基于BP神经网络的航空发动机故障检测技术研究

殷 锴 ，钟诗胜 ，那 媛 ，李 臻

（1.中国航发商用航空发动机有限责任公司，上海200241；2.哈尔滨工业大学机电工程学院，哈尔滨150001）

基于BP神经网络的航空发动机故障检测技术研究

殷 锴1，钟诗胜2，那 媛2，李 臻2

（1.中国航发商用航空发动机有限责任公司，上海200241；2.哈尔滨工业大学机电工程学院，哈尔滨150001）

为了提高航空发动机故障检测正确率，将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM 56-7B系列发动机的实际飞行历史数据中选取研究样本，对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明：该方法对CFM 56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测，其学习记忆稳定、网络收敛速度快，具有一定的工程实用价值。

故障检测;BP神经网络;航空发动机

0 引言

航空发动机作为飞机的“心脏”，是在高温、高压、高速环境中持续工作的复杂热力机械[1]。航空发动机属于高可靠性设备，其在翼故障会对飞机的飞行造成较大安全隐患[2]。由于其工作环境相对恶劣，目前的预防维修技术还无法保证发动机零故障运行[3]。对发动机进行故障检测、诊断，可提高其运行可靠性，降低服役期的维护费用，是发展更加科学合理的视情维修技术的重要手段[4]。国外针对航空发动机故障诊断技术的研究起步较早，20世纪60年代，美国国防部和NASA联合提出了航空发动机性能状态监测和故障诊断系统的概念[5]，大大降低了发动机在制造、维护、管理上的开销。如今，航空发动机故障诊断系统已广泛地应用于国外各类先进的燃气涡轮发动机上[6]。中国的航空发动机故障检测和诊断技术研究起步较晚，从20世纪80年代末起，国内的各研究机构才开始对其进行广泛研究。1988年，中国民航学院等4个单位研制出具有趋势预测和故障诊断功能的发动机状态监测和故障诊断系统[7]；1992年，国防科技大学研制的液体火箭发动机健康状态管理系统实现了火箭发动机故障检测[8]。从理论方面看，目前的基于信号处理、专家知识、解析模型的故障检测方法[9]仍存在诸多不足：由于航空发动机的各性能参数与故障之间的映射关系极为复杂，上述理论及方法仍无法精确地对这些关系进行定义；在发动机性能数据采集过程中，由于人为等随机因素的影响，引入了不可忽视的样本误差，造成了模型的失真，从而无法为后续故障诊断过程提供可靠保障[10-11]。

目前，中国航空公司的发动机在翼故障预诊断较大程度依赖于发动机制造商 (Original Equipment Manufacturer，OEM)。当发动机状态监控出现异常时，OEM会以客户通知记录单（Customer Notification Report，CNR）的形式提供发动机故障预诊断的结果。但OEM对诊断的过程及相关技术加以保密，造成了双方信息严重不对称。

为打破这种局面，本文以某样本机队的历史故障数据、性能监控数据及CNR数据为基础，利用BP神经网络建立航空发动机故障检测模型。

1 BP神经网络诊断模型的建立

在当前条件下，难以获得大部分现役航空发动机的精确物理数学模型，神经网络技术为建立航空发动机非线性气路模型提供了技术基础。本文所建立的故障诊断模型能够在无须建立航空发动机物理数学模型的情况下对发动机的故障进行诊断。由于BP网络优良的鲁棒性及容错性，训练样本中的有限样本误差并不会影响整体网络的性能，并且BP网络可以利用自身训练及学习过程来修正误差。

1.1 BP网络参数设计

1.1.1 BP网络输入输出参数的确定

1.1.1.1 输入向量的确定

现役航空发动机大多具有先进的状态监控系统，其性能参数能够通过飞机通信寻址与报告系统准实时传输到地面。根据对现有资料研究及对样本机队CNR的分析，航空发动机的气路性能参数：排气温度、风扇转速、核心机转速、燃油流量等及其转换参数一般作为航空发动机状态监控及在翼故障预诊断的指征[12]。本文以某CFM56-7B系列航空发动机机队为样本机队，以其气路性能参数及CNR数据为基础，建立故障诊断模型。通过对样本机队一段时间内CNR分析，针对航空发动机的排气温度指示系统、温度控制系统等部位的故障诊断，选取排气温度偏差值(Delta Exhaust Gas Temperature，DEGT)、排气温度裕度(Exhaust Gas Temperature Margin，EGTM)、核心机转速偏差值 (Delta Core Speed，DN2)和燃油流量偏差值(Delta Fuel Flow，DFF)作为故障指征参数。通过对样本机队历史故障数据及性能监控参数的分析，发现航空发动机的气路性能参数在故障发生的前后一段时间内具有明显的趋势变化，如图1所示。

