飞机发动机关键系统智能故障诊断方法*

崔建国，郑蔚，于明月，蒲雪萍，师建强

（1.沈阳航空航天大学自动化学院，沈阳110136；2.中国燃气涡轮研究院，成都610500）

飞机发动机关键系统智能故障诊断方法*

崔建国1，郑蔚1，于明月1，蒲雪萍2，师建强2

（1.沈阳航空航天大学自动化学院，沈阳110136；2.中国燃气涡轮研究院，成都610500）

飞机发动机是一个非常复杂的大系统，由于其结构复杂，工作环境恶劣，对其关键系统的故障进行准确诊断始终是困扰业界的技术瓶颈之一。提出了采用EMD小波阈值降噪与主元分析相结合的方法，对飞机发动机气路系统故障诊断进行了深入研究。针对某型真实飞机发动机进行测试试验采集的气路多参量数据，首先采用经验模态分解（Empirical Mode Decomposition，EMD）对气路系统各参量信号进行EMD分解，然后采用软阈值函数对其进行降噪，并进行信号重构，从而可得到飞机发动机气路工作状态有效数据。在此基础上，设计了飞机发动机气路系统主元分析故障诊断模型，并结合预处理得到的飞机发动机气路有效数据，运用所设计的主元分析故障诊断模型对飞机发动机进行故障诊断技术研究。研究结果表明，所提出的方法能够很好地诊断出飞机发动机气路系统实际运行时所出现的故障，具有重要的实际应用价值，并有广泛的应用前景。

飞机发动机，故障诊断，经验模态分解，小波阈值降噪，主元分析

0 引言

随着航空工业技术的飞速发展，飞机安全性和可靠性越来越引起国内外众多学者的重视［1］。发动机被喻为飞机的“心脏”，其气路系统工作正常与否，将直接决定着飞行安全。一方面，据美国航空运输协会（Air Transport Association of America，ATA）的统计，仅在2000年至2005年间在该协会注册的飞机故障中，与发动机气路部件相关的故障发生率占21%［2］。由此可见，飞机发动机气路系统的故障在发动机故障中占有较高的比例。另一方面，发动机通常工作于恶劣的环境条件中，气路的热端部件（如燃烧室、涡轮等）长时间工作在高速、高温、高载的“三高”载荷超常的工况下［3］，部件间的相互摩擦、磨损及“三高”的外界环境极易造成部件寿命急剧缩短、老化、出现故障甚至失效。因此，针对飞机发动机气路系统开展智能故障诊断方法研究，可极大提升飞机发动机运行的安全性与可靠性，具有十分重要的经济价值。

多年来，国内外很多学者都致力于飞机发动机故障诊断，但由于发动机系统庞大，结构及运行过程复杂，工况恶劣等客观因素，使得航空发动机的故障诊断一直难以有效解决［4］。因此，急需研究飞机发动机智能故障诊断方法，实现对发动机故障的快速准确诊断。本文提出EMD小波阈值降噪与主元分析相结合的诊断新方法，对飞机发动机气路系统的故障诊断方法进行了深入研究，很好地实现了对飞机发动机气路系统故障进行智能诊断的目标，极大地提升了飞机的飞行安全，具有重要的军事与经济价值。

1 飞机发动机数据预处理

经验模态分解（EMD）是一种基于信号局部特征的信号分解方法，在信号处理上具有很强的分解能力，能够将信号进行转换、分解，从而获取有效信息［5-6］。小波阈值降噪法是在小波域将信号的小波变换与噪声的小波变换有效地分离，然后尽量消除噪声的小波变换，从而达到降噪的目的。因此，经验模态分解和小波阈值降噪均是很好的信号处理方法［7-8］。笔者通过对两者的深入分析与研究，发现将两种方法结合，提出了一种基于EMD小波阈值降噪的数据预处理方法［9-10］，该方法不仅能在EMD分解时对信号进行平稳化处理，产生一系列具有不同特征尺度的本征模函数，还兼具小波阈值降噪效果明显的特点。本文以飞机发动机气路系统为具体研究对象，选取能较好表征发动机气路系统性能状态的12个参数，对其进行降噪处理，降噪过程具体分为4个步骤［11］：

