CN106503746B - 一种基于性能偏移量的航空发动机故障诊断方法 - Google Patents

Abstract

一种基于性能偏移量的航空发动机故障诊断方法，本发明涉及基于性能偏移量的航空发动机故障诊断方法。本发明是为了解决现有技术忽略航空发动机个体之间的差异、航空发动机故障样本数据量较少以及现有方法大多采用仿真数据导致实用性较低的问题。本发明步骤为：步骤一：进行航空发动机气路性能数据获取及分组；步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类。本发明方法在故障分类准确率和泛化性上均好于传统的基于时间序列拟合的故障诊断方法。本发明应用于航空发动机维修优化技术领域。

Description

一种基于性能偏移量的航空发动机故障诊断方法

技术领域

本发明涉及基于性能偏移量的航空发动机故障诊断方法。

背景技术

航空发动机是民航飞机等航空器的核心部件，其是航空器的主要动力来源和引气装置，被比喻为航空器的“心脏”。同时，航空发动机是在高转速、高温度和高压力的环境中工作的动力机械，是集机、电、液于一体的多单元体典型复杂装备。在航空发动机的维修维护过程中，准确的对发动机的故障进行诊断与定位，能够为发动机的维修时机预测、维修方案制定、维修成本预估提供有力的支持。

随着维修理论的不断发展，国内外研究机构及发动机厂商对航空发动机故障诊断已经进行了卓有成效的研究。目前，主要通过航空发动机的气路性能参数、振动数据、滑油数据、孔探信息等开展对航空发动机故障诊断的研究。其中，较早的气路故障诊断方法是由Urban提出的，但所提出的故障影响系数矩阵需要测量大于或等于故障种类数的测量参数，使其应用受到了一定的限制。

近年来，基于非线性模型的发动机故障诊断方法得到了一定发展。Lambiris等人为了适应航空发动机的特性，结合发动机的性能模型采用适应过程解决发动机部件的匹配问题。该适应模型能够在不依赖发动机部件图的情况下为相同型号的发动机进行非线性仿真。Mathioudakis等人基于航空发动机的非线性性能模型对航空发动机部件性能逐渐衰退的识别方法进行了研究，并用某双转子涡扇航空发动机的性能参数时间序列对本发明提出的方法进行了验证。Xiao等人以航空发动机的非线性模型为基础，提出了基于气路参数小偏差方程的航空发动机故障诊断方法。Li等人在传统线性最小二乘故障诊断理论的基础上，提出了基于非线性最小二乘的航空发动机气路故障诊断方法，为提高航空发动机的故障诊断准确率提供了新的思路。Romessis等人基于贝叶斯置信网络提出了航空发动机气路故障诊断模型，该方法从发动机仿真模型中提取出建立贝叶斯网络所需要的信息，并用一台涡扇发动机的运维数据对方法的有效性进行了验证。Zedda等人基于一种航空发动机稳定状态的非线性模型，利用遗传优化算法对航空发动机的气路部件故障及传感器故障诊断方法进行了研究，并利用某型号的低涵道比涡扇航空发动机对所提出的故障诊断模型进行了验证。

但是，由于航空发动机的非线性模型过于复杂，且在实际的运维过程中受到大量随机因素的影响，导致花费大量资源建立的非线性模型难以满足航空发动机的实际运维需求。因此，针对航空发动机的实际运维数据，航空发动机的非线性模型难以得到更好的运用。

