航空燃气涡轮风扇发动机故障识别诊断方法研究

■ 刘义平/中国民用航空飞行学院

1 背景介绍

随着航空器维修制度的变革，以状态监控为基础的预防维修制度激发了航空发动机的故障预测研究热潮。由于众多方法在一个或多个发动机状态预测的应用中呈现出极大的多样性与适用性，为了捋顺故障与预测研究方法的适配关系，从而推陈出新，更好地把握航空发动机故障预测研究的方向，本文就现有航空燃气涡轮发动机故障诊断方法的利与弊进行简析，为初涉航空发动机故障预测的研究者提供参考。

2 研究方法简介与评价

2.1 AP聚类改进免疫算法

文献[1]依据发动机磨损故障时使磨损率增加、磨粒质量浓度发生异常变化，对比由生物体免疫系统发展起来的免疫算法所具有的学习、记忆特点，提出通过AP聚类算法得到聚类中心作为训练样本，并以每个聚类中心数据中的类内最大距离、类内最小距离、类内平均距离、类内数据集作为确定免疫算法训练检测器选择阈值的依据。利用熵权法确定权值，并引入混沌理论对克隆算法进行优化，实现改进免疫算子策略。

1）AP聚类算法

通过AP聚类分析使杂乱无章的数据变得有规律可循，通过聚类算法的无固定周期的多次迭代，将原始数据处理成可以呈现出数据中心的数据类，作为处理数据使用。AP聚类算法在处理原始数据时，用代表度和相似度分别表示数据的代表性和有效性，最后确定代表度矩阵和相似度矩阵的更新规则。

2）基于熵权法的权值计算

在得到的每个数据中心类中选取类内最大距离、类内最小距离、类内平均距离、类内数据集4个指标作为免疫克隆算法的训练样本。包括：4个指标的归一化处理、计算第i个聚类中心的第j个指标的比重、计算第i个聚类中心的第j个指标的权值、计算信息熵等。

3）基于混沌理论的免疫克隆算法

首先通过混沌理论初始化检测器，使其在一类内进行无固定周期的迭代，得到抗体的初始种群。再计算种群中抗体适应度的距离度量方式，改进了传统的欧式亲和力距离。第三步，筛选出满足亲和力选择阈值要求的抗体，并入混沌变异高维度种群，其中包括混沌正变异、混沌负变异、混沌混合变异三种形式。最后，选择最优的前Spop个抗体存入种群，并根据限制条件判断是否停止搜索。在以实例验证混沌免疫算法的搜索性能后，对航空发动机磨损故障进行验证。

AP聚类改进免疫算法用于航空发动机故障诊断，限制容量的免疫算法在诊断准确率上稍逊于免疫传统算法，但数据量和计算复杂度大大降低，缩短了计算时间，更有利于工程计算，与支持向量机、免疫算法优化支持向量机故障诊断相比都有所提升。

2.2 基于自适应神经网络的方法

航空燃气涡轮发动机在使用过程中主要有性能故障、结构强度故障、附件系统故障，文献[2]主要以占比较大的气路性能故障为研究对象，以BP（反向传播）神经网络故障诊断作为基础研究理论，以发动机使用过程中健康参数蜕化作为训练样本和检测样本，通过相关性方法优化神经网络的输入、输出参数等进行神经网络的优化研究。

基于Pearson相关系数的相关分析算法及其验证中，相关性分析使得输入、输出参量之间的关系变得可以度量，通过相关性分析可以选取相关性较大的几项作为输入与输出参数，进一步提高了诊断的准确程度，同时也有利于神经网络在训练时快速下降得到准确的结果。

针对前馈型神经网络存在的梯度下降不能过快、收敛速度受限、学习速率难以选择等问题，文献[2]提出了以BP神经网络为基础的一种自适应神经网络，通过调整反向传播的权值公式求得关于阈值和权值的函数；通过引入比例因子调整学习速率的大小，使得在初始时刻快速下降，在接近目标值时缓慢接近，从而避免接近目标值时出现大范围跳动。同时，为了避免“过调”而引入门限值，增加一个“动量因子”的调整，进而避免网络可能陷入浅的局部极小值。