步骤1：对原始信号进行EMD分解，得到各IMF（Intrinsic Mode Function）分量。

步骤2：对所有IMF分量选择一种阈值确定准则，并进行各个分量阈值估计。

步骤3：选择一种阈值函数，结合各个分量上的阈值估计值进行降噪计算，以获取降噪后各个IMF分量。

步骤4：用降噪后的IMF分量重构信号，此信号便是降噪后的信号。

基于EMD分解法与小波阈值降噪方法需对各个IMF分量进行阈值处理，选用的阈值处理方法［12］，如式（1）所示：

式（1）中xj（i）是处理前的第j层小波分解分量中对应的第i系数；xj'是降噪后的第j层小波分解分量中对应的第i系数；是第j层的阈值大小。

2 飞机发动机故障诊断理论基础与方案

2.1基于PCA的飞机发动机故障诊断机理

主元分析法（Principal Component Analysis，PCA）是多变量统计方法，其主要依据是基于原变量，运用合理的技术手段构造一组新变量，以便降低原变量的维数［13-14］。其优点是主成分尽可能地反应原始数据信息，且不受主观因素的干扰。

设采集正常工况下的观测数据集I∈Rn×m。其中，n是样本个数，m是变量个数。它们组成的数据矩阵X可表示为：

对采集正常工况下的观测数据集进行标准化处理，以消除变量量纲的影响。将数据矩阵X标准化：

其中，In是所有元素均为1的m维列向量；u是变量的均值向量：

Dσ是变量方差矩阵：

协方差矩阵S可以特征值分解为：

数据矩阵可以主元分解为：

忽略次要主元只保留k个主元，得到PCA主元模型：

其中，T是主元得分矩阵：

P是主元负荷矩阵：

E是残差项，k是主元个数。

这样，观测数据集便被分解为主元子空间和残差子空间。当故障发生时，投影在残差子空间内的方差会显著增加，据此便可以实现故障的准确诊断。

主元个数的选取，将直接影响检测结果。本文采用主元贡献率法计算主元个数，其选取主元的标准为：

其中，cl为门限贡献率，cl∈［0，1］。本文选取cl=85%，此时选取的主元参数尽可能地反应了原始数据的特征。

2.2飞机发动机故障诊断方案

飞机发动机气路故障诊断总体方案如图1所示。首先，选取能够表征发动机运行状态的12个参数，具体为高压转子相对物理转速（N2）、导叶角度反馈值（Alfa2）、发动机进口温度（T2）、发动机进口压力（P2）、压气机出口压力（P3）、25截面压气机进口温度（T25）、低压转子相对物理转速（N1）、主燃油流量给定值（WfmDem）、风扇导叶反馈值（Alfa1）、喷口喉道面积反馈值（A8）、低压涡轮后温度（T6）、低压涡轮后压力（P6），将采集到的上述12个参数的原始数据作为EMD小波阈值降噪的输入。

其次，对采集到的原始数据进行筛选，择其正常工况下的观测数据，采用EMD小波阈值降噪方法对其进行预处理。然后，将处理后的数据输入到主元分析故障诊断模型，分别计算出统计量T2和SPE控制限。再次，对采集到的待测数据采用EMD小波阈值降噪数据预处理，输入到已建立好的主元分析故障诊断模型，作出T2统计量和SPE统计量的计算结果与相应控制限作比较，判断是否有故障发生。若运行过程中有故障发生，最后使用故障影响因素分析图对故障形成因素分析，确定其故障源。

图1 某型飞机发动机气路故障诊断方案

3 发动机故障诊断的实现过程

飞机发动机是个结构庞大、工作极其复杂的大系统，对其进行故障诊断涉及到多个参数，且数据量庞大，难以实现准确快速诊断。针对这种情况，主元分析将监测参数变换成少数几个独立的变量，根据这几个独立变量的变化情况进行统计控制，准确诊断所要发生的故障，为发动机故障诊断提供了一种新思路，故障诊断过程具体如下：

