融合模型基殘差分析與數據驅動的氣路故障診斷方法研究

張 瑞,廖增步,耿 佳,宋志平,王凈巍

(1.中國航發沈陽發動機研究所，沈陽 110066;2.西安交通大學 機械工程學院，西安 710049)

0 引言

飛機因其在速度方面的明顯優勢，被廣泛應用于軍事、農業、航空貨運和航空客運等多個領域[1-2]。而在過去具有統計數據的幾十年里，全世界已投入了數萬億美元用于飛機的運營和維護。據美國奧緯咨詢公司(Oliver Wyman)最近發布的評估報告顯示，2019年全球現役的商用飛機數量為27,492架。在該保有數量條件下，商用航空運輸的維護、修理和大修(MRO)市場在2019年度的價值約為819億美元，在整個10年的預測期內平均年增長3.5%，其中約40%用于發動機MRO。依據該增長率到2029年，這個數字將上升到至50%左右[3]。高昂的發動機維護費用不僅增大了運營商的經濟負擔，而由于發動機故障檢測和發動機維修造成延誤所帶來的額外經濟損失成為目前亟需重點解決的矛盾之一。造成該矛盾的罪魁禍首是費力且昂貴的計劃性維護[4]。而據現場統計氣路部件故障在發生的全部發動機故障中占比雖然不到10%，但消耗了維修時間的30%～50%。在傳統基于時間的計劃性維護中，大量的時間被浪費在尋找很可能不存在的故障上。但如果通過氣路故障診斷方法，則能夠實時感知發動機故障，那么維護策略就可以根據發動機自身情況制定，這種在時間上柔性的維修模式被稱為視情維護(CBM)，避免了計劃性維護帶來的經濟損失。而實現視情維護的一個關鍵技術便是可靠的氣路故障診斷方法。

為了實現可靠的氣路診斷，必須了解發動機氣路部件的失效機理。一般而言，渦輪發動機的整體性能取決于氣路部件的健康狀態，其中壓氣機和渦輪起著很大的作用。在發動機服役期間,在氣路部件最有可能出現的問題有兩方面，一方面是由于污染[5]，腐蝕[6]、吸入顆粒物、鳥類撞擊引起葉片損傷，造成壓縮機效率下降；另一方面是由于葉片燒蝕或蠕變[7]導致的渦輪機工作能力下降，這些問題最終表現為傳感器測量值的變化，即發動機氣路部件出現故障時，則會導致發動機運行狀態參數相對基線值而言發生變化。基于這一思想，將一系列傳感器測量參數與發動機風扇、壓氣機、高低壓渦輪等氣路部件故障特征結合起來，以判斷發動機的健康狀況，實現發動機氣路故障診斷。然而，隨著基于傳感器測量參數的故障診斷方法的深入研究，受傳感器噪聲和偏差，性能衰退，制造引起的發動機個體差異，建模誤差，以及數據集的分散性等不確定性帶來的影響，出現了發動機氣路故障診斷結果存在可靠性不足，即虛警率過高，無法實現工程應用的問題。

為了解決上述傳感器噪聲和偏差、性能衰退、制造引起的發動機個體差異等問題導致氣路故障診斷方法可靠性不足的問題，廣大學者致力于研究渦輪發動機不確定性因素的表征方法。其中，對于傳感器噪聲和偏差，早在20世紀70年代，文獻[8]設計了一種發動機測量噪聲表示的標準方法，其中假定傳感器噪聲服從高斯分布。在性能衰退方面，文獻[9]根據JT9D發動機的歷史數據，發表了一份關于氣路部件性能衰退的原因和衰退趨勢的初步評估報告，研究了各個部件在發動機整體性能衰退中所起的作用。之后，文獻[10]設計了可模擬性能衰退的分析方法，同時提出了葉片結垢和腐蝕的數學模型。而對于制造導致的個體差異，最近文獻[11]提出了一個氣路部件個體性能差異的劃分標準，其可以在少量非設計點計算內推導出來。在初步探索上述問題的基礎上，為了提高氣路故障診斷方法的可靠性。近年來，研究者們在進行氣路故障診斷方法設計和測試時，逐漸考慮了不確定性因素的影響，尋找消除不確定性因素影響的技術手段。其中，為了消除傳感器噪聲的影響，文獻[12]將特征提取和模式分類的概念引入至航空發動機的故障診斷方法研究中。文獻[13]通過魯棒卡爾曼濾波器設計了一種魯棒傳感器故障檢測和隔離(FDI)策略，以容忍制造引起的個體差異和測量噪聲。此外，文獻[14]提出了一種非線性卡爾曼濾波方法，在線性性能衰退的假設下進行測試，在此過程中考慮了包括時間延遲和封隔器脫落的測量不確定性。然而，上述研究成果在進行發動機氣路故障診斷方法研究時，分別單獨考慮了部分不確定性因素在仿真場景下的設計和驗證，但仍缺乏同時考慮多種不同不確定性因素影響的氣路故障診斷方法，使得同一方法在實際應用中，由于模擬數據與實際數據的差異，導致可能會呈現出不同的性能分析結果，存在明顯虛警。究其原因是不確定性因素考慮不夠全面，進而出現發動機氣路故障診斷方法可靠性不足，存在虛警率過高的問題。

