摘要：本文根据当前气路故障诊断技术发展状况，重点分析气路故障诊断中应用的各种方法和特点，如线性模型法、非线性模型法、神经网络法、贝叶斯网络法、信息融合法等，对这些方法做了较为详细的比较，并根据当前气路故障诊断技术研究现状分析未来发展趋势。

　　关键词：气路故障 非线性模型 贝叶斯网络 信息融合

　　项目：空军装备部预研项目支持，项目编号：2006XXXX

　　1引言

　　随着航空工业的飞速发展，航空发动机的安全性与可靠性越来越引起人们的重视。因其结构极其复杂，又工作在高速、高温和重载的恶劣环境下，比较容易发生各种故障。发动机的状态监视与故障诊断对军用和民用各型航空发动机的可靠性和运行成本等有重大影响。因此发展发动机的准确、快速的诊断方法十分必要。发动机的有些故障容易监测、诊断和预防，而有些故障不易发现和预防，尤其是那些灾难性和突发性故障更引起人们的重视。因此，如何在故障发生之前或发生早期，就能及时捕捉故障信息，并采取有效措施防止故障扩展或发生，对于杜绝和消除恶性事故隐患，减少或避免一般故障发生更具有特别重要的意义。

　　航空发动机的故障类型多种多样，主要包括稳定性故障、气路故障、振动故障、磨损故障、轴承故障、熄火故障、疲劳结构故障、控制系统故障等等[1]。众多故障中，气路故障占有很大比例，当前大量航空发动机故障诊断研究工作集中在气路故障诊断。因此，本文将综述目前气路故障诊断技术研究现状，并对航空发动机故障诊断技术的未来发展趋势进行了展望。

　　2气路故障诊断基本原理及目前面临的困难

　　任何气路诊断技术都是利用发动机可观测参数(如转速、燃油流量、压力、温度)与健康基准线进行比较。由此产生的偏差作为检测、隔离和确定部件在效率和功率上是否存在故障的依据。如果把由发动机故障引起其性能衰退、降级的过程看作正向过程，那么故障诊断就是它的反向过程。一个简明燃气涡轮发动机气路故障诊断方法原理图如图1所示。

　　运行部件降级

　　排气速度

　　压气机效率

　　温度分布

　　涡轮喷嘴面积

　　膨胀效率

　　产生 允许隔离 测量参数变化

　　转速

　　燃油流量

　　压力

　　温度

　　能量输出

　　导致 物理故障

　　叶片烧蚀、弯曲、侵蚀

　　腐蚀、污垢

　　积垢、外物打伤、密封件疲劳

　　允许修正 图1.航空发动机故障诊断原理图

　　Fig.1 schematic of Aero-engine fault diagnosis

　　如果测量参数个数比性能参数要多，采用一种简单的方法就可以获得一个相当准确的诊断结果。但是，往往出现的情况是测量参数个数小于性能参数个数，此时就需要采用信息诊断技术或者是参数估计方法。所有的气路故障诊断系统都要计算性能参数与基线条件之间的偏差，但是由于系统的高度非线性，以及噪音、偏差和测量不足导致传感器测量不确定性，在极端情况下要计算所有参数偏差将是不可行的，更不用说计算负担了。因此，需要作一些必要假设。首先是设置各种可能的故障和性能恶化的范围即搜索性能参数所在的搜索空间，然后提取故障或性能退化的特征;通过对故障分组以隔离故障部件。

　　当前气路故障诊断面临的困难有以下几点：(1)对于大多数发动机机型依然是测量参数个数少于未知参数个数;(2)故障之间存在很强的相关性，区分相似故障很困难;(3)测量参数中的噪音与故障造成的测量参数偏差具有相同级别，且测量信号存在偏置;(4)发动机具有很强的非线性及复杂性，且工作环境变化较大;(5)气路故障试验的成本过大[2];(6)发展适合故障诊断的发动机模型依然比较困难。