图中示出了样本机队某台航空发动机排气温度指示系统故障报警前的DEGT变化趋势。对该台航空发动机故障报警前的DEGT性能参数进行分段直线拟合，可见故障报警前的DEGT性能参数的趋势有明显突变。可以将这种明显的变化看作航空发动机某故障的指征，为有效利用性能参数变化趋势进行航空发动机的故障诊断，本文利用神经网络建立了发动机故障与诊断模型。

同时，通过分析样本机队的CNR数据可知，故障指征通常在故障确认点前的若干循环就已经出现，详细的数据分析如图2所示。图中，框①表示通过传感器监测到的性能参数变化趋势；框②表示根据GEAE的诊断知识库，针对框①中的性能参数变化趋势分析所判定的该发动机的故障类型；框③表示性能参数开始发生异常的时刻T1(循环点)；框④表示该发动机被判定为故障的时刻T2(循环点)；框⑤表示T2时各类性能参数值；框⑥表示T1时各类性能参数值；框⑦表示用于指征此故障类型的性能参数。

针对不同型号发动机和不同故障种类，这2个循环时间点之间相差的循环间隔数不同，但通常不大于10个循环点。为了包含较为全面的特征趋势，本文选取CNR中确定的故障点前后共10个连续循环作为研究样本。因此，神经网络的输入设定为发动机气路性能参数的连续10个飞行循环的性能解算参数。由于CNR中考虑到了DEGT,DN2,EGTM,DFF这4个性能参数，故输入向量维数为40。在BP神经网络中，网络的输入层节点数取决于输入向量的维数，故确定网络的输入层节点数为40。

1.1.1.2 输出向量的确定

在利用BP神经网络进行发动机故障诊断时，定义网络的输出为趋势标识量，输出向量维数为1。网络的输出层神经元节点数取决于输出向量的维数，故确定网络的输出层节点数为1，输出值在[-1,1]之间。其中，-1标识正常样本趋势，1标识故障样本趋势；则本文规定以[-1,1]之间的数值大小来表示对应的故障发生可确信度，即发生此类故障的概率，其输出值越接近1则表示对应的故障概率越大；当输出值大于等于0时认为存在此类故障趋势，而小于0时认为正常概率较大。

1.1.1.3 训练样本集的选取

训练样本的选取对于网络的应用效果好坏至关重要，较差的训练样本不仅会给网络提供错误的信息，还可能导致网络的学习速度过慢甚至结果不收敛。因此，在选择训练样本时，需要考虑到样本广泛性和紧凑性等原则[13]。本文选取样本集的方法如图3所示。以某台航空发动机故障报警前后500个飞行循环的DEGT和排气温度偏差值平滑值（DEGTSmoothed，DEGT_S）为例，将500个循环点均分成50组，每组有10个性能参数。将1～49组定义为正常样本，贴近故障预警点的第50组性能参数为故障样本。为保证样本空间具有广泛性，按照故障样本数与正常样本数之比为1∶5的比例，从1～49组中随机选取5组作为神经网络模型的训练样本；按照故障样本数与正常样本数之比为1∶2的比例，从1～49组中随机选取2组作为测试样本。通过对样本机队维修数据及CNR数据的分析整理，共获得27台次发动机故障预报案例，其中9台次为排气温度指示故障，9台次为进口总温指示故障，9台次为可调放气活门故障；用于BP神经网络训练和测试的发动机故障样本分配情况见表1。

