大數據挖掘分析在航空發動機狀態監控與故障診斷中的應用

曠 典，付堯明，房麗瑤

(中國民航飛行學院 航空工程學院，四川 廣漢 618307)

大數據挖掘分析在航空發動機狀態監控與故障診斷中的應用

曠 典，付堯明，房麗瑤

(中國民航飛行學院 航空工程學院，四川 廣漢 618307)

受到發動機數據收集的限制，發動機狀態監控和故障診斷結果較為模糊。隨著科學技術的不斷改進，發動機維修數據、使用數據和其它相關數據積累得越來越多，為進一步提高發動機監控水平和診斷精度，在發動機狀態監控和故障診斷中應用大數據方法提供了可能。由初始數據庫、運行數據庫、維修數據庫和其他相關數據庫組成發動機大數據，在分析了多元多維度大數據來源的基礎上，建立了大數據模型的構架，提出了發動機大數據關聯規則挖掘方法、狀態量關聯度分析和加權分析，對未來的應用給予展望。

航空發動機；大數據挖掘分析；狀態監控；故障診斷

0 引言

航空發動機狀態監控與故障診斷，是指通過適當方式監控發動機各工作狀態的相關參數，根據現有數據對發動機的工作狀態進行有效的判斷，完成已發生故障的診斷及未發生故障的預測，并提出維修技術建議[1]。狀態監控與故障診斷技術可對發動機進行健康評估、壽命追蹤、維修決策、航材儲備等管理工作，以及對發動機及部件故障進行檢測、隔離、診斷和預測等工作，提高了飛行的安全性和維修保障的經濟性。

目前，航空發動機的狀態監控與故障診斷的數據來源主要是發動機傳感器測量參數。傳感器測量參數具有參數類型少、樣本量小、數據單一的特點。在針對測量參數的分析處理上，如神經網絡[2]評估方法、信息融合技術專家診斷方法[3]、網絡化Internet遠程監控方法[4]、智能技術方法[5]等都較為明顯的出現故障診斷準確率低、定位精度差、預判結果模糊等問題。隨著科學技術的不斷改進，發動機可測量的數據和新類型數據越來越多，發動機數據已初具大數據的模型，進一步增大了發動機診斷與預測的難度。基于數據的狀態監控與診斷方法是對數據進行特性提取，從而構建數學模型，實現故障檢測和診斷預測的目的。因此，提高數據的選擇精度和寬度將使發動機的診斷精度得到提高，而選擇科學的方法將進一步提高其精度。

目前，國內外對大數據技術越來越重視，電力行業運用大數據挖掘技術在性能評估和異常檢測方面取得了很好的效果[6]，GE公司通過predix大數據平臺已在發動機監測工作方面取得優異成績[7]，大數據方法在發動機狀態監控與故障診斷領域的運用已成為必然趨勢。大數據挖掘技術增大了各狀態參數的可用容量，將模式識別和數理統計相結合，并進行深度分析，重點是對各潛在影響因素之間的關聯度進行深度挖掘分析。本文提出構建發動機大數據源，在分析多元多維度大數據來源的基礎上，建立大數據模型的構架，提出了大數據挖掘方法，以期將新的方法和算法引入到發動機監控與故障診斷方法中。

1 發動機狀態多元多維度數據源

航空發動機狀態監控與故障診斷需要對測量參數進行選擇和采集，參數的來源主要是通過傳感器進行收集。發動機的直接測量參數包括風扇振動值、油門桿角度、氣路熱力參數(如發動機各主要截面壓力P、溫度T、流量W，高低壓轉速n1、n2，推力值F等)、燃油流量FF、燃油消耗率sfc、滑油值N、可調靜子葉片VSV和可調引氣活門VBV角度等信息。涉及其它信息，如飛機測量參數包括馬赫數、飛行高度、真空速、大氣總溫總壓或發動機進口總溫總壓等。發動機可用參數類別較少，數據較單一，雖然隨著航班量的增加會提高相關參數的數據量，但數據限制會降低發動機狀態監控與故障診斷的精準度，很難作出適當決策。如高壓壓氣機、高壓渦輪兩者效率下降故障都會引起低壓轉子轉速差Δn1、高壓轉子轉速差Δn2、排氣溫度差ΔEGT、燃油流量差ΔFF的改變，只對這四個參數進行分析就無法達到精確診斷和故障隔離。為使診斷準確，考慮引入高壓壓氣機和高壓渦輪相關聯的其他數據，如使用設計制造數據確定使用特性、使用歷史排故數據確定是否存在故障或拆裝人為因素，使用運行環境參數確定是否存在影響因素(大氣PM2.5值會對渦輪導向器氣膜冷卻有影響)，使用孔探數據監控葉片有無損傷，使用材料特性數據確定金屬工作極限，使用相關部件數據確定是否有影響等對壓氣機和渦輪故障診斷更精確，應用適當算法處理數據將使診斷效率更高。發動機數據的融合務必使診斷精度提高，而發動機數據既獨立多樣，又相互關聯，該數據的發展趨勢符合大數據容量大、處理速度快、類型多樣化、價值大的特征[8]。

