渦扇發動機氣路傳感器故障診斷

姚文榮，徐田鎮，張海波

（1.中國航發控制系統研究所，江蘇無錫214063；2.南京航空航天大學江蘇省航空動力系統重點實驗室，南京210016）

渦扇發動機氣路傳感器故障診斷

姚文榮1，徐田鎮2，張海波2

（1.中國航發控制系統研究所，江蘇無錫214063；2.南京航空航天大學江蘇省航空動力系統重點實驗室，南京210016）

為了實現對某渦扇發動機傳感器故障的在線診斷，提出并設計了1種基于在線貫序極端學習機的故障診斷算法。其核心思想是在定位某傳感器故障后，在線建立針對該故障傳感器“預學習”的信號重構算法，解決多故障混疊問題。在線信號重構算法以泛化能力指標為判定條件，利用選擇策略對算法網絡權值進行選擇性更新，提高了故障診斷系統的實時性。以某型渦扇發動機為對象開展了傳感器故障診斷與重構仿真，結果表明：該算法能夠對發動機單、雙傳感器故障進行準確地診斷與信號重構，且具有良好的實時性。

在線貫序極端學習機；渦扇發動機；傳感器；故障隔離；故障診斷；信號重構

0 引言

眾所周知，傳感器的可靠性對航空發動機控制系統具有至關重要的影響。發動機數控系統中傳感器大都在高溫、高壓、強振動的惡劣環境中工作，容易發生各種故障。為此，常采用傳感器余度技術，應用最廣泛的余度技術主要有硬件余度和解析余度[1-2]。硬件余度技術采用多個傳感器測量同一發動機參數的方法來保證測量值的可靠性，但該技術會增加系統的復雜性和質量，對于某些發動機參數，常常由于傳感器安裝困難而無法實現，因而限制了其應用范圍。解析余度技術利用各測量參數的解析關系，通過軟件算法在線估計出某些發動機參數的值，當對應的參數傳感器發生故障時，即可將估計值作為余度信息代替傳感器測量值[3]。顯然，隨著智能算法等現代軟件計算技術的快速發展，相比硬件余度技術，解析余度技術更適宜于工程化，具有更重要的研究價值。

早在20世紀70年代，Wallhagen等[4]首先提出利用傳感器解析余度技術來提高發動機控制系統的可靠性；80年代開始，美國NASA Levis研究中心圍繞傳感器故障診斷、隔離與重構開展了ADIA(Advanced Detection Isolation and Accommodation)的研究計劃，并且在F110發動機上成功進行了全包線驗證[5]；90年代后期，Mattern、Hieu等[6-7]將在線的機器學習算法應用到傳感器故障診斷中，取得了顯著成效。而國內的研究，則大多處于理論仿真研究階段，黃向華等[8]提出基于自聯想神經網絡的發動機傳感器的故障診斷與重構方案；劉小雄等[9]基于徑向神經網絡提出1種智能解析余度的容錯飛行控制方法；魯峰等[10]提出了1種改進的粒子群算法訓練的支持向量機，并利用融合機制將其應用于傳感器的故障診斷中。上述方法可歸為離線設計的方法，即通過事先獲取的數據集進行故障診斷系統設計，受數據獲取的難度和智能算法泛化能力的限制，目前的研究結果僅適用于發動機某些特定的工作狀態。

近年來，傳感器在線故障診斷算法也開始興起。如趙永平等[11-12]提出了在線學習算法OPLS-SVR(Online Parsimonious least support vector regression)進行了傳感器故障診斷；趙成偉等[17]基于1簇卡爾曼濾波器的算法也對傳感器故障進行了快速實時仿真。但由于實時性的限制，上述在線方法僅對單個傳感器故障進行了在線仿真研究。

