航空燃氣渦輪風扇發動機故障識別診斷方法研究

■ 劉義平/中國民用航空飛行學院

1 背景介紹

隨著航空器維修制度的變革，以狀態監控為基礎的預防維修制度激發了航空發動機的故障預測研究熱潮。由于眾多方法在一個或多個發動機狀態預測的應用中呈現出極大的多樣性與適用性，為了捋順故障與預測研究方法的適配關系，從而推陳出新，更好地把握航空發動機故障預測研究的方向，本文就現有航空燃氣渦輪發動機故障診斷方法的利與弊進行簡析，為初涉航空發動機故障預測的研究者提供參考。

2 研究方法簡介與評價

2.1 AP聚類改進免疫算法

文獻[1]依據發動機磨損故障時使磨損率增加、磨粒質量濃度發生異常變化，對比由生物體免疫系統發展起來的免疫算法所具有的學習、記憶特點，提出通過AP聚類算法得到聚類中心作為訓練樣本，并以每個聚類中心數據中的類內最大距離、類內最小距離、類內平均距離、類內數據集作為確定免疫算法訓練檢測器選擇閾值的依據。利用熵權法確定權值，并引入混沌理論對克隆算法進行優化，實現改進免疫算子策略。

1）AP聚類算法

通過AP聚類分析使雜亂無章的數據變得有規律可循，通過聚類算法的無固定周期的多次迭代，將原始數據處理成可以呈現出數據中心的數據類，作為處理數據使用。AP聚類算法在處理原始數據時，用代表度和相似度分別表示數據的代表性和有效性，最后確定代表度矩陣和相似度矩陣的更新規則。

2）基于熵權法的權值計算

在得到的每個數據中心類中選取類內最大距離、類內最小距離、類內平均距離、類內數據集4個指標作為免疫克隆算法的訓練樣本。包括：4個指標的歸一化處理、計算第i個聚類中心的第j個指標的比重、計算第i個聚類中心的第j個指標的權值、計算信息熵等。

3）基于混沌理論的免疫克隆算法

首先通過混沌理論初始化檢測器，使其在一類內進行無固定周期的迭代，得到抗體的初始種群。再計算種群中抗體適應度的距離度量方式，改進了傳統的歐式親和力距離。第三步，篩選出滿足親和力選擇閾值要求的抗體，并入混沌變異高維度種群，其中包括混沌正變異、混沌負變異、混沌混合變異三種形式。最后，選擇最優的前Spop個抗體存入種群，并根據限制條件判斷是否停止搜索。在以實例驗證混沌免疫算法的搜索性能后，對航空發動機磨損故障進行驗證。

AP聚類改進免疫算法用于航空發動機故障診斷，限制容量的免疫算法在診斷準確率上稍遜于免疫傳統算法，但數據量和計算復雜度大大降低，縮短了計算時間，更有利于工程計算，與支持向量機、免疫算法優化支持向量機故障診斷相比都有所提升。

2.2 基于自適應神經網絡的方法

航空燃氣渦輪發動機在使用過程中主要有性能故障、結構強度故障、附件系統故障，文獻[2]主要以占比較大的氣路性能故障為研究對象，以BP（反向傳播）神經網絡故障診斷作為基礎研究理論，以發動機使用過程中健康參數蛻化作為訓練樣本和檢測樣本，通過相關性方法優化神經網絡的輸入、輸出參數等進行神經網絡的優化研究。

基于Pearson相關系數的相關分析算法及其驗證中，相關性分析使得輸入、輸出參量之間的關系變得可以度量，通過相關性分析可以選取相關性較大的幾項作為輸入與輸出參數，進一步提高了診斷的準確程度，同時也有利于神經網絡在訓練時快速下降得到準確的結果。

針對前饋型神經網絡存在的梯度下降不能過快、收斂速度受限、學習速率難以選擇等問題，文獻[2]提出了以BP神經網絡為基礎的一種自適應神經網絡，通過調整反向傳播的權值公式求得關于閾值和權值的函數；通過引入比例因子調整學習速率的大小，使得在初始時刻快速下降，在接近目標值時緩慢接近，從而避免接近目標值時出現大范圍跳動。同時，為了避免“過調”而引入門限值，增加一個“動量因子”的調整，進而避免網絡可能陷入淺的局部極小值。

