基于故障彩色图谱的航空发动机故障模式识别

杜党党，贾晓亮，王 卓

(1.解放军95519部队，贵州 遵义 563127；2.西北工业大学 机电学院，陕西 西安 710072；3.西安航空学院 飞行器学院，陕西 西安 710077)

0 引言

航空发动机运行数据中蕴含着丰富的健康信息和细节，从不同的角度和层面协同反映了发动机的健康状态[1]。一旦发动机发生故障，其运行数据必然会发生相应的变化，偏离预先设定的取值范围[2-3]。因此，通过监测、分析航空发动机运行数据，挖掘其中隐含的异常成分，已经成为当前发动机故障模式识别的重要方式之一。

然而，由于航空发动机运行数据通常具有时序性、海量性、非线性等特点，状态参数之间往往存在强耦合性、非等效性、多源异构性等复杂的对应关系，在值域、频域、空间相位分布以及量纲等特征上存在明显的差别，故障数据难免具有奇异性和瞬变性等状态[4-6]。因此，直接通过监测数据识别发动机故障模式存在一定的难度[7]。

随着计算机信息理论与机器视觉理论的发展，可视化图像诊断方法开始成为当前研究的热点之一。与其他数据、声音信号等信息相比，图像信息含义丰富、直观形象、可解释性好，具有明显的研究潜力和应用前景[8]。李加庆等[9]和Lu等[10]提出一种声全息图方法，通过比对正常状况与异常状况的灰度图像，实现了机械设备非接触式的故障模式识别，然而该方法使用的声阵列信号采集系统，很难在航空发动机的工作环境中布设。杜党党等[11-12]采用动态标准彩色图谱和预测彩色图谱方法，能够快速、直观地监测发动机运行数据中隐含的异常成分，但难以进一步快速、精准识别出异常成分对应的故障模式，且识别的自动化程度较低。孙锴等[13]将流程工业数据划分为正常和异常两种空间状态，生成黑白二维故障图谱，借助于图像处理技术，对流程工业海量数据集背景下的故障模式进行了快速识别。然而航空发动机维护工程实践表明，故障的发生通常是一个相对的、渐进演化甚至突变的过程，一旦发动机监测数据接近原始设备制造商(Original Equipment Manufacturer, OEM)设定的取值范围限度，发动机工作状态很可能将出现异常(故障)[8,14]。可见，单纯地将发动机监测数据划分为正常和异常两种互斥的空间状态，而不考虑参数变化的临界空间范围会给航空发动机故障模式识别带来较大的误差。

针对发动机状态监控中异常成分对应的故障模式难以从系统层面快速精准识别的问题，本文在充分考虑航空发动机监测数据和故障发生模式特点的基础上，将发动机监测数据细化分类并映射至相应的阈值空间，进而生成故障彩色图谱;分析了彩色图谱特征的提取方法，通过计算待检测故障彩色图谱与标准故障彩色图谱库中各个元素之间的相似度，输出故障类型，从系统层面提升了航空发动机故障模式识别的速度和准确度。

1 故障彩色图谱知识准备

航空发动机产品在设计之初，OEM厂商会给出状态监测参数的取值范围。如果系统的状态监测参数始终与设定的取值范围限值保持一定的空间距离，则认为发动机工作状态良好。一旦发动机监测参数接近设定的取值范围限值，发动机工作状态将出现异常，这种情况在某种程度上可以视为一种准故障告警，需要工程师加大监控力度，以防止监测数据因累积效应引起超标或者快速恶化导致故障突然发生[8]。监测参数超出取值范围限值通常意味着发动机工作状态出现异常，因此在进行故障模式识别之前，应划定状态监测参数的阈值空间范围。

1.1 相关矩阵的定义

定义1周期性能矩阵。设反映发动机健康状态的监测参数有n个，每经过一个采样间隔τ对各个参数进行一次采样，一个监测周期可以收集l组数据，构成一个l×n维矩阵X。这个基于时间和空间分布的、能够系统地反映发动机在监测周期内健康状态的矩阵，称为周期性能矩阵，记为