随着人工智能技术在故障诊断领域的发展，BP神经网络、RBF神经网络、概率神经网络、自联想网络等在航空发动机气路故障诊断中得到了一定的应用。Fan等人研究了利用Kohonen神经网络对航空发动机的故障诊断方法进行了研究，并对Kohonen的算法进行了研究，同时，以JT9D发动机为例对算法的有效性进行了检验。Chen等人提出了一种基于自组织神经网络的航空发动机智能故障诊断的方法，为了验证所提出故障诊断方法的抗噪性，文中还引入了自联想神经网络。Ye等人用反向传播神经网络(BPNN)和概率神经网络(PNN)对航空发动机若干原型故障进行定性的诊断，并将仿真结果进行了比较，验证结果表明概率神经网络能够充分利用故障先验知识，并考虑代价因子的作用，从而把误诊断可能带来的损失减小到最低程度。Tan将傅里叶神经网络和广义单隐层神经网络用于F404航空发动机的平稳性能状态的仿真中，并运用神经网络对发动机的故障进行诊断。

虽然神经网络方法在航空发动机故障诊断方面得到了一定的应用，但神经网络故障诊断模型本身存在着泛化性不足的问题。运用神经网络进行故障诊断往往需要一定数量的训练样本，如果样本数量较小，则可能产生欠学习的现象。然而，航空发动机属于较为成熟的工业产品，其发生故障的频率较低；航空发动机又属于比较复杂的热力装备，其故障类型较多。因此，在有限的机队中难以收集能够覆盖所有故障的样本数据。同时，现阶段某些航空发动机故障诊断的研究不得不依赖于发动机的仿真数据。然而，航空发动机的运维环境、工况因素等非常复杂，仿真数据难以准确的表征航空发动机的真实运行情况，限制了基于仿真数据而建立的故障诊断模型的实用价值。

各大航空发动机制造商(Original Equipment Manufacturer,OEM)也开发了具有故障诊断功能的软件系统。比如通用电气公司的SAGE系统，普惠公司的EHM等。通常情况下，航空发动机制造厂商会根据对发动机的综合测试及物理模型等给出判别发动机各故障的指印图。虽然指印图故障诊断在航空发动机的实际运维过程中有着十分重要的指导意义，但由于发动机实际工况及运营商对安全裕度的把控差异，仅依靠指印图难以满足航空发动机运维企业对发动机故障诊断的需求。

发明内容

本发明是为了解决现有技术忽略航空发动机个体之间的差异、航空发动机故障样本数据量较少以及现有方法大多采用仿真数据导致实用性较低的问题，而提出的一种基于性能偏移量的航空发动机故障诊断方法。

一种基于性能偏移量的航空发动机故障诊断方法按以下步骤实现：

步骤一：进行航空发动机气路性能数据获取及分组；

步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；

步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类。

发明效果：

航空发动机是典型的高端制造复杂装备，其是民航飞机等飞行器的主要动力来源。同时，航空发动机又是可靠性较高的装备，在其实际运维过程中具有故障率较低，个体性能存在差异等特点。本发明提供了一种基于性能偏移量和多核支持向量机的航空发动机故障诊断方法。针对于航空发动机个体之间的性能差异，本发明基于航空发动机的实际运维数据，利用BP神经网络建立了航空发动机的性能偏移量计算模型。考虑到航空发动机实际运维过程中故障样本较少的特点，本发明基于支持向量机的方法建立了航空发动机的故障分类模型。为了尽可能的发挥支持向量机的分类优势，本发明利用粒子群优化算法对多核支持向量机的权重系数进行优化。经过对比验证，本发明提出的基于性能偏移量的航空发动机故障诊断方法在故障分类准确率和泛化性上均好于传统的基于时间序列拟合的故障诊断方法。

(1)现有航空发动机故障诊断方法很少考虑到航空发动机个体之间的差异。然而，航空发动机是典型的复杂装备，通过发动机的实际运行数据可以看出，即使是型号相同，状态相近的航空发动机，其性能之间都会具有一定的差异。考虑到航空发动机个体之间的差异，本发明利用神经网络建立了航空发动机的性能偏移量模型。

(2)现有的航空发动机故障诊断方法多是以发动机的仿真数据为研究对象。由于航空发动机的结构复杂且工作环境恶劣，本发明利用航空发动机的实际运维数据为基础，进行航空发动机故障诊断模型的建立。

