一種基于試飛數據的航空發動機滑油金屬含量預測方法

尤黎明

摘要：航空發動機工作時軸承和齒輪等傳動部件相互摩擦產生的金屬屑會隨著潤滑系統流入滑油箱、附件機匣等部位，而不同工作狀態與環境造成的磨損程度不同，因此滑油中金屬含量一定程度上可反映發動機的磨損狀態。以某型航空發動機的試飛數據與滑油光譜數據為基礎，通過分析潤滑系統運行機理，確定了滑油金屬含量的主要影響因素，采用信息擴散結合支持向量機的方法建立了滑油金屬含量預測模型，解決了小樣本數據限制的問題。模型預測結果的相對誤差不大于5.7%，能夠滿足實際工程的精度需求，所建立的滑油金屬含量預測模型對航空發動機磨損故障有積極的預防作用。

關鍵詞：滑油金屬含量預測；試飛數據；信息擴散；支持向量機；小樣本數據

中圖分類號：V317.1文獻標識碼：ADOI：10.19452/j.issn1007-5453.2022.05.002

在高溫、高速、高振動的惡劣環境下工作，航空發動機的軸承、齒輪等傳動部件會承受較大的載荷，容易發生磨損故障，嚴重影響發動機的安全工作。據統計，80%的航空發動機故障與磨損有著直接或間接的聯系，更是早期故障的最主要原因[1]。因此，航空發動機都設有循環工作的潤滑系統對磨損部位進行潤滑，以減少磨損程度。而潤滑油在發動機中循環使用的過程中，流經磨損部位后將摩擦所產生的金屬屑等磨損微粒溶入滑油中，攜帶了發動機零部件磨損的重要信息。可通過光譜技術對航空發動機潤滑油中的金屬含量進行檢測和分析，掌握發動機內部諸如軸承、齒輪、花鍵等傳動部件與摩擦部件的磨損情況，有助于發現潤滑部件的早期損傷，視情開展相應的檢查和維護，消除潛在隱患[2]。因此，對滑油金屬屑的監測是保障航空發動機運行安全的重要手段之一。

目前，國內針對航空發動機滑油金屬含量預測技術的研究主要集中在發動機地面試驗以及對滑油光譜序列數據本身的分析等方面，如丁剛等[3]提出了一種基于Elman過程神經網絡的預測方法，對滑油光譜歷史數據進行預測。尉詢楷等[4]提出了一種基于支持向量機的發動機滑油預測模型，利用支持向量回歸對滑油光譜數據的時間序列進行多步預測。李本威等[5]提出了一種基于克隆選擇的免疫粒子群優化算法，改善了滑油金屬屑預測模型的預測精度。曾力等[6]通過建立粒子散射模型，優化了基于支持向量回歸機的滑油金屬含量預測模型，提高了預測精度。以上研究將滑油光譜數據視為時間序列進行分析，但由于數據的隨機性、離散性和強耦合性等限制因素，較少考慮飛機以及發動機的不同工作狀態和工作環境對發動機磨損的影響。

而在飛行過程中，飛機的特技飛行等大機動動作往往伴隨著法向過載的大幅度變化，發動機工作狀態也會頻繁變化，從而對發動機內部摩擦部件與潤滑系統的平衡產生影響，最終造成了潤滑部件的不同程度磨損。傳動部件所產生的疲勞裂紋通常不易察覺，采用滑油光譜技術可在一定程度上進行監測[7]。因此，需要考慮飛機以及發動機的工作狀態及環境的變化，有必要建立滑油金屬含量預測模型，以實現對滑油系統工作狀態的健康監測。

本文提出了一種基于試飛數據的滑油金屬含量預測方法，采用信息擴散結合支持向量機建立預測模型，將飛機與發動機的試飛數據進行分析與處理，作為預測模型輸入數據，進行滑油金屬屑含量預測研究。由于航空發動機內部摩擦部件材料的元素成分主要以鐵、鋁、銅（Fe、Al、Cu）為主，其中Fe元素占比較大，如在齒輪以及軸承中的質量分數可超過70%[8]，本文以滑油中Fe元素為對象，建立金屬含量預測模型。在實際試飛中，由于單個飛行日只進行一次滑油光譜檢測，光譜分析樣本量較小，通過采用信息擴散方法對數據樣本進行模糊處理，擴散后的數據在一定程度上彌補了小樣本的不完備性等缺陷，改善了數據樣本的質量，提高了模型的預測精度。計算表明，該模型具有較好的預測精度，為發動機滑油金屬含量的預測提供了有效的技術手段。