為了適應實際發動機復雜的運行工況，針對常見的多傳感器故障、不同故障類型交錯發生的情況，本文提出并設計了1種基于在線貫序極端學習機(Online Sequential Extreme Learning Machine,OS-ELM)的傳感器在線診斷算法，并且設計了某渦扇發動機傳感器的故障隔離系統。其核心是在診斷出某一傳感器故障之后，對該故障傳感器建立1種“預學習”的信號重構，應用此故障隔離算法，在多個傳感器連續發生故障時，也能夠實時、準確地定位故障傳感器，并能重構各傳感器信號。

1 在線貫序極端學習機算法

極端學習機(ELM)算法是1種簡單易用、有效的單隱含層前饋神經網絡（SLFNS）[14]。相對于傳統的網絡算法，ELM法極大地提高了訓練速度，并能有效避免過擬合現象[16]。為了獲得在線學習的能力，文獻[15]提出了1種在線貫序極端學習機（OS-ELM）算法。

1.1 OS-ELM算法

式中：βi=[βi1,K,βim]T，為隱含層第 i點和輸出層節式點的連接權值；wi=[wi1,wi2,K,win]，為隱含層第i點與輸入層節點的連接權值；bi為隱含層第i點的偏置。

對式(1)中的N個方程可以寫為如下矩陣形式

式中：H為ELM網絡的輸出層矩陣，H的第i列是相對于輸入x1,K,xN的第i個隱含層節點的輸出向量。

根據文獻[14]，當選定的激活函數g(x)無限可微，SLFN的參數不需要全部調整，w和b在初始化過程中可以任意給1個隨機值，并且在此后的運算過程中保持數值不變，只需求解神經網絡隱含層與輸出層之間的連接權值β，因此大大提高了算法的運算速度。

β由求逆定理[15]解

式中：H?為神經網絡輸出層矩陣H的廣義逆。

對于OS-ELM算法，即是利用前一步計算的網絡權值，通過遞推的方式來更新當前網絡權值[15]，βk表示第k組輸入數據所對應的輸出權值矩陣，hk表示第k組輸入數據所對應的輸出層矩陣，則k+1組數據所對應的權值矩陣為

1.2 選擇策略

為了提高故障診斷系統的實時性，本文采用選擇策略[16]，其工作原理是根據下式的判斷條件對Mk進行選擇更新

式中：e=|（dk+1-dk+1）/dk+1|，為算法的預測值與發動機真實值之間的相對誤差；ε為更新判定閾值。

當e＜ε時，說明當前采樣步長內數據的預測精度較高，算法原系統具有足夠的泛化能力來精確預測當前輸出值，因此沒有必要對Mk進行遞推更新，否則根據式(5)更新當前的Mk+1，并且計算相應的權值矩陣βk+1。

2 發動機傳感器的故障類型及其模擬仿真

發動機傳感器最常見的故障是偏置、漂移2種類型，為了進行仿真研究，需要先對故障信號進行模擬。傳感器發生偏置故障時，其時域特征為傳感器在某一時刻測量值突然發生較大的幅值偏差。可由下式模擬偏置故障信號

式中：d（k）為k時刻傳感器的實際測量值；dr（k）為k時刻發動機參數的真實值；t0為發生故障的時刻；n為偏置百分率。

傳感器在某一時刻發生漂移故障時，表現為傳感器的測量值隨著時間以某一速率緩慢偏離對應發動機參數的真實值，漂移故障信號的模擬方式為

式中：m為采樣步長時間內故障漂移速率。

另外，為了使每個傳感器在診斷過程中有相同的權重，對不同參數的測量值根據式（9）進行歸一化處理

式中：dn（k）為k時刻傳感器測量值信號處理后的值；dmax和dmin分別為傳感器信號的最大值和最小值。

3 基于OS-ELM的某渦扇發動機的傳感器故障診斷系統設計

根據上述的OS-ELM法，針對某渦扇發動機控制系統傳感器故障診斷問題進行研究。

3.1 渦扇發動機

本文研究對象為某小涵道比渦扇發動機，發動機控制輸入為主燃油流量Wf以及尾噴管面積A8，閉環運行定義油門桿角度為PLA。

渦扇發動機軸向結構如圖1所示。1截面為發動機進口，2截面為風扇進口，22截面為風扇出口，13截面為外涵道進口，23截面為內涵道進口，25截面為壓氣機進口，3截面為壓氣機出口，4截面為燃燒室出口，42截面為高壓渦輪出口，45截面為低壓渦輪進口，46截面為低壓渦輪出口，16和6截面分別為外涵道和內涵道出口，7截面為加力燃燒室進口，75截面為加力燃燒室出口，8截面為尾噴管喉道，9截面為尾噴管出口。