(1)

式中xij表示参数j在第i时刻的数值。显然，矩阵X中第i行向量[xi1,xi2,…,xin]表示时刻i所有参数基于空间序列的分布，第j列向量[x1j,x2j,…,xlj]T表示参数j基于时间序列的分布。

定义2极限阈值矩阵。发动机运行状态正常时，所有监测参数的取值均应在规定的上下限值范围内，一旦监测参数数值超出对应的上下限值的范围，发动机的运行状态将出现异常(故障)。由发动机所有监测参数取值上限和下限联合构建的矩阵，称为极限阈值矩阵，记为

(2)

(3)

1.2 阈值空间的划分

定义4安全阈值空间Sps。对于三维拓扑空间Sps中的任意元素zij，如果均满足zjdc

Sps={zij|zjdc

j=1,2,…,n}。

(4)

安全阈值空间表示系统在良好(稳定)状态运行时，所有监测参数所在的三维欧氏空间范围。

定义5临界阈值空间Spc。如果三维拓扑空间Spc中的任意元素zij均满足zjmin≤zij≤zjdc或者zjuc≤zij≤zjmax，而不在该空间的元素都不满足zjmin≤zij≤zjdc或者zjuc≤zij≤zjmax，则称该空间为临界阈值空间，记为

Spc={zij|zjmin≤zij≤zjdc,zjuc≤zij≤zjmax,

i=1,2,…,m;j=1,2,…,n}。

(5)

由上临界阈值曲面和上极限阈值曲面构成的封闭空间，以及由下临界阈值曲面和下极限阈值曲面构成的封闭空间，共同构建了临界阈值空间。临界阈值空间表示系统在临界状态运行时，相关监测参数所在的三维欧氏空间范围。

定义6超限阈值空间Spd。如果三维拓扑空间Spd中的任意元素zij均满足zijzjmax，而不在该空间的元素都不满足zijzjmax，则称该空间为超限阈值空间，记为

Spd={zij|zijzjmax,i=1,2,…,m;

j=1,2,…,n}。

(6)

超限阈值空间表示系统在异常状态运行时，相关监测参数所在的三维欧氏空间范围。

由定义1～定义6可知，当系统各个监测数据均在安全阈值空间运行时，系统工作状态良好(无故障)；当系统有监测数据运行在超限阈值空间时，系统工作状态将发生异常(故障)；当系统有监测数据处于临界阈值空间且没有任何数据在超限阈值空间运行时，系统工作状态将会恶化(准故障)。可见，系统监测数据所在的阈值空间决定着系统的健康水平，其在时间域发生的先后次序和各阈值空间域的分布状况反映了系统的故障模式。

1.3 故障彩色图谱的构建

在确定故障模式时，应当采用就高不就低的原则。即在一个监测周期内，如果所有监测数据均运行在安全阈值空间，则认为发动机健康状态良好，没有故障发生;如果至少有一个监测数据运行在临界阈值空间，而没有数据运行在超限阈值空间时，则认为发动机处于准故障状态;一旦有监测参数运行在超限阈值空间，则认为发动机处于故障状态。

定义7故障模式矩阵。将周期性能矩阵中的各数据元素按照定义1～定义6依次映射至不同的阈值空间，根据阈值空间的分布状况进行赋值，重新定义原矩阵中各数据元素。新定义的矩阵，能够反映发动机的故障(健康)程度，称为故障模式矩阵，表示为

(7)

定义8故障彩色图谱。将故障模式矩阵中所有数据元素按照预先设定的颜色编码规则依次着色，并经计算机图像处理后生成能够表征系统故障类别和故障程度的数字化二维平面彩色图谱，称为故障彩色图谱。

在图1所示的故障彩色图谱中，仅部分区域出现黄色像素，其余区域均为绿色，表明系统在该监测周期内处于准故障状态。在图2所示的故障彩色图谱中，黄色区域表示其对应的多个监测参数持续运行在临界阈值空间，而多个红色区域呈现连续分布的情形，说明红色区域对应的多个监测数据运行在超限阈值空间，根据故障程度就高不就低的原则，可以判定系统在该监测周期内处于故障状态。

