基于滑油監(jiān)控信息的發(fā)動機磨損狀態(tài)融合評估

張鵬飛，李本威，韋 祥，胡 洋

（1.91046部隊，山東萊陽265200；2,3.海軍航空工程學院飛行器工程系2,研究生管理大隊3，山東煙臺264001；4.91934部隊，浙江義烏322000）

0 引言

磨損是航空發(fā)動機早期故障的主要原因，嚴重影響發(fā)動機的可靠性。對磨損故障最為成熟的監(jiān)控手段是滑油分析。單一滑油分析方法的準確率有限，容易漏報某類故障，從而造成重大安全事故。各種滑油分析方法各有所長，因此，需基于多種滑油樣分析信息進行融合診斷評估。目前已有大量學者對發(fā)動機磨損故障的融合診斷方法進行了研究。文獻[1-4]以光譜、鐵譜、理化性能等檢測結果為征兆信息，運用融合方法對發(fā)動機磨損故障進行診斷，提高了診斷的精確度，但在具體操作時有較大局限性；文獻[5-8]僅利用光譜分析結果，基于D-S證據(jù)理論將磨損量和磨損率進行融合，對發(fā)動機磨損狀態(tài)進行評估，忽視了光譜分析不能完全反映滑油中所有磨粒信息的事實；文獻[9-10]針對光譜分析僅能對尺寸<10μm的磨粒進行精確分析的弊端，引入了與之相補的自動磨粒檢測技術，并利用檢測得到的各元素磨粒數(shù)和磨粒個數(shù)對發(fā)動機磨損狀態(tài)進行融合診斷評估，效果較好，但忽略了磨損增長率對評估發(fā)動機狀態(tài)的重要性。

本文基于光譜分析和自動磨粒檢測2種滑油樣分析的結果，針對現(xiàn)有評估算法的局限性，將模糊推理和證據(jù)理論結合，提出了1種新的信息融合評估算法，充分利用了滑油分析的檢測信息，并使各算法優(yōu)勢互補，可得到較為理想的評估結果。

1 航空發(fā)動機磨損狀態(tài)融合評估新方法

1.1 磨損狀態(tài)評估指標確定

某型發(fā)動機潤滑系統(tǒng)的磨損部位主要有主軸軸承、離心通風器和回油泵等，其中主軸軸承失效的故障率最高且危險性最大。主軸軸承的失效模式主要有3種：磨損、疲勞剝落、斷裂。滑油光譜分析（spectrometricoilanalysis）可對尺寸小于10μm的磨粒進行精確分析，對軸承漸進型磨損或由發(fā)動機裝配質量引起的早期磨損的預報效果較好，但對后2種故障模式的預報效果較差。在該型發(fā)動機實際故障統(tǒng)計中發(fā)現(xiàn)：當滑油中有大量大磨粒時，軸承疲勞為最主要的失效模式[9]。因此，需引入大磨粒檢測技術，Laser NetFines-C（LNF）自動磨粒檢測儀可識別大于20μm的全部顆粒，按金屬磨損類型進行區(qū)分并加以計數(shù)。針對實際情形中軸承故障模式的復雜性，可選用滑油光譜分析和與之相補的大磨粒分析技術，對發(fā)動機主軸軸承磨損狀態(tài)進行重點監(jiān)控并融合評估。

針對軸承磨損狀態(tài)評估，依據(jù)其主要材料成分，確定光譜分析中Fe、Cu為重要元素，監(jiān)控其磨損量和磨損率。依據(jù)失效模式，確定自動磨粒檢測中監(jiān)控對象為切削磨粒、疲勞磨粒和嚴重滑動磨粒，監(jiān)控各磨粒數(shù)和增長率。發(fā)動機其余重要部件（離心通風器等）磨損狀態(tài)評估也可依此類推。

1.2 磨損狀態(tài)融合評估模型

航空發(fā)動機磨損狀態(tài)的融合評估流程如圖1所示。首先對滑油樣進行光譜分析和自動磨粒檢測分析，可基本獲取滑油樣中所有重要磨粒的信息；針對各監(jiān)控對象，將磨損量和磨損率進行模糊推理，得到發(fā)動機磨損狀態(tài)評估結果；在光譜分析和自動磨粒檢測中，分別進行Max運算，得出各自最后的決策結果；針對2種滑油分析方法的評估結果，實施決策層的信息融合；基于粗糙集理論和專家經(jīng)驗，得到2種滑油分析方法的可靠程度，確保了2證據(jù)基本置信度分配的準確性；最后，運用D-S證據(jù)理論進行融合診斷。以軸承磨損狀態(tài)評估為例，介紹其關鍵環(huán)節(jié)。