根據一般發動機非線性部件級模型產生的發動機各種故障情況，得到相應的健康參數蛻化的工況數據樣本，對比常規前饋型神經網絡的訓練及檢測結果，顯示出自適應神經網絡（經優化輸入輸出參數、優化權值）具有負梯度下降快、下降穩定、精準度高等優點，在大幅減少訓練樣本的情況下依然保持了高的準確度，因而在航空發動機維修工程中有了實際應用的可能。這種算法準確估計了發動機部件的蛻化情況，通過融合比例因子和動量因子，改善了網絡的學習速率，提高了神經網絡置信度。

2.3 應用深度核極限學習機的方法

文獻[3]在對航空發動機部件故障研究之后發現，發動機是復雜的非線性系統，各部件按照壓力、流量和功率匹配原理共同工作，氣動熱力參數的變化與部件性能變化之間關系復雜，難以準確快速地分類識別，尤其是對基于單一故障耦合而成的二因、三因故障更加難于識別。

文獻[3]對比深度神經網絡、支持向量機、反向傳播神經網絡、徑向基神經網絡以及隨機賦輸入權值的淺層神經網絡極限學習機在模式識別中的相關性能及特點，提出了利用核函數計算代替高維空間的內積運算，將特征映射到更高維空間進行決策，再將多個極限學習機自編碼器（ELM auto-encoder，ELM AE）疊加形成深度核極限學習機網絡結構。

深度核極限學習機利用ELM自編碼器對輸入數據進行逐層抽取得到更為有效的特征，有利于區分容易混淆的類型，提高分類精度。通過對所建立的模型算法在通用數據分析上進行驗證，基于核方法的深度核極限學習機相比其他算法取得了最高的測試精度，具有較好的分類和泛化性能。

采用交叉驗證的方法對正則化參數和核參數的敏感性進行了研究，研究發現正則化參數和核參數兩者耦合相互交織、相互影響，并且存在多種組合，可以根據不同的實際需要選擇最優組合。算法的核函數參數γ與正則化參數C對算法性能有很大影響，存在最優組合，需要根據具體的應用進行驗證確定。

通過等熵效率退化來表征發動機氣路部件的故障，使得原始數據有了較高的準確性，應用疊加單層學習機采用批處理“一步”訓練方式的特點，克服了整體處理時的學習精度不足問題，并微調網絡權值，使處理速度進一步優化。引入核方法所具有的強大的非線性映射能力來代替高維空間的內積運算，以此克服數據源維數災難，且對于提高分類診斷精度和泛化性能十分有效。最后將兩種技術有機整合，使其表現出相當高的精確度，當神經網絡層數為3層時最優，不過訓練時間稍高于普通的極限學習機。

2.4 基于集成神經網絡的研究

集成神經網絡研究的是單一信息源在固定模式下診斷結果準確率不高的問題。其依據航空發動機機械故障的特性及其故障診斷模式，將經過數據處理模塊處理的原始數據由數據分配單元下發到各個診斷子網絡，然后將各子網絡的診斷結果通過模糊決策方式融合，以權值影響的方式最終判定故障失效原因。

1）數據處理模塊：啟動濾波環節，通過濾波達到去除數據噪聲的目的，從而自動將必要的數據準備提供給子系統。

2）特征信息分配單元：執行向各診斷子網絡分配特征信息的任務。

3）建立診斷子網絡：

a.基于網絡分配到多個參數的特征信息，確定診斷參數對某一故障模式的診斷置信度。

b.確定特征輸入向量。將診斷參數的特征向量連接起來，形成新的特征輸入向量。

4）故障融合與決策：根據對各診斷子網絡的診斷結論，依據融合處理原理得到診斷結果。決策融合的本質是為了減小系統輸出的不確定性，提高系統診斷結果的可靠性。

文獻[4]的創新之處在于：以基于網絡結構的數值計算替代了原來的基于符號規則的推理；知識庫的形成是由神經網絡的學習、訓練來完成的一種綜合模糊診斷模式；特征數據傾向性分配給子網絡，由子網絡分布診斷，再由子網絡對診斷結果進行模糊決策。缺陷在于：所用的神經網絡層數太少，影響診斷精確度；選用的神經網絡是最原始的，沒有使用深度優化算法，如果選用反饋神經網絡，訓練精度會更高；診斷結果融合過于簡單，應仔細考慮發動機的內在聯系。

