发动机故障信息综合研究平台构建技术研究

王 昆,郭迎清*,孙 浩,赵万里,周启凡,郭鹏飞

(1.西北工业大学 动力与能源学院,陕西 西安 710129; 2.西安现代控制技术研究所,陕西 西安 710065)

无人机(Unmanned Aerial Vehicle,UAV)作为航空领域的新秀,与传统有人驾驶飞机相比具有生产周期短、机动性强、运行成本低和维护保养方便等独特优势,在军事领域具有广泛应用。早在越南战争时期,就出现了“烽火”-147型等军用无人机,并执行了多次侦察任务,发挥了重要作用[1]。然而,由于无人机极高的飞行频率和较短的在地维护时间等因素,其动力系统(即无人机发动机)相对于传统航空发动机面临着更大的考验[2]。据美空军统计,2000—2013年,无人机设备与动力装置类的事故原因在总系统故障类事故中的占比超过85%,远高于其余各类故障的总和。究其根本是由于无人机的市场有限,支持其运行的发动机又与一般飞机不同,因此缺少专门的发动机厂商投资研制无人机发动机,导致大多数的无人机不得不选用市场上已有的发动机,其必然会使发动机在运行过程中的安全性、可靠性大打折扣[2-3]。针对这一现状,开展无人机发动机的故障预测与健康管理(Prognostics and Health Management,PHM)技术研究刻不容缓[4]。

PHM技术通过传感器收集到的数据实现对发动机的状态监控、故障诊断、故障预测和维护决策等功能,从多个角度监视分析发动机当前的性能状态[5-6]。状态监控和故障诊断作为PHM中极重要的2项功能,目的在于保障在役发动机的正常工作,使其能为飞机的下一次飞行提供动力支持。而无人机由于在运行过程中缺少了飞行员的实时操控,仅依靠远程的地面监视和信息反馈,故障发生概率和异常处理难度都极大地增加。国内外的许多学者基于状态监控结果并结合航空发动机的诊断方法在无人机发动机的故障诊断领域进行了相应研究,主要可分为基于模型和基于数据驱动的方法[7]。

基于模型的方法是早期无人机发动机故障诊断的主要方法,尤其在机载实现方面具有明显优势,目前基于卡尔曼滤波的故障诊断算法已发展得十分成熟,但往往因为发动机结构复杂、各部件间关系紧密、耦合程度高等问题,导致很难建立精准的数学模型[8]。随着无人机的数量及运行次数的增多,其飞行过程中产生的数据量较以往提高到了新的数量级,因此基于数据驱动的故障诊断方法在近些年逐渐成为研究热点[9]。邱宗江等[10]在传统主成分分析方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现了传感器系统的故障检测和诊断。李炜等[11]提出栈式降噪自编码的故障诊断算法,实现了对无人机执行系统的故障诊断。Guo等[12]采用混合故障诊断算法,将卷积神经网络与基于模型的算法相结合构建诊断模型,在无人机的传感器故障诊断领域取得了良好的效果。

尽管大批量的飞行数据能够更准确、更全面地反映发动机运行状态,提高故障诊断精度,但同样带来了数据存储零散、故障异常分析过程不规范、故障异常分析结果管理不统一等亟待完善的问题,降低了设备管理效率。相关的从业设计人员根据各个领域的需求和目的提出了实现特定功能的软件平台,以期解决该问题,以便操作人员对设备运行状态进行监视与数据管理[13]。黎凯等[14]构建了高空台试验设备管控平台,平台内集成了数据实时传输、数据库构建、基线建模等关键技术,结合了物联网思想,设计了从采集信息至应用服务的平台总体架构,提高了对高空台试验设备智能化管控水平。刘灵霞等[15]提出了一种基于Oracle平台的发动机实验数据库系统,规范试验数据管理的同时通过登录权限、资源控制方式等手段保障系统的安全性。洪利等[16]提出了一款航空发动机健康监视大数据平台,利用海量发动机运行数据实现了对航空发动机的状态监视、趋势判断和寿命预测等功能。

