健康管理丨中航工业：航空发动机状态监控和预测性维护应用研究
为了深化飞参数据的应用价值，通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等，为发动机保障决策和预测性维护提供参考。采用经验模态分解（EMD）结合相对向量机（RVM）、灰度模型（GM）用于发动机转动件、气路监测的状态监控和故障预测，选取波音某型飞机故障数据验证了模型的准确性，平均绝对百分比误差（MAPE）能达到8.46％ ；采用卡尔曼滤波（KF）结合梯度提升决策树（GBDT）的方法对数据进行降噪并预测剩余寿命，通过美国国家航空航天局（NASA）的航空发动机仿真数据集验证了模型能达到91.3％的准确率；采用核主成分分析（KPCA）结合深度置信网络（DBN）的方法建立发动机气路健康监控模型，经过大量QAR数据验证和测试，预测相对误差为0.43％ 。针对基于数据挖掘的航空发动机故障诊断算法开展研究，设计了相应的算法，开展了实验验证，通过有效的数据预处理和模型参数调节，使得故障诊断性能达到较高水准，为航空发动机的预测性维护提供了重要参考。在参考国内外研究现状的基础上，分别对航空发动机转动件故障预测、剩余寿命预测和气路健康状态监控等进行了探索研究。针对上述3个方向，首先进行数据预处理和特征提取，然后进行模型训练和模型测试。通过经验模态分解（Empirical Mode Decomposition, EMD）融合相对向量机（Relative Vector Machine, RVM）、卡尔曼滤波（Kalman Filter, KF)结合梯度提升决策树（Gradient Bossting Decision Tree, GBDT)，以及核主成分分析（Kernel Principal Component Analysis, KPCA) 结合深度置信网络（Deep Confidence Network, DBN) 3 种方法，有效挖掘飞参数据故障特征信息，通过改进不同预测模型提高预测精度，为飞参数据深入应用提供思路，为航空发动机维护提供有效手段。航空发动机在高压、高温和长周期高速运转条件下，各部件承受了较强的非线性动载荷冲击，保证航空发动机工作的安全性和稳定性对飞机运行至关重要。针对发动机转动件和运行气路数据开展发动机状态监控和预测性维护是保障发动机长期稳定运行的重要手段，对于维持发动机高效率运转、提高飞行效率、缩短发动机停车时间和减少发动机维修费用具有重要意义。从2002年左右开始，国外一些研究人员利用神经网络、概率统计、模糊逻辑等技术开展航空发动机机械故障诊断、寿命监视预测和关键参数建模等应用研究工作。Roemer开发并地面测试了美国空军发动机健康管理（Engine Health Management, EHM)原型系统，该系统能够实时开展机械监测和诊断、气动热性能监测和诊断以及基于发动机特征的寿命累积工作。Roemer等采用基于统计的异常检测算法、故障模式识别技术和先进的概率模型，进行燃气轮机发动机风险评估的诊断与结构、性能和振动相关的故障和退化预测。Kobayashi等提出了基于遗传优化神经网络模型的混合诊断方法，神经网络用于估计发动机内部健康状况，遗传算法用于传感器偏差检测和估计发动机内部健康状况，这种混合方法利用了神经网络提供的非线性估计能力，应用遗传算法提高了测量不确定性的鲁棒性。Jaw采用神经网络算法，针对发动机叶尖动态间隙控制问题开展研究，取得了比传统基于模型的分析方法更好的效果。国内也陆续针对航空发动机的健康状态监测和参数关联性分析开展了包括模糊推理、ARMA时间序列、小波分析融合神经网络等各类算法模型的研究。钟诗胜等针对飞机发动机状态监视问题，提出了了小波过程神经网络模型，开展飞机发动机状态监视中排气温度裕度的预测。单晓明等利用BP（Back Propagation）神经网络，对发动机进行数据有效性检查，根据发动机的状态确定测量参数的有效边界以检测发动机的测量参数是否超限。肖洪等提出了一种预测发动机部件特性的自适应模型方法，建立了发动机故障诊断小偏差方程。潘鹏飞等提出了一种基于变适应度函数的模型优化算法，以达到减小总体建模误差、提高模型精度的目的。以上方法虽均采用基于统计分析、神经网络等方法在航空发动机故障预测和状态监控方面进行了一些研究，但针对发动机转动件和气路状态监控所需的飞参数据特征提取问题，上述研究方法由于没有充分考虑飞参数据的强非线性和高频特性，提取深度存在精度不足的问题，尚不能充分挖掘飞参数据中本就不多的故障信息。采用EMD等方法可以有效提取飞参数据中的非线性特征。采用卡尔曼滤波器能够有效去除背景噪声的影响，提高预测精度。结合DBN在提取特征和处理高维、非线性数据等方面的优势，采用其开展发动机气路状态建模。EMD能够将不同的尺度分解成对应的本征模态函数（Intrinsic Mode Function, IMF）分量和残差函数（Residual Function, RF)分量，分别采用不同数据挖掘方法对各个分解量进行建模计算，并将结果融合，进行输出：RVM在传统向量机模型的基础上，借鉴了非线性稀疏贝叶斯理论，原理如下。故障信号包含很多不确定非线性信息，而灰度模型（Gray Model, GM)适合对这类数据进行故障建模，因此可采用GM对RF分量进行结果预测。