本文研究針對多種不確定性因素導致氣路故障診斷方法可靠性不足的問題，聚焦氣路診斷中的不確定性因素描述和表征問題，開展融合模型基殘差分析與數據驅動的氣路故障診斷方法研究，同時考慮包括傳感器噪聲和偏差、制造引起的個體差異、性能衰退、建模誤差以及數據集分散性等引起的不確定性因素，提出了一種基于卷積神經網絡(CNNs)的發動機氣路故障診斷方法。并在此基礎上，結合數值分析試驗，分析形成的氣路故障診斷方法的虛警率，進而驗證了所提方法的可靠性。據此，本文研究工作闡述主要包括如下2部分內容，首先，描述融合模型基殘差分析與數據驅動的氣路故障診斷方法實現的基本架構及其實現；隨后，結合數值模擬仿真方法對形成的發動機氣路故障診斷方法開展測試驗證研究，量化分析所提方法在多種不確定性因素影響下的虛警率，具體如下文所述。

1 氣路故障診斷方法基本架構及其實現

1.1 氣路故障診斷方法基本架構

根據算法訓練過程中使用信息的類型，現有基于數據驅動的故障診斷方法主要分為兩大類，分別為基于模型的方法和基于人工智能的方法[15]。其中，以UKF[16]為代表基于模型的方法依賴于發動機的熱力學模型，而基于人工智能的方法如ANN[17]和SVM[18]，通過真實運行數據或模擬數據來學習發動機知識和故障特征，實現發動機氣路故障診斷。分析上述兩類方法可知，一方面，目前最高效、最流行的診斷方法是基于人工智能的算法[19]，而另一方面，根據文獻[20]中的對比分析，基于AI方法在非高斯噪聲、非零傳感器偏差和信息缺失的情況下，AI方法在故障診斷方法中具有較高的可靠性。因此，為了在進行發動機氣路故障診斷方法設計時，綜合考慮多種不確定性因素影響，提高氣路故障診斷可靠性，本文研究引入人工智能的方法作為衡量信息不確定性程度的基準方法。據此結合發動機動態模型提出了融合模型基殘差分析與數據驅動的氣路故障診斷方法實現架構，具體如圖 1所示。從圖中可以看出，本文所提的氣路故障診斷方法，主要以形成數據驅動的氣路故障診斷方法為主要技術途徑，融合了發動機機載模型的分析結果與測量值的殘差作為數據驅動模型的輸入，進而建立氣路故障診斷模型，實現風扇、壓氣機、高壓渦輪和低壓渦輪的氣路故障診斷。此處，以圖 2所示的雙轉子加力渦扇發動機為例，具體介紹如何利用圖 1所示的診斷方法架構，建立氣路故障診斷解決方案，并對提出的不確定性因素表征方案進行測試。對于給定的發動機，在氣路故障診斷方法中一般考慮4個氣路部件，包括風扇，壓氣機，高壓渦輪和低壓渦輪。將發動機個體傳感器數據與模型輸出的殘差、環境參數以及控制器輸出的控制量用于故障診斷算法訓練過程，在訓練結束時，將得到一個訓練好的卷積神經網絡模型。經過簡單的微調后，可以應用于其他發動機個體。借助發動機模型對氣路故障診斷問題進行降維，可以有效降低燃氣輪機氣路故障診斷的難度。下文將詳細闡述融合CNN網絡實現氣路故障診斷算法建立的核心架構。