本文借鉴了国内外目前发展较为成熟的故障诊断算法和平台构建技术,设计了发动机故障信息综合研究平台并对平台内集成的几项关键技术展开研究,辅助技术人员快速分析发动机状态,形成较为全面的发动机状态分析和故障判读结果,同时针对多型号、多批次的发动机数据实现有效的数据积累,供设计人员整理发动机状态、进行故障预测和数据挖潜。

1 平台总体架构

为自动化实现从飞行数据文件输入至分析报告生成的全过程分析计算及结果展示,降低相关技术人员的操作难度,对发动机故障信息综合研究平台的总体实施架构进行设计,如图1所示,主要涉及数据来源、数据库、平台功能实现和分析报告4部分内容。

数据来源主要包含发动机模型模拟数据和实际飞行数据2部分。其中发动机模型模拟数据主要用于数据库、发动机故障信息综合研究平台的整体架构设计及测试验证,实际应用可针对实际运行数据格式及传输形式进行相应的接口处理,完成发动机故障自动识别及分析。

数据库主要包含飞行数据和分析数据2部分内容。其中飞行数据是从数据来源端直接获取的数据,分析数据包含用于故障诊断、参数分析等功能的模型参数及分析报告结果数据。

平台功能实现主要实现飞行管理、异常检测和故障诊断三大功能。其中涉及的一些算法或模型参数需要从数据库的分析数据中获取,运用这些算法或模型得到的输出作为分析结果又保存到数据库中,供后续查询。

分析报告包含了故障检测、异常检测、参数趋势等结果的综合展示。一方面,当传入一次模拟或运行数据,发动机故障信息综合研究平台会自动生成此次运行数据的分析报告,另一方面操作人员也可查询过往的分析报告。

为了提高发动机故障信息综合研究平台的管理性和操作性,根据平台要实现的不同功能模块对体系架构进行设计,如图2所示,主要包含表现层、逻辑层和数据层3个层次。

图2 发动机故障信息综合研究平台体系构架总体设计思路

表现层实现高集成度、高效友好的人机交互接口,操作人员通过表现层端口实现对数据的查询、记录和对分析报表的查询;逻辑层体现数据库与用户交互的具体功能,实现对数据的管理和分析,包括飞行数据管理、分析报告管理、统计分析管理和系统管理;数据层是依托于现有的运行数据和实时运行数据建立的分析数据库,可在后续平台运行过程中对数据进行调用。通过层次架构之间的相互连接协同,实现操作人员对飞行数据的多角度监控。

2 平台功能

发动机故障信息综合研究平台集成了飞行数据状态识别、故障诊断算法、基线模型等关键技术,主要实现对发动机的飞行管理、异常检测和故障诊断三大方面的功能。

飞行管理功能:对于多型号、多批次的发动机数据,通过整合分析数据存储格式及类型,采用由顶至底的层次存储架构建立发动机分析数据库,保证对历史数据的规范化存储。具体实现以下功能:① 查看以及存储历史各架次飞行数据;② 分析和利用历史飞行数据。

异常检测功能:根据发动机运行过程中的各项正常运转指标,生成分析发动机状态的异常判据表,将传统以人工为主的异常识别工作转变为自动化的发动机状态感知过程,进而辅助设计人员快速了解发动机异常,提高状态分析效率,保障飞行安全。

故障诊断功能:通过采用各类先进的故障诊断算法,结合飞行稳态数据识别技术,从启动状态、稳态,短期、长期,单型号和多型号等多个不同角度实现对发动机的故障检测与识别。

各部分详细功能通过平台逻辑层实现,具体细分如图3所示,包括:

