航空发动机故障诊断技术研究

2010-04-27朱新宇

航空发动机 2010年2期

关键词：决策表约简粗糙集

郑波，朱新宇

（中国民航飞行学院航空工程学院，四川广汉 618307）

1 引言

航空发动机工作条件复杂，维护时技术难度大、成本高，因此，故障诊断的要求很高。科学有效的故障诊断技术，不仅能准确检测发动机故障，保障飞行安全，而且能够节省维修费用，增加航空公司的经济效益。

本文介绍了COMPASS软件和基于粗糙神经网络模型的新型故障诊断技术，并对某航空公司的AE3007发动机进行了故障诊断。

2 AE3007发动机简介

AE3007系列发动机是RR公司研制的中小推力涡轮风扇发动机，目前，主要用作巴西航空工业公司的ERJ135/140/145系列飞机、塞斯纳公司的“奖状”X以及“全球鹰”高空长航时无人机的动力装置。

该发动机的风扇为1级轴流式，宽弦设计；高压压气机为14级轴流式；燃烧室采用高耐久性、低污染设计，有16个气动雾化喷嘴，采用双路电容放电点火，火焰筒采用多空散发冷却；涡轮为2级轴流式高压涡轮和3级轴流式低压涡轮；控制系统采用双通道全余度FADEC系统；最大起飞推力为3370 daN，起飞油耗为0.34 kg/(daN·h)，推重比为 4.72，涵道比为5，空气流量为110.2 kg/s，总增压比为24，最大马赫数为7.8。

3 利用COMPASS软件进行故障诊断

COMPASS软件是RR公司开发的1款专门用于发动机气路性能监控的软件。利用其对AE3007发动机进行故障诊断，主要是将监控到的起飞和巡航阶段相关参数转换成标准状态下的3个参数：DITT、DN2和 DFF, 它们分别表示发动机的排气温度改变量、高压转子转速改变量和燃油流量改变量、这3个参数均直接引自发动机制造商的使用手册。根据3个参数的变化情况，对照AE3007发动机的性能参数变化（见表1）和巡航参数偏差（如图1所示）进行判断。表1和图1的数据是基于如下所述的典型巡航条件：9144 m,Ma=0.8,ISA。

表1 AE3007发动机性能参数变化

某ERJ145飞机的性能趋势图显示：在某一时刻1发的3个性能参数在巡航时有较大改变，其中ITT约提高90℃，FF约提高12.5%，N2提高约2.1%；只是1发发生变化。根据3个参数的变化情况，查表1可得出风扇、低压涡轮和引气系统可能有故障；此时，还需借助巡行参数偏差图作进一步判断，以确定具体故障。

已知3个参数的变化情况，可得出它们之间的比值ITT:FF:N2=1∶0.139∶0.023，参见图 1，飞机引气增加1%的比值是1∶0.126∶0.015，2个比值之间最相似，故判断发生引气故障。

经实际检查，此例中发动机的实际故障是压气机空气流量引气控制活门（CABCV）损坏。更换活门后，该发动机的性能趋势图恢复为正常状态。

上述故障诊断实例表明：对发动机气路性能进行监控，利用COMPASS软件进行数据处理和趋势图绘制，可为诊断发动机气路故障和指示故障位置提供很好的依据，对快速诊断发动机故障可起到重要作用。同时也应看到，该方法没有给出最终结果，需要在分析发动机性能趋势图后才能得到。在下一节中，将利用智能方法处理监控数据，根据样本知识的指示，直接得出诊断结果，而不需要中间的趋势分析过程。