圖1 發(fā)動機磨損狀態(tài)融合評估流程

1.3 模糊推理機的構建

針對每個監(jiān)控對象，都需構建1個模糊推理機來對其故障征兆進行模糊推理。根據(jù)軸承磨損狀態(tài)評估確定的監(jiān)控對象，則應構建5個模糊推理機。以自動磨粒檢測的切削磨粒為例，詳細介紹構建模糊推理機的過程。

故障征兆的模糊推理包含4個步驟：模糊化、模糊規(guī)則建立、關系生成方法和推理合成算法的選取、反模糊化[11]。

1.3.1 模糊化

針對自動磨粒檢測的切削磨粒，其故障征兆集為S={s1,s2}，其中，s1為切削磨粒數(shù)，s2為切削磨粒增長率。發(fā)動機軸承的磨損狀態(tài)集為Ω={ω1,ω2,ω3}，ω1、ω2、ω3分別表示磨損狀態(tài)為正常、警告、異常。G={g(ω1),g(ω2),g(ω3)}，向量G 表示3種磨損狀態(tài)發(fā)生的可能性。

對故障征兆進行模糊化處理。某型發(fā)動機在實際使用中，依據(jù)統(tǒng)計分析和實際使用經(jīng)驗，切削磨粒的警告值為10個/mL、異常值為30個/mL、增長率異常值為6個/（mL·10h）。依據(jù)界限值，將si分為“小”、“中”、“大”3個類別，并劃分其各自的模糊集合，建立相應的隸屬度函數(shù)μj（s1）、μj（s2）（j=1,2,3），如圖2所示。本文選用梯形函數(shù)的隸屬度形式。

圖2 切削磨粒征兆信息隸屬度函數(shù)

依據(jù)經(jīng)驗對輸出變量g（ωj）（j=1,2,3）進行模糊化處理，將其分為“較小”、“一般”、“較大”3個類別，并劃分其各自的模糊集合，建立相應的隸屬度函數(shù)μ1（g(ωj)）、μ2（g(ωj)）、μ3（g(ωj)）（j=1，2，3），如圖3所示。本文中選用梯形和三角函數(shù)的隸屬度形式。

1.3.2 建立模糊規(guī)則

模糊規(guī)則的建立一般需基于專家知識或大量的試驗數(shù)據(jù)，可表示為“if…then…”。基于發(fā)動機領域知識，針對s1和s22個故障征兆，建立磨損狀態(tài)評估規(guī)則庫，評估規(guī)則見表1。

圖3 輸出變量隸屬度函數(shù)

表1 發(fā)動機磨損狀態(tài)評估規(guī)則

模糊推理需要選取適當?shù)年P系生成方法和推理合成算法，本文采用Mamdani方法。反模糊化是模糊化的逆過程，將推理輸出的模糊值轉變?yōu)榇_定值的過程，此處采用重心法。各算法的具體計算過程詳見文獻[12-14]。

1.4 Max運算

經(jīng)模糊推理，光譜分析各監(jiān)控對象所得到的發(fā)動機軸承磨損狀態(tài)可能向量可表示為自動磨粒檢測各監(jiān)控對象所得到的發(fā)動機軸承磨損狀態(tài)可能向量可表示為進行Max運算，在2種滑油分析方法中，分別選取推理結果中異常磨損可能性最大的監(jiān)控對象，將該監(jiān)控對象的推理結果作為各自滑油分析方法最終的推理結果。即若則光譜分析融合結果為

1.5 推理結果的融合決策

運用D-S證據(jù)理論進行融合決策時，一般包括4個重要步驟：識別框架的構建、基本置信度分配、證據(jù)合成和證據(jù)決策。針對滑油監(jiān)控的融合診斷，具體設計如下。

1.5.1 識別框架的構建

在證據(jù)理論中，一些完備的獨立元素組成的集合稱為識別框架。在發(fā)動機軸承的磨損狀態(tài)集Ω={ω1，ω2，ω3}中，各元素兩兩互斥、并窮盡了所有狀態(tài)，可將其視為狀態(tài)評估的識別框架。

1.5.2 基本置信度分配

（1）相對重要度的求解

本文依據(jù)條件屬性的屬性重要度[15]來求解2種滑油分析方法的相對重要度。設一信息表達系統(tǒng)S=其中論域U={x1,x2,…xn}，屬性集R=C∪D。在論域U 下，條件屬性集C 和決策屬性集D 的等價類分別為U/ind（C）={c1,c2,…，cm}

