基于模型的設(shè)計。MATLABSimulink得到廣泛重視始于其強大的動力系統(tǒng)仿真和控制模塊設(shè)計能力,最近這一二十年Simulink也越來越多地被用于一維流體系統(tǒng)模擬。SimulationX是多學科領(lǐng)域建模、仿真和分析的通用CAE工具,具有強大的標準元件庫,元件庫包括：1D力學、3D多體系統(tǒng)、動力傳動系統(tǒng)、流體力學、熱力學、電子電磁、控制等。

AMESim已被廣泛應(yīng)用于滑油系統(tǒng)、燃油系統(tǒng)、液壓伺服系統(tǒng)的性能、故障建模與仿真。白杰等在AMESim中搭建發(fā)動機滑油系統(tǒng)模型,并針對供油子系統(tǒng)中的油濾、活門等進行故障注入,得到油濾堵塞、單向活門卡滯、旁通活門彈簧松弛、泄壓活門預緊力不足等典型故障與壓力、流量等狀態(tài)指示之間的關(guān)系。高久好等建立了某傳動裝置潤滑系統(tǒng)的仿真模型,在AMESim軟件中分析了該潤滑系統(tǒng)的最小需求流量、行星輪軸承的工作參數(shù)和結(jié)構(gòu)參數(shù)對潤滑性能的影響等。并找到了行星輪軸承潤滑故障的原因,提出了改進的技術(shù)措施。MATLABSimulink也已被廣泛應(yīng)用于飛機、發(fā)動機滑油系統(tǒng)、燃油系統(tǒng)的性能、故障建模與仿真。閆星輝等在MATLAB/Simulink環(huán)境下開發(fā)了滑油系統(tǒng)通用模塊庫,構(gòu)建了系統(tǒng)仿真模型,完成了高溫起飛工況下的實例計算,并與GasTurb發(fā)動機模型進行了聯(lián)合仿真。除了單一環(huán)境下的故障仿真研究,研究者們也通過同時采用AMESim模擬流場、采用Simulink仿真系統(tǒng)作動系統(tǒng)和系統(tǒng)響應(yīng)對發(fā)動機滑油、燃油系統(tǒng)特性和控制進行了仿真研究。包涵等采用Flowmaster 軟件對直升機滑油系統(tǒng)閥門開閉時間和泵的啟停對壓力脈動的影響進行了分析。王常亮等開展了基于SimulationX 的可調(diào)靜子導葉機械滯后效應(yīng)系統(tǒng)仿真,提出了一種新的故障模式,并通過臺架試驗完成了驗證。

上述的AMESim、MATLABSimulink、Flowmaster、SimulationX等平臺建模都是基于物理原理,基于數(shù)據(jù)的建模則主要有兩種形式：自回歸模型和神經(jīng)網(wǎng)絡(luò)建模。劉振剛和郭政波通過遞推最小二乘法辨識方法,針對計量活門控制裝置具有結(jié)構(gòu)復雜、強非線性的特點,選取Hammerstein模型作為該裝置的預選模型建立了渦扇發(fā)動機的主燃油系統(tǒng)的Hammerstein 模型,并用試飛數(shù)據(jù)驗證了數(shù)據(jù)處理和辨識算法的可行性；本文獻的方法原理上也適用于類似滑油子系統(tǒng)建模。馬明明基于大量試飛數(shù)據(jù),采用人工神經(jīng)網(wǎng)絡(luò)方法建立了發(fā)動機滑油系統(tǒng)全工作過程的模型,并在試飛中應(yīng)用滑油模型進行狀態(tài)監(jiān)控,實現(xiàn)了滑油參數(shù)實時趨勢監(jiān)控,表明基于該模型的實時趨勢監(jiān)控是可行的、實用的。曹惠玲等將SOM(Self-organizing feature Map)神經(jīng)網(wǎng)絡(luò)用于航空發(fā)動機滑油系統(tǒng)故障檢測研究,合理使用了滑油系統(tǒng)的QAR 數(shù)據(jù)并利用SOM 網(wǎng)絡(luò)對訓練樣本數(shù)據(jù)分類的特性,建立了滑油系統(tǒng)的故障檢測模型；用實際樣本數(shù)據(jù)對模型進行測試,結(jié)果驗證了模型的有效性。劉淵等提出基于執(zhí)行機構(gòu)模型和發(fā)動機燃油逆映射模型的故障診斷方法,采用ELM 建立了精確的逆映射模型,并針對執(zhí)行機構(gòu)回路中的各種常見故障進行了半物理仿真試驗,所提出的故障診斷方法已經(jīng)通過半物理仿真試驗驗證；且軟件實現(xiàn)方便、實時性好,對提高系統(tǒng)可靠性具有重要作用。

