鄭瑋晟，梁敬宜，張正嘉，高梓健，張?jiān)?/p>

（沈陽航空航天大學(xué)，遼寧沈陽 110122）

0 引言

隨著經(jīng)濟(jì)的發(fā)展，我國航空航天事業(yè)正處于不斷發(fā)展的態(tài)勢，航空航天的各項(xiàng)環(huán)節(jié)的穩(wěn)定性關(guān)乎著航空航天事業(yè)的發(fā)展。航空發(fā)動(dòng)機(jī)作為其中的關(guān)鍵組成部分，其科學(xué)的管理也成為重要內(nèi)容。其中，航空發(fā)動(dòng)機(jī)90%的故障問題是氣路故障引發(fā)的，而此項(xiàng)維修費(fèi)用在整體維護(hù)費(fèi)用中占比高達(dá)60%。因此，航空發(fā)動(dòng)機(jī)氣路故障的融合診斷是十分重要的工作。

1 航空發(fā)動(dòng)機(jī)氣路故障的主要診斷方法

國際故障診斷理論權(quán)威學(xué)者Frank 教授提出了故障診斷的3 種方法，同時(shí)結(jié)合近年來的研究成果，可以將故障細(xì)分為3 種類型：第一種是基于模型的方法，第二種是基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，第三種為基于信息融合的故障診斷方法[1]。

1.1 基于模型的故障診斷方法

最早應(yīng)用于發(fā)動(dòng)機(jī)故障診斷的方法便是基于模型的故障診斷方法，該方法通常是以發(fā)動(dòng)機(jī)運(yùn)行物理特征為條件，建設(shè)科學(xué)的定量機(jī)理模型，同時(shí)依據(jù)傳感器測量信息來確保模型特征及模型精度的準(zhǔn)確性。其中，該機(jī)理模型的精確性會(huì)對(duì)故障診斷的成效產(chǎn)生較大的影響。此方式的優(yōu)勢在于能夠較好的解決數(shù)據(jù)庫獲取難的困境，很少要依賴傳統(tǒng)的歷史信息及積累的經(jīng)驗(yàn)，可以運(yùn)用動(dòng)態(tài)化的數(shù)據(jù)參數(shù)來指導(dǎo)故障的診斷，同時(shí)可以提升故障診斷的及時(shí)性及準(zhǔn)確性。此方法可以細(xì)化為以下兩種。

1.1.1 線性模型診斷方法

此方法進(jìn)一步細(xì)分成參數(shù)估計(jì)與狀態(tài)估計(jì)兩種類型。前者主要是通過系統(tǒng)模型參數(shù)來分辨，以此對(duì)故障進(jìn)行診斷，構(gòu)成診斷的基本思路是構(gòu)建理論模型及參數(shù)辨識(shí)度的融合診斷機(jī)制，對(duì)于數(shù)據(jù)的變化情況及相應(yīng)的特征等開展實(shí)時(shí)的分析，并實(shí)施檢測，以此來進(jìn)行參數(shù)估計(jì)值與正常值偏差的估計(jì)，進(jìn)一步對(duì)故障問題進(jìn)行判斷。Brotherton 提出了機(jī)載自適應(yīng)模型，這是基于線性卡爾曼濾波（LKF）與發(fā)動(dòng)機(jī)線性模型二者相結(jié)合的基礎(chǔ)上提出的，這也是該模型的典型研究。同時(shí)，Brotherton 的研究成果也應(yīng)用于對(duì)氣路部件性能參數(shù)進(jìn)行的預(yù)測與分析。此模式可以通過LFK 來對(duì)性能參數(shù)實(shí)施評(píng)估，并且能夠修正機(jī)載模型，為模型自適用發(fā)動(dòng)機(jī)輸出變化提供保障。