2.5 大數據挖掘分析的應用

文獻[5]在對航空發動機的故障診斷模式研究之后發現，一味地改進算法來提高故障診斷精度具有一定的局限性，會遭遇“天花板效應”，將大數據挖掘技術應用于航空發動機狀態監控和故障分析診斷，將大幅提高航空發動機的預測精準度。文獻[5]從大數據挖掘這一新技術出發，建立了航空發動機故障診斷中的大數據模型構架，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、加權分析以及具體實施時應注意的問題。

1）根據發動機故障診斷需要數據采集的特點，首先分析了發動機多狀態、多元、多維度數據的來源，以發動機的結構設計參數為參考，獲得傳統的直接測量參數；根據設計制造數據，確定使用特性；使用歷史排故數據，根據維修情況獲得維修相關數據。

2）根據支持度和可信度建立四大數據庫：發動機初始數據庫、發動機運行數據庫、發動機維修數據庫（包括航線使用維護數據、車間修理數據、維修人力資源數據）及其他數據庫，依據數據庫之間的關聯性進行大數據挖掘。

3）建立大數據挖掘架構

a.依據Hadoop分布式文件系統的HDFS，利用Map Reduce平臺，通過Hadoop的映射、歸約、分類功能轉化發動機的全部新數據，完成分析系統期望的特征并進行表征。大致流程可以表示為：發動機數據源，數據深度發掘（正常狀態參數、實際狀態參數），數據分類（正常、故障、缺陷、失效），維修決策。

b.建立航空發動機大數據挖掘方法。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。

c.分析四個數據庫之間的支持度和置信度，并設立置信度閾值。在給定最小閾值時，確定異常模式對應的所有參數，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。

d.通過協方差矩陣分析狀態量之間的關聯度并表征；通過發動機各工作狀態改變異常量確定狀態變動關聯度。

文獻[5]提出了大數據挖掘的具體方法，并提供了一定的計算方法，使得大數據在航空發動機故障分析診斷上有了可操作性，為基于大數據及云計算的航空發動機故障診斷系統的建設提供了一定的技術支持。但文獻[5]只是基于理論的探討，并未真正利用大數據進行故障診斷，在大數據挖掘和大數據利用之間雖進行了關聯度和可信度分析，但在應用神經網絡進行高精度識別方面仍有差距，如何使數據和診斷結果更加有效和準確是下一步研究的方向。

3 結束語

本文簡單介紹了在航空發動機故障診斷中應用的一些主流算法，無論是AP聚類算法、深度極限學習機還是自適應神經網絡，都體現了航空發動機故障診斷技術在不斷進步，思想理論在進一步優化。通過層次遞進的方法介紹了故障診斷算法不斷優化，故障診斷的精確程度也在不斷提高，但同時也遇到了一定的“天花板”。

1）在算法優化上，基于自適應神經網絡和深度核極限學習機都體現了極大的優越性，是進一步深化研究的理論基礎，尤其是自適應神經網絡在少數數據訓練樣本中的優越性，使算法的可遷移能力進一步增強。

2）在理論研究上，推理和證據理論融合與大數據挖掘分析的方法是開啟進一步神經網絡優化的主要方向，尤其是結合大數據的神經網絡是進一步提高航空發動機故障診斷準確度的方向，但推理和證據理論稍嫌不足，這是因為理論算法基于故障樹和專家系統建立，具有較大的局限性。

3）在診斷精確度方面，與深度神經網絡、支持向量機、反向傳播神經網絡、徑向基神經網絡以及隨機賦輸入權值的淺層神經網絡極限學習機相比，深度核極限學習機顯示出最大的優越性，緊隨其后的是基于自適應的神經網絡，兩者都表現了較高的準確度。

4）在診斷速度方面，深度核極限方法因為選用了核方法所具有的高維映射、線性可分能力，使得診斷速度大幅提高。AP聚類算法數據量小，計算復雜度大大降低，縮短了計算時間，更有利于工程計算。

以上優化方法的局限是僅針對某一部分、某一結構進行研究，而對于航空發動機的整體系統研究仍顯不足，且應用和遷移能力較差。因此本文在最后介紹了大數據挖掘分析在航空發動機故障診斷中的應用，希望以此開啟航空發動機故障診斷的新思路。