趙 軍，侯寬新，賴安卿

(中國民航飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

基于徑向基神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機氣路故障診斷

趙 軍，侯寬新，賴安卿

(中國民航飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

基于徑向基神經(jīng)網(wǎng)絡(luò)對民用高涵道比航空發(fā)動機風(fēng)扇、增壓級、高壓壓氣機、高壓渦輪、低壓渦輪5大氣路部件的效率降低故障進行診斷；采用Gasturb進行故障訓(xùn)練樣本和測試樣本庫的生成，診斷結(jié)果顯示，采用徑向基神經(jīng)網(wǎng)絡(luò)進行航空發(fā)動機氣路故障診斷的計算時間短、精度較高，不僅能定性的定位故障部位，而且在大多數(shù)情況下可以定量的給出該部件的性能衰退程度；某些情況下診斷結(jié)果與測試樣本不盡一致，但都是方程的合理解，這是因為航空發(fā)動機的數(shù)學(xué)模型是一個多解的復(fù)雜方程，一個總性能的衰減對應(yīng)著多組部件性能衰退的組合；隨噪聲幅值加大，診斷精度變差，同時研究發(fā)現(xiàn)診斷精度受噪聲影響的敏感系數(shù)在不同的噪聲幅值水平下是不同的。

航空發(fā)動機；氣路故障；徑向基；神經(jīng)網(wǎng)絡(luò)；噪聲

0 引言

隨著航空發(fā)動機日趨復(fù)雜化、自動化和智能化，維修人員采用傳統(tǒng)方法進行故障診斷具有很大的局限性。發(fā)動機智能故障診斷指通過檢測發(fā)動機的氣動熱力參數(shù)和機械性能參數(shù)，實現(xiàn)對發(fā)動機的狀態(tài)監(jiān)控，進而實現(xiàn)對故障的定性、定位、定因。為了提高發(fā)動機的使用效率，降低維護時間和費用，提高發(fā)動機在翼時間，采用故障智能診斷系統(tǒng)對發(fā)動機進行故障診斷是非常必要的。在航空發(fā)動機故障中，氣路部件引起的故障約占90%的比例，對其的維護費用也高達發(fā)動機總體維護費用的60%，因此對航空發(fā)動機氣路部件故障進行智能診斷是非常必要的[1]。

國外學(xué)者在把神經(jīng)網(wǎng)絡(luò)應(yīng)用于航空發(fā)動機氣路故障診斷領(lǐng)域開展的研究較早：Torella介紹了BP網(wǎng)絡(luò)在燃氣渦輪發(fā)動機診斷上的應(yīng)用[2]。Kanelopoulos介紹了部件和傳感器故障診斷的人工神經(jīng)網(wǎng)絡(luò)的架構(gòu)[3]，并發(fā)現(xiàn)使用多個網(wǎng)絡(luò)進行故障診斷比采用單一的網(wǎng)絡(luò)對部件、傳感器的故障診斷具有更好的效果。在此之后Ogaji[4]采用rainfall型網(wǎng)絡(luò)來隔離部件及傳感器故障。同時，國外發(fā)動機制造廠商或?qū)ｉT的服務(wù)提供商還開發(fā)了商業(yè)氣路故障診斷程序，如美國 GE 公司開發(fā)的TEMPER故障診斷程序[5-6]，美國 Arnold 工程發(fā)展中心開發(fā)的實時渦輪發(fā)動機診斷系統(tǒng) RTEDS[7]，英國 Cranfield 大學(xué)開發(fā)的Pythia故障診斷軟件[8]。