1.1.2 非線性模型診斷方法

此診斷方法首先是測量相關(guān)的參數(shù)，然后是建設(shè)自適應(yīng)的發(fā)動(dòng)機(jī)性能模型，然后依據(jù)部件性能參數(shù)的變化情況，針對(duì)故障實(shí)施分析及檢測。將發(fā)動(dòng)機(jī)部件性能參數(shù)作為基礎(chǔ)，引入修正因子，對(duì)非線性方程組進(jìn)行求解，然后對(duì)部件的性能實(shí)施評(píng)估。運(yùn)用主因子概念分析方式，測量參數(shù)服從正態(tài)分布的情況下，分別進(jìn)行每組的組合優(yōu)化，以此獲得每組最優(yōu)解，再從中選擇殘差最小的組。則較大概率為此故障[2]。此模型接近真實(shí)的發(fā)動(dòng)機(jī)工作實(shí)際情況，因此可以較好的反映出發(fā)動(dòng)機(jī)氣路故障問題。但是缺點(diǎn)在于現(xiàn)階段的機(jī)載計(jì)算機(jī)水平及存儲(chǔ)資源有限，該方式的應(yīng)用無法獲得理想的效果。

1.2 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法

在工程開展的過程中，通常數(shù)學(xué)模型的構(gòu)建較為困難，也會(huì)導(dǎo)致基于模型的故障診斷模式的使用范圍較小。而基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模式對(duì)于機(jī)理模型的精準(zhǔn)度依賴不高，憑借的是對(duì)先驗(yàn)知識(shí)的分析，需要由發(fā)動(dòng)機(jī)領(lǐng)域?qū)＜抑R(shí)、經(jīng)驗(yàn)及已有的數(shù)據(jù)等。將其應(yīng)用在非線性系統(tǒng)領(lǐng)域之中具備的發(fā)展前景更加廣闊。該模式的診斷方式主要由以下5 個(gè)部分組成。

1.2.1 人工神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)具有較多優(yōu)勢，可以實(shí)現(xiàn)自主學(xué)習(xí)、擬合任意連續(xù)非線性函數(shù)，并且能夠處理分別是信息存儲(chǔ)等功能，同時(shí)非線性逼近與在線評(píng)估等功能也較好。所以，為了更好地應(yīng)用于故障診斷系統(tǒng)之中，該模式的建設(shè)有由征兆到故障模式映射的要求。目前，常用于發(fā)動(dòng)機(jī)氣路故障診斷的網(wǎng)絡(luò)模型有BP（Back-Propagation）網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、SOFM（Self-Organization Feature Map，自組織特征映射網(wǎng)）、自聯(lián)想網(wǎng)絡(luò)等[3]。其中，BP 神經(jīng)網(wǎng)絡(luò)主要是將網(wǎng)絡(luò)學(xué)習(xí)故障作為參考；概率神經(jīng)網(wǎng)絡(luò)主要是根據(jù)目前的模式仰恩等對(duì)類條件概率密度實(shí)施評(píng)估，以此來獲取Bayes 意義中的分類最優(yōu)化。主要的網(wǎng)絡(luò)訓(xùn)練不需要迭代。SOFM 網(wǎng)絡(luò)術(shù)語監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，其依賴類型較少且能夠?qū)⑽粗收线M(jìn)行自動(dòng)聚類，通過樣本距離實(shí)現(xiàn)聚類，針對(duì)模式噪聲擁有很強(qiáng)的魯棒性。

1.2.2 專家系統(tǒng)方法

針對(duì)發(fā)動(dòng)機(jī)氣路故障診斷工作，主要是獲取故障專家系統(tǒng)，一般需要將故障模式信息與征兆信息等實(shí)施結(jié)合，按照故障征兆及規(guī)則等對(duì)故障的內(nèi)容實(shí)施推理。其中，基于概率推理而形成的有向圖網(wǎng)絡(luò)的之一表現(xiàn)便是貝葉斯證據(jù)網(wǎng)絡(luò)，此網(wǎng)絡(luò)可以針對(duì)不確定信息進(jìn)行處理，并運(yùn)用專家系統(tǒng)來開展知識(shí)的推理。20世紀(jì)90 年代，該方法被廣泛應(yīng)用于發(fā)動(dòng)機(jī)故障排查工作。