綜上述,滑油系統(tǒng)故障診斷與預測的未來需求和發(fā)展方向為:

1) 研究滑油品質(zhì)性能退化特征(如氧化度、屑末含量和水分含量)與滑油性能參數(shù)(黏度等)耦合模型,發(fā)展先進的基于滑油理化特性、光電磁特性變化的滑油功能失效的接觸式和非接觸式監(jiān)測和評估方法,建立基于滑油性能退化表征參數(shù)(黏度和介電常數(shù))的滑油剩余壽命預測方法。

2) 研究全流域滑油碎屑光/電/磁感應(yīng)與監(jiān)測機理,建立基于碎屑多種維度(質(zhì)量、形狀、材料特性)和多種評價指標(運輸效率、捕獲效率、檢測概率)有機綜合的碎屑探測靈敏度模型,發(fā)展不同性質(zhì)不同顆粒的鐵磁性和非鐵磁性碎屑的定量計數(shù)和定性分類方法,構(gòu)建基于全流域碎屑長期監(jiān)測數(shù)據(jù)的發(fā)動機機械部件失效模式識別、磨損狀態(tài)評估和壽命預測方法。

3) 開發(fā)輕質(zhì)化的多功能滑油狀態(tài)在線監(jiān)測傳感器。

4) 開發(fā)滑油系統(tǒng)、燃油系統(tǒng)、空氣系統(tǒng)、機械系統(tǒng)聯(lián)合故障導入仿真能力,并試驗驗證。這將提升對于滑油系統(tǒng)故障特征的理解,并為融合診斷提供數(shù)據(jù)。

5) 開發(fā)振動故障指示、滑油金屬屑末(涵蓋屑末指示和油濾壓差等狀態(tài)指示)故障指示故障融合算法,得到基于兩者的高精度HI(Health Indicator)。

3 EHM控制系統(tǒng) (FADEC) 故障診斷與預測

3.1 FADEC故障監(jiān)測背景

航空發(fā)動機是一種強非線性、時變、復雜的氣動熱力學系統(tǒng),而作為發(fā)動機的核心組成部分,控制系統(tǒng)的目標是使發(fā)動機在整個飛行包線內(nèi)能可靠和穩(wěn)定地工作,并且充分發(fā)揮其性能效益。隨著航空發(fā)動機的飛速發(fā)展,性能日益提升,對可靠性的要求也越來越高,傳統(tǒng)的液壓機械式控制系統(tǒng)已經(jīng)難以滿足現(xiàn)代航空發(fā)動機的要求。目前,全權(quán)限數(shù)字電子控制系統(tǒng) (Full Authority Digital Engine Control, FADEC)已被廣泛使用于現(xiàn)代航空發(fā)動機控制系統(tǒng)。與傳統(tǒng)的液壓控制系統(tǒng)相比,FADEC系統(tǒng)具有控制精確,控制模態(tài)改變簡易等十分明顯的優(yōu)勢。FADEC系統(tǒng)對于發(fā)動機從起動、加速到最大狀態(tài),再減速到停車具有全部控制權(quán)限,系統(tǒng)不僅要保證發(fā)動機具有良好的運行性能,還要通過眾多傳感器來監(jiān)視發(fā)動機狀態(tài),進行健康管理,保證發(fā)動機的安全運行。