為便于說明，分別對渦扇發動機控制系統5個主要傳感器編號1～5，對應的測量值分別為風扇轉速N1，壓氣機轉速N2，壓氣機出口總溫T3，壓氣機出口總壓P3，低壓渦輪出口總溫T46。

3.2 故障診斷系統結構設計

為了充分利用傳感器的測量值，改善傳感器映射模塊的動態預測精度，考慮到發動機動態可以簡化為1個2階數學系統，因此所設計的故障診斷系統中，傳感器信號均引入前2個時刻的測量值作為系統輸入，可描述為

對于1～5號傳感器分別設計基于OS-ELM法的診斷系統，其結構如圖2所示。

當ei＜DC時，傳感器正常工作，直接輸出傳感器所測量信號值dik；當 DC≤ei＜FC時，則傳感器診斷系統診斷為漂移故障；當ei≥FC時，則診斷系統診斷為偏置故障；傳感器發生故障后，診斷系統將其映射模型的重構值代替測量信號作為輸出。

而對于多傳感器故障，基于上述的診斷系統，定位某一傳感器發生故障后，若將此測量信號繼續作為映射模塊的輸入易引起誤診，從而導致整個診斷系統出現混亂甚至崩潰。

針對上述問題，對多傳感器故障信號設計了隔離系統，其診斷流程如圖3所示。其中，傳感器未發生故障時的映射系統記作診斷系統A。發生故障的傳感器信號從映射模型的輸入中剔除，用剩余健康傳感器信號作為輸入重新訓練預測模型，記作診斷系統B。

當傳感器再次發生故障時，將該傳感器繼續從映射模塊輸入中剔除，用剩余健康傳感器信號作為輸入重新訓練預測模型，記作診斷系統C。對于所剔除故障傳感器信號的重構，采用本文所提出的“預學習”診斷系統。

以下詳細說明基于OS-ELM法傳感器故障診斷系統的故障隔離的工作原理，不失一般性，僅以1、2號傳感器發生單、雙故障的情形為例。

3.3 單傳感器故障診斷系統的隔離邏輯

當各傳感器正常工作時，其OS-ELM映射模型的輸入-輸出關系見表1，即故障診斷系統A。

表1 診斷系統A對應的輸入-輸出關系

當1號傳感器單獨發生故障時，將其測量值與其預測值進行比較，根據圖2的診斷邏輯置故障標志位。而后，在其它傳感器預測模型中將1號故障傳感器的測量值從模型的輸入中剔除，重新進行在線訓練。1號故障傳感器的估計沿用診斷系統A中相應的輸入，此時每個傳感器的映射模型中都不含有故障傳感器1的信息，可以實現發動機控制系統在傳感器發生故障后，仍然能夠正常工作。故障診斷系統B中，映射模型具體的輸入對應關系見表2。

表2 診斷系統B對應的輸入-輸出關系

3.4 多傳感器故障診斷系統的隔離邏輯

如前所述，在線傳感器故障診斷系統多針對單個傳感器故障進行設計研究，而實際上，多個不同傳感器發生故障或是不同故障類型交錯發生的情況也是常見的。

為了避免在多個傳感器發生故障時引起誤診，在診斷出單傳感器（假設為1號傳感器）故障后，對1號傳感器的信號重構進行“預學習”。由于當前時刻下次發生故障的傳感器未知，因此需預先去除可能發生故障的每個傳感器測量值，分別建立映射模型，并行地預測第1次發生故障的1號傳感器。具體的預學習映射模型的輸入-輸出對應關系見表3。