國內(nèi)在神經(jīng)網(wǎng)絡(luò)應(yīng)用于航空發(fā)動機氣路故障診斷方面起步較晚。楊海龍[9]利用BP神經(jīng)網(wǎng)絡(luò)建立了航空發(fā)動機定量故障診斷系統(tǒng)，采用粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化，以提高訓(xùn)練速度和診斷精度。魯峰[10]以某型渦扇發(fā)動機部件級模型為對象，開展了以支持向量回歸機優(yōu)化算法進行訓(xùn)練，并構(gòu)建性能評估系統(tǒng)，結(jié)果顯示該系統(tǒng)在典型點的預(yù)測精度較高，總體上能實現(xiàn)預(yù)測。張光明[11]采用GSP仿真軟件組建了JT9D渦扇發(fā)動機的整機仿真模型，采用共軛梯度法及比例共軛梯度法對ANFIS進行改進，解決了ANFIS方法存在的容易陷入局部最小值的缺陷，同時在一定程度上加快了訓(xùn)練速度。彭淑宏[12]以PW4000發(fā)動機為例，首先對20個故障模式建立標(biāo)準(zhǔn)故障診斷規(guī)則庫，采用GSP軟件建立發(fā)動機仿真模型，得到訓(xùn)練樣本；在具體實施時，先通過相似參數(shù)進行故障隔離，之后在部件級子網(wǎng)絡(luò)中應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)進行故障模式的辨識和嚴重程度的確定。李業(yè)波[13]采取將兩個診斷模塊定量融合的技術(shù)途徑，結(jié)合了兩種算法的優(yōu)點，進而提高了診斷的可靠性及精度。孫斌[14]開展了BPN在渦扇發(fā)動機氣路故障診斷中的應(yīng)用，郝英[15]開展了航空燃氣渦輪發(fā)動機氣路故障診斷現(xiàn)狀的分析和未來技術(shù)發(fā)展的展望。

由于RBF(radial basis function)神經(jīng)網(wǎng)絡(luò)輸出與網(wǎng)絡(luò)的連接權(quán)值是線性關(guān)系，這使估計方法簡化，避免學(xué)習(xí)中反復(fù)迭代過程，RBF神經(jīng)網(wǎng)絡(luò)收斂速度比改進的BP神經(jīng)網(wǎng)絡(luò)快很多，并且RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性更好。同時RBFNN具有很好的抗干擾能力，它還具有唯一最佳逼近點的優(yōu)點，這點是容易陷入局部最小值的BP神經(jīng)網(wǎng)絡(luò)所欠缺的，鑒于此，RBF網(wǎng)絡(luò)正在越來越多的領(lǐng)域取代了BP網(wǎng)絡(luò)?，F(xiàn)在故障診斷領(lǐng)域新的方法層出不窮，涌現(xiàn)出很多的算法如KNN,LSVM,NSVM,HSVMkSIR等[16]，可謂是琳瑯滿目，鑒于RBF的良好特性和很少的計算時間，盡管不是新的算法，本文依然選擇RBF神經(jīng)網(wǎng)絡(luò)作為故障診斷的工具。

應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)進行故障診斷時需要訓(xùn)練樣本的支持，要求訓(xùn)練樣本具備遍歷性、致密性和相容性。訓(xùn)練樣本是否具備這三性對RBF故障診斷的成功率是至關(guān)重要的。而工程實際中故障樣本的獲取受到各方面的限制，不是數(shù)目不夠，就者故障特征的描述精度不夠，或者數(shù)據(jù)不齊全。由德國MTU公司Kurzke博士開發(fā)的Gasturb軟件在航空發(fā)動機整機總體性能分析領(lǐng)域得到了廣泛的應(yīng)用與認可。為獲取足夠的故障樣本，作者采用Gasturb分析軟件對該發(fā)動機的3個巡航階段監(jiān)控性能參數(shù)受各部件效率影響進行分析，并獲得大量的訓(xùn)練樣本和測試樣本，降低了工程實際故障樣本數(shù)獲取過少以至難以提高診斷成功率的技術(shù)風(fēng)險。

本文采取RBF神經(jīng)網(wǎng)絡(luò)進行民用高涵道比航空發(fā)動機氣路故障診斷，而故障模式則定位在風(fēng)扇、增壓級、高壓壓氣機、高壓渦輪、低壓渦輪5大氣路部件的效率降低。首先采用Gasturb軟件進行故障訓(xùn)練和測試樣本庫的生成，然后基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進行故障診斷，最后進行故障診斷成功率的分析和噪聲的影響分析。

1 某航空發(fā)動機故障樣本獲取

GASTURB軟件是一款優(yōu)秀的航空發(fā)動機總體性能計算軟件，可以便捷的進行發(fā)動機總體性能參數(shù)的計算。首先建立某民用高涵道比渦扇發(fā)動機的整機數(shù)學(xué)模型，在此基礎(chǔ)上修改5個氣路部件(風(fēng)扇、增壓級、高壓壓氣機、高壓渦輪、低壓渦輪)的效率，得到對應(yīng)的總體性能輸出。