FADEC系統(tǒng)發(fā)展至今,以GE GP7000的控制系統(tǒng)為代表的民用第III代FADEC系統(tǒng)采用了先進的故障診斷及處理技術(shù),容許單參數(shù)故障和各類多參數(shù)故障,而不會對發(fā)動機的工作造成不利影響。未來的FADEC系統(tǒng)將朝著全面故障診斷、預測與健康管理 (PHM) 方向發(fā)展演變,這對提高飛行安全、減少維修人力、增加出動架次率、實現(xiàn)基于狀態(tài)的維修 (CBM) 和自主式保障有著重要作用。2011—2015年間CFM56-5B世界機隊可靠性統(tǒng)計數(shù)據(jù)的分析表明,導致CFM56-5B發(fā)動機機隊延誤/取消的原因中,控制系統(tǒng)故障達到總故障數(shù)的29%,近三分之一。因此,需要對標國外第III代FADEC系統(tǒng),同時考慮未來FADEC的發(fā)展方向,對故障率較高的控制系統(tǒng)的診斷技術(shù)研究進行梳理。通過控制系統(tǒng)故障診斷技術(shù)的研究以及成果轉(zhuǎn)化應(yīng)用,并輔以適宜的維護和維修策略,不僅能夠大幅減少控制系統(tǒng)排故時間,還可以減少發(fā)動機機隊的延誤和取消,顯著提高發(fā)動機的可派遣率,從而為航空公司創(chuàng)造經(jīng)濟價值。

FADEC控制系統(tǒng)包括電子控制器EEC (Engine Electronic Control)、液壓機械裝置HMU、作動部件和傳感器。現(xiàn)階段的作動部件主要是電液伺服執(zhí)行機構(gòu),它包含電液伺服閥、液壓作動筒以及相連的機械結(jié)構(gòu)等。數(shù)字電子控制系統(tǒng)基于傳感器測量信號,通過電子控制器計算出當前工作狀態(tài)下控制量的指令信號,并通過執(zhí)行機構(gòu)驅(qū)動實際控制量,進而改變被控對象的工作狀態(tài)。因而,數(shù)字控制系統(tǒng)的正常工作,與得到準確的傳感器測量信號與執(zhí)行機構(gòu)能正確執(zhí)行控制指令都密不可分。如果傳感器發(fā)生故障,將給電子控制器提供錯誤的信息,以致輸出錯誤指令,或者雖然指令正確,卻由于執(zhí)行機構(gòu)故障而錯誤地操作控制量,這些情況都會影響被控對象的性能,甚至引起災難性的后果。因此,FADEC系統(tǒng)故障診斷的技術(shù)問題可以總結(jié)歸納為由大量的電子元件、傳感器和執(zhí)行機構(gòu)組成的數(shù)字電子控制系統(tǒng)故障診斷技術(shù)。但由于FADEC系統(tǒng)是一個分布在整個發(fā)動機上的復雜系統(tǒng),而航空發(fā)動機又長期處于高溫高壓、復雜多變的工作環(huán)境,因此FADEC系統(tǒng)各部件的故障類型多種多樣,故障在部件間的傳播路徑和模式非常復雜,故障可能會出現(xiàn)在系統(tǒng)的各個層級且互相耦合,這就對故障發(fā)生后的診斷技術(shù)提出了極大挑戰(zhàn)。

作為FADEC必不可少的組成部分, EEC的性能和可靠性是發(fā)動機性能和運行安全的重要保證。由于傳感器位于發(fā)動機各個位置,其工作環(huán)境不同、原理各異,使得數(shù)字電子控制器(EEC)的接口電路和信號調(diào)理電路的結(jié)構(gòu)和功能復雜。隨著航空發(fā)動機技術(shù)的發(fā)展,EEC的功能和復雜度還在持續(xù)增加,其發(fā)生故障的概率也隨之增加。當前對電子控制器的故障檢測,主要依賴BIT (Built-In-Test)機內(nèi)測試技術(shù)來實現(xiàn)。早在20世紀80年代,美軍方就認識到了BIT 及外部測試對維修性有著重大影響,并可影響武器系統(tǒng)的采購及壽命周期費用。在民機方面,國外也大量采用了BIT技術(shù),例如波音公司為了減少機載設(shè)備維修時間、降低維修費用便在其客機的設(shè)計中大量采用BIT技術(shù),使波音747、757、767等客機的故障隔離時間和維修時間大大縮短,提高了飛機的工作可靠性。