表3 預學習系統對應的輸入-輸出關系

當其它傳感器發生疊加故障，假設為2號傳感器發生故障。顯然，通過故障診斷系統B，可以定位2號傳感器故障，此時應選擇“預學習”模型中不包含故障傳感器2的1組，對1號故障傳感器進行預測。其它傳感器預測模型中將1、2號故障傳感器的測量值從模型的輸入中去除，重新進行在線訓練，實現對3～5號傳感器參數的預測。對2號故障傳感器的預測仍延用診斷系統B中相應的輸入，最終診斷系統C中各傳感器映射模型的輸入-輸出對應關系，見表4。

表4 診斷系統C對應的輸入-輸出關系

通過以上設計的故障隔離系統，在多傳感器發生故障的情況下，均能夠將映射模型中的故障傳感器信號從輸入信息中剔除，保障了所設計的故障診斷系統的魯棒性、降低了誤診率。

類似地，其它傳感器故障均可以按照相同的故障隔離邏輯實現多個故障傳感器的診斷與信號的預測重構。

4 數字仿真驗證

以前述渦扇發動機為研究對象，在地面標準狀態下，發動機油門桿角度PLA，在第5 s時由30°變化到70°，在第20 s時由70°變化到30°，在第35 s時由30°變化到70°。針對傳感器發生偏置或漂移故障情況進行仿真分析，其他包線點的結果類似，限于篇幅不再給出仿真圖。設置OS-ELM法隱含層激勵函數sigmoid，節點數設置為50，圖中的縱坐標是經式(9)處理后的結果。

4.1 單傳感器故障在線診斷

模擬發動機在過渡態運行過程中，對T3傳感器發生偏置或漂移故障的情況進行仿真分析。

發動機在第35～40 s過渡態運行過程中，T3傳感器發生偏置故障時的仿真結果如圖4(a)所示，其中傳感器的偏置故障幅度為3.5%。圖4(a)的局部放大如圖4(b)所示。從圖中可見，當T3傳感器發生偏置故障時，傳感器測量值偏離其真實值，此時診斷系統的輸出值并沒有跟隨故障傳感器的測量值，而是等于映射模塊的預測值，最大相對誤差為1.95%。

T3傳感器發生漂移故障時的仿真結果如圖5(a)所示。其中漂移速率為每個采樣周期20 ms內負向漂移0.04%，持續時間為1 s。圖5(a)的局部放大如圖5(b)所示。當第35.0～35.8 s傳感器發生漂移故障時，由于沒有超過判定閾值，并未被診斷出故障，診斷系統的輸出值跟隨了故障傳感器的測量值，當漂移故障幅度超過判定閾值時，診斷系統的輸出值等于其預測值，最大相對誤差為3.72%。其他傳感器的診斷結果見表5。

表5 地面狀態下傳感器診斷的最大相對誤差

4.2 雙傳感器故障在線診斷

模擬T46傳感器與N2傳感器同時發生故障的情況，其中在發動機過渡態運行過程中發生T46傳感器漂移故障，在發動機穩態過程疊加N2傳感器偏置故障。其故障偏置幅度、漂移速率及持續時間與前同。

在t=37 s處發動機處于過渡態時，T46傳感器發生漂移故障時的仿真結果如圖6(a)所示。其結果與圖5(b)基本一致,經故障診斷系統后，其輸出值并沒有再跟隨T46傳感器的測量值，而是替代為映射模塊輸出的預測值。

為模擬疊加故障，在第42 s處開始模擬N2傳感器偏置故障，如圖6(b)所示。從圖中同樣可見，診斷系統的輸出值沒有再跟隨故障傳感器的測量值，而是很好地跟蹤了其真實值，最大相對誤差為2.81%。且從圖6(a)中還可見，在對N2傳感器偏置故障進行重構時，T46傳感器重構沒有受到影響。