　　3气路故障诊断方法

　　传统的气路故障诊断方法有Visual inspection、故障树、故障矩阵和气路分析法(GPA)，但目前主要集中在以下几种方法的研究，如人工神经网络、遗传算法、专家系统、模糊逻辑、信息融合等。

　　3.1线性模型法

　　气路故障诊断始于1967年，由Urban提出的故障影响系数矩阵，该方法要求测量参数的数量大于或至少等于故障种类数。为了解决发动机状态参数和独立参数之间不成比例关系，将非线性故障模型简化为线性数学模型。1995年，Passalacque和Escher[4]指出了基于线性模型方法的不足：(1)要求大量测量参数;(2)不能处理传感器偏差和噪音;(3)过分依赖于线性假设，并且只适应于影响参数在小范围内变化的情况。在利用线性模型进行气路故障诊断中，卡尔曼滤波(KF)得到了较广泛应用。Takahisa 和Donald[3]在2007年提出采用卡尔曼滤波算法实现对飞机发动机在线和离线故障诊断，并介绍了综合采用在线和离线故障诊断提高诊断的实用性。

　　3.2非线性模型法

　　基于非线性模型诊断本质是利用测量参数来建立一个自适应发动机性能模型，再从部件性能量的变化来检测和辨识故障。目前利用非线性模型进行航空发动机故障诊断主要集中在仿真研究。

　　基于非线性模型的故障诊断方法中，Urban、Volponi[5]、Zadda、P.Escher1995年在Cranfield大学开发的Pythia软件中实现了非线性GPA故障诊断。他提出采用迭代法提高预测的精度，从而解决测量参数与健康参数之间的非线性关系;Singh[6]于1996年给出了一种称为故障图(Fault Map)的方法。为了克服缺少测量参数和测量的不确定性(如噪音和偏差)，后续出现了参数估计法如KF、最小二乘法(WLS)以及这些方法的改进方法，并且这些方法被发动机主要生产商Rolls-Royce，Pratt and Whitney 和 General Electric所采用。Kamboukos在2005年讨论了线性和非线性燃气轮机性能故障诊断的优缺点，并指出非线性GPA明显优于线性GPA。因为它克服线性引起的误差，提高了诊断精度。但与线性GPA相似，非线性GPA并没有克服测量不确定性带来的影响。

　　3.3人工神经网络法

　　利用人工神经网络技术可以有效地解决发动机测量参数个数与故障类型个数之间的矛盾，减少对发动机模型的过分依赖程度。在发动机气路故障诊断中，常用的网络模型有BP网络、RBF网络、概率神经网络(PNN)和自组织竞争网络等。

　　20世纪90年代中期,澳大利亚航空航海研究实验室以F404涡扇发动机为对象,对压气机可变几何角改变、喷口面积改变等若干个注入故障进行了基于概率神经网络的诊断方法研究,并进行了大量的试验验证[7]。Torella和Lombardo[8]在1995年介绍了BP网络在燃气涡轮发动机诊断上的应用;LiYiyang[9]在2002年验证了人工神经网络(ANN)对传感器的噪音和偏置诊断能力;Kanelopoulos[10]等人介绍了传感器和部件故障诊断的人工神经网络的结构，并指出使用不同网络比采用单一网络对传感器、部件故障的诊断具有更好的效果。2003年Ogaji [11]采用瀑布型网络来隔离部件和传感器故障;Volponi等人介绍了一种复合的神经网络模型，模型中的一些部分用影响系数代替，并指出这种网络的精确度可以与BP网络和卡尔曼滤波方法媲美[12]。同年，Stephen和Ogaji[13]应用人工神经网络对发动机气路传感器故障进行研究，并将人工神经网络与气路分析法对发动机气路故障诊断做了试验性的比较。最近，Kong提出了基于前向BP网络的气路故障诊断方法，它基于Matlab平台开发出用户友好人机界面，能够处理40个故障模式中的5种组合故障。

 1/4    1 2 3 4 下一页 尾页