(3)针对航空发动机样本数据量较少的特点，本发明利用支持向量机建立了航空发动机的故障分类模型。为最大程度的利用支持向量机的分类优势，本发明基于粒子群优化算法确定了支持向量机的多核函数。

本发明能够在航空发动机真实故障的小样本条件下实现发动机的故障诊断。本发明在指印图的框架下，基于航空发动机的真实运维数据，运用支持向量机提出了航空发动机故障诊断方法。能够在航空发动机真实故障的小样本条件下实现发动机的故障诊断。

附图说明

图1为性能数据区间分组示例图；

图2为性能偏移量模型的建立及故障指征的计算流程图；

图3为粒子群优化算法流程图；

图4为实验故障分类图。

具体实施方式

具体实施方式一：一种基于性能偏移量的航空发动机故障诊断方法包括以下步骤：

步骤一：进行航空发动机气路性能数据获取及分组；

步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；

步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中进行航空发动机气路性能数据获取及分组的具体过程为：

航空发动机的气路性能参数是发动机故障诊断的基础，现役多数航空发动机的气路性能参数一般会通过飞机通讯寻址与报告系统(Aircraft Communications Addressingand ReportingSystem,ACARS)准实时的传输至地面。再由航空发动机的运营商进行整理并发送至航空发动机制造商(Original Equipment Manufacturer,OEM)，由OEM进行性能参数的解算。OEM会根据发动机的工况信息、推力设定等，将发动机的原始气路性能参数转化为基线的偏差值。如：利用航空发动机的工况信息：飞行高度、马赫数、推力设定等，将排气温度(EGT)、核心机转速(N2)、燃油流量(FF)等转化为气路参数的偏差值：排气温度裕度偏差值(ΔEGT)、核心机转速偏差值(ΔN2)、燃油流量偏差值(ΔFF)等，再利用偏差值进行健康评估和故障诊断。

通过航空发动机的维修报告获得故障发动机的拆发时间t_j，从OEM解算的ACARS数据中提取发动机j拆发时间t_j前n个飞行循环的主要气路性能参数偏差值(即拆发时间t_j前面的n个飞行循环)：ΔEGT、ΔN2、ΔFF，分别表示为式(1)、(2)、(3)的形式；其中OEM为航空发动机制造商，ACARS为飞机通讯寻址与报告系统，ΔEGT为排气温度偏差值，ΔN2为核心机转速偏差值，ΔFF为燃油流量偏差值；

ΔEGT＝{ΔEGT_n,ΔEGT_n-1,ΔEGT_n-2,...,ΔEGT_i,...,ΔEGT₃,ΔEGT₂,ΔEGT₁}(1)

ΔN2＝{ΔN2_n,ΔN2_n-1,ΔN2_n-2,...,ΔN2_i,...,ΔN2₃,ΔN2₂,ΔN2₁} (2)

ΔFF＝{ΔFF_n,ΔFF_n-1,ΔFF_n-2,...,ΔFF_i,...,ΔFF₃,ΔFF₂,ΔFF₁} (3)

将每台航空发动机拆发前n飞行循环的气路参数按飞行时序进行分组，将与t_j相邻的一组数据作为故障征候数据样本组，将其他各分组作为正常数据样本组；

设X为涡扇航空发动机因某故障而拆发的前n飞行循环的某主要性能参数(即拆发时间t_j前面的n个飞行循环的性能参数)，即：X＝{x_n,x_n-1,x_n-2,...,x_i,...,x₃,x₂,x₁}，其中的x_i为拆发时间t_j以前第i飞行循环的性能参数；

若以k个飞行循环为一个分组，则性能参数X分为m个循环段，m用式(4)进行表示；

其中为非整数的整数部分取值符号；

分组后的航空发动机性能参数表示为式(5)的形式：

其中X_m,…,X₂为发动机的正常数据样本组，X₁为发动机故障征候数据样本组。

如图1所示为某型号航空发动机因性能衰退而拆发的拆发前n＝300循环的ΔEGT的平滑值，这里以k＝50循环进行的分组示例。从图中可以看出，用简单的线性拟合对每个样本组中参数的变化趋势进行表征，正常状态样本的趋势较为平稳或下降，而故障征候样本的趋势则呈现出非常明显的不同，这种“不同”本发明定义为“偏移量”。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中进行航空发动机性能偏移量模型建立及性能偏移量求解的具体过程为：