為了驗證多故障隔離系統的有效性，在相同條件下，將診斷系統的故障隔離系統去除，在第42 s處發生混疊故障時，診斷系統輸出結果相較于真實值產生了大的偏離，如圖7(a)所示。從圖中可見，此時N1沒有發生故障，由于映射模塊的輸入中有故障信號，導致其重構預測的信號值出現錯誤，此時系統輸出值并不是健康傳感器的測量信號，而是錯誤的預測值，導致診斷系統發生誤診。故障傳感器T46的診斷結果如圖7(b)所示。從圖中可見，診斷系統的輸出值并沒有跟隨發動機的真實值，最大相對誤差超過20%。說明所設計診斷系統中基于”預學習”思想的故障隔離邏輯能有效解決多故障混疊發生的情況，避免了誤診，且保持了較高的預測精度。

從圖4～6中明顯可見，無論是單傳感器故障還是雙傳感器故障，該系統均能迅速定位故障傳感器，并且隔離故障傳感器測量信號，診斷系統的輸出值沒有跟隨發生故障的傳感器測量值，而是精確反映了渦扇發動機對應參數的真實值。

4.3 不同傳感器故障包線適應性測試

類似地還給出在地面狀態下其它傳感器故障診斷的結果（表5）。為了驗證發動機診斷系統的包線適應性，在H=7 km、Ma=0.6，針對P3傳感器漂移故障或偏置故障，N1和N2同時發生漂移故障和偏置故障進行了仿真驗證，系統診斷最大相對誤差見表6。從表5、6中可見傳感器診斷的輸出值與真實值的最大相對誤差控制在5%以內。

表6 高空狀態下傳感器診斷的最大相對誤差

4.4 算法實時性測試

上述仿真試驗均在VC++6.0環境下完成，計算電腦主頻為3.30 GHz，內存為3.46 GB。采用選擇策略的映射模塊平均預測時間為0.8302 ms,由于通過選擇策略對輸出層權值進行了選擇性的更新，使得OS-ELM算法在實時性上有了明顯改善，更適用于傳感器故障的在線診斷。

5 結論

（1）基于OS-ELM法建立的在線故障診斷系統具有良好的預測精度，對傳感器信號的重構精度在98%以上。

（2）采用“預學習”思想所建立的故障隔離系統，對單傳感器以及多傳感器的故障均具有良好的診斷能力，診斷系統的輸出誤差在5%以內。

（3）以泛化能力為指標，采用選擇策略對OS-ELM法的輸出權值進行選擇性更新，提高了其在線使用的實時性，其預測時間在1 ms以內。

[1]Garg S.Controls and health management technologies for intelligent aerospace propulsion systems[R].AIAA-2004-0949.

[2]Delaat John C,Merrill Walter C.Advanced detection,isolation,and accommodation of sensor failures in turbofan engines[R].NASA-TP-2925,1990.

[3]張婭玲，陳偉民，章鵬，等.傳感器故障診斷技術概述[J].傳感器與微系統,2009,28（1）：4-6.ZHANG Yaling,CHEN Weimin,ZHANG Peng，et al.Overview on sensor fault diagnosis technology[J].Transducer and Microsystem Technologies,2009,28（1）:4-6.(in Chinese)

[4]Wallhagen R E,Arpasi D J.Self-teaching digital-computer program for fail-operational control of a turbojet engine in a sea-level test stand[R].NASA-TM-X-3043,1974.

[5]Alag G,Gilyard G.A proposed kalman filter algorithm for estimation of unmeasured output variables for an F100 turbofan engine[R].AIAA-90-1920.

[6]Mattern D L,Jaw L C,Guo T H，et al.Using neural networks for sensor validation[R].AIAA-98-3547.

[7]Hieu Trung Huynh,Yonggwan Won.Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks[J].Pattern Recognition Letters,2011，32：1930-1935.