图3 发动机故障信息综合研究平台具体细分功能

① 飞行数据管理:包括飞行数据的存储、查询和删除等基本功能,此外数据分析功能集成了递归结构辨识和自回归滑动平均2种针对发动机不同状态的故障检测方法和基于深度学习的故障识别方法。

② 分析报告管理:包括分析报告自动生成和查询,分析报告以图片的形式展示发动机参数分析结果、发动机故障检测及识别分析结果等,防止人为修改。

③ 统计分析管理:包括发动机工作情况、发动机参数趋势和发动机参数对比3部分功能。

④ 系统管理:包括发动机基线模型及故障诊断算法等模型的参数更新和软件的使用说明。

3 平台关键技术

3.1 飞行数据状态识别技术

由于发动机的工况多变,过渡态与稳态之间的参数变化差异巨大,单一的故障诊断算法很难在全飞行过程中取得较好的效果,因此采用飞行数据状态识别技术对运行过程中的发动机状态进行划分是提高故障诊断准确性和可靠性的基础[17]。图4为飞行数据状态识别技术的流程图,将历次的飞行数据进行数据预处理,如数据同步性处理、参数换算等。为准确判断飞行数据状态,需要选取一定时间长度的数据样本进行综合分析,因此初始进行稳态判断时,需要数据积累到预设的阈值再进行状态识别。

图4 飞行数据状态识别技术流程图

选取反映飞行数据状态的参数,如大气总温、总压和转子转速,在确定的时间长度内,计算选取的稳态识别参数的时间序列梯度值,并对该梯度值进行指数平滑处理,通过判断指数平滑后的梯度值是否超出预设的阈值,进而判断该时间段内的数据是否为稳态数据。若梯度值未超限,则判定为稳态数据,接着采用聚类算法判断该稳态数据隶属于哪个典型工况,如慢车、巡航、最大状态等,并将聚类结果传输到分析数据库。若梯度值超限,则判定当前数据为过渡态数据,并依据上一次稳态数据与下一次稳态数据之间的趋势变化,识别该时间段内的飞行数据是加速或减速过程数据,并进行后续的加减速性能分析,同时将识别结果传输到分析数据库。

3.2 基于数据驱动的飞行数据故障诊断技术

发动机故障信息综合研究平台利用处理后的稳态和过渡态数据,对平台集成的各类基于数据驱动的故障诊断算法进行参数预训练。将预训练后的模型参数存储在平台上,便于技术人员进行后续的飞行数据故障检验,确保飞行过程中发动机的安全运行。发动机故障信息综合研究平台中涉及的故障诊断技术方法有:基于递归结构识别的起动状态故障检测技术、基于自回归滑动平均模型的稳态故障检测技术、基于参数趋势分析的故障诊断技术、基于深度学习的智能故障识别技术。

3.2.1 基于递归结构识别的起动状态故障检测技术

图5 RESID模型单轮迭代流程图

图6为基于RESID算法的起动状态故障检测流程图,首先确定所需检测的因变量和模型的输入量,并利用分析数据库存储的正常起动状态数据训练RESID模型,得到故障检测阈值。当传感器的实时数据输入后,利用RESID模型对实时数据进行回归预测,通过比较拟合残差与检测阈值达到起动状态故障检测的目的。

图6 基于RESID算法的起动状态故障检测流程图

在上述基于RESID启动状态故障检测算法原理的基础上,平台的具体实现方法及实践流程如下。

① 对训练数据进行预处理。

② 根据训练数据集进行所有可以配对的RESID模型建模,输入为n个传感器数据,输出为被预测对象参数值,通常选择能够表征发动机性能的关键参数作为被预测量,如排气温度等。

③ 选择所有模型中预测均方估计误差最小的模型,确定该模型。

④ 将确定的模型计算出的被预测参数值作为下一级迭代的建模用的新特征值。

⑤ 将步骤③、步骤④递归进行,直到达到最大递归次数或者最小均方误差均大于上一步最小均方误差,亦或本次递归模型中只有一组模型的均方误差值小于上一步递归的最小均方误差,至此递归结束,训练完成。