根据一般发动机非线性部件级模型产生的发动机各种故障情况，得到相应的健康参数蜕化的工况数据样本，对比常规前馈型神经网络的训练及检测结果，显示出自适应神经网络（经优化输入输出参数、优化权值）具有负梯度下降快、下降稳定、精准度高等优点，在大幅减少训练样本的情况下依然保持了高的准确度，因而在航空发动机维修工程中有了实际应用的可能。这种算法准确估计了发动机部件的蜕化情况，通过融合比例因子和动量因子，改善了网络的学习速率，提高了神经网络置信度。

2.3 应用深度核极限学习机的方法

文献[3]在对航空发动机部件故障研究之后发现，发动机是复杂的非线性系统，各部件按照压力、流量和功率匹配原理共同工作，气动热力参数的变化与部件性能变化之间关系复杂，难以准确快速地分类识别，尤其是对基于单一故障耦合而成的二因、三因故障更加难于识别。

文献[3]对比深度神经网络、支持向量机、反向传播神经网络、径向基神经网络以及随机赋输入权值的浅层神经网络极限学习机在模式识别中的相关性能及特点，提出了利用核函数计算代替高维空间的内积运算，将特征映射到更高维空间进行决策，再将多个极限学习机自编码器（ELM auto-encoder，ELM AE）叠加形成深度核极限学习机网络结构。

深度核极限学习机利用ELM自编码器对输入数据进行逐层抽取得到更为有效的特征，有利于区分容易混淆的类型，提高分类精度。通过对所建立的模型算法在通用数据分析上进行验证，基于核方法的深度核极限学习机相比其他算法取得了最高的测试精度，具有较好的分类和泛化性能。

采用交叉验证的方法对正则化参数和核参数的敏感性进行了研究，研究发现正则化参数和核参数两者耦合相互交织、相互影响，并且存在多种组合，可以根据不同的实际需要选择最优组合。算法的核函数参数γ与正则化参数C对算法性能有很大影响，存在最优组合，需要根据具体的应用进行验证确定。

通过等熵效率退化来表征发动机气路部件的故障，使得原始数据有了较高的准确性，应用叠加单层学习机采用批处理“一步”训练方式的特点，克服了整体处理时的学习精度不足问题，并微调网络权值，使处理速度进一步优化。引入核方法所具有的强大的非线性映射能力来代替高维空间的内积运算，以此克服数据源维数灾难，且对于提高分类诊断精度和泛化性能十分有效。最后将两种技术有机整合，使其表现出相当高的精确度，当神经网络层数为3层时最优，不过训练时间稍高于普通的极限学习机。

2.4 基于集成神经网络的研究

集成神经网络研究的是单一信息源在固定模式下诊断结果准确率不高的问题。其依据航空发动机机械故障的特性及其故障诊断模式，将经过数据处理模块处理的原始数据由数据分配单元下发到各个诊断子网络，然后将各子网络的诊断结果通过模糊决策方式融合，以权值影响的方式最终判定故障失效原因。

1）数据处理模块：启动滤波环节，通过滤波达到去除数据噪声的目的，从而自动将必要的数据准备提供给子系统。

2）特征信息分配单元：执行向各诊断子网络分配特征信息的任务。

3）建立诊断子网络：

a.基于网络分配到多个参数的特征信息，确定诊断参数对某一故障模式的诊断置信度。

b.确定特征输入向量。将诊断参数的特征向量连接起来，形成新的特征输入向量。

4）故障融合与决策：根据对各诊断子网络的诊断结论，依据融合处理原理得到诊断结果。决策融合的本质是为了减小系统输出的不确定性，提高系统诊断结果的可靠性。

文献[4]的创新之处在于：以基于网络结构的数值计算替代了原来的基于符号规则的推理；知识库的形成是由神经网络的学习、训练来完成的一种综合模糊诊断模式；特征数据倾向性分配给子网络，由子网络分布诊断，再由子网络对诊断结果进行模糊决策。缺陷在于：所用的神经网络层数太少，影响诊断精确度；选用的神经网络是最原始的，没有使用深度优化算法，如果选用反馈神经网络，训练精度会更高；诊断结果融合过于简单，应仔细考虑发动机的内在联系。