任何氣路診斷技術(shù)都是利用發(fā)動機可觀測參數(shù)與廠家提供的發(fā)動機基線數(shù)據(jù)進行對比，根據(jù)比較出來的偏差進行故障診斷。本文可觀測參數(shù)的選取參考GE公司民航發(fā)動機遠程監(jiān)控軟件Remote Diagnosits的做法，選取EGT(exit gas temperature，排氣溫度)，F(xiàn)F(fuel flow，燃油流量)，N2(高壓轉(zhuǎn)子轉(zhuǎn)速)這3個性能參數(shù)。

在進行訓(xùn)練樣本生成時，僅考慮發(fā)動機保持在巡航狀態(tài)，飛行高度35 000 ft，飛行速度0.8 Ma，低壓軸轉(zhuǎn)速為90%N1max，同時控制系統(tǒng)為單變量控制系統(tǒng)，控制量為主燃油流量，被控參數(shù)為低壓軸轉(zhuǎn)速(N1)。穩(wěn)態(tài)下的控制規(guī)律為：調(diào)節(jié)主燃油流量控制發(fā)動機低壓軸轉(zhuǎn)速N1保持不變。從5個氣路部件中任意選取2個構(gòu)成一組故障樣本，每組故障樣本定義兩個部件的效率分別為-5 pt，-4 pt，-3 pt，-2 pt，-1 pt，0，其中0代表設(shè)計狀態(tài)的效率，其他3個部件的效率取為0，即無故障狀態(tài)。這樣每組故障樣本就包含了6*6=36個故障樣本。故障樣本的組數(shù)為C(5,2)=10個(計算公式C(m,n)=m!/{n!*(m-n)!})。所以故障樣本的總數(shù)為36*10=360個，考慮到{0 0 0 0 0}在10組樣本中都存在，重復(fù)了9次，所以有效的訓(xùn)練樣本為351個。本文所用的訓(xùn)練樣本全部來自Gasturb的仿真數(shù)據(jù)，工程實際中故障樣本的獲取受到各方面的限制，如樣本數(shù)少、精度差，或者就是僅有總體性能參數(shù)偏差而沒有部件性能偏差，而如果要補齊部件性能的偏差量則動輒需要上千萬的部件實驗費用。

在進行測試樣本生成時，為保證訓(xùn)練樣本的遍歷性，選取-4.5 pt，-3.5 pt，-2.5 pt，-1.5 pt，-0.5 pt作為GASTURB軟件的輸入，得到相應(yīng)的總體性能參數(shù)的輸出。本文從中選取12個測試樣本作故障診斷結(jié)果分析用。下表1給出了從351個訓(xùn)練樣本中隨機抽取的7個樣本，EGT是當(dāng)前狀態(tài)下的排氣溫度與無故障狀態(tài)下排氣溫度差值除以10得到的；FF與N2是當(dāng)前狀態(tài)下的燃油流量、高壓轉(zhuǎn)子轉(zhuǎn)速與無故障狀態(tài)(基線模型)下的相對變化率，以百分數(shù)表示。分別用η1,η2,η3,η4,η5來代表風(fēng)扇、增壓級、高壓壓氣機、高壓渦輪、低壓渦輪的效率降低。從前6個樣本可以看出，當(dāng)風(fēng)扇效率保持不變，增壓級效率降低時，EGT升高，F(xiàn)F與N2也都呈現(xiàn)升高的趨勢；第7個樣本為發(fā)動機的基線狀態(tài)，即各部件工作正常，3個性能參數(shù)也正常，偏差量均為0。

表2給出了全部測試樣本。從表中可以看出低壓軸上的風(fēng)扇、增壓級效率降低會增加N2轉(zhuǎn)速；而高壓軸上的高壓壓氣機、高壓渦輪的效率降低會導(dǎo)致N2轉(zhuǎn)速的下降，這和該款發(fā)動機以N1作為被控參數(shù)的控制規(guī)律有關(guān)。

