CN108256173A - 一种航空发动机动态过程的气路故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种航空发动机动态过程的气路故障诊断方法及系统，该方法包括：建立基于多层核极限学习机的特征提取模型；采用基于时序建模的隐马尔科夫模型进行故障识别。本发明解决了现有的动态过程中航空发动机气路故障诊断中，常规的基于数据的发动机故障诊断利用时序测量数据进行故障诊断精度不高的问题，适用于在考虑气路部件退化及传感器参数冗余的情况下发动机的动态故障诊断，对于发动机健康管理、降低维修成本有着积极促进作用。

Description

一种航空发动机动态过程的气路故障诊断方法及系统

技术领域

本发明属于航空发动机气路故障诊断领域，具体涉及一种航空发动机动态过程的气路故障诊断方法及系统。

背景技术

航空发动机作为飞机的心脏，结构复杂而且工作环境恶劣，发动机故障诊断技术是保证发动机性能与可靠性，降低使用维护成本的重要手段。在航空发动机服役过程中，部件性能会发生缓慢退化，此外，还可能发生部件健康参数突变；与此同时，由于工作环境的恶劣，传感器也是故障易发元件之一；气路部件故障与传感器故障共同影响着航空发动机的性能与可靠性，有必要对其进行诊断。

目前，航空发动机气路部件故障诊断主要是针对静态时间点的，而实际上故障都是伴随着时间而进行的渐变，因此在静态故障诊断外，还因考虑动态故障诊断。由于航空发动机故障诊断过程中，尤其在动态过程中，发动机的传感器参数在时序上是相关和耦合的，因此针对动态故障诊断要考虑一种考虑前后相关信息的方法。Baum等人在20世纪70年代提出的隐马尔可夫模型(HMM)能够有效的处理时间序列相关问题，在许多时序领域(如语音识别、手势识别和文本处理)得到了重视大量应用。考虑其针对状态转移和时序进行建模，很好的关联了前后信息，因而将其应用在发动机动态故障诊断。

气路部件故障诊断是以传感器测量信号为基础工作的，传感器信号正常与否将直接影响到气路部件故障诊断乃至发动机控制的有效性。但是，大量的传感器信号有些是冗余的并伴随着很多的噪声，为节省计算资源和有效而快速的进行故障诊断，有必要对采集的传感器时间序列进行特征提取。传统的特征提取方法有主成分分析、核主成分分析等，本发明将多层核极限学习机引用到特征提取技术中，有效的提升了其特征提取能力，提高了动态故障诊断精度。

发明内容

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种航空发动机动态过程的气路故障诊断方法，首先针对航空发动机各个指定气路部件的传感器搜集到足够的参数信息；然后将其时间序列(数据矩阵)输送到多层核极限学习机网络中进行特征提取；最后将提取出的特征序列输送到马尔科夫模型中，比较各模式概率大小确定最终的诊断结果；所述故障检测方法包括如下步骤：

一种航空发动机动态过程的气路故障诊断方法，包括以下步骤：

步骤A，将搜集到的航空发动机历史故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤B，对步骤A所得特征序列，进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成发送机气路故障诊断库；