表1 训练-测试发动机样本分配情况

1.2 BP网络结构参数设计

1.2.1 网络层数设计

3层及3层以上的神经网络，当神经元数足够时，可以任意精度逼近任意非线性连续函数[14]。尽可能用最少的网络层数来构建神经网络，因此本文选用3层BP网络结构。

1.2.2 隐含层节点数设计

隐含层节点数对于BP网络性能有很大影响。目前没有可以用来确定神经元节点数的理想解析式，通常是以结合经验公式[15]和不断进行试验的方式来确定，经验公式主要有

式中：M为隐含层神经元数；n为输入层神经元数；m为输出层神经元数；a为常数，取值范围为[0,10]。

本文选用式（1），则可选取的隐含层节点数范围为[7,16]之间的整数。在具体设计时，本文采用试凑方法，即对隐含层神经元数目不同的网络进行对比训练，设定训练次数为2000，目标误差均为0.001，分别对隐含层节点数为 [7,16]的网络进行10次对比试验，网络的训练结果汇总如图4所示。从图中可见，当神经元数为[8,16]时，训练误差精度均可满足目标要求，当神经元数为[11,16]时，网络的训练次数均在[700,900]范围内，综合考虑训练次数以及误差精度，本文最终选定隐含层的神经元数为11。参考性能参数离散变化趋势样本及上述设计的网络结构和参数，最终确定的神经网络结构如图5所示。

按照训练及测试样本参数的选取方法及表1的训练样本台次和测试样本台次对各台航空发动机的性能参数进行选取，训练-测试样本集见表2。

1.3 训练方法的选取

分别利用最速下降BP法、动量BP法、自适应学习率BP法、弹性BP法、拟牛顿法以及LM算法对网络进行训练[16-17]，训练结果对比见表3。综合考虑各训练方法的迭代次数以及误差，最终采用迭代次数较少且精度较高的弹性BP法作为神经网络的训练方法。

2 测试结果及分析

共选取15台次的发动机故障样本作为BP神经网络的训练样本，因此共有：75组发动机正常状态下的样本参数；15组发动机故障征候状态下的样本参数。将这90组样本参数作为故障诊断模型神经网络的输入；将正常状态性能参数样本的网络预期输出设置为-1；将故障征候状态性能参数样本的网络预期输出设置为1；并根据前述的参数设置利用BP神经网络分别建立排气温度指示故障、进口总温指示故障和可调放气活门故障的故障诊断模型。

表2 训练-测试样本集

表3 训练结果汇总

获得故障诊断网络模型后，将3种故障各12组测试样本分别作为3种故障诊断网络的输入，分别对故障诊断模型进行检测。进行检测的12组测试样本的性能参数、预期输出及模型诊断结果见表4。从表中可见，36个检测组的综合故障诊断准确率可达83.3%。

表4 故障诊断情况

3 结束语

本文在分析某机队CFM56-7B系列航空发动机CNR数据及性能参数的基础上，根据现役航空发动机在实际运维过程中的故障预测特点，利用BP神经网络建立模型以进行航空发动机故障检测。测试结果表明这种故障检测方法能够以航空发动机的历史故障数据及性能参数为基础，利用发动机的气路参数较为方便地对某些故障进行检测。针对排气温度指示故障、进口总温指示故障和可调放气活门故障进行故障探测,正确率高达80%以上，且具有一定的工程应用价值。

[1]甘晓华,李伟.现役航空发动机使用寿命确定和控制方法 [J].航空工程进展,2010（5）：103-106.GAN Xiaohua,LI Wei.A summary of military aeroengine life determination methods[J].Advances in Aeronautical Science and Engineering,2010（5）：103-106.(in Chinese)

[2]李建国,叶新农,徐可君.涡扇发动机寿命管理研究[J].海军航空工程学院学报,2005,20（4）：468-472.LI Jianguo,YE Xinnong,XU Kejun.Life management research of military turbofan engine[J].Journal of Naval Aeronautical Engineering Institute,2005,20（4）：468-472.(in Chinese)

[3]陈光.航空发动机发展综述[J].航空制造技术，2000（6）：24-27.CHEN Guang.Survey on aeroengine development[J].Aeronautical Manufacturing Technology,2000（6）：24-27.(in Chinese)

[4]黄兆东,刘锦,吴静敏.民用航空发动机使用经济性研究[J].航空发动机，2015，41（2）：99-102.HUANG Zhaodong,LIU Jin,WU Jingmin.Research on civil aeroengine operation economics[J].Aeroengine,2015,41（2）：99-102.(in Chinese)

[5]范作民，孙春林，白杰.航空发动机故障诊断导论[M].北京：科学出版社，2004：3-4.FAN Zuomin,SUN Chunlin,BAI Jie.Introduction to fault diagnosis of aeroengine[M].Beijing:Science Press,2004:3-4.(in Chinese)

[6]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.