获得航空发动机的正常样本数据组和故障征候数据样本组后，采用BP神经网络建立航空发动机的性能偏移量计算模型，以各正常样本组的性能参数作为模型输入，以健康性能指标值1作为正常样本组的输出预期，对发动机性能偏移量神经网络进行训练；求解当次拆发的故障征候性能偏移量时，将故障征候样本组作为训练好的偏移量神经网络模型的输入，通过模型得到的输出量即为发动机的性能偏移量；性能偏移量模型的建立及故障指征的计算过程可用图2所示。

由于航空发动机的故障形式多样，且每种故障形式有多种表征形式，仅仅利用单个参数的性能偏移量进行故障诊断，会造成误判。为了较为准确的对航空发动机的故障进行诊断，本发明将主要将性能参数：ΔEGT、ΔN2、ΔFF、ΔEGT/ΔN2的性能偏移量作为航空发动机的无量纲故障背景参数集合，其形式用式(6)表示：

A＝{A_ΔEGT,A_ΔN2,A_ΔFF,A_ΔN2/ΔEGT} (6)

其中A_ΔEGT为参数ΔEGT的性能偏移量，A_ΔN2为参数ΔN2的性能偏移量，A_ΔFF为参数ΔFF的性能偏移量，A_ΔN2/ΔEGT为参数ΔN2与ΔEGT比值的偏移量。

由于航空发动机的故障样本数量有限，且故障表征空间的维度为4，因此本发明运用针对小样本、多维度可进行有效分类的支持向量机对航空发动机进行综合故障诊断。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中进行支持向量机多核函数的确定及故障分类的具体过程为：

在支持向量机的学习过程中，核函数方法虽然能够有效的解决非线性模式的分析及分类问题。但在实际的工程应用中，由于不同核函数的特性存在一定的差异，从而导致针对某些复杂情况，仅运用单核函数难以最大限度的发挥支持向量机的分类优势。为了融合各单核函数的特性，提高支持向量机分类的准确性，可将多个核函数进行组合并构造基于多核函数的支持向量机。

一种构造多核函数的方法就是运用多个基本核函数的凸组合组成形如式(7)的形式：

其中K_multi为组合后的多核核函数，K_j为基本核函数，β_j为各核函数的权重系数，M为基本核函数的总个数；

在多核支持向量机中，原始样本空间R^N中的样本参数y₁,y₂...y_n有多核函数K_multi映射到组合空间Z中；多核函数K_multi是由多个基本核函数K₁,K₂,...,K_m组合而成，则组合空间Z可看做是由Z₁,Z₂,...,Z_m组合而成的特征空间，即Z可由式(8)表示；

Z₁＝Z₁∪Z₂∪…∪Z_m (8)

因此，由多个基本核函数组合映射的组合空间综合利用了各基本核函数的特征投射能力，能够使样本数据在组合特征空间中得到较好的表达，从而在一定程度上提高支持向量机分类的准确度。

若核函数K_multi的形式是由多个基本核函数K₁,K₂,...,K_m组合而成，则K_multi的表达问题转化为K₁,K₂,...,K_m权重系数β_j的确定问题；

对于航空发动机的气路参数而言，各性能参数的分布空间有着较大的差别。而一组较好的基本核函数权重系数β_j，能够最大发挥多核支持向量机的分类功能，获得较高的分类准确度。智能优化算法在解决多变量复杂优化模型方面具有一定的优势，因此，本发明采用智能优化算法对多核函数中各基本核函数的权重系数β_j进行优化求解。