4 利用粗糙神经网络进行故障诊断

4.1 粗糙神经网络故障诊断模型构成

粗糙神经网络模型结构如图2所示。将粗糙集和神经网络融合在一起，该融合模型具有以下优点[1]。

（1）应用粗糙集减少条件属性的数量，降低构建神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间；

（2）应用粗糙集去掉冗余信息，使训练集简化，以减少神经网络训练时间；

（3）使用神经网络作为后置的信息识别系统，该系统有较强的容错及抗干扰能力。

4.2 模型中的创新算法和双输出规则设计

4.2.1 基于SOFM和差别矩阵的离散化方法

SOFM网络的全称为自组织映射神经（Self-Organizing Feature Map）网络。在此离散化算法中，SOFM网络的主要作用是实现连续向量的离散化[2]；差别矩阵的主要作用是判断决策表是否存在相对于决策属性的核和决策表是否相容。差别矩阵定义为[3]：给定1个决策表DT=（U ,C ∪D,V ），其中U为论域，C为条件属性集，D为决策属性集，V为属性的值域。n，则定义 Mn×n= （cij）n×n为决策表的差别矩阵，其中

符号“-”表示论域中2个对象的决策值落入决策属性的同1个等价类；空集Ø表示2个对象所对应的2条决策是不相容的。如果论域中2个对象的决策值不同，同时也存在能够区分这2个对象的条件属性，则所有这样的条件属性组成的集合构成决策表的差别矩阵的对应元素。

在1个相容决策表中，相对D核等于差别矩阵中所有只含单个条件属性的元素组成的集合，即

在研究中发现，基于差别矩阵的约简算法往往不能实现，主要原因是矩阵中没有含单个条件属性的元素，得不到相对D核，从而不能求出约简后的属性。这就限制了此算法的应用。

用一般方法离散化后的决策表有可能是不相容的，这样的分类显然较粗，不能正确区分决策值不同的对象。离散化后的决策表即使相容，在求差别矩阵时，却得不到只含单个属性的元素，就不能求出相对D核，从而不能对决策表进行约简，这样的划分显得过细，不能剔除冗余属性。鉴于此，基于SOFM和差别矩阵的属性离散化算法的思想如图3所示。

此算法的步骤如下。

（1）利用SOFM网络求出决策表的分类，通常初始划分为2类。

（2）计算决策表的差别矩阵。

（3）进行双判断，若任一判断不通过，则增加划分类数，返回执行（1）；若通过双判断，则生成离散化后的决策表，完成计算。

4.2.2 粗糙集和神经网络双输出规则

粗糙集能利用生成的规则集进行故障诊断，神经网络能利用其模式识别能力进行故障诊断。若综合利用二者的诊断结果，则可更大限度地保证发动机故障诊断结果的准确性和完整性。

设“0”表示发动机无故障状态，“1”表示存在故障状态 1，“2”表示存在故障状态 2，…，“n”表示存在故障状态n，则共有n+1种状态；令任意一故障状态为i或j，则最后的输出结果如图4所示。

从图4中可看出，粗糙集和神经网络可能的输出有4种情况。当二者输出结果一致时，诊断结果有2种：0状态或i故障，此时，诊断结果的准确性较高；当二者输出结果不同时，也存在2种诊断结果：[0 i]和[i j]。在第1种情况下，设备存在故障，必须对其进行故障排查；在第2种情况下，对2种故障状态都要进行排查。其目的就是为了将所有可能的安全隐患排除，以保障设备安全运行，从而提高故障诊断的可信性和彻底性。

图4还指出将诊断数据存入训练样本数据库，这一点非常有必要。只有拥有完备的训练样本，才能提高诊断模型的故障识别能力。

4.3 1次引气故障诊断

4.3.1 样本数据选取

在对某航空公司运营的ERJ145飞机的1次监控中发现，其配装的2台AE3007发动机的3个参数有增大的趋势；在随后的几次监控中发现其增大趋势变缓；但在2天后的监控中，3个参数增大速度变快。对完成了飞行任务后的该飞机进行了停飞检查，通过分析趋势图，发动机管理中心认定发生了引气故障，在后来的实际检查中证实了这一判断。进行针对性维修后，该飞机重新执行飞行任务，3个监控参数均恢复到正常水平。