步骤C，利用发动机气路故障诊断库判断当前的故障时间序列数据对应的隐藏马尔科夫模型，从而得到当前的故障时间序列数据对应的故障模式。

进一步的，步骤A的具体步骤如下：

步骤A1，将搜集到的航空发动机历史故障时间序列数据进行标准化处理，所述数据由航空发动各气路部件传感器参数组成；

步骤A2，将步骤A1所得标准化处理后的数据利用核函数进行核映射投影，得到高维观测序列，并计算其核矩阵；

步骤A3，对步骤A2所得高维观测序列进行基于多层核极限学习机的特征提取网络训练并得到新的特征序列。

进一步的，步骤A3中高维观测序列进行基于多层核极限学习机的特征提取网络训练的详细步骤如下：

确定网络层数及各层的激活函数、核参数与正则化系数，逐层计算每一层的转换矩阵，直至计算出输出层的输出权值矩阵，最终得到特征提取网络。

进一步的，所述多层核极限学习机网络训练得到新的特征序列为降阶核特征序列。

进一步的，步骤B的具体步骤如下：

步骤B1，确定隐马尔科夫模型的拓扑结构，隐藏状态数，观测状态数以及迭代步数阀值；

步骤B2，将经过步骤A处理后得到的降阶核特征序列的每一维的数据进行标量化处理，得到离散特征序列；

步骤B3，利用所述离散特征序列进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成故障诊断库。

进一步的，步骤B2中所述标量化处理采用Lloyds算法针对整体数据生成对应的分区向量。

进一步的，步骤B3中采用的隐马尔科夫模型的训练基于多维样本序列的滚动重估EM方法。

进一步的，所述步骤C的具体步骤为：

步骤C1，将当前的航空发动机故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤C2，计算步骤C1所得特征序列与步骤B所得每一个隐藏马尔科夫模型的相似概率，相似概率最大值对应的隐藏马尔科夫模型所对应的故障模式即为当前的航空发动机故障时间序列数据对应的故障模式。

一种航空发动机动态过程的气路故障诊断系统，包括数据预处理模块、数据特征提取模块、数据量化模块、隐马尔科夫模型计算模块、故障模式判定模块：

所述数据预处理模块用于对数据进行标准化处理，并将得到的序列数据输入到所述数据特征提取模块；

所述数据特征提取模块用于对序列数据经多层核极限学习机进行特征提取生成降阶核特征序列数据并输入到所述数据量化模块；

所述数据量化模块用于对降阶核特征序列数据的量化生成离散特征序列数据并后续输入到隐马尔科夫模型；

所述隐马尔科夫模型计算模块对生成的离散特征序列利用概率计算公式计算其与当前隐马尔科夫模型的匹配概率值并取对数得到其概率似然度并输入到所述故障模式判定模块；

所述故障模式判定模块将当前序列与所有故障模式的隐藏马尔科夫模型计算得到的概率似然度进行对比，概率似然度最大的隐藏马尔科夫模型即对应当前的故障模式。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明提出的航空发动机动态过程的气路故障诊断方法，能适用于在缺乏发动机模型只利用历史故障数据情况下进行故障诊断，是一种有效的数据驱动的航空发动机故障诊断方法。

(2)本发明提出的航空发动机动态过程的气路故障诊断方法，为改善诊断精度和速度，引入了基于多层核极限学习机，具有更强的特征提取能力，同时能满足发动机故障诊断实时性需求；

(3)本发明设计的航空发动机动态过程的气路故障诊断方法，能自动根据已有的故障历史数据建立相对应的故障诊断模型，降低劳动强度，节约设计开发成本，且并不局限于某一型号航空发动机，具有一定的通用性。

附图说明

图1是航空发动机动态过程的气路故障诊断模型建立流程；

图2是涡扇发动机气路工作截面标识图；

图3是航空发动机对应的控制量参数及各部件传感器数据；

图4是本发明涉及的多层核极限学习机特征提取框架结构图；

图5是本发明涉及航空发动机传感器参数序列特征提取流程图；

图6是基于隐马尔科夫模型的故障模式判定框架结构图；

图7a是航空发动机动态情况下燃油变化曲线图；

图7b是航空发动机动态情况下尾喷管面积变化曲线图；

图8是航空发动机气路部件随飞行循环数退化情况；

图9是13种航空发动机气路部件故障；

图10是动态过程中故障模式一下传感器参数时间序列；

图11是针对动态过程的航空发动机气路故障诊断最终的性能对比。

具体实施方式

下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明：

本发明的思路是针对动态航空发动机传感器参数冗余和传统诊断方法忽略参数时序关联性的问题，设计了基于多层核极限学习机-隐马尔科夫动态航空发动机气路故障诊断框架。该框架分为特征提取和故障模式诊断两部分，特征提取部分采用较为新颖的多层核极限学习机，相比于传统的主成份分析、核主成份分析，多层核极限学习机由于执行了核映射，将数据先行投影到高维核空间，同时多层的网络结构使其特征提取能力大大提高，而故障诊断模型部分考虑到发动机传感器参数动态下的前后关联性采用基于时序的隐藏马尔科夫模型。该方法是航空发动机基于数据驱动的故障诊断的有益尝试，能显著降低劳动强度，减少开发成本。

