基于發動機數據的故障診斷方法

肖俊彤

摘 要：以小涵道渦扇發動機為研究對象，對某型小涵道渦扇發動機的測量參數和健康參數進行了分析，研究各參數的敏感性，結合實際情況選取了合適的故障診斷所需要的參數，建立了基于BP神經網絡的健康參數估計模型，對健康參數進行了估計，估計結果準確度較高。

關鍵詞：航空發動機;故障診斷;神經網絡

中圖分類號：V263 文獻標識碼：A 文章編號：1671-2064（2020）09-0141-04

1健康參數分析

1.1風扇、壓氣機

風扇作為發動機氣體流道的第一個大部件，其功能為利用極速旋轉的葉片將空氣吸入發動機，并對空氣做功提高氣體壓力，經風扇的空氣流量一部分流向外涵道，一部分流向壓氣機。由于風扇正常工作時長期處于高速運動狀態，受到離心力、氣動力、振動、腐蝕、外來物等惡劣工作環境的影響，其葉片發生故障的概率較大，常見的故障有葉片積垢、磨損、外來物損傷等。

壓氣機與風扇類似，其功能為對風扇出口氣體進一步增壓，使其在進入燃燒室前達到一個比較高的壓力值，一般來說壓氣機轉速比風扇還要高，工作條件更為惡劣，磨損、損傷等故障發生的概率大。

葉片積垢：空氣中含有多種雜質，可能附著在葉片上，使葉片變得不光滑、表面增厚，造成流動損失增加，流道面積減小，導致部件效率和流量下降。

葉片磨損：高速旋轉使得葉片磨損、葉尖間隙逐漸增大，空氣回流量增大，導致部件流量和效率下降。

外來物損傷：冰塊、鳥類等外來物撞擊造成葉片損傷，根據損傷的嚴重程度，部件特效隨之改變。已發表的吞冰、吞鳥試驗結構表明，次類損傷多數為流量、效率下降。

1.2高壓渦輪、低壓渦輪

渦輪部件將燃燒室后的高溫、高壓燃氣勢能轉化為機械能，其長期工作與高溫、高壓和高轉速的環境中，工作環境最為惡劣，需要采用特殊的結構、材料和冷卻系統，其發生故障的概率居高不下。常見故障有葉片積垢、磨損和燒蝕等。

葉片積垢：燃燒過程不可避免的存在燃燒不充分的情況，容易在葉片上形成積碳，導致流通性下降，部件效率、流量降低。

葉片磨損、燒蝕：氣流和燃氣中的固體顆粒對葉片沖擊或者高溫燃氣燒蝕，造成葉片損傷，導致流通面積增大，使得部件流量變大，效率下降。

2健康參數選擇

進氣道壓力恢復系數偏差可以直接監視得到，結合本文研究對象，發動機部件氣路故障及其征兆如表1[1-4]。故本文選擇研究的健康參數為風扇、壓氣機、高壓渦輪和低壓渦輪4個關鍵部件的流量和效率性能蛻化。

3測量參數分析

氣路測量參數越多，越能全面反映發動機的狀態。但是受到溫度、振動、傳感器安裝位置和重量等的限制，只能有側重地選擇某些參數，如溫度、壓力等進行測量。因此有必要對參數的選擇進行分析，在選取測量參數時要遵守幾個原則：（1）能夠準確地反映發動機狀態;（2）對故障征兆敏感，可以準確反映故障現象;（3）測量參數之間的相關性小。

根據發動機的部件級模型初步選取出測量參數，然后根據敏感性分析和相關性分析，力求選出少量的測量參數達到好的診斷結果。

對健康參數變化敏感的測量參數才能反映健康參數的實際變化，進而準確地反映故障現象，因此以測量參數對健康參數的敏感性大小為依據進行選擇。氣路性能測量參數可通過分析特定氣路故障的原理進行狀態量猜測，但基于模型計算分析的方法往往更具有理論支持。根據氣路分析技術，利用小偏差原理，可以計算出健康參數偏差和測量參數偏差之間的影響系數矩陣。

基于某型航空發動機部件級模型，通過數值計算，可以得到某型航空發動在設計工況下的影響系數矩陣，具體數值見表2，該系數矩陣反應了測量參數對健康參數的敏感性。

4測量參數選擇

由表2可以看出：

（1）風扇流量對低壓轉速較敏感;風扇效率對測量參數的敏感性都較低，其中對P21最敏感。T21對包括風扇在內的健康參數變化都不敏感，但對低壓渦輪和低壓壓氣機的健康參數變化有比較敏感的反映，本文選擇不測量T21。

（2）在高壓壓氣機中，對于壓氣機流量，幾乎所有的參數都不是很敏感。壓氣機葉片結垢、葉頂間隙增大會導致壓氣機流量變化，考慮故障監測診斷的需要，保留相對較敏感的幾個參數：P4、P3和N2（按敏感度從大到小排序，取影響系數絕對值>=0.25）;壓氣機效率對于T4、P43、T5都較敏感。T3對包括高壓壓氣機自身在內的健康參數變化都不敏感，所以不測量該參數。

（3）在高壓渦輪中，高壓我來流量對于P4、P3非常敏感;高壓渦輪效率對于P3、T43、P43和T5都較敏感。結合測量參數的測量難度，因T43、P43測量難度非常大，實際發動機一般未測量，采用溫度相對較低且對高壓渦輪性能量變化也較敏感的P3、P5、T5而不測量T45和P45。

（4）在低壓渦輪中，低壓渦輪流量對于P21、P43;低壓渦輪效率對于幾乎所有參數都不是很敏感，考慮到診斷需要，保留相對較敏感的參數P21、P3。

綜合考慮測量參數、健康參數的敏感性和測量參數的測量難度，本文選擇測量參數為P21、P3、T5、P5、N1和N2，其中高壓渦輪流量影響因素較大的參數僅有P3，后續對高壓渦輪流量的估計過程中受P3的影響大。

5基于BP神經網絡的健康參數估計

Kohonen在1988年對人工神經網絡進行定義：由具有適應性的簡單單元組成的廣泛并行互聯的網絡，它的組織能夠模擬生物神經系統對真實世界物體所作出的交互反映。

神經網絡最基本的成分是神經元模型，1943年，McCulloch and Pitts提出了沿用至今的“M-P神經元模型”，每個神經元接收到許多個其他神經元傳遞過來的輸入信號，并通過權重對接收到的信號進行整合，接受的總輸入值與神經元設置的閥值進行比較，并通過“激活函數”處理產生神經元的輸出信號，將許多個這樣的神經元按一定的層次結構連接起來，就得到了神經網絡。神經網絡有著很強的非線性擬合能力，能以任意精度逼近非線性連續函數[5]，十分適合發動機非線性模型的擬合。