[7]朱建东.飞机发动机的监控技术及其发展趋势 [J].飞机设计，2003（1）：58-61.ZHU Jiandong.The developing tend of aeroengine control[J].Aircraft Design,2003（1）：58-61.(in Chinese)

[8]张书刚，郭迎清，陈小磊.航空发动机故障诊断系统性能评价与仿真验证[J].推进技术，2013，34（8）：1121-1127.ZHANG Shugang,GUO Yingqing,CHEN Xiaolei.Performance evaluation and simulation validation of fault diagnosis system for aircraft engine[J].Propulsion Technology.2013,34（8）：1121-1127.(in Chinese)

[9]臧大进，曹云峰.故障诊断技术的研究现状及展望 [J].矿山机械，2010，38（18）：9-13.ZANG Dajin,CAO Yunfeng.Present study situation and prospect of fault diagnosis technology[J].Mining&Processing Equipment.2010,38（18）：9-13.(in Chinese)

[10]陈曦，廖明夫，王俨剀.航空发动机故障融合诊断研究[J].航空发动机，2013，39（4）：78-84.CHEN Xi,LIAO Mingfu,WANG Yankai.Investigation of aeroengine fault fusion diagnosis[J].Aeroengine,2013,39（4）：78-84.(in Chinese)

[11]Liu Na,Gao Wensheng,Tan Kexiong.Application of a combinatorial neural network model based on cluster analysis in transformer fault diagnosis[C]//Proceedings of IEEE TENCON’02，2002:1873-1876.

[12]Ganguli R.Jet engine gas-path measurement filtering using center weighted idempotent median filters[J].Journal of Propulsion and Power,2003,19（5）：930-937.

[13]钱政,高文胜.用可靠性数据分析及BP网络诊断变压器故障[J].高电压技术，1999（1）：13-15.QIAN Zheng,GAO Wensheng.Reliability data analysis and BP network fault diagnosis of transformer[J].High Voltage Technology.1999（1）：13-15.(in Chinese)

[14]殷跃.基于BP神经网络的电力变压器故障诊断的研究 [D].吉林大学,2007.YIN Yue.Research on fault diagnosis of power transformer based on BP neural network[D].Jilin University,2007.(in Chinese)

[15]Zhang J,Yang Y,Zhang J M,A MEC-BP-Adaboost neural network-based color correction algorithm for color image acquisition equipments[J].International Journal for Light and Electron Optics,2016,127（2）:776-780.

[16]董长虹.Matlab神经网络与应用[M].北京：国防工业出版社,2007:64-106.DONG Changhogn.Matlab neural network and application[M].Beijing:National Defence Industry Press,2007：64-106.(in Chinese)

[17]陈明.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013:156-166.CHEN Ming.MATLAB neural network principle and example[M].Beijing:Tsinghua University Press,2013：156-166.(in Chinese)

Research on Aeroengine Fault Detection Technology Based on BP Neural Network

YIN Kai1，ZHONG Shi-sheng2，NA Yuan2，LI Zhen
（1.AECC Commecial Aircraft Engine Co.,Ltd,Shanghai 200241 China;2.School of Mechatronics Engineering,Harbin Institute of Technology,Harbin 150001 China）

The BP neural network was applied to fault detection of aeroengine to improve the accuracy rate.The research samples were selected from the historical data of the CFM56-7B series engine provided by an aviation company,and then choosing the elastic BP training algorithm by comparing the performance of six training methods to test.The results show that the accuracy rate of fault detection for the EGT_F,TAT_F and VBV_F is high as up to 83.33%.BP neural network can be well applied to the practical fault detection of aeroengine on account of its fast convergence speed and the stability of learning and memory,which guarantee practical engineering value.

fault detection;BP neural network;aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2017.01.010

2016-06-27 基金项目：国家自然基金重点项目(U1533202)、民航科技项目(MHRD20150104)、山东省自主创新及成果转化专项（2014CGZH1101）资助

殷锴(1982)，男，博士，高级工程师，主要从事航空发动机控制系统研究工作；E-mail:yinkai@tsinghus.org.cn。

殷锴，钟诗胜，那媛.基于 BP神经网络的航空发动机故障检测技术研究[J].航空发动机，2017，43（1）：53-57.YINKai，ZHONGShisheng，NA Yuan,etal.ResearchonaeroenginefaultdetectiontechnologybasedonBPneuralnetwork[J].Aeroengine，2017，43（1）：53-57.

（编辑：赵明菁）