圖1 BP 神經(jīng)網(wǎng)絡(luò)故障診斷模型

1.2.3 模糊推理方法

模糊推理方法一般應(yīng)用在模糊邏輯方面，表述與處理模糊概念，同時(shí)可以應(yīng)用于對(duì)不確定信息的診斷。此方法中的模糊理論與邏輯等都可以為診斷工作提供相應(yīng)的理論支持[4]。一些模糊診斷問題需要應(yīng)用模糊規(guī)則來表述故障診斷機(jī)理。但是其缺點(diǎn)在于需要構(gòu)建正確的模糊規(guī)則及隸屬函數(shù)，該工作運(yùn)行起來困難重重且需要大量的時(shí)間，導(dǎo)致應(yīng)用此方法的成本較高。

1.2.4 支持向量機(jī)方法

Vapnik 于20 世紀(jì)60 年代提出一種利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則對(duì)凸二次規(guī)劃問題獲得全局最優(yōu)解的方案，即通過統(tǒng)計(jì)學(xué)習(xí)理論作為基礎(chǔ)的機(jī)器學(xué)習(xí)方法來獲得最優(yōu)解。支持向量機(jī)方法與神經(jīng)網(wǎng)絡(luò)算法在風(fēng)險(xiǎn)方面的原理中，后者主要應(yīng)用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，而前者則具備較強(qiáng)的非線性分類能力，可以有效規(guī)避過擬合或欠擬合的問題。尤其可以較好地應(yīng)用于訓(xùn)練樣本較少的情景之中，開展相應(yīng)的分類處理。此外，算法的復(fù)雜度與樣本特征維度的關(guān)系較小。該方法也被廣泛應(yīng)用于發(fā)動(dòng)機(jī)氣路故障診斷與測試之中，如性能趨勢測試及振動(dòng)故障檢測。

1.2.5 極限學(xué)習(xí)機(jī)方法

該方法作為一種特殊的單隱層前向神經(jīng)網(wǎng)絡(luò)，能夠任意設(shè)定隱藏節(jié)點(diǎn)的輸入值與偏值，運(yùn)用訓(xùn)練模式來獲得最優(yōu)輸出權(quán)限。該方法箱包及教育傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法速度快，具有較強(qiáng)的泛化能力。

1.3 基于信息融合的故障診斷方法

現(xiàn)階段，隨著大數(shù)據(jù)信息技術(shù)的不斷發(fā)展以及新型傳感器的研究及發(fā)展，其中所涉及到的數(shù)據(jù)內(nèi)容也十分豐富，會(huì)對(duì)故障診斷形成相應(yīng)的消極影響，同時(shí)需要數(shù)據(jù)篩選與處理能力有所提升。因此，對(duì)于發(fā)動(dòng)機(jī)開展融合診斷工作，能夠最大化的提升診斷的效果。信息融合所應(yīng)用的處理技術(shù)較多，包括數(shù)據(jù)綜合處理技術(shù)與多學(xué)科理論支持。其原理是將輸入數(shù)據(jù)置于公共空間并展開描述，痛死針對(duì)數(shù)據(jù)實(shí)施恰當(dāng)?shù)臄?shù)據(jù)方法處理及輸出。融合診斷方式能夠充分的應(yīng)用目前單一基于模型與基于數(shù)據(jù)的方法，實(shí)施征兆級(jí)與決策級(jí)等各個(gè)階層的融合。現(xiàn)階段常用的航空發(fā)動(dòng)機(jī)氣路故障診斷的信息融合模式包含以下5 種。貝葉斯融合、DS 證據(jù)融合、智能融合、模糊融合以及集成融合等。

