飞机发动机故障诊断技术研究.doc

飞机发动机故障诊断技术研究摘 要：飞机发动机故障诊断技术是保障航班安全运行的关键技术。本文不仅探讨了利用COMPASS进行故障诊断的技术，更进一步提出了基于粗糙神经网络模型的新型故障诊断技术。通过对某航空公司ERJ145的2发AE3007发动机进行故障诊断研究后，证明粗糙神经网络模型在故障诊断中有着很好的适用性和可信性，能够为飞机发动机故障诊断提供有效的参考。关 键 词：AE3007 COMPASS 粗糙集 神经网络 故障诊断中图分类号：V233.7 文献标识码：AResearch on the Technique of Aeroengine Fault DiagnosisAbstract: The technique of aeroengine fault diagnosis is key to ensure airplane operation safety. This paper doesnt discuss the technique of how to diagose fault using COMPASS, but also provide a new fault diagnosis technique based on rough neural network model. After researching on fault diagnosis of AE3007 from some airline, it can indicate the rough neural network model has good applicability and creditability and can provide effective reference for aeroengine fault diagnosis.Key words: AE3007 COMPASS Rough Set Neural Network Fault Diagosis1引言飞机发动机工作条件复杂，维护技术难度大、成本高，因此对故障诊断有很高的要求。对故障诊断技术进行研究，不仅能准确检测发动机故障，保障飞行安全，而且能够节省维修费用，增加航空公司经济利益。所以，开展对飞机发动机的故障诊断技术研究意义重大。2 AE3007发动机简介AE3007系列发动机是罗罗公司研制的中小推力涡轮风扇发动机，主要用做支线客机和公务机的动力。目前，该发动机的主要用途是巴西航空工业公司的ERJ135/140/145系列飞机、塞斯纳公司的“奖状”X以及“全球鹰”高空长航时无人机的动力。AE3007的风扇为1级轴流式，宽弦设计；高压压气机为14级轴流式；燃烧室采用高耐久性、低污染设计，16个气动雾化喷嘴，双路电容放电点火，火焰筒采用多空散发冷却；涡轮为2级轴流式高压涡轮和3级轴流式低压涡轮；控制系统采用双通道全余度FADEC系统。AE3007的最大起飞推力达到3370daN，起飞油耗为0.34 kg/(daNh)，推重比为4.72，涵道比为5，空气流量达到110.2kg/s，总增压比为24，最大马赫数为7.8。3利用COMPASS对AE3007进行故障诊断COMPASS是罗罗公司开发的一款专门用于发动机气路性能监控的软件。利用COMPASS对AE3007发动机进行故障诊断，主要将监控所获得的起飞和巡航阶段相关参数转换成标准状态下的三个参数：DITT、DFF和DN2，然后根据三个参数的变化情况，对照AE3007故障诊断表（见表1）和AE3007巡航参数偏差图（见表2）进行判断。看一个利用COMPASS进行故障诊断的实例。某ERJ145飞机的性能趋势图显示：1发在5月2日时三个性能参数在巡航时有一个较大的改变，其中ITT上升大约90deg C，FF上升大约12.5%，而N2上升接近2.1%，而且只是1发出现变化。通过三个参数的变化，查表1可得出风扇、低压涡轮和引气可能出现故障，此时还需借助巡行参数偏差图作进一步判断，以便确定具体故障。 已知三个参数变化情况，可得出它们之间的比值DITT:DFF:DN2=1:0.139:0.023，参见图1，飞机引气增加1%的比值是1:0.126:0.015，两个比值之间最相似，故发动机管理人员判断是引气出现故障。表1 AE3007故障诊断表AE3007故障诊断表(典型巡航条件为： 30000ft, 0.8mn, ISA)部件性能变化Inc 参数值增加 Dec 参数值降低N/C 参数值不变发动机主要性能参数改变量变化情况DITTDN2DFF是否为双发风扇效率 (下降)IncIncIncNo高压压气机效率 (下降)IncDecIncNo高压涡轮效率 (下降)IncDecIncNo低压涡轮效率 (下降)IncIncIncNo引气量增加 IncIncIncNoAE3007巡航参数偏差 (典型巡航条件为： 30000ft, 0.8mn, ISA)图1 AE3007巡航参数偏差图经过维修人员实际检查，此例中发动机的实际故障是压气机空气流量引气控制活门（CABCV）损坏，更换此活门后，该发动机的趋势图又恢复到了改变以前的状态。