圖1 融合模型基殘差分析與數據驅動的氣路故障診斷方法實現架構

圖2 雙轉子加力渦扇發動機示意圖

1.2 氣路故障診斷算法實現的CNN架構

基于發動機模型和CNN建立氣路故障診斷方法實現的總體架構如圖 3所示。如該圖所示，在基于CNN網絡建立發動機氣路故障診斷方法時，引入了發動機個體差異、傳感器誤差與噪聲和性能衰退等不確定因素，模擬場景設置遵循真實情況。此外，本文研究為了基于真實發動機運行特征建立高可靠性氣路故障診斷模型，提高氣路故障診斷方法的可靠性，通過一個或幾個發動機個體收集真實數據，進而實現氣路故障診斷模型建立。而在仿真過程中，所有算法訓練和測試數據均由發動機模型代替實際發動機個體，結合數值分析方法獲得，在此期間考慮了個體差異、性能衰退和部件故障模式等不確定性因素。在這個過程中，代表發動機機載模型的發動機模型不會有改動。為了闡述建模過程中考慮的不確定性因素，隨后將依次描述仿真場景細節。

圖3 基于卷積神經網絡的發動機氣路故障診斷架構方法實現架構

為了使仿真場景更加真實，在如圖4(b)所示的訓練用飛行軌跡下，從-15 ℃～30 ℃之間等間隔選取了4個海平面溫度，獲得了4組仿真飛行數據；在如圖4(a)測試用飛行軌跡下，從-15 ℃～30 ℃之間隨機選取了2個海平面溫度，獲取了2組仿真飛行數據。這些設定用于表征由于數據集離散性所帶來的不確定性因素，其中高度和溫度導致的發動機全包線非相似性起著很大的作用。如圖 4(c)和(d)所示的飛行軌跡，則用于生成某個剛出廠或已衰退的發動機個體的飛行數據，用于微調訓練后的模型，具體數據驅動的故障診斷模型訓練如下文所述。

圖4 用于訓練和測試環節的發動機飛行軌跡

隨機選取兩臺發動機個體進行發動機氣路故障模型方法的訓練和測試 (發動機A用于算法訓練，發動機B用于算法測試)，兩臺發動機的個體差異參數值如圖 5所示，其中DEF為風扇效率偏差、DCF為風扇流量特性偏差、DEC為壓氣機效率偏差、DCC為壓氣機流量特性偏差，DPL為燃燒室總壓損失偏差，DEH為高壓渦輪效率偏差，DFH為高壓渦輪最小流道面積偏差，DEL為低壓渦輪效率偏差，DFL為低壓渦輪最小流道面積偏差，DOL為低壓渦輪出口面積偏差，DOE為外涵道出口面積偏差，DTN為尾噴管最大喉道面積偏差。在獲取數據并進行模型訓練過程中，剛出廠發動機的性能衰退參數均設置為100%，而衰退后的發動機的性能衰退表征參數數值與表 1相同。此外，通過拉偏相應部件的效率和流量特性參數來模擬部件故障，其原理及設定值源于文獻[18]所示。整個仿真測試環節中考慮了4個主要氣路部件。

表1 性能衰退表征參數

圖5 用于訓練和測試環節的發動機個體的個體差異參數值

值得注意的是，由于氣路部件不是外場可更換單元，在大多數情況下，氣路部件在現場具有“不可維修”特征。因此，對同時發生的多個氣路部件故障進行精確的隔離和識別，對于現階段氣路現場故障診斷意義不大。因為一旦氣路部件故障經維修人員確認后，按照適航規定和維修指南[21]，無論是否有其他氣路故障，發動機都必須返廠維修。因此，更詳盡的故障模式分解以及同時發生多個氣路故障，在本文的仿真場景中暫不考慮，這是符合工程應用需求的。

在上述設定條件下，將傳感器的不確定性因素引入到控制器的輸入參數和發動機個體的輸出參數中，獲取飛行仿真數據，同步計算發動機個體輸出參數值與機載模型輸出之間的偏差。之后，選取12個傳感器測量參數作為故障特征參數，用于預處理，具體圖 6所示。變量之前的符號Δ表示該變量是實際傳感器輸出和機載模型輸出的殘差。