2 航空發(fā)動(dòng)機(jī)氣路部件故障的融合診斷方法

針對(duì)某企業(yè)的CFM56 航空發(fā)動(dòng)機(jī)實(shí)施案例進(jìn)行分析，并對(duì)其故障融合診斷方法開展研究。

2.1 選擇故障樣本

故障樣本是發(fā)動(dòng)機(jī)氣路部件的主要故障類型及參數(shù)，并將其作為分析的樣本，針對(duì)樣本實(shí)施仿真拓展。公式表示為x=x0+kσrand。其中，x0與σ 分別表示原始樣本及樣本標(biāo)準(zhǔn)值，k 代表環(huán)境對(duì)噪聲的影響，rand 為函數(shù)服從正態(tài)分布的隨機(jī)數(shù)。

2.2 融合診斷模型的構(gòu)建

針對(duì)氣路故障診斷的實(shí)施過程中，要構(gòu)建思維樣本矩陣，且在每一維度之中都表示出樣本的參數(shù)。按照數(shù)據(jù)樣本建設(shè)仿真故障訓(xùn)練樣本，數(shù)量為1000，在每一樣本之中都設(shè)置100 氣路故障類型。故障因子一般以0.1-0.5，每隔0.1 由20 個(gè)方針樣本構(gòu)成。對(duì)照組的參數(shù)設(shè)置與實(shí)驗(yàn)組相同，但是樣本沒有標(biāo)簽。通過構(gòu)建7 個(gè)DBN（Deep Belief Network，深度信念網(wǎng)絡(luò)）來獲得具體的總重構(gòu)誤差。根據(jù)結(jié)論可知，網(wǎng)絡(luò)結(jié)構(gòu)誤差最小的是［4，6，8，10］，則可以顯示出DBN 結(jié)構(gòu)可以充分展現(xiàn)出鼓掌隱藏的特征。運(yùn)用樣本數(shù)據(jù)對(duì)比分析的方式，可以繪制BP 神經(jīng)網(wǎng)絡(luò)曲線，并能直觀展現(xiàn)出故障類型與隱藏特征之間的匹配情況。通過該曲線圖可以看出，最先獲得的結(jié)果的誤差較大，并且在2500次左右開始樣本的誤差呈現(xiàn)出不斷下降的趨勢。樣本訓(xùn)練為3000 次的時(shí)候，誤差便會(huì)降低至0.41 左右。同氣路故障診斷要求匹配度較高。

2.3 故障融合診斷結(jié)果分析

通過上述實(shí)驗(yàn)，選取其中5 次診斷的結(jié)果，對(duì)于其可信度與狀態(tài)參數(shù)實(shí)際范圍等實(shí)施對(duì)比研究，通過決策融合模型來開展診斷結(jié)果的精準(zhǔn)分析。同時(shí)，對(duì)于一些特征不夠明顯的數(shù)據(jù)要增加仿真數(shù)據(jù)的數(shù)量，將其輸入深度信念網(wǎng)絡(luò)模型之中，以優(yōu)化樣本參數(shù)。同時(shí)，需要將樣本參數(shù)輸入融合決策運(yùn)算中，其目標(biāo)是清除會(huì)對(duì)氣路故障診斷結(jié)果產(chǎn)生影響的一些因素，不斷提高故障診斷的精確度。最后要計(jì)算結(jié)果。按照所計(jì)算出的結(jié)果與基于決策融合的驗(yàn)證，可以有效的提升氣路故障診斷結(jié)果的可信性，并且可同保障分類的具體要求相適應(yīng)?？傊?，運(yùn)用融合故障診斷模式，可以確保航空發(fā)動(dòng)機(jī)故障診斷的科學(xué)性，在航空航天領(lǐng)域發(fā)揮著重要的作用。

3 結(jié)束語

氣路故障是航空發(fā)動(dòng)機(jī)故障中主要的類型之一，對(duì)故障的診斷是關(guān)鍵工作，需要綜合運(yùn)用故障融合診斷方式來開展相關(guān)工作。本文通過闡述航空發(fā)動(dòng)機(jī)氣路故障的主要診斷方法及特點(diǎn)，以期為航空發(fā)動(dòng)機(jī)氣路故障的有效診斷提供參考。