故障彩色图谱上不同颜色像素及其分布区域描述了系统在监测周期内对应的状态信息的时空分布规律及其特征。如果将系统使用过程中，曾经发生的一些典型性、多发性、危险性故障监测数据生成的彩色图谱作为标准故障彩色图谱模板，运用图像处理技术将待检测故障彩色图谱与其进行比对，就能够快速、精准地识别系统故障模式，再结合系统其他信息，则可进一步锁定故障可能发生的时机、设备及其部位。

2 基于故障彩色图谱的航空发动机故障模式识别方法

2.1 故障彩色图谱的特征提取

通过对同一型号的发动机不同类型故障彩色图谱进行对比分析可以发现，不同类型故障对应的彩色图谱之间存在较大的差异；而同一类型故障对应的故障彩色图谱尽管也存在一些差异，但是它们之间的差别相对较小。这说明航空发动机工作过程中，不同的监测周期内系统各构成要素不可避免地存在一些波动，使各个监测数据的幅值发生了相应的变化。这样，生成的故障彩色图谱中，对应区域的像素颜色必然发生相应的改变，因此不能以任意一帧彩色图谱特例作为标准进行故障模式的识别，同时也说明了故障彩色图谱能够敏锐、精细地捕捉到发动机工作状态的细微变化。可知，要建立标准故障彩色图谱，应针对同一型号发动机的同一类型故障，提取对应的多个故障彩色图谱之间的共性特征。

(8)

2.2 标准故障彩色图谱库的构建

建立图谱库通常有两种基本方式：①将图谱直接保存到图谱库中;②只保存图谱的特征描述代码。第①种方式的过程比较简单，但随着故障类型的增加，图谱库中各成员占用的存储空间和系统维护成本将会增加，因此这里选用第②种方式构建标准故障彩色图谱库。因为所有故障彩色图谱规格具有一致性，且红黄两种颜色及其分布区域代表了故障的程度和分布规律，所以在构建图谱特征描述代码数据库的过程中，只需要在标准故障图谱中，分别记录保存红色和黄色区域对应的赋值及其分布位置，即可在大幅压缩标准图谱库规模的同时减轻图谱检索算法的运算量，提高故障模式识别的效率。

图谱的特征描述代码表示为

Dk=∑∑{Rd，(i,j)}∪{Yd，(i,j)};

i=1,2,…,m,j=1,2,…,n。

(9)

式中:Dk表示图谱特征描述代码的唯一编号;Rd，(i,j)表示红色像素的赋值及其所占区域的坐标位置;Yd，(i,j)表示黄色像素的赋值及其所占区域的坐标位置。

2.3 故障彩色图谱的评价指标

采用数字图像处理技术中的图像相关性算法，将待检测的故障彩色图谱与标准故障彩色图谱进行比对，求取它们之间色彩灰度值的相关系数或欧氏距离。如果计算得到的相关系数或欧氏距离满足预先设定的判别阈值，则输出被匹配的标准故障彩色图谱编号，从而确定出待检测的故障彩色图谱对应的故障模式。

定义9图谱相关系数

Rk=

(10)

定义10图谱欧氏距离

(11)

