航空發(fā)動(dòng)機(jī)氣路部件故障融合診斷方法研究

賴(lài)建和

中國(guó)航發(fā)西安航空發(fā)動(dòng)機(jī)有限公司，陜西西安，710000

0 引言

當(dāng)今世界科技發(fā)展極為迅速，智能航空發(fā)動(dòng)機(jī)也成為未來(lái)航空發(fā)動(dòng)機(jī)發(fā)展的重要方向，其中健康管理系統(tǒng)（EHM）便是該發(fā)動(dòng)機(jī)研究的關(guān)鍵部分，發(fā)動(dòng)機(jī)作為該系統(tǒng)檢測(cè)的核心部分，是確保飛機(jī)安全飛行的重要保障系統(tǒng)。就目前而言，航空發(fā)動(dòng)機(jī)性能檢測(cè)及故障診斷是保障發(fā)動(dòng)機(jī)健康運(yùn)作，從而確保飛機(jī)安全飛行的有效措施，其主要是監(jiān)測(cè)發(fā)動(dòng)機(jī)氣路相關(guān)參數(shù)，如壓力、轉(zhuǎn)速等，由此對(duì)于氣路部件的健康狀況進(jìn)行評(píng)定。據(jù)悉，在航空發(fā)動(dòng)機(jī)故障中，約90%以上的都是氣路部件故障，其維護(hù)費(fèi)用也占據(jù)著發(fā)動(dòng)機(jī)總體維護(hù)費(fèi)用的一半以上，因而對(duì)于發(fā)動(dòng)機(jī)氣路部件故障的監(jiān)測(cè)及故障診斷十分必要，是降低維護(hù)費(fèi)用的重要手段。基于模型的診斷方法是在精準(zhǔn)數(shù)學(xué)建模后可以實(shí)現(xiàn)故障的檢測(cè)和定位的方法，其實(shí)時(shí)性受到模型精度的限制；基于數(shù)據(jù)驅(qū)動(dòng)的診斷方法是基于發(fā)動(dòng)機(jī)測(cè)量的數(shù)據(jù)來(lái)判斷故障，幾乎不受模型影響，但噪聲和自身算法會(huì)導(dǎo)致其局限性，因此本文即對(duì)于二者融合診斷的方法內(nèi)容進(jìn)行具體的介紹分析。

1 基于IDE-ELM算法對(duì)航空發(fā)動(dòng)機(jī)氣路部件故障融合進(jìn)行診斷研究

1.1 IDE算法及其在航空發(fā)動(dòng)機(jī)氣路部件故障診斷方面的應(yīng)用簡(jiǎn)要分析

對(duì)于DE算法而言，其本質(zhì)上是一種自適應(yīng)迭代尋優(yōu)探索算法，在實(shí)際的應(yīng)用過(guò)程中，該算法主要是選擇某一初始群體作為開(kāi)始，利用變異操作、交叉操作以及選擇操作的計(jì)算方法，同時(shí)依照相應(yīng)的操作規(guī)則不斷進(jìn)行迭代計(jì)算，在此過(guò)程中能夠起到篩選作用，即保留較優(yōu)個(gè)體，由此來(lái)不斷尋求最優(yōu)解[1]。

在具體計(jì)算的過(guò)程中，首先需要對(duì)一系列的基本參數(shù)進(jìn)行設(shè)定，一般的種群規(guī)模設(shè)為Np，可行解空間的位數(shù)則設(shè)為D，且X（t）={，，……，}代表著演變到第N代時(shí)的種群。而則表示第i個(gè)個(gè)體。在此過(guò)程中，還包含一系列的初始個(gè)體，初始個(gè)體的產(chǎn)生是隨機(jī)的，但其有著一定的產(chǎn)生范圍，即[xmin，j，xmax，j]，其中j的取值為（1，2，……，D）。對(duì)上述所有基本量進(jìn)行規(guī)定后，便可以通過(guò)變異操作、交叉操作以及選擇操作來(lái)進(jìn)行最優(yōu)解的尋找，這也是IDE算法在該方面應(yīng)用的具體分析方法[2]。

