李少塵，陳 敏，胡金濤，唐海龍

（北京航空航天大學(xué)能源與動力工程學(xué)院1，航空發(fā)動機(jī)研究院2：北京 102206）

0 引言

目前，先進(jìn)航空器及其動力系統(tǒng)正在快速發(fā)展，未來先進(jìn)飛行平臺對航空器提出了更高的任務(wù)需求，同時對其推進(jìn)系統(tǒng)提出了更高的性能標(biāo)準(zhǔn)。隨著航空發(fā)動機(jī)性能需求的不斷提升，其工作狀態(tài)更加復(fù)雜多變，系統(tǒng)的非線性和結(jié)構(gòu)的復(fù)雜性愈發(fā)明顯，這些變化要求發(fā)動機(jī)具備更高的安全性和可靠性；隨著發(fā)動機(jī)加工制造工藝的復(fù)雜化及產(chǎn)量的提升，其生產(chǎn)制造成本及投入使用后的運(yùn)行維護(hù)成本也進(jìn)一步提高。以民航市場為例，2018年全球投入機(jī)隊維護(hù)、維修和大修的資金高達(dá)690億美元，其中，發(fā)動機(jī)的維護(hù)投入占總資金的42%，經(jīng)濟(jì)可承受性已成為制約先進(jìn)航空發(fā)動機(jī)發(fā)展的重要因素之一?；趥鹘y(tǒng)維修理念的狀態(tài)監(jiān)視與故障診斷技術(shù)在效率和準(zhǔn)確性上無法得到保障。因此，航空發(fā)動機(jī)的進(jìn)一步發(fā)展離不開先進(jìn)運(yùn)行維護(hù)和健康管理技術(shù)的進(jìn)步。

目前，航空發(fā)動機(jī)的運(yùn)行維護(hù)方式逐步由定期維修向視情維修轉(zhuǎn)變。視情維修是一種在“可靠性為中心”維修指導(dǎo)思想下發(fā)展起來的運(yùn)行維護(hù)方式，具有規(guī)模小、效率高、經(jīng)濟(jì)可承受性好以及可避免重大災(zāi)難性事故等顯著優(yōu)勢。航空發(fā)動機(jī)健康管理（Engine Health Management，EHM）是為了實現(xiàn)發(fā)動機(jī)視情維修而提出的關(guān)鍵技術(shù)之一，其在具備傳統(tǒng)的發(fā)動機(jī)狀態(tài)監(jiān)視與故障診斷系統(tǒng)的基礎(chǔ)上，增加了實時監(jiān)控、健康評估、故障預(yù)測等功能，近年來受到航空界的高度重視。

作為發(fā)動機(jī)運(yùn)行維修保障的重要支撐技術(shù)，同時也是EHM系統(tǒng)的重要組成部分，航空發(fā)動機(jī)狀態(tài)監(jiān)視與故障診斷在如今的發(fā)展背景下，仍有巨大的發(fā)展與進(jìn)步空間。發(fā)動機(jī)狀態(tài)監(jiān)控與故障診斷，是指對與發(fā)動機(jī)各部件工作狀態(tài)緊密相關(guān)的各類參數(shù)實施監(jiān)測，根據(jù)監(jiān)測結(jié)果對各部件性能狀態(tài)的發(fā)展趨勢做出有價值的判斷。

航空發(fā)動機(jī)的主要故障類型包括氣路部件故障、振動故障、控制系統(tǒng)故障等。其中，氣路部件故障較常見和多發(fā)，氣路故障診斷方法一直是發(fā)動機(jī)狀態(tài)監(jiān)視與故障診斷的重要部分。自Urban于20世紀(jì)70年代初提出了氣路分析法（Gas Path Analysis，GPA）以來，氣路故障診斷方法取得了顯著地發(fā)展，實現(xiàn)了從監(jiān)視到診斷與隔離、從離線診斷到實時監(jiān)控、從單一化向全面化綜合化的轉(zhuǎn)變。準(zhǔn)確把握氣路故障診斷在先進(jìn)航空發(fā)動機(jī)發(fā)展過程中的意義和作用，對于氣路故障診斷技術(shù)的發(fā)展至關(guān)重要。

本文對航空發(fā)動機(jī)氣路故障診斷的總體框架、基本原理和具體方法進(jìn)行介紹和評述，重點聚焦于近5年的研究成果，分析航空發(fā)動機(jī)氣路故障診斷的發(fā)展方向，對氣路故障診斷在未來航空動力領(lǐng)域的發(fā)展前景進(jìn)行分析和評估。