2.4 故障模式识别算法

由上述分析可知，基于故障彩色图谱的发动机故障模式识别算法具体步骤如下：

步骤1按照采样周期截取待检测的发动机监测数据。

步骤2对截取的原始数据进行异常值检验，并对异常值进行置换处理，构建发动机周期性能矩阵。

步骤3根据周期性能矩阵，生成对应的故障彩色图谱CP。

图谱化故障模式识别算法的流程如图3所示。

3 应用实例

随机选取某型航空发动机39组异常监测数据作为测试样本(数据由机载飞行参数记录器提供，参与验证的参数共计62个，主要由发动机性能参数、控制参数、环境参数等组成)，采用彩色图谱方法进行故障模式识别(部分参数与图谱色带编号之间的对应关系如表1所示，图谱中横轴表示监测参数色带的编号，纵轴表示监测参数的时间排序)。在构造故障彩色图谱之前，对监测数据进行异常值降噪和置换处理，消除了数据噪声对诊断结果可能带来的不利影响。综合考虑该型发动机技术说明书、维修大纲、讲义、实验计算、维修工程师的经验估值等因素，设置临界阈值矩阵的λ1=0.92，λ2=0.92。经过对该型发动机多个监测数据样本进行测试计算，发现经过12次平均，标准故障彩色图谱的波动性基本消除，而对待诊断故障彩色图谱而言，平均次数达到5次就能满足诊断快速性和准确性之间的平衡。

表1 部分参数与图谱色带编号之间的对应关系

根据定义1～定义8，将测试样本数据映射至不同的阈值空间，进而构造出标准故障彩色图谱库和待检测故障样本图谱。其中，标准故障彩色图谱库中，各成员总数目为29个，待检测故障样本图谱为39个。限于篇幅，仅列出样本图谱1和样本图谱2及其对应的标准图谱。样本图谱1和2分别如图4a和图5a所示，其各自对应的标准故障彩色图谱分别如图4b和图5b所示。图4对应的故障类型为发动机燃油压力不稳定，图5对应的故障类型为发动机滑油消耗量过大。从图中可以看出，两种不同类型的故障彩色图谱之间差异比较明显，其像素颜色、纹理在时间和空间上的分布呈现不同的规律和特征，而同一故障类型之间、待检测故障彩色图谱与标准故障彩色图谱之间的差异明显小得多，主要表现在它们之间像素的颜色在时序和空间区域的分布相对一致，纹理等基本特征相近，仅在局部区域存在细微的差别，说明所构造的标准故障彩色图谱能够较好地反映待检测故障彩色图谱的特征。

按照2.4节所示的模式识别算法流程，利用式(10)和式(11)分别计算39组测试样本中，各测试样本图谱与全部标准故障彩色图谱之间的相关系数和欧氏距离，并将计算结果和诊断结论依次记入表2和表3。

由表2可知，每一帧特定的样本图谱与其对应的标准图谱之间的相关系数明显偏大，与其他标准图谱之间的相关系数相对较小，例如测试样本图谱1与标准图谱1之间的相关系数为0.951，与其余28帧标准故障彩色图谱之间相关系数的最大值为0.282，最小值为0.142，平均值为0.179。表3表明，每一帧特定的样本图谱与其对应的标准图谱之间的欧氏距离，明显小于与其他标准图谱之间的欧氏距离，例如样本图谱1与标准图谱1之间的欧氏距离为10.13，与其余28帧标准故障彩色图谱之间的欧氏距离的最小值为50.60，最大值为62.76，平均欧氏距离为54.25。因此，可以根据计算结果得出较为满意的故障诊断结论。

表2 测试样本图谱与标准图谱之间的相关系数

样本图谱R1R2R3…R29诊断结论10.9510.1420.1840.203燃油压力不稳定20.1040.9730.1560.127滑油消耗量过大30.1410.1960.9580.154转速不均衡40.1300.1870.2120.128转速和排气温度摆动50.1250.1690.1150.236推力小、排气温度高60.1160.1770.1930.228排油活门故障70.9050.1360.2140.220燃油压力不稳定80.1620.9170.1540.193滑油消耗量过大…390.1390.1630.1810.235滑油散热风门卡滞