傳感器是電子控制器的主要信息來源,傳感器故障是指發(fā)動機傳感器不能提供與實際參數(shù)相符的測量值。航空推進系統(tǒng)中,大量的傳感器工作在在惡劣的環(huán)境下,工作過程中會受到許多干擾,例如電磁干擾、噪聲、元件老化,發(fā)動機性能退化等,這些都會對傳感器的故障分析造成困難。傳感器一旦發(fā)生故障, 輕則使控制系統(tǒng)的性能下降, 重則導致災難性后果,如美國宇航局在一次地面試驗中, 由于發(fā)動機燃燒室控制回路中壓力傳感器的失效發(fā)生了爆炸事故。2009年6月1日法航的A330-203客機與2018年2月11日俄羅斯薩拉托夫航空公司安-148客機事故都與空速管失效有關(guān)。2014年7月24日,發(fā)動機壓力傳感器失靈直接導致一起阿爾及利亞航空空難,機組人員和乘客116人全部遇難。雖然依賴BIT自檢測能夠檢出一些傳感器信號突變的“硬”故障,但對于緩慢變化的“軟”故障,傳統(tǒng)的BIT檢測方法則無能為力。未被檢測出的傳感器“軟”故障寄生在發(fā)動機控制系統(tǒng)中,經(jīng)過一定時間的發(fā)展,會變成具有巨大破壞力的“罪魁禍首”,正如前文中提到的空難原因。因此,由于傳感器“早發(fā)生-早診斷”的要求對故障診斷的精度和正確率都提出了高要求。

由于發(fā)動機經(jīng)常工作在過渡狀態(tài)且工作范圍寬廣,使得傳感器信號本身具有豐富的動態(tài)成分。而且信號獲取路徑上受到的各種噪聲干擾以及發(fā)動機部件個體差異與性能退化等因素影響,都會使傳感器測量信號的信噪比降低,給故障信號的提取增加難度。由于故障信號和干擾信號二者的頻譜混疊,也無法通過傳統(tǒng)的信號處理方法增強信噪比。此外,傳感器信號漂移故障在早期的幅值變化通常較小,要待其積累到一定程度后,才會影響控制系統(tǒng)的輸出,從而威脅發(fā)動機的安全運行。正因如此,傳感器“軟”故障診斷方法的研究一直是國內(nèi)外關(guān)注的焦點。

發(fā)動機執(zhí)行機構(gòu)執(zhí)行電子控制器命令,調(diào)節(jié)各控制量,實現(xiàn)對發(fā)動機控制。電液伺服作動機構(gòu)是現(xiàn)代航空發(fā)動機廣泛使用的一種執(zhí)行機構(gòu),例如燃油計量裝置,可變幾何面積結(jié)構(gòu)等。電液伺服機構(gòu)故障是另一類主要的控制系統(tǒng)故障。同樣,BIT自檢測雖然有輸出回路檢測功能用于在線診斷執(zhí)行機構(gòu)故障,但檢測效果并不能滿足發(fā)動機可靠性的要求。目前應(yīng)用較為廣泛的殘差檢驗方法,是根據(jù)執(zhí)行機構(gòu)模型輸出與測量輸出之間的殘差構(gòu)造故障診斷邏輯。但是,當LVDT傳感器出現(xiàn)故障時,殘差檢驗法并不能將其與執(zhí)行機構(gòu)自身故障實現(xiàn)故障隔離。為此,執(zhí)行機構(gòu)故障診斷必須能將執(zhí)行機構(gòu)故障和LVDT傳感器故障分離開來,以便分別采取不同的容錯控制策略,以保證發(fā)動機控制系統(tǒng)的安全運行。

3.2 FADEC系統(tǒng)故障診斷方法國內(nèi)外研究現(xiàn)狀

航空發(fā)動機控制系統(tǒng)故障診斷早期采用基于硬件冗余的故障診斷方法,例如三冗余傳感器的表決邏輯,通過傳感器數(shù)據(jù)的兩兩對比,能夠?qū)l(fā)生故障的傳感器檢測并隔離出來。硬件冗余雖可有效提高系統(tǒng)可靠性,但會增加系統(tǒng)的復雜性。在這樣的情況下,利用由解析數(shù)學模型產(chǎn)生冗余信號的故障診斷逐漸發(fā)展起來。

