航空發動機故障診斷系統設計與實現

張俊紅，馬文朋，李林潔，劉 昱

ZHANG Junhong,MA Wenpeng,LILinjie,LIU Yu

天津大學 內燃機燃燒學國家重點實驗室，天津 300072

State Key Laboratory of Engines,Tianjin University,Tianjin 300072,China

1 引言

隨著民用航空事業的發展，飛行安全性和經濟性越來越受到重視，航空發動機是飛機的心臟，結構復雜、工作環境惡劣，是機械行業中故障率最高、維護工作量最大的系統，其工作狀態的好壞直接影響飛行安全。據NASA統計資料表明，民航領域的發動機故障占飛機所有機械故障的三分之一；另外一項關于發動機直接運行成本的統計顯示，維護費用占34%。因此，進行航空發動機狀態監測與故障診斷具有重要意義。

我國的航空發動機故障診斷研究還處于起步階段，國內尚未出現成熟的商業化的航空發動機故障診斷系統，但在相關方法、技術及系統開發的研究上也出現了一些成果。應勇[1]設計了航空發動機監控系統的硬件電路，討論了航空發動機狀態信號的多種處理方法，并利用LabWindows/CVI開發平臺和C語言，開發了一套航空發動機故障信號分析處理軟件。馬業鵬[2]利用經典和現代數字信號處理方法，在LabVIEW開發平臺上，結合MATLAB和C語言，開發出了航空發動機振動的狀態監測和故障診斷系統。以上系統擁有較強的信號處理功能，但在故障模式識別上較為薄弱。

本文基于航空發動機振動信號，利用LabVIEW虛擬儀器開發平臺，通過其外部接口調用MATLAB和C語言程序，設計了一套航空發動機故障診斷系統。該系統由數據采集、信號處理與特征提取、故障模式識別、故障數據庫管理等模塊組成，其中數據采集由LabVIEW調用動態鏈接庫驅動TST-5912數據采集儀實現；故障模式識別由LabVIEW利用ActiveX自動化技術調用MATLAB編譯的支持向量機COM組件實現；故障數據庫管理由LabVIEW通過數據庫連接工具包訪問Microsoft Access數據庫實現。其中故障模式識別模塊是該系統的核心。最后在航空發動機轉子實驗臺進行故障診斷實驗，對該系統的性能進行了測試。

2 支持向量機故障診斷模型

支持向量機（Support Vector Machine，SVM）[3]是建立在統計學習理論基礎上的一種通用機器學習方法，在解決小樣本、非線性、高維問題中有諸多優勢，具有良好的泛化能力，在模式識別等領域取得了廣泛應用[4-5]。由于航空發動機故障樣本不易獲取，故障征兆與故障原因之間的關系復雜，鑒于SVM的優勢，該系統選擇SVM作為故障診斷模型。

給定訓練樣本集 S={(yi，xi)}(i=1，2，…，l)，其中，每個樣本點表示為xi∈RN，yi∈{-1，1}為其分類標識。SVM的基本思想是將輸入空間映射到高維特征空間，并在高維特征空間構造最優分類超平面。令z=φ(x)表示樣本從輸入空間RN到高維特征空間Z的映射。

引入懲罰因子C和松弛因子ξi，C表示對樣本被錯分的懲罰程度，ξi(ξi≥0)表示樣本 xi的錯分誤差，支持向量機的最優分類面問題為如下優化問題：

將該問題轉化為如下拉格朗日對偶問題：

問題（2）的最優解αˉ滿足Karush-Kuhn-Tucker（KKT）條件：

根據二次規劃方法求得問題（2）的解αˉ，再根據KKT條件求得偏置bˉ，則可得SVM的決策函數：

引入核函數 K(xi，xj)=替高維特征空間Z的內積計算以降低計算復雜度。目前常用的核函數有多項式核、徑向基函數（Radial Basis Function，RBF）核、Sigmoid核。文獻[6]的研究表明，SVM的性能與核函數的類型關系不大，而核函數的參數與懲罰因子是影響SVM性能的主要因素。RBF核函數具有高度非線性，且只有一個可控參數，因而被普遍采用。RBF核函數的形式為：