由于粒子群优化算法(Particle Swarm Optimization,PSO)具有对模型的适用性强、鲁棒性好、能够解决多变量优化问题等优点。

采用粒子群优化算法对多核支持向量机中各基本核函数权重系数β_j进行确定；

支持向量机的多核函数写成式(9)的形式：

K(x,x_i)＝β₁·K₁(x,x_i)+β₂·K₂(x,x_i)+β₃·K₃(x,x_i) (9)

其中K₁(x,x_i)、K₂(x,x_i)、K₃(x,x_i)代表三种不同形式的基本核函数，β₁、β₂、β₃表示核函数的权重系数；

在粒子群优化算法中，在对权重系数空间{β₁,β₂,β₃}进行搜索时，要达到的主要目标是尽可能的提高多核支持向量机的分类准确率，适应度函数则用式(10)表示：

其中N_right为核函数的权重系数为时的分类准确个数，为第c次迭代时的核函数的权重系数；N_all为样本的总体数量，F_fit为核函数的权重系数为时的分类准确率；

本发明所采用的粒子群优化算法的算法流程可用图3进行表示。

粒子群优化算法的步骤为：

步骤三一：在0与1之间随机将β₁、β₂、β₃赋值，初始化基础核函数系数β；

步骤三二：计算系数对应的分类准确率F_fit；

步骤三三：根据分类准确率更新个体极值p_i,j与全局极值p_g,j；

步骤三四：根据公式(8)更新系数所组成粒子空间的速度与位置；

步骤三五：判断是否达到迭代终止条件，即：迭代次数超过50次或分类准确率已达到100％，若是则执行步骤三六，若否则返回步骤二迭代执行；

步骤三六：获得最优基础核函数系数；

步骤三七：结束；

标准粒子群优化算法的更新公式可用式(11)进行表示。

其中v_i,j(t)为t次迭代中粒子的速度；x_i,j(t)为t次迭代中粒子的位置；p_i,j为t次迭代中计算粒子的最优位置；p_g,j为t次迭代中所有粒子的全局最优位置；ω为迭代过程中的惯性权重因子；c₁,c₂为粒子运动的加速常数；r₁,r₂为两个[0,1]的随机常数。

在确定多核支持向量机的核函数后，即可利用发动机的故障指征参数及对应的故障分类对多核支持向量机进行分类，并获得故障诊断模型；获得故障诊断模型后，将待诊断的航空发动机性能数据按照步骤一和步骤二进行处理，获得性能偏移量后即可用步骤三获得的多核支持向量机对发动机进行故障诊断。

其它步骤及参数与具体实施方式一至三之一相同。

实施例一：

本发明收集了某航空公司某型号发动机机队自2008年以来的发动机维修报告，从中提取出7类故障样本，如图4所示。其中航空发动机部件类故障5大类；综合表征类故障2类。由于高压涡轮故障样本较多，将其分为Blade类故障和NGV类故障。

根据样本机队航空发动机的故障分类，本发明按照如下步骤进行基于性能偏移量建模的多核支持向量机故障诊断试验。

(1)航空发动机气路性能数据获取及分组：

根据航空发动机的拆发时间，从OEM解算的ACARS数据中提取了各台发动机拆发前300循环的主要气路性能参数偏差值：ΔEGT、ΔN2、ΔFF。由于解算的原始偏差值含有大量的噪声，本发明选取了ΔEGT、ΔN2、ΔFF的OEM平滑值。如表1所示，为某台因燃烧室(Combustion)故障拆发的发动机拆发前300循环的主要性能参数。

表1 拆发前性能参数示例

根据OEM的故障预报数据，其选取的故障征候循环数从5到130循环不等。且只有少数故障征候数据超过50循环。因此，选取50循环作为故障指征数据的区间段能够满足大部分的故障诊断需求。本发明按照飞行循环的时间顺序，将连续的50个飞行循环数据分为一组，可将性能参数分为6组。若用表示某性能参数，则分组后的航空发动机性能参数可表示为式(12)的形式。