以上故障诊断实例表明：对发动机气路性能进行监控，利用COMPASS进行数据处理和趋势图绘制，能为诊断发动机气路故障和指示故障提供很好的依据，对快速诊断发动机故障有重要作用。同时也应看到，该方法没有给出最终结果，需要人员分析趋势图后才能得到结果。在下一节里，将利用智能方法处理监控数据，根据样本知识的指示，直接得出诊断结果，而不需要中间的趋势分析过程。4利用粗糙神经网络对AE3007发动机进行故障诊断4.1粗糙神经网络故障诊断模型的构成图2是粗糙神经网络模型结构图。将两者融合在一起具有以下优点1：学习样本集形成决策表数据预处理条件属性值离散化决策表约简最简决策表形成规则集测试样本集最小条件属性集的测试样本集神经网络系统最小条件属性集的学习样本集神经网络输出结果粗糙集输出结果分析并输出结果SOFM和差别矩阵方法图2 粗糙集和神经网络融合模型（1）通过粗糙集减少条件属性的数量，减少构建神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间；（2）通过粗糙集去掉冗余信息，使训练集简化，以便减少神经网络的训练时间；（3）使用神经网络作为后置的信息识别系统，有较强的容错及抗干扰能力。4.2模型中的创新算法和双输出规则设计4.2.1 基于SOFM（Self-organizing Feature Map）和差别矩阵的离散化方法在此离散化算法中，SOFM网络的主要作用是实现连续向量的离散化2；差别矩阵的主要作用是判断决策表是否存在相对于决策属性的核和决策表是否相容。差别矩阵定义如下3：给定一个决策表，其中是论域，是条件属性集，是决策属性集，是属性的值域。，则定义为决策表的差别矩阵，其中 符号“表示论域中两个对象的决策值落入决策属性的同一个等价类；空集表示两个对象所对应的两条决策是不相容的；如果论域中两个对象的决策值不同，同时也存在能够区分这两个对象的条件属性，则所有这样的条件属性组成的集合构成决策表的差别矩阵的对应元素。在一个相容决策表中，相对核等于差别矩阵中所有只含单个条件属性的元素组成的集合，即。在研究中发现基于差别矩阵的约简算法往往不能实现，主要原因是矩阵中没有含单个条件属性的元素，得不到相对核，从而不能够求出约简后的属性。这就限制了此算法的应用。用一般方法离散化后的决策表有可能是不相容的，这样的分类显然较粗，没有正确区开决策值不同的对象。离散化后的决策表即使相容，但是在求差别矩阵时，却得不到只含单个属性的元素，这就不能求出相对核，从而不能对决策表进行约简，这样的划分显得过细，剔除不了冗余属性。鉴于此，基于SOFM和差别矩阵的属性离散化算法的思想如图2所示。属性离散化计算差别矩阵判断是否存在核YY完成离散化进行更细离散判断决策表是否相容YNN图3 离散化算法流程图此算法的步骤如下：（1）利用SOFM网络求出决策表的分类，通常初始划分为两类；（2）计算决策表的差别矩阵；（3）进行双判断，若任一判断不通过，则增加划分类数，返回执行（1）；若通过双判断，则生成离散化后的决策表，完成算法。4.2.2 粗糙集和神经网络双输出规则粗糙集能利用生成的规则集进行故障诊断，神经网络能利用其模式识别能力进行故障诊断。若综合利用两者的诊断结果，则可更大限度地保证对发动机故障诊断结果的准确性和完整性。现进行假设：设“0”表示发动机无故障状态，“1”表示存在故障状态1，“2”表示存在故障状态2，“n”表示存在故障状态n，则共有n+1种状态，令任意一故障状态为i或j，则最后输出如图4所示。粗糙神经网络故障诊断模型输出结果为0 i输出结果为i j输出结果为j j将诊断数据存入训练样本数据库最终输出结果为i最终输出结果为i j最终输出结果为j输出结果为0 0最终输出结果为0图4 最终输出结果处理示意图从图4中可看出，粗糙集和神经网络可能的输出有四种情况。当两者输出结果一致时，诊断结果有两种情况：0状态或i故障，这种情况下，诊断结果的准确性是较高的；当两者的结果不同时，也存在两个诊断结果：0 i和i j。第一种情况时，相信设备存在故障而必须对其进行故障排查，第二种情况时，对两种故障状态都要进行排查。这样做的目的就是为了将所有可能的安全隐患排除，以保障设备运行的安全，从而提高故障诊断的可信性和彻底性。图4还指出将诊断数据存入训练样本数据库，这一点非常有必要。只有拥有完备的训练样本，才能使诊断模型的故障识别能力提高。4.3对AE3007一次引气故障的诊断4.3.1样本数据的选取通过在某航空公司对AE3007实际调研，发现该公司于2009年5月28日19时14分的一次监控中发现ERJ145的2发的三个参数有增加的趋势，随后的几次监控发现趋势增长缓慢，但是从5月30日18时57分的监控开始，三个参数增长速度放快，此飞机在完成了6月1日的飞行任务后停飞检查，通过对趋势图的分析，发动机管理中心给出了引气故障的判断，后来的实际检查中发现确实引气出现故障，经过两天的维修，该机于6月4日重新执行飞行任务，此时三个监控参数恢复到正常水平。