3.1建立正常工况下故障诊断模型

读取正常工况下经EMD小波阈值降噪后的8 000组数据，先对其进行标准化处理，再对其进行主元分析，确定主元个数，建立正常工况下故障诊断模型。

3.2计算统计量SPE和T2的控制限

利用式（15）和式（16）

分别计算统计量SPE和T2的控制限。

3.3故障诊断

将经EMD小波阈值降噪后的预处理数据输入故障诊断模型，对其进行故障诊断。具体步骤如下：

步骤1读取新的测量数据，并用样本均值向量u和方差矩阵Dσ方法对其进行数据标准化统一处理。

步骤2分别计算T2统计量和SPE统计量，计算公式如下：

步骤3作出T2和SPE统计量诊断结果图，监控运行状态；

步骤4将T2统计量和SPE统计量计算结果与其相应的控制限作比较，检测状态是否出现故障。通过T2统计量和SPE统计量共有4种检测结果［15］：

当T2统计量和SPE统计量均超过控制限时，或当T2统计量未超过控制限，SPE统计量超过控制限时，则认为系统出现故障。

当T2统计量超过控制限，SPE统计量未超过控制限时，则认为工况变化导致扰动。

当T2统计量和SPE统计量均没超过控制限，则认为正常。

步骤5若诊断结果为故障，则需将信号输入故障形成因素分析模块，确定出具体的故障源，用以排故以便为飞机发动机维修维护提供支持［16］。

4 发动机故障诊断方法试验验证与分析

4.1发动机故障诊断试验

依据专业试验平台对某型真实发动机性能进行试验。采集其气路试验数据，按上述故障诊断方法，可得气路系统的诊断结果如下：

图2 气路数据的T2统计量诊断正常结果

图3气路数据的SPE统计量诊断正常结果

图2 和图3中显示统计量T2和SPE均未超出控制限，说明飞机发动机处于正常运行状态。此次试验结果与发动机实际状态相符。

图4中，T2统计量在采样点0～1 000之间超过阈值限，图5中，SPE统计量在采样点0～1 000之间未超过阈值限，飞机可能由工况变化导致扰动。

依据上述诊断结论可知，由于图5中，SPE统计量在采样点1 500～1 600、4 900～5 000、8 000～17 000均超过阈值限，说明飞机已处于故障状态。

图4 气路数据的T2统计量诊断故障结果

图5 气路数据的SPE统计量诊断故障结果

如上述诊断结果所示，在前1 000个采样点阶段，飞机处于刚启动阶段，油门杆骤然加大引起的工况变化或者扰动等外界因素，导致飞机处于非稳态状态；随着采样点1 500～1 600、1 900～2 000、4 900～5 000等间接性的超过阈值，说明飞机有故障发生，需立即引起重视；采样点8 000～17 000之间，飞机已处于故障状态，应立刻停飞排故，否则将会出现险情。

采用上述方法得到的诊断结果均与某型发动机实际状态相符，充分说明该方法的有效性与实用性。

4.2发动机故障诊断影响因素分析

将监测的T2统计量和SPE统计量结果与相应的控制限进行比较分析，可以判断飞机运行状态是否出现故障。

为了更加明晰各状态参量对T2统计量和SPE统计量的影响大小，在以上诊断出发动机气路系统性能状态的基础上，本文尚对参与T2统计量和SPE统计量计算的相关参量进行了深入分析，得到了各相关参量对T2统计量和SPE统计量的不同影响，为方便观察，特将其绘制成直方图，如图6所示。通过对故障影响因素分析图的监测，可以很方便地确定引起统计量T2或SPE统计量超出控制限的主要参量，将这些参量按对T2统计量或SPE统计量的影响程度进行排序，并以此指导故障隔离与定位，具有很重要的实际工程应用价值。

图6气路各参量对发动机故障诊断影响因素分析

图6 中横坐标1～12分别代表飞机发动机气路监测的12个参数，由图6可知，第1个参数高压转子相对物理转速（N2）、第8个参数主燃油流量给定值（WfmDem）、第9个参数风扇导叶反馈值（Alfa1）、第11个参数低压涡轮后温度（T6）的相对影响较大，即锁定为故障参数。试验证实，以上4个参数是引起故障的原因与实际情况相符，说明基于主元分析法的飞机发动机气路系统故障诊断方法能够实现对发动机气路系统故障进行准确诊断的效能。

5 结论

通过本文研究，采用EMD小波阈值降噪和主元分析相结合的方法对飞机发动机气路系统故障进行诊断，不仅能够有效地实现故障诊断，而且还能够锁定故障参数，快速找出故障源，为飞机发动机的故障诊断提供了一种新思路和方法。先利用EMD对信号进行多尺度分解，采用小波阈值进行降噪和信号重构，然后采用主元分析算法进行故障诊断，若有故障发生，再根据每个监控变量对统计量和SPE影响程度的不同，依据气路各参量对发动机故障诊断影响因素分析图，可以很方便地寻找出故障形成的主要因素。

研究结果表明，本文所提出的飞机发动机故障诊断方法可有效实现对发动机准确诊断的效能，并可对出现故障状态的影响因素进行分析，确定故障发生的主要因素以及找出故障源。最后通过试验验证与分析，说明了该方法的有效性，通过得到的故障诊断结果，可为飞机发动机的快速维修保障提供很好的证据基础，具有重要的实际应用价值。

［1］常奇，袁慎芳.飞行器综合健康管理（IVHM）系统技术现状及发展［J］.系统工程与电子技术，2009，31（11）：2652-2657.