1模型參數分析

1.1航空發動機滑油系統機理分析

航空發動機在運行過程中會對軸承、齒輪、花鍵等摩擦部件造成磨損，由于航空發動機一般采用循環潤滑系統，因此磨損產生的金屬屑會隨潤滑油流入滑油箱中，而飛機與發動機所處的工作狀態與工作環境變化會導致磨損程度不同。滑油中的金屬含量可在一定程度上反映磨損程度。所以可通過對試飛數據的分析，以及發動機滑油系統的工作原理與特點來確定預測模型的輸入參數。

航空發動機常規滑油系統簡圖如圖1所示，系統包括供油、回油和通風三個主要部分。發動機運作時供油泵將滑油箱內的滑油抽出并加壓，再經滑油濾過濾后分成若干油路送往各軸承及傳動部件進行潤滑和散熱；潤滑過后含有大量空氣的高溫滑油經回油泵抽取，進入油氣分離器，最終返回滑油箱；由于滑油因受熱而部分汽化、滑油噴嘴的噴射、飛濺以及部分壓縮空氣可能經封油裝置進入滑油系統內形成大量滑油蒸氣，導致滑油潤滑、冷卻效果變差，因此需經通風部分將這些蒸氣引出[9]。

1.2模型參數的優化和確定

通過以上分析可知，供油路以及各軸承與傳動部件本身狀態是影響滑油中金屬含量的主要因素。主要影響因素如下。

（1）滑油壓差?；捅媒M中設置有調壓閥，用來調節供油壓力和軸承腔腔壓之差（即滑油壓差），滑油壓差過小會導致系統潤滑不良，加劇傳動部件磨損[10]，可用滑油壓差表征供油路對系統潤滑效果的影響。

（2）滾轉角與法向過載。飛行過程中飛機進行特技飛行等大機動動作會導致發動機內部潤滑部件潤滑環境受到影響，破壞潤滑系統與摩擦部件的平衡，從而加劇磨損。同時，也會影響滑油箱、供油管路與滑油噴嘴的相對位置，惡化潤滑環境，可采用滾轉角與法向過載來表征飛行時機動動作的劇烈程度對摩擦部件潤滑環境的影響。

（3）慢車狀態與高壓轉子轉速。發動機狀態也是影響磨損程度的重要因素之一，飛行過程中發動機處于慢車狀態時，由于滑油泵等附件直接由高壓轉子傳動，因此滑油系統的供油條件會相應減弱，而此時發動機高低壓轉子依舊在高速轉動，與軸承產生摩擦，加劇磨損。因此，可選擇發動機慢車狀態及高壓轉子轉速來表征發動機狀態對系統磨損程度的影響。DBD5324D-343E-460F-8FEF-EE2D0E285685

基于以上分析結論，初步確定了以飛機法向過載、主管路滑油壓差、滾轉角改變大于±30°的次數、滾轉角改變的持續時間、發動機慢車狀態持續時間，以及高壓轉子轉速作為建模所需的輸入參數，以滑油中Fe含量作為輸出參數進行建模研究。

為了驗證所選參數的正確性和合理性，采用平均影響值（mean impact value，MIV）算法對預測模型所用參數進行了敏感性分析。

MIV算法原理為：在模型訓練結束后將訓練樣本P中的每一個自變量特征在其原值基礎上分別加和減10%構成兩組新的訓練樣本P1和P2，使用模型對這兩組樣本進行仿真，得到兩組仿真結果A1和A2，求出A1和A2的差值，即為變動該自變量后對輸出產生的影響變化值（impact value，IV），最后將IV按觀測例數平均得出該自變量對于因變量即模型輸出的MIV。依次算出各自變量的MIV值，即可得到各自變量對網絡輸出的影響程度大小?；凸庾VFe元素含量預測模型相關參數的MIV值如圖2所示。

從圖2中可看出：參數1～8對模型輸出的影響程度明顯高于參數9～13。表明MIV算法參數敏感性分析結果與前文所述參數分析結果一致，證明了通過對發動機滑油系統工作原理及發動機工作分析確定影響滑油金屬含量方法的可行性。