其中X₂,X₃,X₄,X₅,X₆为发动机正常状态的性能参数样本，X₁为故障征候状态的性能参数样本。

(2)航空发动机性能偏移量模型建立及性能偏移量求解

建立各台航空发动机的性能偏移量计算模型时，需要对BP神经网络的隐含层节点数及训练精度进行确定。隐含层的节点数可根据经验公式(13)进行确定。

其中m为隐含层的节点数；n为输入层的节点数；l为输出层节点数；α为1到10之间的常数。

按照发动机性能数据的分组方式，输入层节点数n＝50；输出层节点数l＝1；因此，在建立航空发动机的性能偏移量计算模型时，取α＝3。则隐含层节点数可取m＝10。确定隐含层节点数后，根据样本的网络计算稳定性及多次计算均值误差，本发明将神经网络的训练精度设置为10^-3。

本发明将发动机的故障征候性能参数作为计算模型的输入计算性能参数的偏移量。由于样本数量等方面的限制，每次计算的偏差值都有一定的波动性。为了弱化神经网络的波动，在计算各性能参数的偏移量时，本发明采取了多次建立偏移量计算模型并取平均值的方式。即：运用每个故障类型的样本，运用正常状态数据训练20次BP神经网络模型，并运用故障征候数据计算每次模型的偏离程度：{y₁,y₂,y₃,....,y₂₀}，计算偏移量的平均值y，如式(14)所示。

以样本机队的LPT故障为例，按照上述方法分别用神经网络训练性能参数：ΔEGT、ΔN2、ΔFF、ΔN2/ΔEGT的平均偏移量，各性能参数的偏离如表2所示。

表2 性能参数偏离量

(3)支持向量机多核函数的确定及故障分类

由于航空发动机某些故障的样本数量少，比如：所收集到的燃烧室故障样本仅有5个，将过少的故障样本放到所有样本中进行分类，往往会得到一个失真的判别效果。例如：“故障样本1”有5个故障数据，而所有样本共100个故障数据，即使将所有的“故障样本1”均错分为其他故障，其分类准确率也会达到95％。因此，本发明拟采取两个规模相差不大的故障样本之间区分的方式进行故障分类的验证。

对图4中的实验故障类型进行分类实验。获得的各核函数的分类准确率、准确率最高的支持向量个数如表3所示。

表3 基于性能偏移量的单核支持向量机分类结果

表3中采取的三种核函数：“核函数1”、“核函数2”、“核函数3”的具体形式分别可用式(15)、式(16)、式(17)表示。

K₁(x,x_i)＝x×x′ (15)

K₂(x,x_i)＝||x||×||x′|| (16)

为了提高航空发动机故障诊断模型的分类准确率，充分挖掘支持向量机的分类潜力。本发明又采用多核支持向量机的方法建立航空发动机的故障诊断模型。在运用多核支持向量机进行模式分类时，其核心步骤是确定各基本核的权重系数。

运用多核支持向量机建立航空发动机的故障诊断模型过程中，本发明运用样本自学习的方法对各基本核的权重系数进行优化求解，即：将选定故障类型的所有样本作为多核支持向量机各基本核权重系数的学习样本。在确定多核支持向量机各基本核权重系数时，本发明运用粒子群优化算法进行优化求解。获得各基本核系数及各故障的分类准确率、支持向量个数等如表4所示。

表4 基于性能偏移量计算模型的多核支持向量机分类结果

从两组实验的对比结果可以看出，多核支持向量机无论是分类准确率还是支持向量的个数均优于单核支持向量机，即：多核支持向量机的分类准确率高于单核支持向量机；且多核支持向量机的支持向量个数明显少于单核支持向量机。其中，分类准确率表征分类方法的准确程度，分类准确率越高，表明分类方法越好；支持向量个数表征支持向量机的泛化程度，支持向量个数越少，表明方法的泛化性越好。

