航空发动机故障诊断方法_王月.pdf

-19-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023中国科技信息 2023 年第 3 期航空航天近年来，随着航空事业的发展迅速，航空飞机的使用越来越频繁，其安全性和可靠性也随之受到广泛关注。航空发动机作为飞机的动力源，是航空飞机的核心部件之一，在飞行过程中为飞机提供动力，可以称为飞机的“心脏”。因此，航空发动机的健康状态是影响飞机飞行安全性和可靠性的重要因素。据统计，在世界范围内，由航空发动机故障所导致的飞机失事事件占到 60%70%。同时，对于飞机的维修保障，航空发动机的维护支出成本最高。航空发动机是一种多系统集成于一体、结构高度复杂的装备系统，在高速、高压、强震动的极端恶劣工作环境中长时间反复工作，使其工作状态呈现非线性、时变性和不确定性等特点，导致其衰退模式多种多样，不可避免会出现一些故障，并且故障类型多种多样且存在多故障耦合的情况。而故障一旦发生，就有可能会造成重大的生命安全损失和经济损失。因此，航空发动机的健康状态管理越来越得到航空公司、各发动机制造厂商、维修系统及科研单位的重视。航空发动机的健康状态管理可以随时监控发动机性能、便于制定维修策略，更重要的是可以提高发动机运行的可靠性和飞机飞行的安全性。航空发动机故障诊断作为健康状态管理的重要组成部分，可以对航空发动机的故障进行检测和判别诊断，对于保证航空发动机和飞机的安全稳定运行、保障生命安全具有重要意义。航空发动机预测与健康管理技术由于目前航空发动机故障诊断水平有限，目前的维修策略大多采用基于时间的定时维修（Condition Based Time，CBT）策略，即把时间作为控制维修的参数，但这种维修策略容易造成“过剩维修”或者故障漏检。航空发动机故障诊断的最终目标是实现基于发动机健康状态维修，即视情维修（Condition Based Maintenance，CBM），通过不断完善状态监测系统，了解发动机性能和工作状态，及时发现问题。预测与健康管理（Prognostics and Health Management，PHM）技术作为一种有希望满足航空发动机故障诊断视情维修需求的技术，在过去的几十年中受到越来越多的研究和关注，并被广泛应用到航空发动机的实际运维中。预 测 与 健 康 管 理（Prognostics and Health Management，PHM）技术旨在实现提前预知航空发动机将要发生故障的时间和部位，提高发动机的运行可靠性，减少维修费用，提高维修准确性并缩短维修时间。在 PHM 技行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度航空发动机故障诊断方法王 月王月（1980），天津，硕士研究生，航空工业中国直升机设计研究所，研究方向：航空发动机故障诊断。本文针对现今的航空发动机故障诊断主要方法及特点进行了总结，并对航空发动机故障诊断方法进行了未来发展方向的展望，对于实现飞机全寿命健康管理具有重要意义。中国科技信息 2023 年第 3 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023-20-航空航天术中，故障诊断是重要一环。PHM 技术能够通过传感器采集系统的数据信息实现即时监测来获取航空发动机的健康状况，对发动机运行的工作状态进行判断，对运行的可靠性进行评价，判断当前发动机是否存在故障，提前预知将要发生故障的时间和部位，预测潜在的故障并做必要的预防维修，由被动式的维修活动转变为先导性的维修保障活动，而一旦故障发生，及时对故障类型进行分类判别，并进行故障定位，从而有效地缩短实际维修时间，降低航空发动机全寿命周期维护保障成本费用，提高航空发动机系统的可靠性和安全性，为航空发动机实现快速、准确的维修保障提供有力支撑。航空发动机故障诊断系统从 20 世纪 60 年代开始，有关政府部门和相关企业开始重视航空发动机设备的故障监测与诊断，并逐渐投入大量资金和时间对其进行研究。