基于分层多信号流图的飞机空调系统故障诊断

孙 智， 孙建红， 李冰月， 张雪枫

(1.南京航空航天大学航空宇航学院 南京，210016) (2.沈阳飞机设计研究所 沈阳，110035)

引 言

随着我国航空航天技术的不断发展，通用航空得到了更多关注，飞机数量不断增加，但维护技术相对滞后，如何利用新技术保障飞行安全越来越被关注。另一方面，随着航空母舰的服役以及舰载机需求的增加，如何在远海状态下对飞机及时进行故障预测，并在出现故障时快速进行故障诊断，从而提高飞机的作战效率越来越被关注。飞机空调系统为飞机航电设备的正常工作以及飞行员的生命安全提供着重要保障，因此飞机空调系统的故障预测、诊断及排除显得至关重要。

近年来，国内外学者针对飞机环控系统故障进行了一定的研究。Price[1]对飞机环控系统结构原理进行了详细介绍，并运用模糊控制的方法对环控系统进行故障诊断研究。Laster等[2]运用专家系统的方法对飞机环控系统进行了故障诊断研究。危虹等[3]用故障模式、影响和危害性分析(failure mode, effects and criticality analysis，简称FMECA)和故障树分析(fault tree analysis，简称FTA)分析方法，针对飞机空调系统的设计过程，结合可靠性鉴定试验，提出了环控系统中非指数分布的产品的可靠性指标评价方法。赵俊茹[4]针对飞机空调系统的各主要部件进行了仿真研究和故障诊断，采用了参数估计、专家系统和基于观测器的故障诊断方法。何杰等[5]对飞机换热器故障进行了故障诊断仿真研究。贾宝惠等[6]采用故障树方法对某型飞机空调系统常见故障进行了分析。李冰月等[7]采用FMECA和故障数值仿真相结合的方法，对机载空调系统进行了FMECA分析和故障仿真。王辉等[8]利用民机空调系统故障的大量统计数据，采用时间序列算法对飞机空调系统故障进行预测，发现该方法对空调系统故障的短期预测良好，但不能精确到具体的故障位置。

对于飞机空调系统故障检测目前普遍存在的问题是故障检测率低和故障隔离效果差，缺少一种基于多信号流的分析办法。多信号流图的方法[9]是采用关联矩阵表现故障与信号之间的检测关系，对故障诊断有较好的检测和隔离性，被广泛应用在电子雷达和航空航天等领域。李登等[10]对某型舰载短波综合通信系统(high frequency integrated communication system，简称HFICS)进行了多信号建模和测试性分析，发现该方案提高了该型装备的测试性水平，同时对其他复杂电子装备的测试性设计具有一定的指导作用。胡泊等[11]采用多信号流软件TEAMS对某型柴油机系统进行了仿真测试，验证了该方法对复杂设备故障检测的可行性。秦文娟等[12]提出了一种基于TEAMS软件的空空导弹系统测试性建模方法，并将其应用于某型空空导弹伺服系统，验证了该方法的可行性和有效性。方甲永等[13]针对导弹系统电子设备系统故障诊断精度低和虚警高等问题，采用多信号流图模型获取贝叶斯网络，采用后验概率推理对某型导弹制导电子部件进行了故障诊断。文献[14]在FMECA分析的基础上，采用多信号流图方法对航天器的电力系统进行了故障检测。文献[15]面向新一代飞机机电系统的故障，指出了故障模型和分析方法等方面的需求，提出了多信号流软件TEAMS在EMAs故障预测与健康管理的应用。文献[16]采用多信号流图方法对猎户座飞行试验数据相关的故障进行了故障诊断，并针对航天的相关特性改进了其推理机。朱海鹏等[17]采用TEAMS软件对机载燃油测量系统进行了测试性设计，针对结果对系统进行了改进。李冰月[18]采用多信号流模型对民机中央维护系统中的故障问题进行诊断，发现该方法可以有效解决机载系统的关联故障。

已有关于飞机空调系统故障的研究大部分只进行了定性的分析，定量的分析较少，特别是机载空调系统和多信号流图方法相结合的研究十分有限。笔者在对飞机空调系统各元部件进行FMECA分析的基础上，采用多信号流图方法对某型机载空调系统进行了建模与分析，阐述了飞机空调系统多信号流图的建模分析方法，并对系统进行了故障分析。在此基础上对系统的故障检测率和故障隔离率对系统进行了改进，发现改进后系统的故障检测率和故障隔离率显著提高。