變異操作、交叉操作以及選擇操作是IDE算法中三種基本的最優(yōu)解尋找方法，不同的操作方法在最優(yōu)解的獲得上也有著很大的差異，以下就三種操作方式進(jìn)行具體的介紹分析。

（1）首先對(duì)于變異操作而言，主要是利用DE算法，將生成的變異個(gè)體應(yīng)用到其上一代種群之中，同時(shí)根據(jù)線性組合來(lái)得到其上一代種群中的任意目標(biāo)向量及變異向量，且這兩個(gè)向量的表示方法分別為xi，vi。對(duì)于這兩個(gè)向量的求解而言，其表達(dá)式如下所示，即vi=xr1+F（xr2-xr3），該式中的F表示縮放因子，而其中的三個(gè)x值則是三個(gè)個(gè)體，且這三個(gè)個(gè)體來(lái)自父代種群，是經(jīng)過(guò)隨機(jī)篩選得到的。需要注意的是，其中的r1≠r2≠r3≠i，以上便是變異操作的基本流程。接下來(lái)介紹交叉操作尋求最優(yōu)解的過(guò)程，對(duì)于交叉操作而言，其根本目的便是提高種群個(gè)體的多樣性，在此過(guò)程中，交叉操作利用變異向量及目標(biāo)向量的隨機(jī)重組來(lái)實(shí)現(xiàn)其目標(biāo)[3]。

（2）交叉算法是利用xi和vi的隨機(jī)重組來(lái)增加樣本數(shù)目，具體算法如式（1）所示：

一般地，交叉操作算法是利用下式來(lái)形成新的向量ui，其中CR表示區(qū)間為[0，1]的常數(shù)，同時(shí)也稱(chēng)之為交叉常量，而r（j）則為隨機(jī)數(shù)，取值范圍也是[0，1]，nj則表示隨機(jī)整數(shù)，其取值范圍是在[1，D]。

（3）選擇操作的適應(yīng)度更為優(yōu)化，選擇操作是DE算法中較為重要的一種模式，同時(shí)其對(duì)于目標(biāo)向量個(gè)體的篩選也較為嚴(yán)格[4]。

1.2 基于IDE算法的ELM改進(jìn)簡(jiǎn)要分析

本文中即利用IDE算法來(lái)優(yōu)化ELM輸入層權(quán)值，由此也進(jìn)一步形成了融合后的算法，即IDEELM算法，該算法有著諸多方面的應(yīng)用優(yōu)勢(shì)，比原始的ELM算法精確度更高。改進(jìn)差分進(jìn)化優(yōu)化極限學(xué)習(xí)機(jī)（IDE-ELM）算法的流程是一個(gè)不斷選擇改進(jìn)、尋找最優(yōu)解的過(guò)程，包括初始化參數(shù)、誤差計(jì)算、變異操作、交叉操作和選擇操作等。其具體的操作流程如圖1所示。

（1）初始化IDE-ELM的參數(shù)。首先需要進(jìn)行一些相關(guān)參數(shù)的設(shè)置，例如NP、Fmin、Fmax以及最大迭代次數(shù)Nmax、半徑r和個(gè)體數(shù)l等。在設(shè)置了初始化參數(shù)之后，便可以依據(jù)輸入數(shù)據(jù)xi=[xi1xi2…… xin]T∈Rn以及期望輸出數(shù)據(jù)ti=[ti1ti2…… tim]T∈Rm進(jìn)行分析，同時(shí)也需要進(jìn)行隱含層激勵(lì)函數(shù)g（x）的設(shè)定，設(shè)定初始種群隨機(jī)數(shù)TGNP×D，種群的構(gòu)成組合是NP個(gè)行向量，由ELM的輸入權(quán)值矩陣和隱含層偏置矩陣組成每種種群T。