美國麻省理工學院的Beard于1971年首先提出用解析冗余代替硬件冗余,基于檢測濾波器方法研究復雜線性系統(tǒng)的傳感器和執(zhí)行機構(gòu)的故障重構(gòu)問題。1974年,Wallhagen和Arpasi采用傳感器的解析余度技術(shù)進行故障診斷,提高了發(fā)動機控制系統(tǒng)的可靠性。Wells和Silva提出了利用貝葉斯假設(shè)方法實現(xiàn)發(fā)動機傳感器故障檢測的方法,并且首次將解析余度技術(shù)成功應(yīng)用于渦輪發(fā)動機。Willsky和Jones于1976年將廣義似然比方法用于線性隨機系統(tǒng)的故障檢測與診斷。20世紀70年代末,Corley和Spang提出故障指示與校正作用(Failure Indication and Corrective Action,FICA)系統(tǒng)并獲得廣泛應(yīng)用,FICA系統(tǒng)用擴展卡爾曼濾波器(Extend Kalman Filter,EKF)及機載的發(fā)動機實時模型產(chǎn)生狀態(tài)估計和殘差,基于殘差構(gòu)建故障檢測邏輯判斷硬故障產(chǎn)生,并用濾波器估值實現(xiàn)容錯,但此系統(tǒng)不能檢測漂移類故障。

20世紀80年代中期開始,美國相關(guān)學者將研究重心轉(zhuǎn)移到傳感器軟故障方面。在美國科研機構(gòu)展開的關(guān)于發(fā)動機控制系統(tǒng)故障檢測、隔離與重構(gòu)(Fault Detection Isolation and Accommodation, FDIA) 的一系列研究中,NASA Lewis研究中心的ADIA (Advanced Detection Isolation and Accommodation) 計劃全面總結(jié)了當時的各種適用于航空發(fā)動機的傳感器FDIA算法,并在此基礎(chǔ)上構(gòu)建了多個卡爾曼濾波器(Kalman Filter, KF),基于解析余度的思想,檢測傳感器故障,且重點研究傳感器軟故障問題。該計劃已在F100等發(fā)動機上得到成功驗證。Kobayashi等利用基于數(shù)學模型的方法,在發(fā)動機傳感器、執(zhí)行機構(gòu)與部件故障方面進行了更為深入的研究。與前期的研究相比,該學者將發(fā)動機健康參數(shù)與飛行條件考慮在內(nèi),基于發(fā)動機機載非線性模型與混合卡爾曼濾波器,研究FADEC系統(tǒng)雙通道傳感器在線故障診斷問題。

基于數(shù)據(jù)驅(qū)動的故障診斷方法是另一類研究較多的故障診斷方法,它僅需對過程運行數(shù)據(jù)進行分析處理,從而避免了系統(tǒng)精確解析模型無法獲取的問題。Aretakis 等提出一種基于模式識別技術(shù)的發(fā)動機傳感器故障診斷方法,將傳感器測量值輸入到自適應(yīng)模型中,用產(chǎn)生部件特性修正系數(shù)來對傳感器故障進行診斷并采用模式識別技術(shù)隔離出傳感器故障,解決了傳感器緩慢漂移故障和模型不匹配問題。Zedda和Singh使用最優(yōu)估計法對傳感器進行故障診斷并在渦輪發(fā)動機上得到驗證。20世紀90 年代,以神經(jīng)網(wǎng)絡(luò)為代表的智能算法在傳感器故障診斷中的廣泛應(yīng)用,促進了航空發(fā)動機傳感器故障診系統(tǒng)的深入發(fā)展。Guo和 Nurre提出了一種基于人工神經(jīng)網(wǎng)絡(luò) (Neural Network,NN) 的傳感器故障檢診斷及信號重構(gòu)系統(tǒng),并且在 SSME (Space Shuttle Main Engine) 上取得了良好的驗證效果。Mattern等提出了基于自聯(lián)想NN (Auto-associative Neural Network) 的傳感器故障診斷方案并在渦輪風扇發(fā)動機中成功地進行了驗證。Napolitano等提出了一種以硬件為基礎(chǔ)、基于BP 神經(jīng)網(wǎng)絡(luò)在線學習的控制系統(tǒng)傳感器故障檢測、辨識與重構(gòu)的方法。Kobayashi和Simon結(jié)合NN的非線性映射優(yōu)勢和遺傳算法對測量不準確的魯棒性特點,檢測傳感器故障,以減少漏報與誤報。Rausch等基于EKF生成的殘差,利用多重假設(shè)檢驗與NN的互補性,形成融合算法,以進行傳感器、執(zhí)行機構(gòu)、部件的FDIA。