1 多信号流图方法

1.1 分层多信号流图模型

分层多信号流图模型是通过对系统每一部件的信息流向和测试点的测试信号进行分析判断，在系统模型的基础上确定故障和测试信号间的关联关系，从而实现故障诊断的一种故障诊断方法。模型主要包括以下元素：系统元件集C={c1,c2,…,cn}；系统与故障源相关的独立信号特征集S={s1,s2,…,sm}；系统的有限测试集T={t1,t2,…,tl}；系统的r维测试点集TP={tp1,tp2,…,tpr}；每个测点对应的测试集SP(tpi)；每个故障源对应的信号集SC(ci)；每个测试检测的信号集ST(ti)；系统多信号流图DG={C,TP,E}，其中有向图的边E为系统的信号流向。

1.2 故障关联矩阵

在多信号流图模型中，系统的故障与测试信号之间的关联关系可以表示为

(1)

式(1)为多信号流图的故障关联矩阵，是一个二值矩阵，每一行代表一个故障源，每一列代表一个测试。值为1代表故障能够被检测，值为0代表故障不能被检测。例如：dij=1，表示第i个测试能够检测到第j个故障源的故障；dij=0，表示第i个测试无法检测到第j个故障源的故障。故障关联矩阵通过遍历模型图的方式获得，即通过对分层多信号流模型的参数及所有节点之间的连接关系进行读取，并结合节点之间的信号关联关系生成相关关联矩阵。

2 飞机空调系统故障建模

某型飞机的空调系统如图1所示。根据系统结构可以将系统分为部件级故障和元件级故障。例如，单向活门、压力调节器、热交换器、水分离器、涡轮、温度调节器和流量调节器等故障属于部件级故障。每个部件故障又可以细分为多个元件级故障。例如，热交换器故障可以分为热边进口封头组件故障、热边出口封头组件故障、冷边进口封头组件故障、冷边出口封头组件故障、芯体组件故障和支架组件故障等元件级故障。某型飞机空调系统的分层结构如图2所示。

图1 某型飞机空调系统图Fig.1 Schematic diagram of simple air conditioning system in aircraft

根据多信号流图基本原理，某型飞机空调系统故障多信号流图模型的主要要素如下。

1) 系统故障源集C={c1,c2,…,c15}，其中，c1～c15分别为发动机引气单向活门01、发动机引气压力调节器、空气-空气热交换器、空气燃油热交换器、高压水分离器、大涡轮、小涡轮、低压水分离器、座舱供气单向活门02、座舱供气单向活门03、 电子舱供气单向活门04、 电子舱供气流量调节器、 小涡轮关断活门、涡轮出口温度流量调节器01、座舱供气温度流量调节器02。

图2 飞机空调系统分层结构Fig.2 The layered structure of aircraft air conditioning system

2) 系统与故障源相关的独立信号特征集S={s1,s2,…,s16}，其中，s1～s16分别为系统供气温度升高、系统供气温度降低、部件出口温度升高、温度不变无法调节、压力升高、压力降低、部件进出口压差减小、部件进出口压差增大、压力不变无法调节、压力振荡(系统不稳定)、流量增大、流量减小、流量损失(出口流量小于进口流量)、流量为0、回流(流量小于0)、含湿量增大。

3) 系统的16维有限测试集T={t1,t2,…,t16}，测试集的各测试内容及测试异常响应如表1所示。

4) 系统的11维测试点集TP={tp1,tp2,…,tp11}。

5) 每个测点对应的测试集SP(tpi)={SP1,SP2,…,SP11}。

6) 每个故障源对应的信号集SC(ci)= {sc1,sc2,…,sc15}。

7) 每个测试检测的信号集ST(ti)= {st1,st2,…,st16}。

根据上述多信号流要素、机载空调系统的工作原理及各元、部件之间的输入输出信号关系，建立如图3所示的多信号流图故障分析模型。系统中的各底层元件故障发生概率由FMEA分析得到。关断活门的FMEA分析数据如表2所示，其他各部件的FMEA分析数据参见文献[7]和文献[18]。

表1 飞机空调系统测试集Tab.1 The test set of aircraft air conditioning system

表2 关断活门FMEA表Tab.2 The FMEA data of shut-off valve component

图3 飞机空调系统多信号流仿真模型Fig.3 The multi-signal flow model of aircraft air conditioning system

3 飞机空调系统故障诊断分析

通过对飞机空调系统的分层多信号流模型进行仿真分析，得到各故障源与测点之间的检测与被检测关系，其关联矩阵如表3所示。表中值为1表示该故障能够被该测点检测，值为0表示该故障不能被该测点检测。如测点3可以检测到部件1和部件2的故障，而不能检测到其他部件的故障。通过表3可以发现，前面几个部件的故障可以很容易被检测，而对于编号靠后的部件的故障难以被检测到，因此可以通过在相关位置增加测点、改善故障-测试的关联性，从而提高飞机空调系统的故障诊断能力。同时，根据这种关联关系可以确定出某一检测异常时各故障源可能出现故障的情况。故障的优先级和诊断优先顺序可采用故障树的形式表示出来，如图4所示。当飞机空调系统座舱供气温度发生故障时，首先需检查测点5，即空气-燃油热交换器出口参数是否正常，如果正常再去检查测点7的参数，如果不正常则去检查测点4的参数。根据故障诊断树依次类推，直到找到故障源为止。选取故障检测率和故障隔离率两个关键指标对飞机空调系统故障进行分析。