本文設計了遺傳算法、粒子群算法、遺傳粒子群算法等多種算法對核參數g和懲罰因子C進行優化以滿足不同情況的需要，并在MATLAB R2009a（7.8）環境下編制了故障診斷模型的M程序。

3 航空發動機故障診斷系統設計

在工程應用領域，LabVIEW和MATLAB是兩種常用的語言，LabVIEW在用戶圖形界面設計、數據采集、硬件控制等方面有獨特的優勢，但對復雜算法的支持能力有限，而MATLAB具有強大的數據運算功能。本文結合兩者的優勢，進行航空發動機故障診斷系統設計，利用LabVIEW設計用戶圖形界面和數據采集等程序，利用MATLAB設計故障模式識別程序并通過LabVIEW的接口供其調用。

3.1 數據采集

在利用LabVIEW進行數據采集之前，必須先實現數采設備在LabVIEW下的驅動[7]。LabVIEW為NI公司的數采卡提供了配套的驅動程序與函數庫，但不支持第三方數采卡。為了在LabVIEW平臺中使用該系統的數采設備（TST-5912），編制了TST-5912的動態鏈接庫（DLL）驅動程序，利用LabVIEW的調用庫函數節點（CLFN）調用DLL中的函數進行數據采集。調用DLL進行數據采集有諸多優勢：DLL是在應用程序運行時被裝入和鏈接的，使用DLL可以實現多個應用程序之間代碼和資源的共享，可以提高內存使用率；DLL獨立于編程語言，可以使用多種語言（Visual C++、C++Builder、Visual Basic等）編制DLL。本文采用Visual C++6.0編制了該DLL。

將CLFN放置在流程圖中，雙擊打開配置對話框，配置DLL的文件名、被調用函數的名稱及調用方式、函數的返回類型、函數的參數及類型等信息，即可完成對DLL的調用。輔以其他函數和控件，完成數據采集模塊的設計。數據采集的流程圖和操作界面分別如圖1和圖2。選用12個時域參數和3個頻域參數作為故障特征，如表1所示。

圖1 數據采集流程圖

圖2 數據采集操作界面

3.2 信號處理與特征提取

航空發動機的振動信號中含有豐富的能夠反映其運行狀態的有用信息，但也混有大量噪聲和干擾。為了消除和減少噪聲及干擾的影響，提取有用信息，首先對其進行剔除異常點、零均值化、消除趨勢項、濾波等預處理。

信號處理的另一項重要內容是從振動信號中提取出能夠反映系統狀態分類本質的特征向量，為后續的故障模式識別做準備。航空發動機發生故障時，其振動信號在時域的峰值和概率分布將會發生變化；信號的頻率成分，不同頻率成分的能量，以及頻譜的主能量譜峰位置也會發生變化，可以作為判斷其狀態的依據。本系統

3.3 故障模式識別

故障模式識別模塊采用LabVIEW和MATLAB混合編程的方法實現。在LabVIEW中調用MATLAB程序有以下幾種常見方法[8-9]：利用MathScript節點；使用ActiveX函數模塊；利用ActiveX自動化技術調用MATLAB編譯的COM組件；使用CLFN調用M文件轉換成的DLL。前兩種方法不能脫離MATLAB編程環境，不利于獨立應用程序的開發，運行效率低，而且操作不夠靈活；最后一種方法需要借助其他方法或語言實現LabVIEW和MATLAB之間的數據轉換和傳遞，編程較為繁瑣。采用COM組件技術實現二者的混合編程。

MATLAB R2007a（7.4）及以后的版本中提供了Deployment Tool，幫助用戶將用M語言開發的算法自動快速地轉換成獨立的COM組件，該組件可被任何支持COM的語言調用。把M文件編譯為COM組件，需要借助外部編譯器，需先進行MATLAB編譯環境的設置，在MATLAB的命令窗口中輸入mex-setup和mbuild-setup，選擇Microsoft Visual Studio 6.0作為外部編譯器。

使用Deployment Tool創建COM組件的過程一般為四個步驟：新建工程、添加M文件和MEX文件、編譯生成組件、打包和發布組件。以SVM主程序svc.m為例，創建COM組件的過程如下：

