基于发动机数据的故障诊断方法

肖俊彤

摘 要：以小涵道涡扇发动机为研究对象，对某型小涵道涡扇发动机的测量参数和健康参数进行了分析，研究各参数的敏感性，结合实际情况选取了合适的故障诊断所需要的参数，建立了基于BP神经网络的健康参数估计模型，对健康参数进行了估计，估计结果准确度较高。

关键词：航空发动机;故障诊断;神经网络

中图分类号：V263 文献标识码：A 文章编号：1671-2064（2020）09-0141-04

1健康参数分析

1.1风扇、压气机

风扇作为发动机气体流道的第一个大部件，其功能为利用极速旋转的叶片将空气吸入发动机，并对空气做功提高气体压力，经风扇的空气流量一部分流向外涵道，一部分流向压气机。由于风扇正常工作时长期处于高速运动状态，受到离心力、气动力、振动、腐蚀、外来物等恶劣工作环境的影响，其叶片发生故障的概率较大，常见的故障有叶片积垢、磨损、外来物损伤等。

压气机与风扇类似，其功能为对风扇出口气体进一步增压，使其在进入燃烧室前达到一个比较高的压力值，一般来说压气机转速比风扇还要高，工作条件更为恶劣，磨损、损伤等故障发生的概率大。

叶片积垢：空气中含有多种杂质，可能附着在叶片上，使叶片变得不光滑、表面增厚，造成流动损失增加，流道面积减小，导致部件效率和流量下降。

叶片磨损：高速旋转使得叶片磨损、叶尖间隙逐渐增大，空气回流量增大，导致部件流量和效率下降。

外来物损伤：冰块、鸟类等外来物撞击造成叶片损伤，根据损伤的严重程度，部件特效随之改变。已发表的吞冰、吞鸟试验结构表明，次类损伤多数为流量、效率下降。

1.2高压涡轮、低压涡轮

涡轮部件将燃烧室后的高温、高压燃气势能转化为机械能，其长期工作与高温、高压和高转速的环境中，工作环境最为恶劣，需要采用特殊的结构、材料和冷却系统，其发生故障的概率居高不下。常见故障有叶片积垢、磨损和烧蚀等。

叶片积垢：燃烧过程不可避免的存在燃烧不充分的情况，容易在叶片上形成积碳，导致流通性下降，部件效率、流量降低。

叶片磨损、烧蚀：气流和燃气中的固体颗粒对叶片冲击或者高温燃气烧蚀，造成叶片损伤，导致流通面积增大，使得部件流量变大，效率下降。

2健康参数选择

进气道压力恢复系数偏差可以直接监视得到，结合本文研究对象，发动机部件气路故障及其征兆如表1[1-4]。故本文选择研究的健康参数为风扇、压气机、高压涡轮和低压涡轮4个关键部件的流量和效率性能蜕化。

3测量参数分析

气路测量参数越多，越能全面反映发动机的状态。但是受到温度、振动、传感器安装位置和重量等的限制，只能有侧重地选择某些参数，如温度、压力等进行测量。因此有必要对参数的选择进行分析，在选取测量参数时要遵守几个原则：（1）能够准确地反映发动机状态;（2）对故障征兆敏感，可以准确反映故障现象;（3）测量参数之间的相关性小。

根据发动机的部件级模型初步选取出测量参数，然后根据敏感性分析和相关性分析，力求选出少量的测量参数达到好的诊断结果。

对健康参数变化敏感的测量参数才能反映健康参数的实际变化，进而准确地反映故障现象，因此以测量参数对健康参数的敏感性大小为依据进行选择。气路性能测量参数可通过分析特定气路故障的原理进行状态量猜测，但基于模型计算分析的方法往往更具有理论支持。根据气路分析技术，利用小偏差原理，可以计算出健康参数偏差和测量参数偏差之间的影响系数矩阵。

基于某型航空发动机部件级模型，通过数值计算，可以得到某型航空发动在设计工况下的影响系数矩阵，具体数值见表2，该系数矩阵反应了测量参数对健康参数的敏感性。

4测量参数选择

由表2可以看出：

（1）风扇流量对低压转速较敏感;风扇效率对测量参数的敏感性都较低，其中对P21最敏感。T21对包括风扇在内的健康参数变化都不敏感，但对低压涡轮和低压压气机的健康参数变化有比较敏感的反映，本文选择不测量T21。

（2）在高压压气机中，对于压气机流量，几乎所有的参数都不是很敏感。压气机叶片结垢、叶顶间隙增大会导致压气机流量变化，考慮故障监测诊断的需要，保留相对较敏感的几个参数：P4、P3和N2（按敏感度从大到小排序，取影响系数绝对值>=0.25）;压气机效率对于T4、P43、T5都较敏感。T3对包括高压压气机自身在内的健康参数变化都不敏感，所以不测量该参数。

（3）在高压涡轮中，高压我来流量对于P4、P3非常敏感;高压涡轮效率对于P3、T43、P43和T5都较敏感。结合测量参数的测量难度，因T43、P43测量难度非常大，实际发动机一般未测量，采用温度相对较低且对高压涡轮性能量变化也较敏感的P3、P5、T5而不测量T45和P45。

（4）在低压涡轮中，低压涡轮流量对于P21、P43;低压涡轮效率对于几乎所有参数都不是很敏感，考虑到诊断需要，保留相对较敏感的参数P21、P3。

综合考虑测量参数、健康参数的敏感性和测量参数的测量难度，本文选择测量参数为P21、P3、T5、P5、N1和N2，其中高压涡轮流量影响因素较大的参数仅有P3，后续对高压涡轮流量的估计过程中受P3的影响大。

5基于BP神经网络的健康参数估计

Kohonen在1988年对人工神经网络进行定义：由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反映。

神经网络最基本的成分是神经元模型，1943年，McCulloch and Pitts提出了沿用至今的“M-P神经元模型”，每个神经元接收到许多个其他神经元传递过来的输入信号，并通过权重对接收到的信号进行整合，接受的总输入值与神经元设置的阀值进行比较，并通过“激活函数”处理产生神经元的输出信号，将许多个这样的神经元按一定的层次结构连接起来，就得到了神经网络。神经网络有着很强的非线性拟合能力，能以任意精度逼近非线性连续函数[5]，十分适合发动机非线性模型的拟合。