故障检测率(fault detection rate，简称FDR)是指一定条件下，通过一定的检测手段正确检测的故障数与故障总数之比，其计算式为

(2)

故障隔离率(fault isolation rate，简称FIR)是指在一定条件下，通过一定的方法将检测到的故障正确隔离到不大于规定模糊度的故障数与检测到的故障数之比，其计算式可表示为

(3)

通过对某型机载空调系统的分层多信号流模型的故障分析可知，系统共有15个部件级的故障源，有175个底层元件级故障源。采用11个检测点进行检测，系统的平均失效时间约为180h， 故障检测率为91.4%，系统部件级的故障隔离率为85.5%，系统底层元件级故障源的故障隔离率仅为32.9%。各部件的故障检测率和故障隔离率如表4所示。

表3 飞机空调系统多信号流故障-测试关联矩阵Tab.3 The fault-test dependency matrix for multi-signal flow of air conditioning system

图4 飞机空调系统故障诊断树Fig.4 The fault diagnosis tree for aircraft air conditioning system

表4飞机空调系统多层故障模型各部件FDR/FIR表

Tab.4TheFDR/FIRofcomponentfaultmodelinaircraftairconditioningsystem

序号系统部件故障检测率故障隔离率1单向活门011．0001．0002压力调节器0．1780．1653热交换器G⁃G0．6080．4454热交换器G⁃L0．6070．4445高压除水器9．16×10-60．0006大涡轮010．9990．0007小涡轮020．9990．0008低压除水器9．16×10-60．0799单向活门021．0000．00010单向活门031．0000．00011单向活门040．0730．95212流量调节器031．0000．00013关断活门0．4080．65614温度流量调节器010．9980．99915温度流量调节器020．9980．998

通过表4发现，压力调节器、高压除水器、低压除水器和单向活门04等部件的故障检测率较低。同时，对于压力调节器、高压除水器、大小涡轮、单向活门02、单向活门03和流量调节器03等部件的故障隔离率较低，特别是大小涡轮等部件的故障隔离率为0，因此在故障诊断中难以对其进行故障隔离。为了改善飞机空调系统的故障检测率和故障隔离率，需要增加一定的测点来改善系统的故障诊断效率。考虑到增加测点的经济性与测量的实效性，这里仅对几个关键部件进行改进。在飞机空调系统中，涡轮的故障率是最高的。研究表明，涡轮的故障率约占整个系统的61.8%[7]。因此，首先对系统中的大小涡轮增加温度测点， 再结合表2的故障检测和故障隔离结果，对压力调节器、高压除水器和流量调节器03等部件增加5个检测点。改进后的多信号流故障分析系统的故障检测率从91.4%提高到100%，系统底层故障源的故障隔离率从32.9%提高到83.9%，大大提高了系统的故障检测维修效率。

4 结束语

笔者在对某型飞机空调系统各部件进行FMEA分析的基础上，采用分层多信号流图方法对飞机空调系统进行了故障诊断与分析。通过研究给出了系统各故障源与检测点之间的关联矩阵，得出了空调系统的故障诊断树，为飞机空调系统故障诊断与故障维修提供了一定的基础。同时，研究发现该方法能够对飞机空调系统的各故障进行诊断和隔离，其系统的故障检测率为91.4%，故障隔离率为32.9%。另外，通过增加涡轮、除水器等部件的检测点的方法，对飞机空调系统分层多信号流故障模型进行改进，改进后的系统可以使飞机空调系统的故障检测率提高到100%，故障隔离率提高到83.9%，大大提高了系统的故障诊断和维修效率。

[1] Price D. Thermal management of military fighter aircraft electro-optics pod: an invited paper[C]∥Semiconductor Thermal Measurement & Management Symposium. [S.l.]:IEEE,2003: 341-350.

[2] Laster J P,Maxwell M J,Garner J E.Proven dynamic modeling techniques for concurrent design and analysis of ECS controllers [J].SAE Transactions,1990,99(1):520-536.

[3] 危虹, 王浚. 飞机环控系统可靠性设计与评价[J]. 航空学报, 1998(2): 224-227.

Wei Hong, Wang Jun. Aircraft ECS reliability design and evalution[J]. Acta Aeronautica et Astronautica Sinica, 1998(2): 224-227. (in Chinese)

[4] 赵俊茹. 飞机环境控制系统的故障诊断研究[D]. 西安：西北工业大学, 2005.