本发明的具体实施方式以某型发动机动态气路故障诊断为例，图1是航空发动机动态过程的气路故障诊断模型建立流程，该诊断模型及其建立方法包括以下步骤：

步骤A，建立基于多层核极限学习机的特征提取网络；

步骤B，采用基于时序建模的隐马尔科夫模型建立发动机诊断模型。

其中步骤A的详细步骤如下：

步骤A1，将搜集到的q种故障模式下航空发动机动态过程的历史故障数据{X_i}(时序数据序列长度为T，样本点总个数为N)进行标准化处理，该数据由各气路部件传感器参数(温度和压力)组成。在这里，本发明所涉及实例所应用的涡扇发动机气路的工作截面如图2所示，主要部件包括进气道、风扇、压气机、燃烧室、高压涡轮、低压涡轮、混合室、加力燃烧室和尾喷管等。本发明所设计航空发动机气路部件故障检测方法在针对上述实施例中涡扇发动机的实际应用过程当中，针对航空发动机各个气路部件(风扇、压气机、高压涡轮、低压涡轮)，记录下其对应的传感器温度如温度压力等，其主要的气路部件的具体的传感器参数如下图3所示。标准化的计算公式为：

这样将其转化为各维度数值范围在[0,1]的数值，以避免某一维度的数值特征过大。

步骤A2，将样本数据利用高斯核函数进行核映射投影，并计算其核矩阵，一般来说，通常选用高斯核函数作为核空间映射函数，在选定核参数σ_i后，计算其核映射矩阵，公式为

K＝{k(X_i,X_j)}＝{exp(-(X_i-X_j)²/(2*σ)²)} (2)

步骤A3，基于多层核极限学习机的特征提取网络训练，多层核极限学习机的特征提取分层进行，其具体的流程结果如图4所示，假定设置为三层结构，则计算第二层的输出矩阵X⁽²⁾由计算得到的转化矩阵Γ⁽¹⁾通过如下的公式得到：Γ⁽¹⁾←KELMAE(X⁽¹⁾,C₁,σ₁,g₁)，并按同样的方式得到第三层的数据输出X⁽³⁾，公式为Γ⁽²⁾←KELMAE(X⁽²⁾,C₂,σ₂,g₂)，如果层数更多，依次进行。得到最终的转化矩阵记为Γ^final＝Γ⁽²⁾，数据矩阵为X^final←X⁽²⁾。计算每一层的核矩阵Ω⁽ⁱ⁾←K⁽ⁱ⁾(X⁽ⁱ⁾,(X⁽ⁱ⁾)^T,σ_i)，及每一层的输出权值为将所提取到的特征时序序列输送到隐藏马尔科夫模型进行训练进入步骤B)；

步骤A3中的每层参数更新，即KELMAE具体算法如以下步骤所示

步骤A31，初始化，设置该层的正则化参数C_i，核参数σ_i以及激活函数g_i。

步骤A32，计算核矩阵，其计算公式为Ω⁽ⁱ⁾←K(X,X^T,σ_i)

步骤A33，计算转化矩阵，其计算公式为Γ⁽ⁱ⁾←(I/C+Ω⁽ⁱ⁾)^-1X⁽ⁱ⁾

步骤A34，计算新的数据输出X⁽ⁱ⁺¹⁾，其计算公式为X^(i+！)←g_i(X⁽ⁱ⁾(Γ⁽ⁱ⁾)^T)

步骤A35，返回X⁽ⁱ⁺¹⁾和Γ⁽ⁱ⁾。

这样可以得到用于特征提取的多层核极限学习机网络以及特征数据，高维的航空发动机传感器参数在这里经过特征提取转化为低维的具有核特征的序列，即为降阶核特征序列，步骤A的详细流程如图5所示。

步骤B的详细步骤如下：

步骤B1，确定隐马尔科夫模型的拓扑结构，隐藏状态数Q，观测状态数M以及迭代步数阀值，在这里，由于发动机是故障不可逆，一般而言选用左右型拓扑结构，即马尔科夫模型的传递函数的左下角元素均为0。同时，隐藏状态数的最优选取通过逐点搜索法来选取，搜索空间范围为[3,10]，观测状态数为10，迭代步数阀值设定为100。

步骤B2，针对经过步骤A处理后得到的特征序列，并将每一维的数据进行标量化处理，标量量化是根据数据分布的幅值，将其等分为M-1个区域(partition)，并按升序排列，将数据分布的M个相邻区域映射为M个离散值，信号x每个区域的索引值index(x)定义为