通过不断更新ｕ和ｖ达到参数收敛。该模型参数选择关键在于核函数，通过多折交叉方法，选取指数、高斯等不同核函数，来得到最优的模型核函数参数。为了验证本节所描述的预测模型，选取26组PW4000发动机转动件公开数据集进行建模训练和验证，数据集里包含的参数有发动机振动值、发动机滑油压力、发动机燃油压力、发动机燃油量、发动机扭矩、油门杆位移和指示空速7个参数。其中前20组数据作为训练集，对其进行EMD分解。每组样本数据可分解为1个RF项和3个IMF项，如图1所示。对EMD分解后的IMF分量采用RVM模型计算预测值；对残差值RF采用灰度模型计算预测值。最后将各分量预测结果加权求得故障率最终预测结果。如表1所示，各模型的预测结果的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）能达到8.46%。发动机工作时一般为非额定状态，需要在原始模型中加入表征性能蜕化的超参数，实际中存在背景噪声的影响，发动机真实状态模型需要加入该项：对于稳态KF，认为状态估计误差协方差矩阵和卡尔曼增益矩阵是不变的。增广卡尔曼系统是在稳态卡尔曼系统的基础上，对其进行修正，通过改变增广矩阵的增益量，形成新的滤波器状态更新方程：GBDT通过构建多棵分类回归树（Classification and Regression Tree, CART)，进行每一轮计算误差的拟合，为了提高模型的收敛性，对目标函数引入L2 正则项。设数据集有ｎ个样本，每个样本有ｍ维特征。训练得到Ｋ棵树的集成模型，模型里面包含了每棵树的结构、叶子节点个数和每棵树的权重。模型的目标函数Ｌ表示为式中：L为损失函数；Ω为复杂度函数。训练阶段，每一轮增加一棵树对上一轮的预测残差进行拟合，采用算法构建优化每一轮的CART。该模型的参数选择重点在于每一棵树模型的特征深度和广度，即叶子节点数、树模型深度、节点丢弃率等。测试来源于WS-16航空发动机仿真数据子集。监测数据包括26个传感器的数据，选取的参数为涡轮排气温度、涡轮转速、发动机油门角度、发动机转速、发动机瞬时耗量和马赫数。训练集包含80台发动机在运行周期内记录的数据，共20631个样本，测试集包含60台发动机的运行监测数据，共1309个样本。在进行模型训练前，需要对噪声较大的原始数据进行KF，滤波后的数据效果如下，横坐标为运行周期数，纵坐标为振动值，如图2所示。将滤波后的数据带入GBDT模型，每棵树的叶子结点个数初始设为6个，树的深度设为5层，丢弃率设置为0.1，树的数量初始设为10 棵，通过梯度最优进行结果预测。采用3折交叉验证进行参数优化建模，得到训练的最优模型，模型的预测结果与真实值之间的误差比较如图3、图4 所示。可见模型具有较好的预测准确率91.3％ （准确预测个数／总个数）。将核函数用于主成分分析中，可以解决非线性特征提取问题。首先映射到高维空间，再用线性降维映射到另一个低维空间，即通过核函数将原始数据样本η转化为二维协方差矩阵： DBN是由多层受限玻尔兹曼机（Restricted Boltz-mann Machine, RBM)和1层反向传播网络组成的一种深层神经网络。DBN 模型参数的关键在于神经元之间的权重连接、偏置度和链接层数的选择，得到最佳的数据特征后，通过神经网络进行残差优化。每层RBM的节点由1个可视层（v）和１个隐含层（h）组成，ｗ为神经元之间的权重连接。降维后的数据经多层RBM实现数据重构后，还未具备预测功能，还需在最后1个RBM的输出处添加回归层，构成DBN。其结构如图6所示。以GP7000发动机的QAR 数据作为数据样本。QAR数据包括排气温度、燃油流量、指示空速、高／低压转速、高／低压进口温度、高／低压出口温度、大气温度、滑油量、滑油压力、滑油温度等与气路相关的参数。选取参数后，根据3.1 节所述的降维方法对原始数据进行降维预处理，模型降到4个维度，然后将降维后的特征向量带入DBN模型，DBN 模型的可视层和隐藏层各设置６层网络，学习率根据残差函数动态调整。训练得到预测发动机气路基线健康模型。选取1000组训练样本，500组预测样本，经过500组预测样本组成的测试集对建立的训练模型进行测试，预测的曲线与真实值较为接近，预测相对误差在0.43％左右。结果表明该方法能够对气路健康状态进行高精度预测，结果如图７所示，横坐标SNO表示预测样本的编号、纵坐标TEC表示预测模型的无量纲结果。 本文分别采用不同的数据特征提取和预测模型组合方法，对发动机转动件振动故障、剩余寿命预测以及气路健康维护预测进行了预测研究，建立了完整的预测方法。分别选取３个经典发动机计算样例在相关算法中进行了模型的验证，取得了较好的效果，为飞参数据在航空装备预测性维护应用方面提供了新的手段，促进航空发动机在日常维修过程中由定期检修、故障后维修向预测性维护、事前维护转变。该成果可应用在军民机的发动机日常维护中，提高飞机的安全监控裕度和维修效率。在此研究基础上，下一步将探索飞参数据联合质控数据、音视频数据和训练数据进行航空部件甚至结构的融合性健康诊断并给出预测性结论，并针对不同机型、发动机型号进行更加精确的预测性维护方法探究，并开展大量验证测试工作。 著作权归作者所有，欢迎分享，未经许可，不得转载
首次发布时间：2023-08-29
最近编辑：8月前