(4)对比实验

为了对本发明所提出的基于性能偏移量建模的多核支持向量机故障诊断方法进行对比，在应用验证中基于性能参数的时间序列拟合进行了支持向量机故障诊断的对比试验。在对比实验中，本发明将分组后的航空发动机各性能参数进行曲线拟合，将各组性能参数的拟合系数作为航空发动机故障诊断的指征。由于受到样本数量的限制，同样采用所有故障样本即做学习样本，又做验证样本的方式进行试验。进行分类实验获得的分类准确率、支持向量个数如表5所示。

表5 基于时间序列拟合的单核支持向量机分类结果

本发明又基于性能参数的时间序列拟合模型采用了多核支持向量机的方法进行了对比试验。多核支持向量机的验证过程如前所述，获得各基本核系数及各故障的分类准确率、支持向量个数等如表6所示。

表6 基于时间序列拟合的多核支持向量机分类结果

通过对比实验可以看出，多核支持向量机的分类结果在分类准确率和泛化性两个方面均明显好于单核支持向量机。

将本发明提出的基于性能偏移模型的多核支持向量机故障诊断方法的实验结果称为实验组；将本发明用于对比验证的基于时间序列拟合的多和支持向量机故障诊断模型的实验结果成为对比组，从表5和表6中可以看出：

从分类准确率的角度来看：序号为2、3、4、5、7、8、9、10、11、13的10组试验结果为实验组明显好于对比组；序号为1、12、14的3组试验结果为对比组高于实验组。

从模型泛化性来看：序号为1、2、3、4、5、6、7、8、9、10、11、12的12组试验结果为实验组明显好于对比组；序号为12、13、14的3组试验结果为对比组高于实验组。

其中，2、3、4、5、7、8、9、10、11的9组试验结果为实验组在分类准确率和泛化性两个方面均好于对比组。综合来看，本发明提出的基于性能偏移模型的多核支持向量机故障诊断模型在分类准确率和泛化性两个方面均明显好于基于时间序列的故障诊断。

Claims (1)

1.一种基于性能偏移量的航空发动机故障诊断方法，其特征在于，所述基于性能偏移量的航空发动机故障诊断方法包括以下步骤：

步骤一：进行航空发动机气路性能数据获取及分组；

步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；

步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类；

所述步骤一中进行航空发动机气路性能数据获取及分组的具体过程为：

通过航空发动机的维修报告获得故障发动机的拆发时间t_j，从OEM解算的ACARS数据中提取发动机j拆发时间t_j前n个飞行循环的气路性能参数偏差值：△EGT、△N2、△FF，分别表示为式(1)、(2)、(3)的形式；其中OEM为航空发动机制造商，ACARS为飞机通讯寻址与报告系统，△EGT为排气温度偏差值，△N2为核心机转速偏差值，△FF为燃油流量偏差值；

ΔEGT＝{ΔEGT_n,ΔEGT_n-1,ΔEGT_n-2,...,ΔEGT_i,...,ΔEGT₃,ΔEGT₂,ΔEGT₁} (1)

ΔN2＝{ΔN2_n,ΔN2_n-1,ΔN2_n-2,...,ΔN2_i,...,ΔN2₃,ΔN2₂,ΔN2₁} (2)

ΔFF＝{ΔFF_n,ΔFF_n-1,ΔFF_n-2,...,ΔFF_i,...,ΔFF₃,ΔFF₂,ΔFF₁} (3)

将每台航空发动机拆发前n个飞行循环的气路参数按飞行时序进行分组，将与t_j相邻的一组数据作为故障征候数据样本组，将其他各分组作为正常数据样本组；

设X为涡扇航空发动机因故障而拆发的前n个飞行循环的性能参数，即：X＝{x_n,x_n-1,x_n-2,...,x_i,...,x₃,x₂,x₁}，其中的x_i为拆发时间t_j以前第i飞行循环的性能参数；