與傳感器故障診斷方法的研究相比,專門針對執(zhí)行機構(gòu)故障診斷與容錯控制的研究開展得較晚,且成果較少。Lee 和Park構(gòu)建了一個梯級濾波器來進行故障診斷,該梯級濾波器由一組離散式卡爾曼濾波器和一組多模型交互濾波器組成。Lamoureux等通過構(gòu)建估計器提取系統(tǒng)的顯著特征,實現(xiàn)對電液執(zhí)行機構(gòu)回路的在線監(jiān)控和離線診斷。Fan等提出用線性矩陣不等式條件解決針對執(zhí)行機構(gòu)效率損失的容錯控制問題。在以上文獻中,只有Lamoureux B的對象是航空發(fā)動機執(zhí)行機構(gòu),但這種方法不能實現(xiàn)在線診斷。

隨著國內(nèi)發(fā)動機控制系統(tǒng)的研究逐步深入,國內(nèi)學者利用基于數(shù)學模型的方法,在傳感器故障診斷領(lǐng)域開展了多種嘗試。許秀玲等基于多個卡爾曼濾波器,研究了單個和兩個傳感器的故障診斷問題,并對故障信號進行重構(gòu)。薛薇和郭迎清提出一種改進的多重故障假設(shè)方法,解決兩個以上傳感器同時發(fā)生軟故障的問題。黃向華將機載模型的輸出作為對比,提出了模糊隸屬度和動態(tài)閾值方法,以獲得較為可靠的重構(gòu)信號。陳毅在研究發(fā)動機傳感器故障診斷問題時,基于KF組方法和Simulink仿真平臺,建立了通用的傳感器故障的檢測、隔離與重構(gòu)平臺。張鵬和黃金泉基于雙重卡爾曼濾波器同時實現(xiàn)了氣路部件與傳感器的故障診斷。張靜和緱林峰提出建立航空發(fā)動機數(shù)控系統(tǒng)傳感器未知輸入故障模型,改善檢測算法的魯棒性,提高檢測結(jié)果的準確性。覃道亮等提出應(yīng)用未知輸入觀測器UIO理論來解耦航空發(fā)動機動態(tài)系統(tǒng)干擾的方法,增強傳感器故障檢測的魯棒性。

國內(nèi)大多數(shù)基于數(shù)據(jù)驅(qū)動的故障診斷研究都借鑒了國外的方法。如黃治軍將小波分析方法應(yīng)用于發(fā)動機傳感器故障診斷領(lǐng)域。李本威等基于支持向量回歸機(Support Vector Regression,SVR)方法,研究某型渦扇發(fā)動機常見傳感器的FDIA。蔡開龍等將最小二乘SVR用在航空發(fā)動機傳感器故障診斷和自適應(yīng)重構(gòu)上；魯峰等對SVR進行了改進,提出了自協(xié)調(diào)粒子群優(yōu)化SVR(SPSO-SVR)算法,并將其用于融合診斷機制,實現(xiàn)了傳感器單一故障和多重故障的準確診斷。趙永平提出了在線學習稀疏最小二乘SVR算法(Online Parsimonious Least Squares SVR,OPLS-SVR)和硬SVR快速在線近似方法(Fast Online Approximation for Hard SVR,FOHSVR),通過在線采集數(shù)據(jù)對診斷系統(tǒng)進行訓練,基于閾值對支持向量進行更新,并采用滑動窗技術(shù)限定SVR的規(guī)模,在某渦扇發(fā)動機的大量數(shù)字仿真證明了上述在線傳感器故障診斷方法的可使用性以及良好的適應(yīng)性。侯勝利等將免疫網(wǎng)絡(luò)應(yīng)用到傳感器典型故障的研究之中,并進行仿真實現(xiàn)。龔志飛和郭迎清研究了主元分析方法在航空發(fā)動機傳感器故障診斷中的應(yīng)用。該方法不依賴發(fā)動機數(shù)學模型,但故障原因和故障之間的關(guān)系依賴于專家經(jīng)驗。