式中，i为自然数，因此在这里需要定义一个M-1的分区向量(partition)和一个长度为M的码本向量(codebook)，分区向量根据M-1个升序排列的分区值将测量参数分为M个区域。

评判量化是否合适用量化失真度这个概念，量化失真(distortion)定义为原始输入数据Da和量化数据Db的差平方的平均值，即

标量量化过程的重要步骤就是生成分区和码本的参数，这个过程可以使用Lloyds算法来实现(Matlab有相关函数)，其基本思想是通过试探减少输入集的量化失真来得到最佳的分区和码本参数。因此，可根据量化失真的要求将数据分为M个区域，这个M就是观测状态个数。最终，步骤A得到的降阶核特征序列数据经过标量量化后得到可供马尔科夫模型训练的离散特征序列，记为X_T ^*。

步骤B3，利用处理后的离散特征序列进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成故障诊断库。由于预先设定的故障模式有q个，则必须分别针对q个故障模式训练q个隐藏马尔科夫模型H＝{H₁,H_i,...,H_q}，模型训练方法为EM算法，描述隐马尔科夫模型的三个参数为H_i＝{π_i,A_i,B_i}，分别代表其初始概率分布π＝{π_i},状态转移矩阵A＝{a_ij},以及观测矩阵隐藏马尔科夫模型的训练先从计算前向因子α_t(j)和后向因子β_t(i)开始，其公式分别为：

式中，α₁(i)＝π_i.b_i(x₁),1≤i≤M。而后向因子的计算公式为

式中，β_T(i)＝1,1≤i≤M。随后，便可以进行隐藏马尔科夫模型的训练，每个模式下隐藏马尔科夫模型的训练主要是对转移矩阵A和混淆矩阵B进行参数更新，其更新公式为：

式中，是第k个前向因子,是第k个后向因子。设定迭代更新步数，一般为100步足以使模型训练收敛。这样我们完成了基于多层核极限学习-隐马尔科夫动态航空发动机气路故障诊断模型。在进行诊断时，针对新来的特征序列，计算其与训练好的每一个隐藏马尔科夫模型的相似概率，同样的先计算前向因子和后向因子，而匹配概率的计算公式如下

得到q个匹配概率并将其降序排列，概率值最大的那个即对应该数据所对应的故障模式。其计算公式如下：

最终的故障诊断框架如图6所示。

为了验证本发明所设计航空发动机气路部件故障检测方法的有效性，在MATLAB环境下进行气路健康诊断的数字仿真。

在发动机设计点H＝0、Ma＝0、W_f＝2.48kg/s、A₈＝0.2597m²，模拟气路故障与传感器故障，所设计的航空发动机动态范围(包括燃油流量Wf的动态变化和尾喷管面积A8的动态变化)分别如图7a和图7b所示，从图可知，航空发动机燃油流量从发动机慢车点一路上升一直到达发动机地面点最大转速状态后又急剧下降到慢车点状态。考虑到动态过程中的发动机气路部件的退化，其部件随飞行循环数的退化情况(通常以部件的效率和流量反应)如图8所示。图8中SW代表效率，SE代表流量，下标₁₂₃₄分别代表风扇、压气机、高压涡轮和低压涡轮。图8表明航空发动机气路部件随飞行循环数的退化情况，随着飞行循环数的增加，其气路部件的健康状况越来越得到恶化。同时，通过调整各部件健康参数，模拟了13种故障模式如图9所示。在动态过程中，由于持续过程较长，采样间隔设置为0.1s，这样整个训练数据的观测序列长度为95，故障模式一下其传感器参数时间序列变化如图10所示。13种故障模式下，共1235组样本数据用于HMM模型的训练，而每一种故障模式的测试数据均为10组，长度与训练数据相同。

为表明本发明所设计的诊断框架的有效性和创新性，将其与普通马尔科夫模型以及基于核极限学习机-隐马尔科夫(KPCA-HMM)进行对比。最终的诊断结果对比如图10所示。从图10中可以看到，在三种飞行循环状态下，HMM的故障特征数目及最优的隐藏状态数均大于KPCA-HMM和MKELM-HMM，这表明后两者的结构已经得到简化，且MKELM的特征提取能力更强，这可以极大的减轻诊断时的计算负担。此外，MKELM-HMM的诊断精度及标准差均显著优于HMM和KPCA-HMM。在动态过程中，由于完整的观测序列长度较长，在故障数据的特征维度降低的时候，可以有效的降低其诊断时间。特征提取过程在较长的序列中占据了不少的资源，但是MKELM-HMM其整体的时间相较于其他两种方法有优势且满足诊断实时性的要求。