發動機狀態監控與故障診斷技術可對發動機設計、制造、使用、維護、報廢等全壽命過程的所有數據進行收集和分析，多元多維度數據構成發動機數據庫的大數據來源，包括：

(1)發動機初始數據庫。發動機初始數據庫主要是發動機設計與制造階段的數據，包括發動機構型、適航等各類清單和維修手冊。涉及到發動機出廠信息、運行參數、使用信息、維修保障信息以及與使用、維修保障過程相關的政策、法規、標準的信息總和。發動機設計公式、資料、文件、規章制度、理論、代碼等也都可作為初始數據庫的一部分。

(2)發動機運行數據庫。發動機運行數據庫由發動機運行環境、時限和自身狀態信息構成。運行環境包括選擇航班航線、飛行時間、天氣狀況等。發動機自身狀態涉及地面啟動、起飛、巡航及近各階段收集數據。采集參數主要包括飛機速度、高度、位置、轉子速度、排氣溫度、氣路及油液壓力和溫度、發動機振動值等。

(3)發動機維修數據庫。航空發動機的維修包括航線使用維護、車間修理以及涉及相關維護的設備、航材和維修、管理人員等數據。航線使用維護數據通常是指涉及發動機的原始報文、修理報告、飛行員或機組成員在事件發生時的觀察報告、由廠家提供的相關技術支持、孔探和瓷堵等檢查數據、航線和定檢排故數據、發動機拆換和水洗記錄、各項工作工卡簽署、有關發動機適航指令、特情維護等。車間修理數據通常是指發動機事后修理構型清單、服務通告SB、適航指令AD、車間排故數據、零部件制造人批準書PMA的相關記錄數據、各項修理及進程數據記錄、維修大綱、維修成本、排故方案等。維修設備數據主要包括廠房設施、普通工具、專用工具、特殊設備等。維修人力資源數據主要包括維修人員的學歷、維修經歷、個人技能、培養方案、工作時間、工作內容等。航材數據主要包括航材使用、周轉件庫存、報廢件記錄、消耗件記錄、返修件修理狀態水平、可用件狀態等。

(4)其它相關數據庫。相關數據庫是與發動機有關卻還未發現的相關聯數據。如不同地區的PM2.5值會對發動機氣路產生不同影響。又如發動機尾氣數據能在一定程度上反映發動機燃燒室的燃燒情況。

2 發動機大數據挖掘架構

“大數據技術”是指從海量數據中快速提取到有價值信息的技術。大數據處理包括數據采集、數據處理與集成、數據挖掘分析、數據解釋和用戶呈現等流程[8]。對發動機狀態監控與故障診斷進行大數據技術的應用，則需重點關注數據的收集處理和挖掘分析。發動機大數據結構復雜、數據多樣，對收集、存儲和處理的要求高，Hadoop的分布式文件系統HDFS可以有效的完成工作[9]。數據的挖掘過程則需運用分布式并行化技術，Hadoop的Map Re duce平臺可有效完成映射、歸約、分類等功能，能對分析系統的期望特征進行表征[10]。

大數據的關鍵是集合所有的參數，把樣本作為整體，將所有參數都作為狀態量，而數據的組成也并非有效并行。通過Map Re duce平臺可對發動機全部新數據進行轉化，成為可識別的狀態參數。將狀態參數應用于發動機狀態監控與故障診斷中，利用大數據科學算法進行深度挖掘，便可構建出發動機正常、故障、缺陷和失效等狀態的關系圖，并對故障進行判別和預測。如圖1所示是發動機狀態監控與故障診斷大數據處理系統框圖，與傳統的方法相比，大數據深度挖掘方法需更大的數據量和更好的科學算法，能對發動機的預測和狀態識別更加準確和可靠。

圖1發動機狀態監控與故障診斷大數據處理系統框圖

3 發動機狀態監控與故障診斷大數據挖掘方法

發動機狀態監控與故障診斷大數據挖掘技術的思路是對發動機全狀態量數據進行關聯性深度挖掘，分別得到發動機正常運行模式所對應的參數指標和發動機故障缺陷時所對應的參數，將得到的數據進行比較，可得出發動機各測量參數相對應的發動機健康狀況并作出預測判斷。其中大數據挖掘分析方法的重點是各發動機全參數的關聯規則、發動機狀態量相應關聯度及其加權[11]。