表1 部分訓(xùn)練樣本

2 故障診斷介紹

MATLAB軟件在數(shù)值計算方面首屈一指，有功能強大的神經(jīng)網(wǎng)絡(luò)工具箱和豐富的庫函數(shù)，利于進行故障診斷程序的編寫，作者采用神經(jīng)網(wǎng)絡(luò)工具箱中的newrb進行該發(fā)動機的故障診斷，訓(xùn)練樣本數(shù)為351，輸入3個性能參數(shù)(EGT，F(xiàn)F，N2)的偏差量，輸出為5個氣路部件(風(fēng)扇、增壓級、高壓壓氣機、高壓渦輪、低壓渦輪)氣動效率的偏差量。訓(xùn)練過程如圖1所示，可以看出經(jīng)過320步的訓(xùn)練，耗時6 s，殘差水平MSE達到了1.26101e-011，收斂較好。經(jīng)過上述學(xué)習(xí)訓(xùn)練后, 網(wǎng)絡(luò)獲取診斷中航空發(fā)動機的故障知識以分布在網(wǎng)絡(luò)內(nèi)部的連接權(quán)值隱性表達。得到訓(xùn)練后的網(wǎng)絡(luò)，以sim命令進行診斷值的計算。

3 故障診斷結(jié)果分析

針對12個測試樣本得到的故障診斷結(jié)果如表3所示。

表2 全部測試樣本

表3 故障診斷結(jié)果

表4 診斷效果差的對比分析

圖1 訓(xùn)練過程

為便于對診斷結(jié)果的優(yōu)劣進行量化，本文采用卡爾·皮爾遜設(shè)計的Pearson相關(guān)系數(shù)的處理方法，Pearson相關(guān)系數(shù)的絕對值越大，代表兩個向量間的相關(guān)性越強，相關(guān)系數(shù)越接近于1或-1，相關(guān)度越強。圖2示出了12個診斷結(jié)果的相關(guān)系數(shù)分布?？梢钥吹?，除R6，R8，R9外其他測試樣本相關(guān)度非常接近1，反應(yīng)出較高的診斷精度。R1也存在一個典型的問題，下面我們來分析4個樣本R1，R6，R8，R9。

(1)

圖2 診斷結(jié)果的相關(guān)系數(shù)分布

表4給出了4個測試樣本與診斷結(jié)果的對比，其中Tn為給定的測試樣本，而Rn為故障診斷的結(jié)果，Rn*為與Rn相鄰的訓(xùn)練樣本。圖3則給出了4個測試樣本與診斷結(jié)果的5個效率偏差分量對比圖。

從R1可以看出，網(wǎng)絡(luò)在診斷時沿高壓壓氣機、低壓渦輪氣動效率增加的方向搜索，反映出RBF的外向插值功能；但從定性的角度考慮或者采用分量排序法，診斷結(jié)果足以指導(dǎo)排故工作的。從R8*可以看出，訓(xùn)練樣本R8*的性能指標(biāo)與T8的性能指標(biāo)較為接近，網(wǎng)絡(luò)在R8*附近搜索，找到了R8，這也是一個合理解，說明該發(fā)動機的數(shù)學(xué)模型是一個多解方程，一個總性能的衰減對應(yīng)著多組部件性能衰退的組合；從測試樣本T9，診斷結(jié)果R9以及訓(xùn)練樣本R9*的對比中也可以看到這種趨勢。從圖3(b)的對比可以看出，診斷結(jié)果R6與測試樣本T6差別較大，導(dǎo)致圖2中相關(guān)系數(shù)僅有0.3。T6中只有兩個部件存在性能衰退，而R6中得到了四個部件的性能衰退(高壓渦輪0.01可以忽略不計)，這同樣說明R6也是對應(yīng)總性能衰減下的部件性能衰退合理組合解，而這種較差的診斷案例可以通過提高訓(xùn)練樣本的致密度來有效消除。

圖3 四個測試樣本與診斷結(jié)果的對比

從診斷結(jié)果可以看出，采用RBF神經(jīng)網(wǎng)絡(luò)進行故障診斷的精度較高，在診斷多故障并存的故障模式時，不僅能定性的定位故障部位，而且在大多數(shù)情況下可以定量的給出該部件的性能衰退程度。