为了保证飞机飞行的安全性和可靠性并且减少维修方面的费用，19 世纪 90 年代初，美国首先提出了高性能涡轮发动机技术（Integrated high performance turbine engine technology，IHPTET），计划不仅要提高航空发动机的推进，还要建立健全的航空发动机性能监测与故障诊断系统。NASA 还提出 AvSp 计划（aviation safety program，AvSp），提出要降低 80%的飞行事故发生率，预测和预防机械的异常。现代航空发动机故障诊断系统相比于传统故障诊断系统丰富完善了很多。目前国外的航空发动机故障诊断系统有美国普惠公司研发的 ECMII 系统、美国通用电气公司研发的ADEPT 系统和 SAGE 系统、英国罗尔斯罗伊斯公司研发的 ACMS 系统、COMPASS 系统等；前三者实现故障诊断是通过对航空发动机进行整机监测，后两者是通过监测航空发动机单元体的工作状态来进行故障定位。国内的航空发动机故障诊断系统研究起步时间要比国外晚。但随着科技的发展进步，国家和越来越多的企业认识到了发动机故障诊断的重要性，并开始投入大量资金和时间进行研究。1988 年，北京飞机维修工程公司等 4 个单位研制出具有趋势预测和故障诊断功能的航空发动机状态监测和故障诊断系统（Engine Monitoring and Diagnosis，EMD）。经过多年的努力，有很多学者对航空发动机的故障诊断研究做出了突出贡献，相继研制了基于振动分析、基于气路分析和基于油液分析等航空发动机状态监测方法和故障诊断系统，我国的航空发动机故障诊断系统已逐渐趋向成熟。航空发动机故障诊断方法故障诊断是航空发动机健康管理的关键环节，对保证飞机和航空发动机的安全稳定运行具有十分重要的意义。但由于能够直接反映航空发动机部件故障状态的流量和效率的变化无法直接观察到。而航空发动机上可以测量的参数，如温度、压力、转速等，不能直接反映航空发动机部件的故障状态。这给航空发动机故障诊断带来了困难。随着科学技术的不断发展，国内外的研究人员已经对航空发动机故障诊断做了大量深入的探索与研究，新的技术和方法层出不穷，一般来说，大致可以分为三类：基于数学物理模型的故障诊断方法、基于模拟信号处理分析的故障诊断方法、基于数据驱动的故障诊断方法，如图 1 所示。基于数学物理模型的故障诊断方法基于数学物理模型的故障诊断方法是在发动机的数学及物理模型上采用物理规则利用各种滤波算法进行故障诊断。在航空发动机整体制造完成之前，制造厂商会利用基于气热动力学理论建立的物理原型机进行性能测试，基于数学物理模型驱动的故障诊断方法就是利用这个物理原型机建立的模型来进行故障诊断，这种方法由复杂的工作原理和系统操作特征组成，需要准确的数学物理模型来建立故障诊断模型，该模型的准确性决定了故障诊断的准确率。美国 Kobayashi T 等人提出了一种基于卡尔曼滤波器组的航空发动机传感器故障检测与隔离方法，利用不同的故障场景对其在巡航工况下的多个功率设置下的性能进行了评估，有效地提高了故障诊断的精度。俞刚等人提出了一种将支持向量机和卡尔曼滤波器相结合实现先分类后估计的航空发动机故障诊断方法，提高了估计精度。李双双等人对复合故障时的电机利用改进绕组函数法计算电感系数和定子电流特征频率公式，通过仿真建模得到多种故障类型下的磁场变化情况和仿真电流波形。当系统复杂度低，容易建立比较精确的数学物理模型时，该方法能通过系统的动态过程来掌握系统的各个状态，这时故障诊断结果的准确率较高，且具有较强的可解释性。但该方法的缺点是，由于航空发动机是复杂、部件繁多的设备，系统中有很强的非线性特征，如滞后、参数时变以及强耦合等，固定的物理原理不能适应动态运行环境的变化，因此往往难以建立与之匹配的、精确的数学物理模型，同时不确定性滤波估计和系统噪声都影响着建立的数学物理模型的故障诊断准确性，同时模型的泛化性低、灵活性差、计算复杂度高。