［2］MERCER C R，SIMON D L，HUNTER G W，et al.Fundamental technology development for gas-turbine engine health management［R］.NASA-TM-2007-0022364，2007.

［3］周仲荣.摩擦学发展前言［M］.北京：清华大学出版社，2006.

［4］李海然.排故中的QAR数据使用［J］.航空维修与工程，2010，54（2）：47-48.

［5］郭兴明，张文霞.基于EMD关联维数和多重分形谱的心音识别［J］.仪器仪表学报，2014，35（4）：828-833.

［6］夏均忠，苏涛.基于EMD的滚动轴承故障特征提取方法［J］.噪声与振动控制，2013，33（4）：123-127.

［7］陈晓曦，王延杰.小波阈值去噪法的深入研究［J］.激光与红外，2012，42（1）：106-110.

［8］王长龙，朱红运.在适应小波阈值在磁记忆信号降噪处理中的应用［J］.系统工程与电子技术，2012，34（8）：1556-1559.

［9］邵忍平，曹精明，李永龙.基于EMD小波阈值去在和时频分析的齿轮故障模式识别与诊断［J］.振动与冲击，2012，31（8）：96-106.

［10］李成业，练继建，刘昉，等.EMD与小波阈值联合滤波方法的改进及其在泄流结构振动分析中的应用［J］.振动与冲击，2013，32（19）：63-110.

［11］杜修力，何立志，侯伟.基于经验模态分解（EMD）的小波阈值除燥方法［J］.北京工业大学学报，2007，33（3）：265-267.

［12］王峰林，王长龙，朱红运.基于EMD的改进小波阈值降噪法在超声信号处理中的应用［J］.军械工程学院学报，2013，25（3）：35-39.

［13］刘永斌，何清波，孔凡让，等.基于PCA和SVM的内燃机故障诊断［J］.振动、测试与诊断，2012，32（2）：250-255.

［14］崔建国，吴灿，董世梁，等.主元分析法和模糊积分的航空发动机气路状态监测［J］.火力与指挥控制，2014，39（10）：130-134.

［15］温冰清，申忠宇，赵瑾，等.基于鲁棒主元分析方法的故障检测［J］.东南大学学报（自然科学版），2010，40（1）：140-143.

［16］钱鑫，蔡忠春，常旭，等.某型军用发动机故障模式、影响及致命性分析［J］.四川兵工学报，2014，35（10）：48-51.

Research on Intelligence Fault Diagnosis Methods of Aeroengine Key System

CUI Jian-guo1，ZHENG Wei1，YU Ming-yue1，PU Xue-ping2，SHI Jian-qiang2
（1.School of Automation，Shenyang Aerospace University，Shenyang 110136，China；2.China Gas Turbine Establishment，Chengdu 610500，China）

Aircraft engine is a very complex system，and it has complex structure，poor working environment.So it is one of the technical bottlenecks for accurate diagnosis of the key system fault which plagued the industry.The paper proposes one method which combines EMD threshold de-noising in wavelet and principal component analysis method.And the paper is depth study of the fault diagnosis for aircraft engine gas path system.For the multi parameter data which has be obtained for a certain type aircraft engine gas path test collection，the signal of the pneumatic system the parameters are decomposed using the empirical mode decomposition（EMD），and use the soft threshold function to reduce the noise，and the signals are reconstructed.So it can get the aircraft engine gas path valid data. On this basis，the paper designs fault diagnosis model of principal component analysis for the aircraft engine gas path system，and combined with valid data obtained from the aircraft engine gas path.The paper develops the fault diagnosis technology research using the principal component analysis fault diagnosis model for aircraft engines.Research results shows that the proposed method can diagnose the actual operation of aircraft engine gas path system fault，and the method has important practical application value and wide application prospect.

aircraftengine，faultdiagnosis，empiricalmodedecomposition，waveletthreshold de-noising，principal component analysis

TP206.3；TH165.3

A

1002-0640（2016）11-0187-05

2015-06-05

2015-07-07

航空科学基金（2010ZD54012）；国防预研基金（A0520110023）；国防基础科研基金（Z052012B002）；辽宁省自然科学联合封闭基金资助项目（2014024003）

崔建国（1963-），男，辽宁沈阳人，博士，教授。研究方向：飞行器健康诊断、预测与综合健康管理，仿真技术与应用。