1.3建模所用數據

建模采用的數據樣本來源于某型發動機不同工況下的試飛數據和滑油光譜檢測數據，發動機數據涵蓋了飛行包線的大部分范圍，相關參數的最小值和最大值見表1。

2信息擴散方法

由于滑油金屬屑樣本數量較少，屬于小樣本問題，而小樣本問題的實質是信息不足，不能反映整個樣本空間的分布情況。

信息擴散是一種對樣本進行集值化的模糊數學處理方法，可以將單值樣本變成集值樣本。信息擴散的原理是當用不完備的數據估計一種關系時，一定存在合理的擴散方式將觀測值變為模糊集，以填充由數據不完備性造成的部分缺陷，從而改進非擴散估計[11]，以改進或優化建模數據樣本的質量或提升預測模型的性能。對數據的擴散是通過擴散函數實現的，其中最常用的擴散函數是正態擴散函數

3支持向量機回歸模型

支持向量機（SVM）于1995年被正式提出，是一種基于統計學習理論中的風險最小化原則的機器學習算法。它一開始是針對二分類任務所設計，采用核函數的方法將樣本從原始空間映射到一個更高維的特征空間，使得樣本在高維特征空間內線性可分[12]。

每個子集Di都通過從D中分層采樣得到。然后每次用k - 1個子集的并集作為訓練集，余下的子集作為測試集，可獲得k組訓練集，從而可進行k次訓練和測試，最終返回k次測試結果的均值。K折交叉驗證可以有效地避免模型過學習以及欠學習狀態的發生，最后得到的結果也比較具有說服力。K折交叉驗證的示意圖如圖3所示。

5試驗驗證

采用某型航空發動機滑油光譜中Fe元素含量的增量以及相應的試飛數據共20組數據作為樣本集，其中前16組為訓練數據，后4組為預測數據。

第一步，對原始樣本數據進行歸一化處理，采用最大最小法將數據歸一化到[0，1]區間內；第二步，采用信息擴散原理將歸一化后的樣本集進行擴充，其中監測集U也選擇為[0，1]區間，間距為0.2，將原16組樣本擴充為模糊集中的96組；第三步，建立支持向量回歸預測模型，如前所述，選擇高斯徑向基函數作為核函數，采用K折交叉驗證法來選取回歸模型的最佳參數c和g來優化模型的預測性能，先進行粗略的尋找，觀測粗略尋找的結果后再進行精細選擇，圖4、圖5為粗略與精細尋找的結果圖；最后，將預測集樣本輸入模型中測試其泛化能力。

模型的訓練與預測結果如圖6所示，圖中虛線左側為進行信息擴散后的訓練樣本，右側為4組預測樣本結果，可看出實際預測結果較為準確。

表2對未采用信息擴散方法的原始樣本預測結果與進行擴散后的樣本預測結果進行了比較。可以看出，未進行信息擴散前的原始樣本訓練的模型的預測結果平均相對誤差為18.4%，而采用信息擴散方法后的平均相對誤差為5.7%，其他如平均平方誤差（MSE）、平方相關系數等參數指標均有較大的提升。這表明了采用信息擴散與支持向量機進行結合的方法的可行性與有效性。

6結論

通過研究，可以得出以下結論：

（1）本文通過對發動機滑油系統工作原理與實際試飛數據的分析，總結出影響滑油金屬含量的主要因素來自飛機的機動動作以及滑油系統的工作狀態兩方面。

（2）本文結合信息擴散原理與支持向量回歸方法建立滑油金屬含量預測模型，模型預測結果較好，能夠滿足實際工程的精度需求，表明了在小樣本情況下采用信息擴散原理建立預測模型的可行性與有效性。DBD5324D-343E-460F-8FEF-EE2D0E285685

參考文獻

[1]吳振鋒，左洪福.航空發動機磨損故障分析及診斷技術評述[J].航空工程與維修，2002（6）：42-43. Wu Zhenfeng， Zuo Hongfu. The commentary of the wearing faults analysis and diagnosis technology of aero-engine[J]. Aviation Maintenance and Engineering， 2002（6）： 42-43. （in Chinese）

[2]曲昌琦，周銳，杜寶，等.航空裝備故障預測與健康管理的數據體系研究[J].航空科學技術，2020，31（12）：61-67. Qu Changqi， Zhou Rui， Du Bao， et al. Research on PHM data system architecture for aviation equipment[J]. Aeronautical Science & Technology， 2020， 31（12）： 61-67. （in Chinese）