為了提升建立的氣路故障診斷模型的魯棒性，對數據集中的每個故障特征參數都經過了標準化處理，由于殘差數據沒有明確的邊界，因此通過對每個故障特征參數值除以一個常量值，使得故障特征參數值被大致限制于[-1.0,1.0]。按照圖 6所示的方式將10個采樣步長標準化后的故障特征參數值置于一個數據單元中，作為“偽圖像”導入卷積神經網絡中進行模型訓練和測試。至此，已經完成了數據樣本的生成環節，最終對于每個類別(無故障、風扇故障、壓氣機故障、高壓渦輪故障、低壓渦輪故障)，生成了46 916個訓練數據單元和22 006個測試數據單元。

表2 氣路部件故障表征參數值 %

圖6 用于卷積神經網絡輸入的數據單元

隨后，為了基于上述數據集建立融合模型基殘差分析與數據驅動的氣路故障診斷方法，本文設計了一種用于發動機氣路故障檢測與隔離的卷積神經網絡架構，其結構如圖 7所示。具體地，采用3×3的小型濾波器進行卷積，每層16個通道。在所有的卷積完成后，插入一個池化層以減少中間數據的空間大小。此外，為了避免過擬合，在Affine層之后使用了一個Dropout層。在優化更新方面，使用Adam優化器[22]來更新權值。同時，采用ReLU函數作為激活函數，采用對應的He匹配初始化方法[23]，以避免梯度消失，獲得更好的激活值。結合上述發動機氣路故障診斷數據驅動模型建立架構和發動機模型與傳感器測量殘差數據，最終形成了融合模型基殘差分析與數據驅動的氣路故障診斷方法。隨后將結合數值模擬分析方法，對形成的氣路故障診斷方法進行分析驗證，結合虛警率的量化評估結果，分析所提故障診斷方法的可靠性，為實現工程應用提供初步分析結果。

圖7 用于發動機氣路故障診斷的卷積神經網絡架構

2 氣路故障診斷方法測試驗證

氣路故障診斷的結果對外場維修具有指導意義。理想情況下，只在發生警報的情況下才進行常規的外場氣路維護，這樣可以節省大量的人力成本，實現視情維護。如上文所述，外場目前無法替換非“外場可更換單元”的氣路部件。若發現了明顯的氣路部件故障，發動機將被返廠進行大修。因此，重要的是虛警率(FAR)，其直接表征發動機氣路故障診斷方法的可靠性。接下來，將通過逐漸增加不確定性因素的數量，依據量化的虛警率計算方法，分析融合模型基殘差分析與數據驅動的氣路故障診斷方法的性能及其變化情況。

首先，測試了傳感器噪聲和偏差對發動機氣路故障診斷可靠性的影響。以混淆矩陣的形式給出了僅涉及發動機A的測試結果。混淆矩陣中的每一列給出了某一氣路部件故障的隔離結果，對角線上是分類正確的樣本占比。通過圖 4所示的不同飛行軌跡，生成相應的運行數據對CNN模型進行訓練和測試。如圖 8(a)所示，當考慮了建模誤差和數據集的離散性時，故障隔離率接近100%，只有0.01%的風扇故障被誤診為壓氣機故障，證明了該方法的有效性。而除了增量漂移以外的其它傳感器的噪聲和偏差引入后，故障隔離率開始降低，出現了漏檢(如圖8(c)所示)，而傳感器不確定性被替換為相同程度的高斯噪聲后，故障隔離率幾乎回到無噪聲時的水平(如圖8(b)所示)。由此可見，更接近實際情況的傳感器不確定性的信息量大于常用的高斯噪聲。當用含高斯噪聲的數據訓練的模型用于測試含本文設計的傳感器不確定性的數據時，如圖 8(d)所示,“真正的”故障隔離率與圖 8中的“模擬”故障隔離率(b)相比大幅下降，這證明了基于高斯噪聲假設開發的氣路故障診斷方法在實際應用過程中很可能表現不佳。這也是本文所提出的傳感器不確定性的優勢所在。另外，從圖8(c)可以看出，風扇的故障特征最不明顯，同一轉子上各氣路部件的故障表現相似，這符合發動機的機理。