鉴于此，将这段时间前、后的数据作为训练样本，且决策属性D只有 2种状态：“0”表示AE3007发动机工作正常，“1”表示AE3007发动机发生引气故障。表2列出了AE3007发动机训练的样本数据；是从某一时段巡航监控数据中随机抽取的，一共20组。从巡航报中，选取马赫数Ma、气压高度PA、外界总温TAT、油门杆角度TLA、燃油流量FF、低压转子转速N1、高压转子转速N2、发动机排气温度EGT、压气机出口温度T2和压气机出口压力P2作为条件属性；为了检查本文提出的粗糙神经网络的故障诊断能力，随机抽取7组巡航数据作为测试样本，见表3。

4.3.2 粗糙集部计算过程

将条件属性划分为2类时，该决策表的核Core={TAT,FF,T2-5}，但存在着含“K”的2个元素，表明该划分明显过粗，不足以区分决策属性；将决策属性划分为3类时，核Core={FF}，且不存在不相容元素；将决策表划分为4类时，差别矩阵不包含核，使得后续计算无法进行，说明划分过细。表4给出将条件属性划分为3类时各个条件属性的离散化区间。

表2 AE3007发动机训练样本数据

表3 AE3007发动机测试样本数据

表4 各属性离散区间

然后，求出离散化为3类后的决策表的约简 [Ma FFITTT2-5]；连续化属性离散化为3类，不仅能够恰当地识别出决策属性，同时又能够得到最简约简。所以，将表2离散化为3类是合适的。构建决策表的决策矩阵，建立每个条件等价类的决策函数，利用合取运算和析取运算，将决策函数简化为最小析取范式；其中，每个合取子式对应1条规则。经计算共得31条决策规则。

表5为得出的规则集和规则参数。其中，规则参数SU表征规则在整个数据中适用的对象数，AC表征规则的精度，CO表征规则的适用度。至此，完成了粗糙集部分的计算。

表5 规则集和规则参数

现在只要将测试样本数据的约简条件属性离散化，就能对照规则集对AE3007发动机进行故障诊断。

4.3.3 神经网络部分计算过程

BP神经网络应用广泛，通用性、鲁棒性等都较好，特别是能够运用在多故障识别中[4]，因此采用BP神经网络进行故障识别。

对数据约简前后的网络性能进行比较可知，约简前后神经网络的网络参数和训练参数都一致，体现出粗糙神经网络的优越性。

表6给出了2套神经网络的比较情况，可看出Net2的性能优于Net1的。这表明：经过属性约简后的神经网络简化了网络结构，减少了网络开销，加快了收敛速度，提高了网络性能。

Net1和Net2以及粗糙集的计算结果见表7。诊断结果表明：利用约简后的数据训练神经网络，使网络的容错及抗干扰能力得到显著提高。

表6 2套神经网络比较

表7 诊断结果比较

4.3.4 分析并输出粗糙神经网络结果

从表7中可看出，Net2的诊断成功率为100%，能够完全辨别出AE3007发动机的状态；Net1和RS对测试样本2的诊断都出现了错误，诊断率成功为85.7%。综合表6、7，可以看出采用粗糙集方法去掉冗余信息后，不仅提高了网路收敛速度，降低了网络复杂性，更重要的是使网络的容错和抗干扰能力增强，从而增强了网络的实用性和可信性。

但是，对于样本2，RS与Net2的诊断结果不一致，而与Net1的一致，实际检验证明Net2的诊断结果是正确的。导致RS出错的原因主要是其容错能力和抗干扰能力较差，对相似性很强样本的识别能力不足；而导致Net1出错的主要原因是知识样本集冗余属性较多，冗余属性之间的相似关系干扰了神经网络的学习，从而导致了诊断错误。由此可以看出，有必要对粗糙集和神经网络进行融合和互补。

对AE3007发动机的最终诊断结果见表8。