由此來(lái)確立相應(yīng)的ELM回歸數(shù)學(xué)模型，其中數(shù)學(xué)模型如式（2）所示：

（2）其中wi表示連接隱含層的第i節(jié)點(diǎn)與輸入層節(jié)點(diǎn)之間的權(quán)值，計(jì)算出每個(gè)種群個(gè)體 T的H值，然后根據(jù)Moore-Penrose廣義逆矩陣的計(jì)算方法，求出β值，再利用誤差公式計(jì)算出T的均方根誤差。除此之外，上述式（2）中包含多個(gè)方程，令其方程數(shù)位N則可以將其表示為矩陣的形式，基本表示位Hβ=T，由矩陣也可以更為清晰地認(rèn)識(shí)到種群中所包含個(gè)體在輸入層權(quán)值等方面的具體數(shù)值，同時(shí)需要注意的是，該式中的所有個(gè)體元素都有著嚴(yán)格的取值范圍，其范圍是[-1，1]，同時(shí)個(gè)體元素都是隨機(jī)生成的。

（3）經(jīng)過(guò)上述操作之后，則需要在所得到的個(gè)體方面進(jìn)行隨機(jī)取值，以確保數(shù)據(jù)的隨機(jī)性和結(jié)果精度，一般地，取個(gè)體數(shù)位3，在此基礎(chǔ)上，按照上述變異操作的式子（1）來(lái)進(jìn)行相應(yīng)的變異操作。

（4）第三步則是在按照交叉操作所得的式子進(jìn)行計(jì)算，由此也可以最終得到多個(gè)交叉?zhèn)€體。針對(duì)于所得到的各個(gè)個(gè)體xi和ui，可以根據(jù)相應(yīng)的式子來(lái)輸出矩陣β，并計(jì)算出適應(yīng)度函數(shù)[5]。

（5）最后，得出IDE-ELM的最優(yōu)輸入權(quán)值矩陣和隱含層偏置矩陣，求出最優(yōu)矩陣H和參數(shù)β的值。

2 發(fā)動(dòng)機(jī)氣路部件故障融合診斷系統(tǒng)設(shè)計(jì)

本文中發(fā)動(dòng)機(jī)氣路部件融合診斷系統(tǒng)的設(shè)計(jì)結(jié)構(gòu)如圖2所示，其主要是基于數(shù)據(jù)驅(qū)動(dòng)的IDEELM兩個(gè)子系統(tǒng)以及基于IRR-LSSVR的融合診斷模塊組成，有效提高故障診斷的位置精準(zhǔn)度和結(jié)果可靠性。首先以某型號(hào)的雙軸渦扇發(fā)動(dòng)機(jī)為例進(jìn)行分析，該發(fā)動(dòng)機(jī)需要使用8個(gè)參數(shù)來(lái)描述其部件方面的故障，而如果結(jié)合實(shí)際工程的應(yīng)用可知，其傳感器由于受到了安裝位置等因素的影響，數(shù)目方面往往無(wú)法滿(mǎn)足要求。

在研究過(guò)程中，主要選取7個(gè)傳感器的測(cè)量值作為氣路部件故障診斷系統(tǒng)的輸入量，并依據(jù)濾波技術(shù)設(shè)計(jì)基于模型的故障診斷系統(tǒng)。首先需要依照濾波方程求出增益矩陣K，并據(jù)此來(lái)估計(jì)出相應(yīng)的q值，最后進(jìn)行發(fā)動(dòng)機(jī)健康參數(shù)pmodel的估算。而基于IDE-ELM數(shù)據(jù)驅(qū)動(dòng)的診斷模塊，其可以擺脫傳感器數(shù)目的限制，在構(gòu)建子系統(tǒng)的過(guò)程中，需要從中獲取離線的N組訓(xùn)練樣本，即{yi，pi}N

1，其中yi表示傳感器的測(cè)量值，而pi則為發(fā)動(dòng)圖1發(fā)動(dòng)機(jī)部件機(jī)不通故障情況下的健康參數(shù)，同時(shí)經(jīng)過(guò)離線訓(xùn)練后IDE-ELM健康參數(shù)能夠得到估計(jì)模型，進(jìn)而利用離線訓(xùn)練模型進(jìn)行健康參數(shù)pdata的估計(jì)。由上述兩種方法份分別得到健康參數(shù)pmodel和pdata，由此將之作為定量融合的輸入，并以健康參數(shù)的實(shí)際值pture作為輸出。之后則采用濾波法來(lái)訓(xùn)練8個(gè)融合模型，最終可以形成健康診斷系統(tǒng)[6]。整個(gè)過(guò)程中，以上述兩種方法估計(jì)出健康參數(shù)，并將兩個(gè)健康參數(shù)作為IRR-LSSVR的輸入，并進(jìn)行融合計(jì)算，由此就得到了最終的健康參數(shù)估計(jì)值Pest。