圖8 發動機A訓練的模型，測試發動機A測試數據

隨后，將含傳感器不確定性數據訓練的模型直接用于測試發動機B的飛行數據，測試結果如圖 9(a)所示。雖然CNN模型泛化能力較強，但也會出現虛警，虛警率粗略計算為0.33%。雖然數值很小，但由于氣路部件故障發生概率極低，這個程度的虛警率仍然是難以接受的。假設氣路故障發生率為1%(這遠遠高于實際情況)，在氣路故障診斷系統報警的時候，虛警率將高達25%。在某種程度上這將成為維護的難題。

圖9 發動機A訓練的模型，測試發動機B

為了解決這一問題，使用發動機B的無故障數據對訓練后的模型進行微調，即在如圖4(c)所示的微調用飛行軌跡1下，收集飛行數據對上一步已經訓練后的模型進行微調，用于微調的數據包含海平面溫度在-15 ℃～30 ℃之間4個等間隔選取溫度下的數據。微調后，虛警率回到0。然而，風扇故障漏檢率增加了，如圖 9(b)所示。這個現象是可以解釋的，即僅使用一個標簽(無故障)的數據對CNN模型進行微調，擴大了這一類別的邊界，而風扇故障又最接近于無故障，因此部分靠近邊界的風扇故障被誤診為無故障，即發生漏檢。此外，盡管故障漏檢率有所增長，但由于氣路部件故障發生概率極低，這種程度的漏檢率仍在可接受的范圍內。

如果發動機B不是全新的，而是大修過的，由于傳感器在發動機生命周期內的不同時刻更換過，氣路上的傳感器可能會出現不同程度的增量漂移。如圖9(c)顯示了增量漂移對氣路故障檢測與隔離的影響。與(a)相比，各個原先隔離錯誤的情況所占比例均有所增加(圖中表現為同位置格子的數值增加)，其中新增的隔離錯誤情況只有一項，占壓氣機故障的1.26%。同樣地，使用如圖4(c)所示的微調用飛行軌跡1，生成的包含所有傳感器不確定性因素的無故障數據，來微調如圖 9 (c)中采用的模型，調整后模型的測試結果如圖 9 (d)所示。然而，微調后的結果并不如圖 9 (b)中的更優。從信息量的角度來考慮該問題，在如圖 9 (a)中發生的虛警源自于缺乏發動機個體信息，在本文中表示為制造引起的個體差異，通過學習發動機個體B在另一條飛行軌跡下的無故障數據可以進行補償。由此得出結論：制造過程引發的發動機個體間的性能差異會影響無故障狀態的邊界，可以利用目標發動機個體的信息來微調無故障狀態的邊界。

第三個測試基于衰退后的發動機B開展，該發動機即將返廠大修。發動機B的性能衰退程度如表 1的最后一列所示，其氣路各類傳感器由于多次更換而產生了不同程度的漂移。圖 10 (a)顯示了如圖 9(d)中微調后的CNN模型直接用于衰退后發動機B的測試結果。性能衰退對發動機氣路故障表現的影響遠超個體差異，甚至比風扇故障的特征還要明顯，這也可以從性能衰退的參數數值上大致反映出來。隨后，模型又通過在圖 4(d)所示的微調用飛行軌跡2下生成的數據進行了二次微調，二次微調后故障診斷方法的測試結果如圖 10(b)所示，對比微調前，虛警率顯著降低。

圖10 大修后的發動機B微調的模型，測試衰退后的發動機B

3 結束語

本文開展了融合模型基殘差分析與數據驅動的氣路故障診斷方法研究，該方法可同時考慮傳感器噪聲和偏差、建模誤差、制造引起的發動機個體差異、性能衰退和數據集離散性等多種不確定性因素的影響，實現高置信度氣路故障診斷，為實現基于狀態的發動機維修(CBM)提供技術基礎。并以某雙軸加力渦扇發動機為例，分析了不確定性對氣路故障診斷結果的影響。通過系統的比較和分析可以看出，不同的不確定性因素對氣路故障診斷有不同的影響特征，其中高斯白噪聲等高頻不確定性因素可以通過學習足量的數據來消除；個體差異等固定不變的不確定性因素帶來的影響可以通過微調來消減，通過數值分析試驗可以看出，本文研究提出的融合模型基殘差分析與數據驅動的氣路故障診斷方法可在多種不確定性因素存在時，提供滿意的故障診斷精度，具有滿意的工程應用潛力。