4 考慮噪聲的故障診斷分析

工程實際中，性能參數(shù)的偏差量的處理過程如圖4所示分為測量、換算、與基線對比得到偏差量、歸一化、診斷5個步驟。其中第1步的測量過程中不可避免的會引入一定程度的噪聲，這些噪聲會污染數(shù)據(jù)，降低故障診斷成功率。一般都會通過對測量數(shù)據(jù)序列采用移動平均平滑法或指數(shù)平滑法來過濾噪聲，或更加復(fù)雜的濾波技術(shù)來降低觀測噪聲對估計結(jié)果的影響。本文因研究方式所限，總體性能參數(shù)是通過Gasturb仿真得到，沒有測量數(shù)據(jù)序列，為研究噪音對診斷結(jié)果的影響，從第3步引入虛擬噪聲，通過輸出中添加不同幅值的隨機噪聲信號(MATLAB中randn函數(shù))來研究噪聲對診斷結(jié)果的影響程度。這里我們用訓(xùn)練誤差和檢驗誤差的均方值來宏觀的表征診斷精度。

圖4 故障診斷的流程

診斷后得到的訓(xùn)練誤差和檢驗誤差的均方值如表5所示，繪圖如圖5所示，可以看到，隨著噪聲幅值的增加，訓(xùn)練誤差和檢驗誤差的均方值也隨之增加。

表5 訓(xùn)練誤差和檢驗誤差的均方值

圖5 不同噪音水平下訓(xùn)練誤差和檢驗誤差的均方值

表6給出了3個變化過程中的噪聲幅值、訓(xùn)練誤差和檢驗誤差的均方值的增加倍數(shù)。過程1～4中噪聲強度增加了1 000倍，訓(xùn)練誤差均方值增加了282倍，而檢驗誤差均方值增加了285倍。繪圖如圖6所示。圖中可見，3個變化過程中盡管噪聲幅值增加幅度保持一致，而訓(xùn)練誤差均方值的增加幅度非恒定值，而是在2～3的過程中增加倍數(shù)最大，檢驗誤差均方值的增加幅度也呈現(xiàn)出同樣的特征，說明了徑向基神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果受信號噪聲幅值的敏感系數(shù)不同。具體表現(xiàn)為：在1～2階段每單位噪聲幅值降低會帶來檢驗誤差均方值降低0.114 65(1.146 5/10)倍；而在2～3階段每單位噪聲幅值降低會帶來檢驗誤差均方值降低2.42(24.2/10)倍。在2～3階段降噪的收益比1～2階段的收益要大得多。這將給以后的數(shù)據(jù)降噪處理一些啟發(fā)。

表6 噪聲幅值、訓(xùn)練誤差和檢驗誤差的均方值的變化斜率

圖6 訓(xùn)練誤差和檢驗誤差的均方值斜率對比

5 總結(jié)

本文以商用大涵道比渦扇發(fā)動機作為研究對象，通過建立其仿真模型，得到訓(xùn)練和測試樣本，并結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)氣路故障診斷技術(shù)，進行診斷精度驗證，并創(chuàng)新性的開展了診斷結(jié)果受噪聲幅值影響的敏感性分析，得到以下結(jié)論：

(1)采用GASTURB軟件進行故障訓(xùn)練和測試樣本庫的生成在故障診斷算法的前期測試上是非常有效的，降低了工程實際故障樣本數(shù)獲取過少以至難以提高診斷成功率的技術(shù)風(fēng)險；

(2)采用RBF神經(jīng)網(wǎng)絡(luò)進行故障診斷計算快速，且診斷精度較高，在診斷多故障并存的故障模式時也可以定量的給出該部件的性能衰退程度；某些情況下診斷結(jié)果與測試樣本不盡一致，源于航空發(fā)動機的數(shù)學(xué)模型是一個多解的復(fù)雜方程，一個總性能的衰減對應(yīng)著多組部件性能衰退的組合；

(3)隨噪聲幅值加大，診斷精度變差，同時發(fā)現(xiàn)診斷精度受噪聲影響的敏感系數(shù)在不同的噪聲幅值水平下是不同的；

(4)工程實際中故障樣本的獲取受到各方面的限制，如樣本數(shù)少、精度差，或者就是僅有總體性能參數(shù)偏差而沒有部件性能偏差，本文以GasTurb仿真來構(gòu)建訓(xùn)練和測試樣本，后續(xù)將考慮引入試車數(shù)據(jù)和民航公司實際運營的發(fā)動機測量數(shù)據(jù)進行數(shù)據(jù)整理和故障診斷的研究。

[1] Garg S. Controls and Health Management Technologies for Intelligent Aerospace Propulsion Systems[R]. Reston. AIAA-2004-0949.