1 航空發(fā)動機(jī)氣路故障診斷重要概念

1.1 氣路故障診斷的基本概念

在航空發(fā)動機(jī)使用過程中，由于表面零部件的腐蝕、侵蝕、密封件損壞、導(dǎo)向葉片偏離額定位置、積污、疲勞及外物打傷等原因，使得發(fā)動機(jī)部件的結(jié)構(gòu)尺寸發(fā)生變化或出現(xiàn)性能衰退或惡化，以至于不能安全可靠地工作，這種現(xiàn)象統(tǒng)稱為氣路故障。

由氣路故障的基本概念進(jìn)一步引申出氣路故障診斷的基本概念，發(fā)動機(jī)物理層面的部件故障會影響部件性能或發(fā)動機(jī)結(jié)構(gòu)尺寸，進(jìn)一步影響發(fā)動機(jī)的總體性能，整機(jī)性能的變化會通過測量參數(shù)的變化反映出來。這種參數(shù)變化關(guān)系的逆過程，就是氣路故障診斷的基本原理，即：通過測量整機(jī)氣路參數(shù)的變化來計算部件性能的變化，將故障隔離到單元體，并確定其物理故障，提出維修排故計劃和方法。氣路故障診斷原理如圖1所示。

圖1 氣路故障診斷原理[9]

1.2 氣路故障診斷的測量參數(shù)選擇和數(shù)據(jù)預(yù)處理

在發(fā)動機(jī)運(yùn)行中，通過傳感器記錄的測量參數(shù)是氣路故障診斷的主要數(shù)據(jù)來源，在氣路故障診斷開始前，首先對傳感器測量的原始參數(shù)數(shù)據(jù)進(jìn)行初始篩選和預(yù)處理，排除潛在的傳感器故障，整理出適合特定診斷方法的數(shù)據(jù)子集。

1.2.1 氣路故障診斷測量參數(shù)選擇

氣路測量參數(shù)按照獲取來源可分為直接測量參數(shù)和間接測量參數(shù)。直接測量參數(shù)包括發(fā)動機(jī)各部件進(jìn)、出口的氣動熱力參數(shù)（如關(guān)鍵截面的總溫、總壓）和發(fā)動機(jī)轉(zhuǎn)速以及燃油流量等。這些參數(shù)是狀態(tài)監(jiān)視參數(shù)的重要組成部分，但選用時應(yīng)考慮傳感器安裝費(fèi)用、使用環(huán)境、測量精度及可靠性帶來的影響，以規(guī)劃合適的測量參數(shù)。間接測量參數(shù)是指通過直接測量參數(shù)計算得到的發(fā)動機(jī)性能參數(shù)，包括發(fā)動機(jī)推力、耗油率、流量、增壓比與膨脹比，以及渦扇發(fā)動機(jī)的涵道比等。以小涵道比渦扇發(fā)動機(jī)為例，常用航空發(fā)動機(jī)測量參數(shù)見表1。

表1 常用航空發(fā)動機(jī)測量參數(shù)[10]

1.2.2 氣路測量參數(shù)數(shù)據(jù)預(yù)處理

數(shù)據(jù)的可靠性是航空發(fā)動機(jī)狀態(tài)監(jiān)視系統(tǒng)和診斷系統(tǒng)的重要考核指標(biāo)，氣路測量參數(shù)在應(yīng)用于氣路故障診斷前，應(yīng)進(jìn)行數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)噪聲消除和數(shù)據(jù)平滑，并為傳感器故障排除做準(zhǔn)備。