3.1 發動機全參數關聯規則挖掘

設I={i1,i2,…,im}為所有項目的集合，D為事務數據庫。X、Y是I的子集，即X?I，Y?I且X∩Y=?，邏輯蘊含式X→Y就是關聯規則。關聯規則最重要的指標是支持度sup port(X→Y)=P(X∪Y)和置信度confidence(X→Y)=P(X|Y)。要使關聯規則有意義，需確定支持度和置信度的最小量閾值[12]。

發動機全參數關聯規則挖掘系統框圖如圖2所示。發動機維修大數據庫則可看作項目數據庫I。X1、X2、Y1、Y2則分別為發動機初始數據庫、發動機運行數據庫、發動機維修數據庫、其它相關數據庫。其中，關聯1-6則為X1、X2、Y1、Y2相互之間的支持度和置信度，空白部分為未發現部分數據庫。在對發動機某種故障進行診斷或監控時需確立故障事務數據庫D，通過關聯規則對X1、X2、Y1、Y2子數據庫全參數進行關聯性挖掘分析，在給定兩個最小閾值量的情況下，可確定異常模式所對應的所有參數，包括不同模式下多參數的組合、各參數的提取和合并、參數權重的細分等結果。

圖2 發動機全參數關聯規則挖掘系統框圖

3.2 發動機狀態量關聯度分析

前面提到，目前發動機狀態監控和故障診斷主要數據來源是發動機測量參數和飛機測量參數，數據較為單一。較少的狀態量信息對發動機的健康狀況很難反映完全，相關性較小。對航空發動機而言，輸入量與輸出量可看成一個強非線性的方程組，而發動機大數據概念是將所有的數據看作是全狀態量，無輸入輸出的區別，重點關注發動機各狀態參數的關聯度。

發動機狀態關聯度分析是對發動機多元多維度狀態量進行關聯性分析。通常，協方差矩陣可表征狀態量之間的“狀態關聯度”。設

為發動機的全部狀態參數大集合，其中xij代表i狀態下第j個狀態量的值。矩陣的每一行xi=[xi1,xi2,…,xij](j=1,2,…,n) 代表發動機工作的各種狀態向量，其中每一項代表一個參數值，如xi=[n1,n2,EGT,FF,F,T3,…]，則發動機的“狀態量關聯度”可用X的相關系數定義為Ω=corr(X)。

發動機狀態監控和故障診斷對信息量的反饋要求較大，而“狀態變動關聯度”則恰好滿足條件。它能反映發動機的運行狀況，可對發動機的調控方式進行評估。因此令x0=[x01,x02,…,x0j]為發動機正常工作狀態的向量，Δxi=xi-x0為發動機各工作狀態改變異常量，則

在某狀態下發動機的狀態參數變化值為Δxi=[Δn1,Δn2,ΔEGT,ΔFF,ΔF,ΔT3,…]，則發動機的“狀態變動關聯度”可用ΔX的相關系數定義為∑=corr(ΔX)。

3.3 發動機狀態量加權分析

發動機狀態量加權反應了其重要程度，對構建決策模型影響較大，選擇合適的權重系數和必要的模型修正能提高發動機的故障預測能力和診斷精度。權重參數的設定原則如下：

依照維修大綱、風險管理辦法、特情維護等對發動機各部件進行重要度分析，并按照重大故障發生率/維修記錄統計等情況，對發動機各狀態量的重要度進行加權。根據發動機故障排故時間統計、人力資源安排、航班延誤率數據等，考慮發動機故障對公司正常運營的影響和嚴重后果，對發動機及部件故障進行嚴重度加權。根據已有監控數據和實時監控數據，判斷監測方式監測狀態量獲取程度的準確性和有效性，對監測方式設定成熟度權重系數。

依據維修/運行歷史數據和實時數據，對發動機的工作狀態進行長期的實時監測和分析管理，通過數學算法和數據挖掘等方式，不斷修正權重系數，可高效利用狀態參數并進行發動機健康狀態的評估。

4 發動機狀態監控與故障診斷大數據挖掘分析應用前景

隨著航空業的高速發展，發動機的數據越來越海量化。發動機狀態監控與故障診斷要跟隨大數據化發展，關鍵之處在于有更好的大數據挖掘算法，如基于粒度計算的關聯挖掘算法[13]和基于云計算平臺的并行關聯規律挖掘算法[14]。

美國通用電氣公司已經開發了predix數據平臺，負責接收大約35000臺發動機的關鍵飛行數據包，而相關CFM56數據包飛行參數從280個增至480個，數據采集容量寬度增大。predix根據收集的大數據進行分析并將通知記錄單(CNR)反饋給客戶。該系統預測異常事件的精準率達到86%[7]。