表1 故障特征參數

（1）打開Deployment Tool，選擇Create a new deployment project→MATLAB Builder NE→Generic COM Component，輸入要創建的COM組件的名稱（svm）和位置。

（2）選擇Project→Add Files添加svc.m和其他必要的M文件和MEX文件。

（3）選擇Tools→Build創建組件。

（4）選擇Tools→Package即可打包發布組件。

編譯打包完成后，svm文件夾下distrib文件夾中會生成相應的svm_1_0.dll文件和svm_pkg.exe自解壓文件。DLL文件會自動注冊到系統中，將自解壓文件發布到其他計算機，運行即可實現DLL的安裝和COM組件的注冊。需要注意的是注冊后不能改變DLL的存儲路徑或刪除，否則將找不到注冊組件；使用MATLAB工具箱函數時，需要將工具箱函數的源M文件添加在工程中；為了在沒有安裝MATLAB的目標機上使用COM組件，需要在打包時將MATLAB Compiler Runtime（MCR）打包在內。

在LabVIEW中調用上面生成的COM組件，需進行以下操作：

（1）調用Automation Open函數，右擊選擇Select ActiveX Class→Browse，在列表中選擇 svm 1.0 Type Library Version 1.0，將 svm_1_0.dll的 Refnum 添加到LabVIEW程序中。

（2）調用Invoke Node并連接Refnum，在Method中選擇svc。方法中的nargout參數表示函數輸出參數的個數，若方法無輸出，則無此參數。nargout的值與輸出參數個數不等時，LabVIEW將反饋錯誤信息。輸出參數的左端定義部分不用處理，賦值常量即可；右端輸出結果的類型為變體型，需要通過Variant to Data節點將變體型數據轉換成LabVIEW可以處理和顯示的數據類型。需要注意的是，數據轉換前必須清楚函數輸出變量的類型，選擇錯誤的類型標識，LabVIEW將報錯；當函數輸出矩陣類型時，必須將其轉換成LabVIEW下的2D Array類型，即使其本應是一維數組，否則也會報錯。本例中svc的輸出變量為字符串和一維數組，處理方式如圖3所示。輸入參數可以直接輸入對應的數據類型，LabVIEW會將其自動轉換成變體型以滿足COM組件的輸入要求。

圖3 LabVIEW調用COM組件流程圖

（3）調用完成后用Close Automation函數關閉Refnum。

3.4 故障數據庫管理

故障診斷系統需要采集大量的信息，將發動機的運行狀態和故障信息存入數據庫，可以方便地對數據進行管理和維護。在比較幾種LabVIEW訪問數據庫方法[10]的基礎上，系統選用Microsoft Access作為數據庫管理系統，采用NI公司的數據庫連接工具包對Access進行訪問、操作和管理。

使用LabVIEW訪問數據庫之前，需先建立其與數據庫的連接，該系統以字符串的形式輸入連接信息。使用此方法可以通過一些路徑獲取函數和字符串函數將數據庫的實時位置提供給數據庫操作函數，避免數據庫文件的位置發生變化時重新配置連接，從而可以提高程序的可移植性和靈活性。

故障數據庫包含信號的故障特征、故障類型等信息，是故障診斷的依據和基礎，需要保證其正確性及實效性。本文開發的故障數據庫管理系統能夠及時添加數據、按用戶要求查詢數據、對數據進行修改和更新、刪除過期和無用的數據。以查詢數據為例，說明故障數據庫管理系統的設計過程和操作。

查詢數據程序設計包括以下幾個步驟：

（1）利用DB Tools Open Connection.vi建立與數據庫的連接。

（2）利用DB Tools Execute Query.vi通過SQL數據查詢語句SELECT查詢數據庫，例如查詢故障診斷數據表中峰值大于0.2的記錄，SQL語句為：“select*from 故障診斷數據表where峰值>0.2”。