相比傳感器故障診斷而言,國內(nèi)對于電液伺服機構(gòu)的故障診斷方法研究同樣起步較晚,但也取得了一些研究成果。在航空航天領(lǐng)域,肖冰等利用自適應(yīng)算法估計執(zhí)行機構(gòu)故障的最小值,然后設(shè)計滑模變結(jié)構(gòu)控制器實現(xiàn)對執(zhí)行機構(gòu)故障的容錯控制,該控制器同時還對干擾有著抑制作用。陳雪芹等把線性矩陣不等式和Lyapunov穩(wěn)定性證明方法相結(jié)合,研究了一類線性不確定系統(tǒng)的魯棒容錯控制問題。李志宇等將執(zhí)行機構(gòu)的各種故障類型在一個具有凸多面體結(jié)構(gòu)的變參數(shù)系統(tǒng)中統(tǒng)一表示出來,接著通過二次可分原理給出了容錯控制器存在的充分條件。梁津津等通過設(shè)計自適應(yīng)模糊估計器對執(zhí)行機構(gòu)故障進行在線估計,提出了一種基于自適應(yīng)模糊故障估計器的全局動態(tài)滑模變結(jié)構(gòu)容錯控制算法。

而對于航空發(fā)動機執(zhí)行機構(gòu)在線診斷的問題,目前應(yīng)用較為廣泛的是殘差檢驗的方法。蔣平國等于2005年提出了以執(zhí)行機構(gòu)的小閉環(huán)結(jié)構(gòu)為基礎(chǔ),構(gòu)建其數(shù)學模型,進而對航空發(fā)動機執(zhí)行機構(gòu)回路故障進行檢測與決策,該方法通過求取模型輸出與實際輸出的殘差,并與設(shè)定閾值進行比較,得出故障判決。2009年陶文華和葉志鋒基于關(guān)系矩陣法,首先計算出執(zhí)行機構(gòu)的輸入指令和發(fā)動機的實際輸出之間的差值,然后結(jié)合事先設(shè)定的閾值來判定執(zhí)行機構(gòu)有沒有出現(xiàn)故障,該方法對狀態(tài)變量模型的精度提出了較高要求。2012年何皚等應(yīng)用UIO理論估計發(fā)動機動態(tài)系統(tǒng)的工作狀態(tài),通過干擾正交投影弱化外界干擾對狀態(tài)估計的影響,提高了航空發(fā)動機診斷過程中對噪聲干擾和模型參數(shù)變化的魯棒性,完成對執(zhí)行機構(gòu)的故障的診斷與檢測。2013年韓冰潔和緱林峰設(shè)計了一組卡爾曼濾波器,通過對發(fā)動機的相關(guān)狀態(tài)量進行估計,用濾波后的誤差乘以一定權(quán)值再求平方和,來構(gòu)建系統(tǒng)的殘差量,由此判定出執(zhí)行機構(gòu)的故障并利用容錯控制器的原理隔離故障部位的輸出。這種方法要求每一個濾波器對應(yīng)的傳感器都必須嚴格篩選其輸入量大小,這樣才能讓傳感器有足夠的自由度,才能讓濾波器正常工作。2013年楊士權(quán)提出了一種基于支持向量回歸機估計發(fā)動機主燃油流量的方法,使用通過離線訓練得到的主燃油流量估計模型和執(zhí)行機構(gòu)小閉環(huán)回路模型來構(gòu)建執(zhí)行機構(gòu)故障診斷系統(tǒng),區(qū)分執(zhí)行機構(gòu)回路中的執(zhí)行機構(gòu)故障和LVDT傳感器故障。2016年潘陽等采用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,提出了基于發(fā)動機逆模型和執(zhí)行機構(gòu)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,在T700渦軸發(fā)動機半物理仿真試驗平臺上成功驗證了執(zhí)行機構(gòu)及其傳感器的漂移和偏置故障的故障檢測及定位。