⑥ 将训练数据代入建好的RESID模型中,该模型利用选定的n个传感器数据计算被预测参数。将预测值与输入的真实数据相比较,得到绝对误差值,选择最大的绝对误差值作为故障检测所用的阈值。

⑦ 将待测数据代入建好的RESID模型中,该模型利用选定的n个传感器数据,计算被预测参数。将预测值与输入的真实数据相比较,得到绝对误差值,若绝对误差值大于阈值,则认为此刻的数据存在异常,当异常存在的时间超过设定的阈值时,则认为故障发生。

3.2.2 基于自回归滑动平均模型的稳态故障检测技术

自回归滑动平均(Auto Regressive Moving Average,ARMA)算法是经典的时间序列分析方法,该方法的主要特点是利用已建立的ARMA模型对系统未来的行为进行外推预测[19]。时间序列分析采用参数模型对所观测到的有序的随机数据进行分析与处理,它研究有序随机数据序列的内在关系与规律,不需要知道系统的输入和动态过程特征,而是根据输出数据序列内在的规律性来研究系统的特征。其关注的不是测量值,而是短期内将要产生的数据与刚刚产生过的数据的结构相似性。这种时间序列模型的使用有一个重要的前提,即模型对象系统需要处于一个稳定的状态[20]。

图7为ARMA模型的建立流程图,主要包括序列平稳性检验、模型识别、参数估计、模型定阶、模型诊断与检验5个步骤,其中,所建ARMA模型的准确性主要依赖于序列的平稳性检验及模型定阶。ARMA作为线性模型,首先要保证其输入序列的平稳性,才可能训练出高精度模型,此外,还需求得序列的自相关函数(Autocorrelation Function,ACF)和偏相关函数(Partical Autocorrelation Function,PACF)的值确定模型阶数,保证模型能够学习到序列的特征。

图7 ARMA模型建立流程图

采用基于时间序列分析的ARMA算法进行发动机稳态故障检测,重点关注单个传感器参数值在时间块上的行为,如图8所示,通过建立ARMA模型对系统未来的行为进行预测。基于发动机试验、试飞传感器数据分别选取训练集和测试集,建立每一组监测数据的ARMA模型并对其进行可靠性验证,通过待测数据和预测数据的残差与阈值的对比来进行发动机稳态阶段故障诊断。

图8 基于时间序列分析的ARMA算法进行发动机稳态故障检测流程图

在上述基于ARMA稳态故障检测算法原理基础上,平台的具体实现方法及实践流程如下。

① 对数据进行预处理。

② 发动机故障诊断的测试数据包括温度、压力、转速和流量等测量数据。针对每一路测试数据,采用PACF和ACF来判定自回归模型(Autoregressive Model,AR)和滑动平均模型(Moving Average Model,MA)所需的数据长度。

③ 通过已知的各路参数(AR及MA阶数),采用上述的ARMA模型对训练数据进行建模,求取参数,输入为时序传感器数据,输出为下一时刻预测值。

④ 当有新的测试数据时,可以通过历史时序数据计算出t时刻的预测参数。

⑤ 将预测值与数据作差,得到绝对误差值,若绝对值误差大于阈值,则认为此刻的数据存在异常,当异常存在一定的时间,则认为故障发生。

3.2.3 基于参数趋势分析的故障检测技术

趋势分析或趋势监视是一种绘图技术,用于检测物理过程或业务过程中的变化和异常情况,被广泛使用在设备健康状况的检测和故障隔离中。可以把趋势分析或趋势监视技术当作预测工具,通过提供在趋势分析过程中发现的趋势状况来预测发动机的未来性能或即将发生的失效问题。