注：R1～R29表示各测试样本图谱(样本图谱1～样本图谱39)与已构造的标准图谱(标准图谱1～标准图谱29)之间的相关系数。

表3 测试样本图谱与标准图谱之间的欧氏距离

注：D1～D29表示各测试样本图谱(样本图谱1～样本图谱39)与已构造的标准图谱(标准图谱1～标准图谱29)之间的欧氏距离。

从表2和表3还可以看出，同一故障类型的不同测试样本图谱(如测试样本图谱1和7、2和8等)，与其对应的标准图谱之间的相关系数和欧氏距离存在一定的差异(这些差异相对于其他标准图谱而言，通常要小很多)，说明在性能周期循环中，发动机运行状态不可避免地存在波动效应，即使采用平均方法来减小波动效应带来的影响，也难以从根本上消除这一问题。然而，当测试样本图谱的平均次数达到5次左右时，波动性带来的影响将会明显减少，之后继续增加平均次数，识别的正确率并没有得到明显提升。为保证标准图谱的稳定可靠，使其具有较好的代表性，构造时尽可能地按照多样性原则选取基础样本，之后对基础样本采用了12次平均，才作为标准图谱参与诊断测试。测试结果表明，该特定次数能够满足该型航空发动机故障模式识别的实际需要。

值得注意的是，图4和图5显示，不只是燃油参数或滑油参数对应的图谱色带显示发动机出现异常状态，另外一部分监测参数对应的图谱色带(如图4中的色带35等)同样也显示发动机出现异常或者处于临界(准故障)状态，而且它们在时间分布上有前有后，在空间分布上稍显杂乱，甚至没有明显的规律性。说明由于诸多子系统、设备单元之间的相互影响，发动机整体层面上原先固有的、复杂的协调性机制受到了不同程度的破坏。这些多个因素交互耦合、累积叠加效应，通过故障征兆的方式表现出来，只不过由于某些征兆不够明显，没有引起人们足够的注意或者因其他原因尚未观测到，而故障彩色图谱却以其独特的方式，尽可能多地将监测数据背后隐藏的故障时空分布信息，真实细腻地展示出来。由此可见，借助于故障彩色图谱方法，就有可能从系统层面对多个监测参数数据加以分析，消除参数之间耦合性、非等效性等因素带来的影响，进一步细化故障原因和征兆之间的映射关系，从侧面说明本文提出的图谱方法在耦合类故障的模式识别方面具有一定的应用前景。

对上述39个测试样本的诊断结果进行统计，除了样本图谱9，10，39的测试样本识别错误外，其余诊断结果均正确。本次测试中，共有33个样本识别正确，6个样本识别错误，识别正确率达到84.62%，非样本拒绝率为100%，单个样本图谱的平均识别时间为6.3 s。对同样的上述测试样本采用文献[13]提出的黑白图谱方法进行故障识别(该方法在构建故障图谱时，没有考虑处于临界阈值空间的监测数据对诊断结果的影响)，有31个样本识别正确，8个样本识别错误，识别正确率为79.49%(文献[13]列举的实例中，识别正确率为76.98)，非样本拒绝率为100%，单个样本图谱的平均识别时间为5.1 s。相比之下，除了在识别时间消耗方面文献[13]稍显优势外，本文所提方法的识别正确率提高了6.45%，这说明如果能够考虑处于临界阈值空间的监测数据的影响，故障识别的正确率可以得到一定程度的提高。两种方法的识别效果对比如表4所示。

表4 文献[13]方法与本文方法识别效果对比

上述实例表明，基于故障彩色图谱的故障模式识别方法，能够直观、快速地识别航空复杂故障模式，确认故障发生时机和部位，并不需要对故障成因的复杂机理有深刻的认识和丰富的专业知识，有效减轻了监控工程师的劳动强度，同时提升了工作效率，具有一定的可行性和实用性。

4 结束语

本文提出一种基于故障彩色图谱的航空发动机故障模式识别方法。该方法将发动机监测数据映射至不同的阈值空间并加以着色，进而生成故障彩色图谱，消除了监测数据的海量性、非典型性、非等效性和高耦合性对故障模式识别带来的不利影响。采用数字图像处理技术，通过将待检测故障彩色图谱与标准故障彩色图谱库中的元素进行匹配计算，搜索相似度最接近的故障图谱类型，从而识别出待检测故障彩色图谱对应的故障模式，提升了航空发动机故障模式识别的准确率及自动化水平。本文临界阈值调整系数的选取主要通过实验中的经验估值等因素确定，有一定的不确定性，且采用的图谱特征提取方法比较单一，无法从根本上消除发动机运行状态中存在的波动效应，需要在下一步研究中加以改进。