若以k个飞行循环为一个分组，则性能参数X分为m个循环段，m用式(4)进行表示；

其中为非整数的整数部分取值符号；

分组后的航空发动机性能参数表示为式(5)的形式：

其中X_m,…,X₂为发动机的正常数据样本组，X₁为发动机故障征候数据样本组；

所述步骤二中进行航空发动机性能偏移量模型建立及性能偏移量求解的具体过程为：

采用BP神经网络建立航空发动机的性能偏移量计算模型，以各正常样本组的性能参数作为模型输入，以健康性能指标值1作为正常样本组的输出预期，对发动机性能偏移量神经网络进行训练；求解当次拆发的故障征候性能偏移量时，将故障征候样本组作为训练好的偏移量神经网络模型的输入，通过模型得到的输出量即为发动机的性能偏移量；

将性能参数：△EGT、△N2、△FF、△EGT/△N2的性能偏移量作为航空发动机的无量纲故障背景参数集合，其形式用式(6)表示：

A＝{A_ΔEGT,A_ΔN2,A_ΔFF,A_ΔN2/ΔEGT} (6)

其中A_ΔEGT为参数△EGT的性能偏移量，A_ΔN2为参数△N2的性能偏移量，A_ΔFF为参数△FF的性能偏移量，A_ΔN2/ΔEGT为参数△N2与△EGT比值的偏移量；

所述步骤三中进行支持向量机多核函数的确定及故障分类的具体过程为：

一种构造多核函数的方法就是运用多个基本核函数的凸组合组成形如式(7)的形式：

其中K_multi为组合后的多核核函数，K_j为基本核函数，β_j为各核函数的权重系数，M为基本核函数的总个数；

在多核支持向量机中，原始样本空间R^N中的样本参数y₁,y₂...y_n有多核函数K_multi映射到组合空间Z中；多核函数K_multi是由多个基本核函数K₁,K₂,...,K_m组合而成，则组合空间Z是由Z₁,Z₂,...,Z_m组合而成的特征空间，即Z可由式(8)表示；

Z₁＝Z₁∪Z₂∪…∪Z_m (8)

若核函数K_multi的形式是由多个基本核函数K₁,K₂,...,K_m组合而成，则K_multi的表达转化为K₁,K₂,...,K_m权重系数β_j的确定；

采用粒子群优化算法对多核支持向量机中各基本核函数权重系数β_j进行确定；

支持向量机的多核函数写成式(9)的形式：

K(x,x_i)＝β₁·K₁(x,x_i)+β₂·K₂(x,x_i)+β₃·K₃(x,x_i) (9)

其中K₁(x,x_i)、K₂(x,x_i)、K₃(x,x_i)为核函数，β₁、β₂、β₃表示核函数的权重系数；

在粒子群优化算法中，在对权重系数空间{β₁,β₂,β₃}进行搜索时，适应度函数则用式(10)表示：

其中N_right为核函数的权重系数为时的分类准确个数，为第c次迭代时的核函数的权重系数；N_all为样本的总体数量，F_fit为核函数的权重系数为时的分类准确率；

粒子群优化算法的步骤为：

步骤三一：初始化基础核函数系数β；

步骤三二：计算系数对应的分类准确率F_fit；

步骤三三：根据分类准确率更新个体极值p_i,j与全局极值p_g,j；

步骤三四：根据公式(8)更新系数所组成粒子空间的速度与位置；

步骤三五：判断是否达到迭代终止条件，若是则执行步骤三六，若否则返回步骤二迭代执行；

步骤三六：获得最优基础核函数系数；

步骤三七：结束；

在确定多核支持向量机的核函数后，即可利用发动机的故障指征参数及对应的故障分类对多核支持向量机进行分类，并获得故障诊断模型；获得故障诊断模型后，将待诊断的航空发动机性能数据按照步骤一和步骤二进行处理，获得性能偏移量后即可用步骤三获得的多核支持向量机对发动机进行故障诊断。