[3]丁剛，鐘詩勝，欒圣罡.航空發動機滑油金屬含量預測及其控制研究[J].潤滑與密封，2006（9）：52-54. Ding Gang， Zhong Shisheng， Luan Shenggang. Research on aeroenginelubricatingoilmetalelementconcentration prediction and its control[J]. Lubrication Engineering， 2006（9）： 52-54. （in Chinese）

[4]尉詢楷，李應紅，王碩，等.基于支持向量機的航空發動機滑油監控分析[J].航空動力學報，2004，19（3）：392-397. Wei Xunkai， Li Yinghong， Wang Shuo， et al. Aeroengine lubrication monitoring analysis via support vector machines[J]. Journal ofAerospace Power， 2004， 19（3）： 392-397. （in Chinese）

[5]李本威，張赟，孫濤.基于免疫粒子群算法的滑油屑末支持向量機預測模型設計[J].航空動力學報，2009，24（7）：1639-1643.Li Benwei， Zhang Yun， Sun Tao. Design of forecasting model for aero-engine lubrication debris support vector machines based on immune-particle swarm optimization algorithm[J]. Journal of Aerospace Power， 2009， 24（7）： 1639-1643. （in Chinese）

[6]曾力，龍偉.基于SVR的航空發動機滑油金屬含量預測方法[J].四川大學學報，2016，48（2）：161-164. Zeng Li， Long Wei. Prediction method of metal content of aero engine lubricating oil based on SVR[J]. Journal of Sichuan University， 2016， 48（2）： 161-164. （in Chinese）

[7]袁慎芳，李曉泉，陳健.疲勞裂紋擴展的卷積神經網絡辨識[J].航空科學技術，2020，31（7）：64-71. Yuan Shenfang， Li Xiaoquan， Chen Jian. Convolutional neural network based fatigue crack growth identification[J]. Aero nautical Science & Technology， 2020，31（7）： 64-71.（in Chinese）

[8]陳果.航空發動機磨損故障的智能融合診斷[J].中國機械工程，2005，16（4）：299-306. Chen Guo. Intelligent fusion diagnosis of aeroengine wear faults[J]. China Mechanical Engineering， 2005， 16（4）： 299- 306. （in Chinese）

[9]張帥.基于滑油分析的航空發動機磨損監測技術研究[D].沈陽：沈陽航空航天大學，2012. Zhang Shuai. Research on technologies of aeroengine wear monitoring based on lubrication oil analysis[D]. Shenyang： ShenyangAerospace University， 2012. （in Chinese）

[10]許艷芝，李志鵬，郭政波.某型渦扇發動機滑油壓差異常故障分析[J].科學技術與工程，2019，19（17）： 341-346. Xu Yanzhi， Li Zhipeng， Guo Zhengbo. Failure analysis of abnormal oil pressure difference drop for a turbofan engine[J]. Science Technology and Engineering， 2019， 19（17）： 341-346.（in Chinese）DBD5324D-343E-460F-8FEF-EE2D0E285685

[11]Huang C F. Principle of information diffusion[J]. Fuzzy Sets and Systems，1997，91（1）：69-90.

[12]周志華.機器學習[M.北京：清華大學出版社，2016. ZhouZhihua.Machinelearning[M].Beijing：Tsinghua University Press， 2016. （in Chinese）

A Method for Predicting Lubricating Oil Metal Element of Aero-Engine Based on Flight Test Data

You Liming

Chinese Flight Test Establishment，Xian 710089，China

Abstract： When the aero-engine works， the metal scraps produced by the friction between the transmission parts such as bearings and gears will flow into the lubricating oil tank， accessory casing and other parts along with the lubrication system， and the degree of wear caused by different working conditions and environments is different， so the metal content in the lubricating oil can reflect the wear state of the engine to some extent. Based on the flight test data and oil spectrum data of an aero-engine， the main influencing factors of oil metal content are determined by analyzing the operation mechanism of the lubrication system. The prediction model of oil metal content is established by using the method of information diffusion combined with support vector machine， which solves the problem of limited small sample data. The relative error of the prediction result of the model is less than 5.7%， which can meet the precision requirement of practical engineering. The established prediction model of lubricating oil metal content has positive preventive effect on aero-engine wear fault.

Key Words： lubricating oil metal element prediction； flight test data； information diffusion； support vector machine； small sample dataDBD5324D-343E-460F-8FEF-EE2D0E285685