3.3 FADEC系統(tǒng)故障診斷關(guān)鍵技術(shù)及發(fā)展方向

綜上所述,國內(nèi)外學者針對FADEC系統(tǒng)故障診斷方法已經(jīng)開展了大量的研究工作,許多成果也得到了較好的工程應(yīng)用。但是,由于發(fā)動機機理復雜,而可觀測的傳感器測點數(shù)量有限,再加上發(fā)動機個體差異、性能退化等不確定因素的影響,使基于數(shù)學模型的故障診斷方法的診斷精度很難提高。通過采用機載自適應(yīng)模型改善模型精度及檢測輸入量的信噪比是此類診斷方法的發(fā)展方向,但解決好傳感器數(shù)目少于被估計參數(shù)的欠定估計問題 (Under-determined Estimation Problem) 是其關(guān)鍵技術(shù)之一。最近NASA Glenn研究中心的Litt研究了通過奇異值分解對被估計參數(shù)降維,然后采用Kalman濾波器估計降維參數(shù)的方法,Simon等提出了基于最優(yōu)調(diào)節(jié)擴展卡爾曼濾波器 (Optimal Tuner Extended Kalman Filter, OTEKF) 實現(xiàn)被估計參數(shù)在最小估計方差和意義下的最優(yōu)降維和估計方法?；跀?shù)據(jù)驅(qū)動的故障診斷方法在學術(shù)研究中雖然呈現(xiàn)出“百花齊放”的繁榮景象,但在發(fā)動機應(yīng)用過程中同樣存在著局限性。訓練樣本不足或僅有“小樣本”的故障數(shù)據(jù),限制了一些數(shù)據(jù)挖掘技術(shù)的應(yīng)用,而泛化能力較弱又正是此類診斷方法的通常缺點。當然,新的數(shù)據(jù)分析方法一直以來便是學術(shù)界的研究熱點,針對發(fā)動機故障診斷的工業(yè)應(yīng)用應(yīng)密切關(guān)注、跟蹤其前沿領(lǐng)域進展。

以上兩種故障診斷方法除了在各自的技術(shù)領(lǐng)域獨自發(fā)展外,還將通過信息融合技術(shù)呈現(xiàn)綜合化的發(fā)展趨勢。利用不同方法的診斷信息在時間或空間上具有互補性的特點,通過整合優(yōu)化形成更多、更精確的有效信息,可以規(guī)避使用單一診斷方法的固有缺陷,實現(xiàn)更加有效的故障診斷效果。當前應(yīng)用較多的信息融合算法有聯(lián)合卡爾曼濾波器、貝葉斯信息融合法、DS 證據(jù)融合、模糊融合和神經(jīng)網(wǎng)絡(luò)融合等多學科交叉的信息處理方法。未來的FADEC系統(tǒng)故障診斷框架由此應(yīng)設(shè)計為可靈活地接入多種診斷算法,并能容易地將新算法所提供的信息同已有診斷信息或結(jié)果互相融合,給出更優(yōu)化、更準確的故障診斷輸出。

最后,FADEC故障診斷方法還要能適應(yīng)發(fā)動機控制系統(tǒng)設(shè)計的技術(shù)發(fā)展,如電氣化、智能化、數(shù)字化的發(fā)展趨勢,必然會對現(xiàn)有的基于傳統(tǒng)構(gòu)型控制部件和集中式控制架構(gòu)的故障診斷算法提出挑戰(zhàn)。隨著向分布式控制架構(gòu)的遷移和邊緣計算能力的成指數(shù)級增長,分布式BIT、分布式FDIA的自主智能診斷方法,甚至 “數(shù)字孿生”等數(shù)字化技術(shù)都可能在智能傳感器和智能作動器中得到部署。例如,NASA Glenn研究中心等單位已針對基于模型和雙余度傳感器測量的航空發(fā)動機分布式故障檢測、故障隔離和故障重構(gòu)技術(shù) (Fault Detection, Isolation & Reconfiguration-FDIR) 與健康管理算法開展了研究工作。

4 結(jié) 論

分析了民用航空發(fā)動機健康管理的需求及發(fā)展目標,從CBM+全流程的角度分析航空發(fā)動機健康管理系統(tǒng)應(yīng)用現(xiàn)狀及行業(yè)發(fā)展趨勢,進而總結(jié)民用航空發(fā)動機健康管理的應(yīng)用現(xiàn)狀及差距、挑戰(zhàn),并指出未來國內(nèi)需要重點關(guān)注的民用發(fā)動機EHM研發(fā)方向。討論了氣路故障診斷與健康管理、發(fā)動機機械故障診斷與健康管理、發(fā)動機FADEC系統(tǒng)故障診斷與健康管理的需求、必要性、現(xiàn)狀及發(fā)展方向。