鉴于此，将利用这段时间前后的数据作为训练样本，且决策属性D只有两种状态：“0”表示AE3007正常，“1”表示AE3007引气故障。表1是作为训练的样本数据，它是从5月1日到6月10日之间的巡航监控数据中随机抽取的，一共20组。从巡航报中选取马赫数（M）、气压高度（PA）、外界总温（TAT）、油门杆角度（TLA）、燃油流量（FF）、低压转子转速（N1）、高压转子转速（N2）、发动机排气温度（EGT）、压气机出口温度（T2）和压气机出口压力（P2）作为条件属性，为了检查本文提出的粗糙神经网络的故障诊断能力，从5月27日到6月6日每天随机抽取一巡航数据作为测试样本，表2一共列出7组测试样本。表2 AE3007发动机训练样本数据DateTimeMPATATTLAFFN1N2ITTT2_5P2_5D18.05.0917.31.480.74529100-14.668.6145686.2692.77724159.7008.06.0914.49.520.741265988.675.3164088.8496.7278840.210.60表3 AE3007发动机测试样本数据DateTimeMPATATTLAFFN1N2ITTT2_5P2_527.05.0918.45.530.746275841.469.6164088.1296.2780331.510.306.06.0916.50.270.69625580-5.464.4147684.793.1671122.710.54.3.2粗糙集部的计算过程将条件属性划分为两类时，该决策表的核Core=TAT,FF,T2_5，但存在着含“K”的两个元素，这表明该划分方式明显过粗，不足以区分决策属性。将决策属性划分为三类时，核Core=FF，且不存在不相容元素。在来比较一下将决策表划分为四类的情况，此时差别矩阵不包含核，使得后续计算无法进行，这说明划分过于精。表4给出划分为三类时各个条件属性的离散化区间。表4 各属性离散区间表条件属性分类标示分类区间M1类0-0.7228)3类0.7228-0.7369)2类0.7369-)P2_51类0-9.5274)2类9.5274-10.5884)3类10.5884-)然后求出离散化为三类后的决策表的约简M FF ITT T2_5，连续化属性离散化为三类，不仅能够恰当地识别出决策属性，同时又能够得到最简约简，所以将表2离散化为三类是合适的。构建决策表的决策矩阵，建立每个条件等价类的决策函数，利用合取运算和析取运算简化决策函数为最小析取范式，其中每个合取子式对应一条规则。经计算共得31条决策规则。表5为得出的规则集和规则参数表。表5中的规则参数SUPPORT表征规则在整个数据中适用的对象数，ACCURACY表征规则的精度，COVERAGE表征规则的适用度。至此，我们已经完成了粗糙集部分的计算。表5 规则集和规则参数表编号规则SUPPORTACCURACYCOVERAGE1(FF,1)(ITT,2)(D,0)210.18131(ITT,3)(P2_5,3)(D,1)110.111现在只要将测试样本数据的约简条件属性离散化后，就能对照规则集进行AE3007发动机故障的诊断了。4.3.3神经网络部分的计算过程BP神经网络应用广泛，通用性、鲁棒性等都较好，特别是能够运用在多故障识别中4，因此采用BP神经网络进行故障识别。将数据约简前后的网络性能进行比较，约简前后的神经网络的网络参数和训练参数都一致，从中可以体现出粗糙神经网络的优越性。通过计算比较可看出Net2的性能优于Net1。表6是两套神经网络的比较，这表明：经过属性约简后的神经网络，简化了网络结构，减少了网络开销，加快了收敛速度，提高了网络性能。表6 两套神经网络比较表网络模型输入层神经元个数隐含层神经元个数输出层神经元个数迭代次数Net11030177Net2412123Net1和Net2以及粗糙集的计算结果见表7。诊断结果表明利用约简后的数据训练神经网络，使网络的容错及抗干扰能力得到显著提高。表7 诊断结果比较表编号真实状态Net1诊断结果Net2诊断结果RS诊断结果77次23次100.159300210.00740.99240310.75480.99751410.94660.98991500.005300600.01340070000诊断结果85.7%100%85.7%4.3.4分析并输出粗糙神经网络结果从表7中看出：Net2的诊断率为100%，能够完全辨别出AE3007的状态，但是Net1和RS对测试样本2的诊断都出现了错误，诊断率为85.7%。所以从表6和7看出，通过粗糙集方法去掉冗余信息后，不仅提高了网路收敛速度，减少了网络复杂性，更重要的是使网络的容错和抗干扰能力得到增强，增加了网络的实用性和可信性。接下来分析粗糙集和Net1诊断出错的原因。但是注意到样本2，RS和Net2的诊断结果不一致，而是与Net1一致，经过