則條件屬性C 的信息熵H（C）可定義為

式中：|U|為集合U 中的元素個數(shù)。

依據(jù)Shannon熵的概念，當條件屬性C 已知時，決策屬性D 的條件熵H（D/C）可定義為

H（D/C）可用來表示決策屬性D 對條件屬性C 的依賴度。

針對任一條件屬性at∈C，則刪除屬性at可得H（D/C-{at}），屬性at對決策系統(tǒng)影響的重要度可表示為

則對?ax、ay∈C，可定義其相對重要度

（2）歸一化處理

分別設2個證據(jù)體的基本置信度向量為me=（me（ω1），me（ω2），me（ω3），me（H），（e=1,2），則歸一化公式為

1.5.3 證據(jù)合成

基于Dempster規(guī)則，對基本置信度向量m1、m2進行證據(jù)合成。合成后結果表示為m=（m（ω1），m（ω2），m（ω3），m（H）），則合成運算為

1.5.4 證據(jù)決策

根據(jù)合成結果m，依據(jù)最大置信度的方法作出決策。設ω*?H，若 有m（ω*）=max（m（ω1），m（ω2），m（ω3），m（H）），則ω*即為評估的發(fā)動機磨損狀態(tài)。

2 實例應用

某型發(fā)動機滑油分析數(shù)據(jù)見表2。

表2 某型發(fā)動機滑油檢測結果

依據(jù)本文所建模糊推理機，經(jīng)模糊推理、Max運算后，所得結果見表3。從表中可知，分別由單一滑油分析方法的檢測結果得到的評估結果相互間沖突較大，嚴重影響了狀態(tài)評估的最終決策。為此，需按模型進行決策層的信息融合。

表3 磨損狀態(tài)可能性的模糊推理結果

表4 某型發(fā)動機磨損狀態(tài)評估決策

為求取2種滑油分析方法的可靠程度，選取15組發(fā)動機滑油分析原始數(shù)據(jù)[9]，分別依據(jù)單一滑油分析數(shù)據(jù)進行模糊推理，得到發(fā)動機的磨損狀態(tài)，屬性值“1”、“2”、“3”分別表示單一滑油分析手段評估結果為“正常狀態(tài)”、“警告狀態(tài)”、“異常狀態(tài)”。條件屬性a1、a2分別表示光譜分析、自動磨粒檢測的評估結果，決策屬性d 表示發(fā)動機的實際磨損狀態(tài)。其評估決策見表4。其中N 表示具有相同屬性值的對象數(shù)量。

表4中的條件屬性集C={a1，a2}，則各等價關系在論域U 下的等價類為

依據(jù)式（4）、（5）可得

則屬性a1對決策系統(tǒng)的重要度

屬性a2對決策系統(tǒng)的重要度

可得2屬性的相對重要度

依據(jù)專家經(jīng)驗，給出光譜分析的可靠程度α1=0.7，則α2=α1Q21=0.7×1.36=0.952。

對表3中的推理結果依據(jù)式（8）、（9）進行歸一化處理，得各磨損狀態(tài)下的基本置信度，見表5。

基于Dempster規(guī)則，對表5進行數(shù)據(jù)融合，得m=（0.2382，0.1762，0.5563，0.0293），分析可知該發(fā)動機的磨損狀態(tài)應為ω3（異常磨損狀態(tài)）。對該發(fā)動機分解發(fā)現(xiàn)，其主軸軸承發(fā)生嚴重疲勞磨損，驗證了本文方法的有效性。

表5 各磨損狀態(tài)下的基本置信度

3 結束語

本文提出1種新的發(fā)動機磨損狀態(tài)融合評估方法，有效融合了光譜分析和自動磨粒檢測的結果，提高了評估結果的準確性。實例驗證表明，該方法能夠準確地評估出發(fā)動機的實際磨損狀態(tài)，可為相關人員進行維修維護提供決策支持。

該方法評估結果的準確性對各征兆信息的邊界值有較強的依賴性，需不斷搜集該型發(fā)動機在不同磨損狀態(tài)下的滑油分析數(shù)據(jù)，對邊界值進行更加準確的定義，進一步提高評估結果的準確性。

[1]陳果.航空發(fā)動機磨損故障的智能融合診斷[J].中國機械工程，2005，16（4）：299-302，306.CHEN Guo.Intelligent fusion diagnosis of aeroengine wear faults[J].Chinese Journal of Mechanical Engineering，2005，16（4）：299-302，306.（in Chinese）

[2]文振華，陳果.基于D-S證據(jù)理論的航空發(fā)動機磨損故障智能融合診斷方法[J].機械科學與技術，2005，24（9）：1018-1021.WEN Zhenhua，CHEN Guo.An intelligent fusion technique for diagnosis of engine wear fault based on D-S evidence theory[J].Mechanical Science and Technology for Aerospace Engineering，2005，24（9）：1018-1021.（in Chinese）

[3]陳果，左洪福，楊新.基于神經(jīng)網(wǎng)絡的多種油樣分析技術融合診斷[J].摩擦學學報，2003，23（5）：431-434.CHEN Guo，ZUO Hongfu，YANG Xin.Neural network-based fusion diagnosis using various oil analysis techniques[J].Tribology，2003，23（5）：431-434.（in Chinese）