基于模拟信号处理分析的故障诊断方法基于模拟信号处理分析的故障诊断方法是用各种模拟信号分析理论对传感器系统采集到的振动信号和运行状态参数从时间、频率、振幅等方面进行处理分析，转换为一系列的波形曲线，采用时域分析法、频域分析法、时频域分析法等方法对波形曲线进行分析来提取典型故障特征，进而依据典型故障特征频率来判断故障类型。时域分析法是分析非平稳信号的有效方法之一，通过时域波形计算各个统计参数的指标，深入了解信号的时域组成结构，还可以为计算瞬时频率、描述信号某时刻振荡速度提供基础。频域分析法就是通过傅图 1 航空发动机故障诊断方法-21-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023中国科技信息 2023 年第 3 期航空航天里叶变换将时域信号变换到频域进行分析。时频域分析法即同时对波形曲线进行时域和频域分析，可以综合时域和频域信息更好的提取波形曲线特征。基于模拟信号处理的故障诊断方法避免了要建立精确的数学物理模型，并且抗噪声能力强。美国的 J cox 等人采用实验设计法和方差分析法提供了一个用于转子叶片故障诊断不确定方程的精确解。但是，航空发动机的结构部件相互耦合导致机械结构复杂；另一方面，航空发动机并不是匀转速匀功率工作，其转速和输出扭矩都在不停地变化，而机械结构越复杂，工作状态越频繁变化，采集到的信号越复杂，基于模拟信号处理的故障诊断方法难以准确地提取单独部件和某一特定工况工作信号；此外，当航空发动机发生转子摩擦冲击时，振动信号会快速变化，使信号的特征提取变得很困难，增加了模拟信号处理的难度。基于数据驱动的故障诊断方法目前较为常用的航空发动机故障诊断方法为基于数据驱动的方法。以机器学习和深度学习方法为代表的数据处理方法的快速发展使得基于数据驱动的方法在故障诊断领域大放异彩。机器学习和深度学习方法在特征提取和模型拟合方面具有出色的性能。在航空发动机故障诊断领域，机器学习和深度学习方法的引入具有重要意义。基于数据驱动的故障诊断方法主要包括浅层神经网络方法和深度学习方法。浅层学习方法无法描述多个层次特征，因此无法有效地提取数据特征以获得满意的故障诊断结果。因此，有许多研究学者提出了可以提高航空发动机故障诊断性能的深度学习方法。目前常见的用于航空发动机故障诊断的神经网络有极限学习机（extreme learning machine，ELM）、卷积神经网络（convolutional neural network，CNN）、长短时记忆网络（long short-time memory，LSTM）、循 环 神 经 网 络（recurrent neural network，RNN）、前馈神经网络（feed forward neural networks，FFNN）、径 向 神 经 网 络（radial basis function，RBF）等。崔建国等人提出了一种基于小波包能量比与极限学习机（Extreme Learning Machine，ELM）的航空发动机主燃油泵故障诊断方法，基于 BP 神经网络对特征向量进行诊断，有效提高了故障诊断的速度及准确率。白杰等人采用改进粒子群优化算法优化 BP 神经网络提高预测信号精度，有效提高了故障诊断正确率，减少了漏诊和误诊的发生。殷锴等人将利用 BP 神经网络学习记忆稳定、网络收敛速度快的特点，提高了航空发动机的实际故障诊断正确率。通过机器学习和深度学习方法构建的神经网络不需要对航空发动机的物理结构进行考虑，也不需要了解航空发动机的工作物理规则来建立精准的数学物理模型描述，而是对传感器采集到的状态监测数据进行学习，通过不断地训练和修正损失来优化神经网络，在航空发动机的可测量参数与航空发动机各个部件的故障状态之间建立桥梁，提高数据分类的准确性，即不断提高故障诊断正确率，来建立最终的故障诊断模型，就可以对复杂的动态系统进行故障诊断，同时受系统不确定性影响较小，故障分析更为严谨，模型泛化性好，适用范围广阔，具有较强的自学习能力