[2] Torella G, Lombardo G. Utilization of Neural-Networks for Gas-Turbine Engines[J]. XIIISABE 1995,95-103.

[3] Kanelopoulos K, Stamatis A,Mathioudakis K. Incorporating Neural-networks into Gas-turbine Performance Diagnostics[R]. ASME 97-GT-35.

[4] Ogaji S.Advanced Gas-path Fault Diagnostics for Stationary Gas-turbines [D].England:Cranfield University,2003.

[5] Doel D L. Interpretation of Weighted-least-squares Gas Path Analysis Results. ASME Paper, J. Eng. Power[J]. 2003，125：624-633.

[6] Doel D L. An assessment of Weighted Least-squares-based Gas Path Analysis. ASME Paper, J. Eng. Power[J]. 1994,116:366-373.

[7] Bicjford R, Malloy D. Development of a Real-time Turbine Engine Diagnostic System[A]. 38th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit[C]. 2002.

[8] Li Y G, Singh R.An Advanced Gas Turbine Gas Path Diagnostic System-Pythia[A]. 17th Symposium on Air Breathing Engines[C]. 2005.

[9] 楊海龍. 基于智能技術(shù)的航空發(fā)動機氣路故障診斷[D]. 南京:南京航空航天大學(xué)，2008.

[10] 魯 峰，黃金泉. 航空發(fā)動機部件性能參數(shù)融合預(yù)測[J].航空學(xué)報，2009，30(10):1795-1800.

[11] 張光明.航空發(fā)動機氣路故障診斷技術(shù)研究[D]. 沈陽:沈陽航空工業(yè)學(xué)院，2010.

[12] 彭淑宏. 航空發(fā)動機氣路故障診斷技術(shù)研究[D]. 上海:上海交通大學(xué)，2012.

[13] 李業(yè)波,李秋紅,黃向華,等. 航空發(fā)動機氣路部件故障融合診斷方法研究[J]，航空學(xué)報，2014，35(6):1612-1622.

[14] 孫 斌,張 津,張紹基. BPN在渦扇發(fā)動機氣路故障診斷中的應(yīng)用[J].航空動力學(xué)報，13(3)，1998，323-326.

[15] 郝 英，孫健國，白 杰. 航空燃氣渦輪發(fā)動機氣路故障診斷現(xiàn)狀與展望[J]，航空動力學(xué)報，18(6)，2003，753-760.

[16] Link C.Jaw, Yuh-Jye Lee. Engine Diagnostics in the eyes of Machine Learning[R]. ASME paper GT2014-27088.

Diagnosis of Aero-engine Gas Path Fault Based on Radial-Basis Function Neural Network

Zhao Jun, Hou Kuanxin, Lai Anqing

( Aviation Engineering Institute，Civil Aviation Flight University of China，Guanghan 618307,China)

Fault diagnosis of five gas path parts such as fan, booster, high-pressure compressor(HPC), high-pressure turbine(HPT), low-pressure turbine(LPT)'s efficiency degradation have been conducted based on Radial-Basis Function(RBF) neural network. The training and testing samples have been generated by Gasturb software. Diagnose result showed RBF neural network has advantage of less-time-costing and high-precision. RBF neural network can not merely isolate the fault parts, also it can determinate the degradation of components performance. In some instances, the diagnostics result doesn't agree with testing sample, but it also is reasonable solution, because the mathematical model of aero-engine is so complicated that the mathematical equation have more than one reasonable solutions. A degradation of gross performance may be caused by several combinations of components performance degradation. With increasing amplitude of noise, precision of diagnostics became worse. Sensitivity coefficient of diagnostics-precision corrupted by noise is variable with different amplitude of noise.

aero-engine; gas path fault; RBF; neural network；noise

2016-01-18；

2016-02-24。

國家自然科學(xué)基金(51306201);四川省教育廳自然科學(xué)項目(16ZB0035);中國民用航空飛行學(xué)院科 學(xué)研究基金(J2014-38); 中國民用航空飛行學(xué)院科學(xué)研究基金(J2015-28)。

趙 軍(1980-)，男，安徽淮北人，高級工程師，博士，主要從事的研究方向為航空發(fā)動機故障診斷研究。

1671-4598(2016)07-0076-06

：10.16526/j.cnki.11-4762/tp

V231.3 文獻標(biāo)識碼：A