通过在对参数的长期观察、研究,以及分析参数异常变化的基础上,对发动机的未来工作状况进行预测。对数据库中的数据进行处理并与发动机的基线模型的输出进行比较,计算得到参数偏差,绘制参数趋势分析图,如单参数趋势分析图、参数之间的趋势分析图等形式,对趋势图进行进一步分析后,给出维修建议。参数趋势分析流程图如图9所示。

图9 参数趋势分析流程图

获取历史飞行数据,对其进行粗大误差数据剔除、数据平滑等预处理,结合试验的各飞行条件等信息,将被测参数乘以或除以修正系数得出海平面、标准大气条件下该参数的换算变量,从而得到基线离散数据点。将得到的各离散数据点通过神经网络拟合等方法进行处理,获得基线模型。

参数趋势分析主要包含不稳定模式分析和趋势模式分析,不稳定模式分析主要从局部来检测数据中的非随机、异常模式的数据点,趋势模式分析主要从全局角度来评估发动机的健康状态。其中不稳定模型最常用的规则是Western Electric规则(或称为区域规则)。这一规则把区域范围划分成3个不同的区域,如图10所示:A区表示到中心线距离为2σ～3σ的区域;B区表示到中心线距离为1σ～2σ的区域;C区表示到中心线距离为0～σ的区域;σ为标准偏差值;UCL为控制上限;LCL为控制下限。

图10 Western Electric规则(区域规则)分区

判断数据点是否异常的4个基本区域规则包括:

① 任何单个数据点落在UCL和LCL的外部(也就是±3σ之外的区域)。

② 连续3个点中有2个点到中心线的距离超过2σ。

③ 连续5个数据点中有4个点到中心线的距离超过1σ。

④ 连续8个点在中心线的一侧。

在上述基于参数趋势分析的故障检测算法原理基础上,平台的具体实现方法及实践流程如下。

① 对当前飞行架次数据进行预处理。

② 利用状态识别技术提取当前架次中的稳态数据并进行工况划分。

③ 依据工况划分结果,结合各个工况下的历史数据建立关键性能参数基线模型。

④ 绘制关键性能参数趋势,判断当前架次是否违反Western Electric规则,得出结论。

3.2.4 基于深度学习的智能故障识别技术

传统的单层神经网络往往受表达能力的限制,无法满足复杂系统的各方面要求,对于航空发动机这一强非线性的复杂部件,为了针对其特性解决故障诊断的难题,可以考虑采用深度神经网络来提升模型的复杂度,提高诊断的准确率。

长短时记忆(Long Short-Term Memory,LSTM)网络是一种改进的循环神经网络(Recurrent Neural Network,RNN),相比于一般深度神经网络,LSTM网络在结构上最显著的特征在于其有多个神经元以相似的环结构进行连接,凭借内部储存和循环结构来处理输入的数据,网络模型中不仅包含网络中隐藏层和隐藏层之间的权重连接,还包括同一隐藏层中神经元内各结构之间的互连。LSTM网络的结构决定了其处理时序数据的优越性,因此,常用于实现时序数据的故障诊断。LSTM网络的结构图如图11所示。

图11 LSTM网络的结构图

基于LSTM网络的故障识别网络包含3种不同类型的神经元,由1个输入层、2个隐藏层和1个输出层共4个网络层来建立得到,其结构图如图12所示,将传感器特征向量作为输入层参数,输出层输出为隶属于各个故障模式的概率向量,选择概率最大对应的模式类型为最终算法诊断的故障类型。

图12 基于LSTM的故障识别网络结构图

其中x为不同时刻的传感器测量值向量,代表着当前时刻的系统状态,Ot为t时刻判断出的故障类型。结构图中的A、B、C分别代表3种不同的神经元网络,A为LSTM神经元,B为全连接层,C为Softmax分类器。除了输入层外,其余网络层后都包含对应的激活函数,第1个隐藏层应用的是sigmoid激活函数和tanh激活函数,第2个隐藏层应用的是ReLU函数,输出层应用Softmax激活函数。