2.5 大数据挖掘分析的应用

文献[5]在对航空发动机的故障诊断模式研究之后发现，一味地改进算法来提高故障诊断精度具有一定的局限性，会遭遇“天花板效应”，将大数据挖掘技术应用于航空发动机状态监控和故障分析诊断，将大幅提高航空发动机的预测精准度。文献[5]从大数据挖掘这一新技术出发，建立了航空发动机故障诊断中的大数据模型构架，提出了发动机大数据关联规则挖掘方法、状态量关联度分析、加权分析以及具体实施时应注意的问题。

1）根据发动机故障诊断需要数据采集的特点，首先分析了发动机多状态、多元、多维度数据的来源，以发动机的结构设计参数为参考，获得传统的直接测量参数；根据设计制造数据，确定使用特性；使用历史排故数据，根据维修情况获得维修相关数据。

2）根据支持度和可信度建立四大数据库：发动机初始数据库、发动机运行数据库、发动机维修数据库（包括航线使用维护数据、车间修理数据、维修人力资源数据）及其他数据库，依据数据库之间的关联性进行大数据挖掘。

3）建立大数据挖掘架构

a.依据Hadoop分布式文件系统的HDFS，利用Map Reduce平台，通过Hadoop的映射、归约、分类功能转化发动机的全部新数据，完成分析系统期望的特征并进行表征。大致流程可以表示为：发动机数据源，数据深度发掘（正常状态参数、实际状态参数），数据分类（正常、故障、缺陷、失效），维修决策。

b.建立航空发动机大数据挖掘方法。对发动机全状态量数据进行关联性深度挖掘，分别得到发动机正常运行模式所对应的参数指标和发动机故障缺陷时所对应的参数。

c.分析四个数据库之间的支持度和置信度，并设立置信度阈值。在给定最小阈值时，确定异常模式对应的所有参数，包括不同模式下多参数的组合、各参数的提取和合并、参数权重的细分。

d.通过协方差矩阵分析状态量之间的关联度并表征；通过发动机各工作状态改变异常量确定状态变动关联度。

文献[5]提出了大数据挖掘的具体方法，并提供了一定的计算方法，使得大数据在航空发动机故障分析诊断上有了可操作性，为基于大数据及云计算的航空发动机故障诊断系统的建设提供了一定的技术支持。但文献[5]只是基于理论的探讨，并未真正利用大数据进行故障诊断，在大数据挖掘和大数据利用之间虽进行了关联度和可信度分析，但在应用神经网络进行高精度识别方面仍有差距，如何使数据和诊断结果更加有效和准确是下一步研究的方向。

3 结束语

本文简单介绍了在航空发动机故障诊断中应用的一些主流算法，无论是AP聚类算法、深度极限学习机还是自适应神经网络，都体现了航空发动机故障诊断技术在不断进步，思想理论在进一步优化。通过层次递进的方法介绍了故障诊断算法不断优化，故障诊断的精确程度也在不断提高，但同时也遇到了一定的“天花板”。

1）在算法优化上，基于自适应神经网络和深度核极限学习机都体现了极大的优越性，是进一步深化研究的理论基础，尤其是自适应神经网络在少数数据训练样本中的优越性，使算法的可迁移能力进一步增强。

2）在理论研究上，推理和证据理论融合与大数据挖掘分析的方法是开启进一步神经网络优化的主要方向，尤其是结合大数据的神经网络是进一步提高航空发动机故障诊断准确度的方向，但推理和证据理论稍嫌不足，这是因为理论算法基于故障树和专家系统建立，具有较大的局限性。

3）在诊断精确度方面，与深度神经网络、支持向量机、反向传播神经网络、径向基神经网络以及随机赋输入权值的浅层神经网络极限学习机相比，深度核极限学习机显示出最大的优越性，紧随其后的是基于自适应的神经网络，两者都表现了较高的准确度。

4）在诊断速度方面，深度核极限方法因为选用了核方法所具有的高维映射、线性可分能力，使得诊断速度大幅提高。AP聚类算法数据量小，计算复杂度大大降低，缩短了计算时间，更有利于工程计算。

以上优化方法的局限是仅针对某一部分、某一结构进行研究，而对于航空发动机的整体系统研究仍显不足，且应用和迁移能力较差。因此本文在最后介绍了大数据挖掘分析在航空发动机故障诊断中的应用，希望以此开启航空发动机故障诊断的新思路。