本发明设计的动态航空发动机气路部件故障诊断方法，解决了传统基于静态参数点故障诊断方法在动态模式下故障诊断精度不高的问题，并优化了模型结构。考虑到动态模式中发动机传感器参数的相关性和耦合性，引入了基于时序建模的隐马尔科夫模型。同时，为了更有效的提取到冗余发动机数据中的有效特征，引入了多层核极限学习机。所提出的故障诊断框架，能够很好对动态下航空发动机气路故障进行诊断。

需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种航空发动机动态过程的气路故障诊断方法，其特征在于，包括以下步骤：

步骤A，将航空发动机历史故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤B，对步骤A所得特征序列，进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成发动机气路故障诊断库；

步骤C，利用发动机气路故障诊断库判断当前的故障时间序列数据对应的隐藏马尔科夫模型，从而得到当前的故障时间序列数据对应的故障模式。

2.根据权利要求1所述的航空发动机动态过程的气路故障诊断方法，其特征在于，步骤A的具体步骤如下：

步骤A1，将航空发动机历史故障时间序列数据进行标准化处理，所述数据由航空发动各气路部件传感器参数组成；

步骤A2，将步骤A1所得标准化处理后的数据利用核函数进行核映射投影，得到高维观测序列，并计算其核矩阵；

步骤A3，对步骤A2所得高维观测序列进行基于多层核极限学习机的特征提取网络训练并得到新的特征序列。

3.如权利要求2所述的航空发动机动态过程的气路故障诊断方法，其特征在于，步骤A3中高维观测序列进行基于多层核极限学习机的特征提取网络训练的详细步骤如下：

确定网络层数及各层的激活函数、核参数与正则化系数，逐层计算每一层的转换矩阵，直至计算出输出层的输出权值矩阵，最终得到特征提取网络。

4.如权利要求2所述的航空发动机动态过程的气路故障诊断方法，其特征在于，所述多层核极限学习机网络训练得到新的特征序列为降阶核特征序列。

5.如权利要求4所述的航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B的具体步骤如下：

步骤B1，确定隐马尔科夫模型的拓扑结构，隐藏状态数，观测状态数以及迭代步数阀值；

步骤B2，将经过步骤A处理后得到的降阶核特征序列的每一维的数据进行标量化处理，得到离散特征序列；

步骤B3，利用所述离散特征序列进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成故障诊断库。

6.如权利要求5所述航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B2中所述标量化处理采用Lloyds算法针对整体数据生成对应的分区向量。

7.如权利要求5所述航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B3中采用的隐马尔科夫模型的训练基于多维样本序列的滚动重估EM方法。

8.如权利要求1所述航空发动机动态过程的气路故障诊断方法，其特征在于，所述步骤C的具体步骤为：

步骤C1，将当前的航空发动机故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤C2，计算步骤C1所得特征序列与步骤B所得每一个隐藏马尔科夫模型的相似概率，相似概率最大值对应的隐藏马尔科夫模型所对应的故障模式即为当前的航空发动机故障时间序列数据对应的故障模式。

9.一种航空发动机动态过程的气路故障诊断系统，其特征在于，包括数据预处理模块、数据特征提取模块、数据量化模块、隐马尔科夫模型计算模块、故障模式判定模块：

所述数据预处理模块用于对数据进行标准化处理，并将得到的序列数据输入到所述数据特征提取模块；

所述数据特征提取模块用于对序列数据经多层核极限学习机进行特征提取生成降阶核特征序列数据并输入到所述数据量化模块；

所述数据量化模块用于对降阶核特征序列数据的量化生成离散特征序列数据并后续输入到隐马尔科夫模型；

所述隐马尔科夫模型计算模块对生成的离散特征序列利用概率计算公式计算其与当前隐马尔科夫模型的匹配概率值并取对数得到其概率似然度并输入到所述故障模式判定模块；

所述故障模式判定模块将当前序列与所有故障模式的隐藏马尔科夫模型计算得到的概率似然度进行对比，概率似然度最大的隐藏马尔科夫模型即对应当前的故障模式。