[8]黃向華,孫建國.基于自聯想網絡的發動機傳感器解析余度技術[J].航空動力學報，1999，14（4）：433-436.HUANG Xianghua,SUN Jianguo.Analytical redundancy based on auto-associative neural network for aeroengine sensors[J].Journal of Aerospace Power,1999,14（4）:433-436.(in Chinese)

[9]劉小雄，章衛國，李廣文.基于智能解析余度的容錯飛行控制系統設計[J].傳感技術學報，2007,20（8）：1912-1916.LIU Xiaoxiong,ZHANG Weiguo,LI Guangwen.Intelligence analytical redundancy-based fault-tolerance design for flight control system[J].Chinese Journal of Sensors and Actuators，2007,20（8）:1912-1916.(in Chinese)

[10]魯峰，黃金泉，陳煜，等.基于SPSO-SVR的融合航空發動機傳感器診斷[J].航空動力學報，2009，24（8）：1856-1865.LU Feng,HUANG Jinquan,CHEN Yu,et al.Research on sensor fault diagnosis of aeroengine based on data fusion of SPSO-SVR[J].Journal of Aerospace Power,2009,24（8）：1856-1865.(in Chinese)

[11]Zhao Yongping,SUN Jianguo.Fast online application for hard support vector regression and its application to analytical redundancy for aeroengines[J].Journal of Aeronautics,2010,23:145-152.

[12]Zhao Yongping,Sun Jianguo,Wang Jiankang.Online parsimonious least squares support vector regression and its application[J].Transactions of Nanjing University of Aeronautics&Astronautics,2009，26（4）：280-287.

[13]張賢達.矩陣分析與應用[M].北京：清華大學出版社，2004:68-69.ZHANG Xianda.Matrix analysis and applications[M].Beijing:Tsinghua University Press,2004:68-69.(in Chinese)

[14]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70（1）：489-501.

[15]Huang G B,Liang N Y,Rong H J,et al.Online sequential extreme learning machine [J].ComputationalIntelligence,2005,128（5）:232-237.

[16]李業波.智能航空發動機性能退化緩解控制技術研究[D].南京：南京航空航天大學，2014.LI Yebo.Research on intelligent aeroengine performance deterioration mitigating control[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2014.(in Chinese)

[17]趙成偉，葉志峰，王繼強，等.渦扇發動機傳感器故障診斷的快速原型實時仿真[J]航空動力學報,2014,29（2）：451-457.ZHAO Chengwei,YE Zhifeng,WANG Jiqiang，et al.Rapid prototype real-time simulation of turbofan engine sensor fault diagnosis[J].Journal of Aerospace Power,2014,29（2）：451-457.(in Chinese)

Fault Diagnosis of Gas Path Sonsor for Turbofan Engine

YAO Wen-rong1,XU Tian-zhen2,ZHANG Hai-bo2
（1 China Aerospace Power Control System Research Institute,Wuxi Jiangsu 214063,China;2.Jiangsu Province Key Laboratory of Aerospace Power Systems,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China）

In order to diagnose malfunctioning turbofan engines'sensor,a corresponding fault diagnosis system was designed with the Online Sequential Extreme Learning(OS-ELM)algorithm.The core idea is that after finding some malfunction sensor,a predictive learning mechanism is applied to construct fault detection and isolation for the sensor.The fault diagnosis for multiple-sensor failures can be effectively solved by this mechanism.Meanwhile,the output layer weight vector of the algorithm net is updated selectively based on generalization capability,the method could significantly improve the really-time of fault diagnosis system.Simulations on a turbofan engine show that the diagnosis method of sensor faults could detect and isolate faults of single-sensor and double-sensor failures,which also prove the validity and feasibility of the algorithm.

online sequential extreme learning;turbofan engine;sensor;fault isolation;fault diagnosis；signal reconstruction

V 235.13

A

10.13477/j.cnki.aeroengine.2017.05.010

2017-03-07

姚文榮(1981),男，博士，工程師，研究方向為航空發動機控制及故障診斷；E-mail:272231671@qq.com。

姚文榮，徐田鎮，張海波.渦扇發動機氣路傳感器故障診斷[J].航空發動機，2017，43（5）：54-61.YAO Wenrong,XU Tianzhen,ZHANG Haibo.Fault diagnosis of gas path sonsor for turbofan engine[J].Aeroengine，2017，43（5）：54-61.

（編輯：李華文）