（3）利用DB Tools Fetch Recordset Data.vi獲取查詢結果并輸出顯示。

（4）利用DB Tools Free Object.vi釋放對象，并用DB Tools Close Connection.vi斷開連接。

為簡便操作，在程序中嵌入部分SQL語句，用戶只需輸入需要查詢的數據條件（峰值>0.2）即可。查詢數據的操作界面如圖4。

圖4 查詢數據操作界面

4 故障診斷實驗

為測試本文設計的航空發動機故障診斷系統的性能，在航空發動機轉子實驗臺上進行了故障診斷實驗。該實驗臺由轉子試驗器、安裝臺架、電機、基礎平臺和潤滑系統等組成，如圖5所示。轉子試驗器由某航空發動機設計研究所設計制造，外形與發動機核心機的機匣一致，尺寸縮小三倍；內部結構作了必要簡化，支承形式簡化為0-2-0式，多級壓氣機與渦輪簡化為單級盤片結構，葉片簡化為斜置平面形狀，取消了火焰筒，采用電機驅動，最大工作轉速為7 000 r/m。該實驗臺可模擬航空發動機轉子不平衡、不對中、碰摩及各種滾動軸承故障。斷精度，且高于未優化的模型，能夠滿足工程需要，同時也驗證了優化的有效性。

圖6 故障診斷操作界面

圖5 航空發動機轉子實驗臺

本文進行了正常狀態、轉子不平衡、不對中、碰摩、不平衡-碰摩耦合、軸承內圈故障、外圈故障、滾動體故障等八種狀態下的數據采集和故障診斷實驗，在軸承座和兩端機匣上安裝三向加速度傳感器來采集轉子的振動信號，經信號處理及特征提取后，形成故障診斷樣本，如表2。將樣本輸入故障模式識別模塊，選擇合適的參數和優化算法，進行故障診斷模型訓練與測試，每種算法下重復十次實驗取平均，結果如表3。為研究優化算法的效果，對未優化的故障診斷模型進行了訓練與測試，結果也見于表3。最后將訓練好的模型用于故障診斷，操作界面如圖6。

表2 故障診斷樣本

表3 故障診斷結果

由故障診斷結果可見，針對該實驗獲取的樣本，采用四種算法優化的支持向量機都達到了較高的故障診

5 結束語

本文基于支持向量機模型，利用LabVIEW、MATLAB和C語言混合編程，設計了一套融數據采集、信號處理與特征提取、故障模式識別和故障數據庫管理為一體的航空發動機故障診斷系統。應用該系統在航空發動機轉子實驗臺上進行故障診斷實驗，對轉子幾種典型故障的診斷結果表明該系統擁有較高的故障診斷精度。該系統的設計為研制商業化的航空發動機故障診斷系統提供了可行思路，并為后續研究奠定了基礎。

[1]應勇.航空發動機故障監控系統設計與方法研究[D].西安：西北工業大學，2007.

[2]馬業鵬.基于LabVIEW的航空發動機振動狀態監測及故障診斷系統設計[D].沈陽：沈陽航空工業學院，2007.

[3]Vapnik V N.An overview of statistical learning theory[J].IEEE Transactions on Neural Networks，1999，10（5）：988-999.

[4]Xian G M，Zeng B Q.An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machine[J].Expert Systems with Applications，2009，36（10）：12131-12136.

[5]Konar P，Chattopadhyay P.Bearing fault detection of induction motor using wavelet and Support Vector Machines（SVMs）[J].Applied Soft Computing，2011，11（6）：4203-4211.

[6]Vapnik V N.The nature of statistical learning theory[M].New York：Springer-Verlag，1995.

[7]楊忠仁，饒程，鄒建，等.基于LabVIEW數據采集系統[J].重慶大學學報，2004，27（2）：32-35.

[8]李沈，李森，劉俊磊，等.LABVIEW和MATLAB混合編程方法研究及其在柴油機故障診斷中的應用[J].儀表技術與傳感器，2007（1）：22-25.

[9]王禹林，熊振華，丁漢.LabVIEW與MATLAB的無縫集成[J].計算機應用，2006，26（3）：695-698.

[10]唐亞鵬，侯媛彬.基于LabVIEW的實踐教學平臺與Access數據庫的開發[J].計算機技術與發展，2011，21（5）：219-222.