利用分析数据库存储的不同故障类型的数据及故障标志训练深层神经网络模型,反馈计算不断更新权值,最终得到最优的网络权值,整个训练过程以最小化交叉熵损失函数为目标,利用最优的网络权值对待测数据进行前馈计算,进而得到待测数据的预测故障类型标志,达到故障识别的目的。基于LSTM深度学习网络的智能故障识别流程图如图13所示。

图13 基于LSTM深度学习网络的智能故障识别流程图

在上述基于深度学习的故障识别算法原理基础上,具体实现方法及实践流程如下。

① 选取带有标签的故障样本数据进行预处理,主要可用于对气路故障进行识别。

② 将带有标签的故障样本数据以确定比例随机划分为训练集和验证集,以观察模型的泛化性能。

③ 将训练集中数据代入已搭建好的网络结构模型中,通过前向计算与反向优化,通过优化算法逐渐更新模型各项权值参数。

④ 通过训练过程中,训练集、验证集经过前向计算得到的各自的目标函数值,调整模型超参数,确定模型。

⑤ 将待测故障数据进行第一步的特征向量预处理,将其作为输入向量,借助训练好的网络参数进行前向计算,进而得到输出层结果,选取输出层神经元值最大对应的故障模式作为最终的故障诊断结果。

3.3 发动机分析数据库建立技术

通过整合分析现有数据存储格式及类型,结合数据的具体利用情况,建立发动机分析数据库整体存储架构。分析数据库主要采用Microsoft Excel集成实现,各型号、各批次发动机采用文件夹的形式进行层次划分,具体数据以Excel表格的形式存储在计算机中。

本文中的数据库采用由顶至底的层次存储架构,因此考虑到现有数据存储格式和算法模型等对数据的调用频率等因素,将数据库划分为飞行数据和分析数据2部分,其中飞行数据包含正常数据和故障数据2部分,分析数据分为模型结构数据和分析结果数据,具体划分如图14所示。

图14 数据库存储结构划分图

其中,针对一个发动机型号建立一个以发动机型号命名的数据存储文件夹,在此文件夹下根据飞行日期建立子文件夹,每个批次文件夹下有飞行数据和分析数据两个子文件夹,其中飞行数据字段名及顺序确定,数据存储采用Excel表格存储,以飞行批次命名,便于后续的数据存储与访问。

3.4 发动机故障信息综合研究平台的集成开发技术

发动机故障信息综合研究平台基于MATLAB/GUI进行开发,将各功能模块交互界面独立设计并集成在.m文件中,并通过在回调函数中集成各种算法、基线模型、数据交互等功能,实现数据的自动分析和结果展示,各功能子界面通过平台主界面进行串接,保证系统功能的连续性和完整性,平台交互界面如图15所示。

图15 发动机故障信息综合研究平台交互界面

平台涉及MATLAB与Excel间的交互问题,MATLAB软件内含有支持数据交互的xlswrite、xlsread、readtable等接口函数,能够帮助使用者达到访问Excel电子表格文件的目的。

4 结束语

本文通过构建发动机故障信息综合研究平台并论述平台内部集成的各项关键技术,解决了发动机故障定位难、监控难、数据分析难的问题,为发动机的使用和维护提供数据支持,为发动机安全运行提供技术保障,具体可概括为以下3点:

① 通过在发动机故障信息综合研究平台内集成各类故障诊断算法,自动化实现了从飞行数据文件输入至分析报告生成的全过程分析计算和结果展示,有效提高了技术人员的数据分析效率和准确率。

② 构建本地发动机分析数据库,实现多型号、多批次的发动机数据对比和综合分析,为将来的数据挖潜、故障预测等进一步研究提供数据支持。

③ 平台涉及的各类算法均是基于数据驱动的,在应用拓展时只需利用多次的飞行数据对模型参数重新训练更新即可,可操作性和实用性更强,具有一定的工程应用价值。