基于模型和基于數(shù)據(jù)二者單獨(dú)使用的效果具有局限性，估計(jì)精度有限，導(dǎo)致在發(fā)動(dòng)機(jī)部件退化范圍內(nèi)的誤差較大，但如果這兩種方法融合使用，能夠相互取長(zhǎng)補(bǔ)短，站在不同角度去反映發(fā)動(dòng)機(jī)故障的原因以及部件的狀態(tài)。本文采用IRR-LSSVR來(lái)訓(xùn)練融合模型。迭代擇優(yōu)IRRLSSVR相比于改進(jìn)前的 IRR-LSSVR，由于每次迭代過(guò)程中對(duì)已選支持向量和待選支持向量的分配比重進(jìn)行重新選擇，使得改進(jìn)后的IRRLSSVR稀疏性更強(qiáng)，即二者對(duì)故障的融合診斷更具實(shí)時(shí)性。

3 數(shù)字仿真試驗(yàn)及分析

數(shù)字仿真實(shí)驗(yàn)的進(jìn)行主要是對(duì)一些參數(shù)進(jìn)行仿真驗(yàn)證，例如在高度H=0km、Ma=0、燃油流量為設(shè)計(jì)點(diǎn)燃油流量的68.4%等進(jìn)行仿真驗(yàn)證。其中也需要根據(jù)相應(yīng)的健康參數(shù)進(jìn)行分析，在利用IDE優(yōu)化ELM過(guò)程中，主要是選擇隱含層節(jié)點(diǎn)數(shù)為12，同時(shí)對(duì)于IDE參數(shù)的選擇如下，其初始種群規(guī)模Np為200，最大最小縮放因子分別為0.9和0.4，CR=0.5，最大迭代部署為200，以及半徑r=0.02等。本文中主要是給出了冷端部件性能退化2.5%以及熱端部件性能退化4.5%情況下的融合系統(tǒng)仿真結(jié)果，據(jù)仿真結(jié)果顯示，這類(lèi)部件的健康參數(shù)估計(jì)值與設(shè)計(jì)的故障值是一致的，這也表明融合后的系統(tǒng)能夠?qū)Πl(fā)動(dòng)機(jī)部件故障進(jìn)行精確的診斷[7]。同時(shí)基于模型和數(shù)據(jù)的診斷系統(tǒng)，融合診斷系統(tǒng)對(duì)于航空發(fā)動(dòng)機(jī)部件診斷有著更好的效果。在預(yù)測(cè)時(shí)間方面，其雖然較長(zhǎng)，但差值也僅僅為0.0258ms，滿(mǎn)足發(fā)動(dòng)機(jī)對(duì)于診斷系統(tǒng)的實(shí)時(shí)要求。

4 結(jié)語(yǔ)

本文中主要就航空發(fā)動(dòng)機(jī)氣路部件故障融合診斷研究進(jìn)行了深入的探討分析，在此過(guò)程中，重點(diǎn)介紹了ELM算法以及改良后的IDE-ELM算法，以及基于IRR-LSSVR的診斷，經(jīng)過(guò)仿真測(cè)試也證明該算法在計(jì)算效率以及操作性方面都優(yōu)于ELM算法，其全局尋優(yōu)能力能夠?yàn)镮DE-ELM的輸入權(quán)值矩陣和隱含層偏置尋找最優(yōu)解，從而建立更精確可靠的IDE-ELM 診斷模型。IDEELM建立的診斷模型不僅在診斷精度方面更具精確性，并且可以更快速地學(xué)習(xí)，縮短學(xué)習(xí)時(shí)間，增強(qiáng)模型的穩(wěn)定性。上述實(shí)驗(yàn)結(jié)果表明：該診斷模型具有精度高、速度快的優(yōu)點(diǎn)，為今后深入研究故障系統(tǒng)診斷方法提供了重要的價(jià)值，因而需要在后續(xù)的研究過(guò)程中更為深入的探討。