[4]陳果.基于神經(jīng)網(wǎng)絡和D-S證據(jù)理論的發(fā)動機磨損故障融合診斷[J].航空動力學報，2005，20（2）：303-308.CHEN Guo.Fusion diagnosis of engine wearing fault based on neural networks and D-S evidence theory[J].Journal of Aerospace Power，2005，20（2）：303-308.（in Chinese）

[5]瞿紅春，丁協(xié)賓.基于D-S證據(jù)理論的航空發(fā)動機故障診斷[J].中國民航大學學報，2011，29（4）：4-7.QU Hongchun，DING Xiebin.Aeroengine fault diagnosis based on D-S evidential theory[J].Journal of Civil Aviation University of China，2011，29（4）：4-7.（in Chinese）

[6]赫英，彭鴻博.D-S證據(jù)理論及其在滑油故障診斷中的應用[J].中國民航學院學報，2003，21（3）：41-44.HE Ying，Peng Hongbo.D-S theory and application in fault diagnosis of aircraft engine oil system［J］.Journal of Civil Aviation University of China，2003，21（3）：41-44.（in Chinese）

[7]胡金海，謝壽生，駱廣琦，等.基于Dempster-Shafer證據(jù)理論的航空發(fā)動機磨損狀況融合診斷 [J].機械科學與技術，2008，27（3）：343-346.HU Jinhai，XIE Shousheng，LUO Guangqi，et al.Fusion diagnosis of aeroengine wearing condition based on Dempster-Shafer proof theory[J].Mechanical Science and Technology for Aerospace Engineering，2008，27（3）：343-346.（in Chinese）

[8]崔曉飛，張改虎，蔣科藝，等.基于光譜D-S證據(jù)融合的航空發(fā)動機故障診斷技術[J].航空發(fā)動機，2009，35（1）：37-39，56.CUI Xiaofei，ZHANG Gaihu，JIANG Keyi，et al.Fault diagnosis technology for aeroengine based on spectrum D-S evidence fusion[J].Aeroengine，2009，35（1）：37-39，56.（in Chinese）

[9]陳立波，宋蘭琪，陳果.航空發(fā)動機滑油綜合監(jiān)控中的磨損故障融合診斷研究[J].航空動力學報，2009，24（1）：169-175.CHEN Libo，SONG Lanqi，CHEN Guo.Study on diagnosis techniques of wear faults in synthesized monitoring of aeroengine[J].Journal of Aerospace Power，2009，24（1）：169-175.（in Chinese）

[10]陳果，陳立波，宋蘭琪.一種磨損故障融合診斷新方法及其應用[J].機械科學與技術，2009，28（9）：1157-1161.CHEN Guo，CHEN Libo，SONG Lanqi.A new approach to fusion diagnosis of wear faults and its application[J].Mechanical Science and Technology for Aerospace Engineering，2009，28（9）：1157-1161.（in Chinese）

[11]張國良，曾靜.模糊控制及其MATLAB應用[M].西安：西安交通大學出版社，2002：25-28.ZHANG Guoliang，ZENG Jing.Fuzzy control and its Matlab application[M].Xi’an：Xi’an Jiaotong University Press，2002：25-28.（in Chinese）

[12]王古常，成堅，鮑傳美，等.模糊推理和證據(jù)理論融合的航空發(fā)動機故障診斷[J].航空動力學報，2011，26（9）：2101-2106.WANG Guchang，CHENG Jian，BAO Chuanmei，et al.Diagnosis method of aeroengine fault based on fuzzy inference and evidence theory[J].Journal of Aerospace Power，2011，26（9）：2101-2106.（in Chinese）

[13]張德豐，楊文茵.Matlab工程應用仿真[M].北京：清華大學出版社，2012：184-222.ZHANG Defeng，YANG Wenyin.Matlab application engineering and simulation[M].Beijing：Tsinghua University Press，2012：184-222.（in Chinese）

[14]趙振宇，徐用懋.模糊理論和神經(jīng)網(wǎng)絡的基礎與應用[M].北京：清華大學出版社，1995：14-22.ZHAO Zhenyu，XU Yongmao.Introduction to fuzzy theory，neural networks and their application[M].Beijing：Tsinghua University Press，1995：14-22.（in Chinese）

[15]李冬，宋巖，馬力，等.基于粗糙集和支持向量數(shù)據(jù)描述的發(fā)動機視情維修研究[J].燃氣輪機技術，2013，26（1）：46-50，58.LI Dong，SONG Yan，MA Li，et al.Research of engine condition-based maintenance based on rough set and support vector data description[J].Gas Turbine Technology，2013，26（1）：46-50，58.（in Chinese）