在我國，國航、南航、東航等大型航空公司目前都有自主或與IT企業合作開發的數據管理分析系統。涉及的方向包括旅客服務、空中管制、飛行狀態等各個方面[15-16]。大數據的發展積極推動著整個航空業的發展。

目前，在國內的航空發動機維修市場和研發領域中，大數據挖掘分析技術在發動機狀態監控與故障診斷的具體運用都較少，但隨著與發動機相關的各項數據的跨越式增長，大數據方法的精準化評估也會越來越多的在發動機狀態監控與故障診斷領域得到應用。

5 結語

本文指出傳統狀態監控與故障診斷數據量單一的局限性，提出構建航空發動機全參數大數據庫，建立大數據挖掘模型，在發動機狀態監控與故障診斷領域引入大數據挖掘分析方法，并深入分析發動機大數據之間的相互關系。對大數據技術在發動機狀態監控與故障診斷領域進行了展望。大數據關聯分析應結合具體數據進行關聯和加權，而在發動機狀態監控與故障診斷方面的具體應用則有待進一步的研究。

[1] 范作民,孫春林,白杰.航空發動機故障診斷導論[M].北京:科學出版社,2004:1-20.

[2] 趙軍,侯寬新,賴安卿.基于徑向基神經網絡的航空發動機氣路故障診斷[J].計算機測量與控制,2016,24(7):76-81.

[3] 王志鵬.基于信息融合技術的故障診斷方法的研究及應用[D].大連:大連理工大學,2001.

[4] 張天宏.民航發動機遠程故障診斷技術研究[D].南京:南京航空航天大學,2001.

[5] 郝英.基于智能技術的民航發動機故障診斷和壽命預測研究[D].南京:南京航空航天大學,2006.

[6] 嚴英杰,盛戈皞,王輝,等.基于高維隨機矩陣大數據分析模型的輸變電設備關鍵性能評估方法[J].中國電機工程學報,2016,36(2):435-445.

[7] BRODERICK S.GE力推以結果為導向的大數據分析[J].航空維修與工程,2016(5):74-75.

[8] 劉智慧,張泉靈.大數據技術研究綜述[J].浙江大學學報(工學版),2014,48 (6):957-972.

[9] DAS T K,KUMAR P M. BIG Data Analytics:A Framework for Unstructured Data Analysis[J].International Journal of Engineering and Technology.International Journal of Engineering & Technology,2013,5(1).

[10] 王秀磊,劉鵬.大數據關鍵技術[J].中興通訊技術,2013,19(4):17-21.

[11] 宮宇,呂金壯.大數據挖掘分析在電力設備狀態評估中的應用[J].南方電網技術,2014,8(6):74-77.

[12] 元昌安.數據挖掘原理與SPSS Clementine應用寶典[M].北京:電子工業出版社,2009.

[13] 苗苗苗.數據挖掘中海量數據處理算法的研究與實現[D].西安:西安建筑科技大學,2012.

[14] 陳勇.一種基于云計算的大數據關聯規律挖掘分析方法[J].無線電工程,2017,47(3):8-11.

[15] CHEN S,HUANG Y,HUANG W.Big Data Analytics on Aviation Social Media The Case of China Southern Airlines on Sina Weibo[C].IEEE Second International Conference on Big Data Computing Service & Applications,2016:152-155.

[16] 王立鑫.航空企業基于大數據技術進行數據分析的研究[C].中國航空學會.探索 創新 交流——第六屆中國航空學會青年科技論壇,沈陽，2014:914-917.

[責任編輯、校對：周千]

Abstract：Limited by data collection,the results of engine condition monitoring and fault diagnosis are vague.With the continued development of technology,more and more engine maintenance data,use data,and other relevant data are accumulated,making it possible to further improve the monitoring level and diagnosis precision of engines and to apply big data method in engine condition monitoring and fault diagnosis.This article presents the engine big data consisting of initial database, operated database,maintenance database and other related database,establishes the structure of large data model on the basis of analyzing the multiple dimensional large data sources, puts forward the engine large data association rule mining method,states correlation analysis and weighted analysis,and puts forward the outlook for the future application.

Keywords：aircraft engine;large data mining analysis;condition monitoring;fault diagnosis

ApplicationofBigDataMiningAnalysisinAircraftEngineConditionMonitoringandFaultDiagnosis

KUANGDian,FUYao-ming,FANGLi-Yao

(Aviation Engineering College,Civil Aviation Flight University of China,Guanghan 618307,China)

TP311.13；V263.6

A

1008-9233(2017)05-0042-05

2017-06-19

中國民用航空飛行學院研究生創新項目(X2016-32)

曠典(1990-)，男，四川綿竹人，碩士研究生，主要從事航空發動機故障診斷與狀態監控研究。