[5] 何杰, 朱磊, 赵竞全. 飞机换热器故障诊断仿真研究[J]. 计算机仿真, 2012(7): 65-69.

He Jie, Zhu Lei, Zhao Jingquan. Research on simulation of fault diagnosis of aircraft heat exchangers[J]. Comouter Simulation, 2012(7):65-69. (in Chinese)

[6] 贾宝惠, 高蕾, 杜宜东. 基于FTA的飞机空调系统安全性分析[J]. 航空维修与工程, 2010(3): 74-76.

Jia Baohui, Gao Lei, Du Yidong. Air conditioning system safety analysis of aircraft based on FTA[J]. Aviation Maintenance & Engineering, 2010(3): 74-76. (in Chinese)

[7] 李冰月, 孙建红, 刘海港, 等. 基于FMEA的飞机空调系统故障诊断与仿真[J]. 振动、测试与诊断, 2017, 37(3): 588-595.

Li Bingyue, Sun Jianghong, Liu Haigang, et al. Fault diagnosis and simulation of aircraft air conditioning system based on FMEA[J]. Journal of Vibration, Measurement & Diagnosis, 2017, 37(3): 588-595. (in Chinese)

[8] 王辉, 齐亚东. 飞机空调系统频发故障模型构建及预测[J]. 航空维修与工程, 2017(3):39-43.

Wang Hui, Qi Yadong. ModeIing and forecasting frequent fauIt of aircraft air conditioning system[J]. Aviation Maintenance & Engineering, 2017(3): 39-43. (in Chinese)

[9] Deb S, Pattipati K R, Raghavan V, et al. Multi-signal flow graphs: a novel approach for system testability analysis and fault diagnosis[J]. IEEE Aerospace and Electronic Systems Magazine, 1994, 10(5):14-25.

[10] 李登, 尹亚兰, 万福, 等. 基于TEAMS的短波综合通信系统多信号建模与分析[J]. 电子测量技术, 2013, 36(11): 124-127.

Li Deng, Yin Yalan, Wan Fu, et al. Multi-sigal modeling and analysis of HFICS based on TEAMS[J]. Electronic Measurement Technology, 2013, 36(11): 124-127. (in Chinese)

[11] 胡泊, 常少莉. 基于TEAMS的测试性仿真技术与应用研究[J]. 计算机测量与控制, 2013, 21(6): 1434-1436.

Hu Bo, Chang Shaoli. Research of testability simulation technology and application based on TEAMS[J]. Computer Measurement & Control, 2013, 21(6):1434-1436. (in Chinese)

[12] 秦文娟, 王魁. 基于TEAMS软件的空空导弹测试性建模方法[J]. 弹箭与制导学报, 2011, 31(5):44-46.

Qin Wenjuan, Wang Kui. The research on testability modeling method of air-to-air missile based on TEAMS[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2011, 31(5): 44-46. (in Chinese)

[13] 方甲永, 肖明清, 王学奇, 等. 测试不可靠条件下多故障诊断方法[J]. 北京航空航天大学学报, 2011, 37(4): 433-438.

Fang Jiayong, Xiao Mingqing, Wang Xueqi, et al. Multiple fault diagnosis method with unreliable test[J]. Journal of Beijing University of Aeronautics and Astronautics, 2011, 37(4): 433-438. (in Chinese)

[14] Dai Zehua, Wang Li, Yang Shanshui, et al. Multi-signal model in application of spacecraft power system testability[C]∥AIAA Aviation Forum. Washington, D C: AIAA, 2016: 4138-4144.

[15] Azam M,Ghoshal S,Bell J,et al. Prognostics and health management (PHM) of electromechanical actuation (EMA) systems for next-generation aircraft[C]∥Guidance, Navigation, and Control and Co-located Conferences. Boston： AIAA, 2013：5138-5151.

[16] Aaseng G B, Barszcz E, Valdez H, et al. Scaling up model-based diagnostic and fault effects reasoning for spacecraft[C]∥American Institute of Aeronautics and Astronautics, Space Forum. Pasadena, California：AIAA, 2015: 4465-4485.

[17] 朱海鹏, 景博, 杨洲, 等. 基于TEAMS的机载燃油测量系统测试性设计[J]. 电子测量技术, 2012, 35(7): 12-16.

Zhu Haipeng, Jing Bo, Yang Zhou, et al. Airborne fuel measuring system testability analysis based on TEAMS[J]. Electronic Measurement Technology, 2012, 35(7): 12-16. (in Chinese)

[18] 李冰月. 基于FMECA和FTA的机载制冷系统故障分析[D]. 南京：南京航空航天大学，2016.