傳統(tǒng)的數(shù)據(jù)預(yù)處理方法包括移動平均、指數(shù)平均等，其作用是消除原始數(shù)據(jù)的噪聲。DePold等指出，在噪聲消除方面，指數(shù)平均的方法要強(qiáng)于移動平均的；當(dāng)測量參數(shù)變化時，指數(shù)平均的方法也能更快反應(yīng)。但是，無論是移動平均還是指數(shù)平均，都存在在消除噪聲過程中過濾掉故障或維修事件的可能性，同時面對高振幅脈動噪聲，這2種傳統(tǒng)的線性處理方法的處理效果較差。隨著計算技術(shù)的不斷發(fā)展，利用濾波器、人工神經(jīng)網(wǎng)絡(luò)等進(jìn)行發(fā)動機(jī)測量參數(shù)預(yù)處理和噪聲消除的研究成果相繼發(fā)布。例如，UDAY等提出了基于優(yōu)化加權(quán)的遞歸中值濾波器的航空發(fā)動機(jī)數(shù)據(jù)預(yù)處理方法，可以在顯著提升噪聲和異常點去除的同時，保留原始信號的重要特征；LU等將自聯(lián)想神經(jīng)網(wǎng)絡(luò)（Auto-Associative Neural Network，AANN）應(yīng)用于氣路測量參數(shù)預(yù)處理，相較于傳統(tǒng)的濾波器和神經(jīng)網(wǎng)絡(luò)方法，可以同時實現(xiàn)噪聲濾波和傳感器偏差檢測，提高了測量參數(shù)質(zhì)量；呂升等提出了一種基于GA-AANN神經(jīng)網(wǎng)絡(luò)的SDQ算法，利用遺傳算法優(yōu)化了AANN神經(jīng)網(wǎng)絡(luò)，表明該方法能顯著提升傳感器故障診斷和信號除噪能力。

1.3 航空發(fā)動機(jī)基線模型的建立

航空發(fā)動機(jī)氣路故障診斷中的另一個重要概念是基線模型，無論是基于模型還是數(shù)據(jù)驅(qū)動的診斷方法，都需要1個基準(zhǔn)作為診斷過程中的參考指標(biāo)。基于模型的方法需要建立1個能夠反映發(fā)動機(jī)健康狀態(tài)的解析模型，并且可以根據(jù)發(fā)動機(jī)個體的差異及工作狀態(tài)的變化動態(tài)調(diào)整；基于數(shù)據(jù)驅(qū)動的方法也需要利用代表發(fā)動機(jī)健康狀態(tài)下的數(shù)據(jù)訓(xùn)練發(fā)動機(jī)健康狀態(tài)下的模型，抑或根據(jù)包含典型故障的數(shù)據(jù)訓(xùn)練發(fā)動機(jī)故障基準(zhǔn)模型。

在氣路故障診斷過程中，一般采用發(fā)動機(jī)的直接測量參數(shù)與對應(yīng)條件下的測量值基準(zhǔn)的相對偏差量作為診斷依據(jù)。此時需要明確基準(zhǔn)值和測量相對偏差如何獲取。

基準(zhǔn)值的獲取，通過對大量同型號多臺份無故障健康發(fā)動機(jī)試車或飛行數(shù)據(jù)進(jìn)行統(tǒng)計和回歸分析，構(gòu)建基線模型，或者基于少量健康發(fā)動機(jī)數(shù)據(jù)，利用性能仿真模型進(jìn)行自適應(yīng)調(diào)整，模擬真實健康發(fā)動機(jī)狀態(tài)并通過仿真生成大量基線數(shù)據(jù)。

林兆福等于20世紀(jì)90年代開始研究基線方程的建立方法，應(yīng)用正交試驗設(shè)計原理與最小二乘法，建立了JT9D三型發(fā)動機(jī)的基線方程，與ECMⅡ系統(tǒng)進(jìn)行趨勢分析的結(jié)果一致，比發(fā)動機(jī)制造廠提供的原始基線方程的精度更高。鐘詩勝等針對PW4000系列、Trent700等發(fā)動機(jī)開展了基線方程的研究，包括利用三次回歸法建立了PW4056發(fā)動機(jī)P/P與發(fā)動機(jī)總壓比的基線方程關(guān)系。利用基于核函數(shù)的多元非線性回歸分析方法，建立了Trent700發(fā)動機(jī)的排氣溫度、燃油流量以及高、中、低壓轉(zhuǎn)子物理轉(zhuǎn)速與控制量總壓比之間的基線方程。

隨著計算方法的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等智能算法開始應(yīng)用于基線方程的建立與辨識。面對數(shù)據(jù)量龐大、關(guān)系復(fù)雜的實際問題，這些智能算法可以通過模型訓(xùn)練獲得發(fā)動機(jī)基線的隱性方程，有效解決基線建模中存在的不確定輸入和輸出的問題。在最新的研究成果中，劉淵等針對CFM56-7B發(fā)動機(jī)的排氣溫度基線建模問題，提出了一種基于堆疊降噪自編碼器（Stacked Denoising Auto Encoder，SDAE）和支持向量回歸（Support Vector Regression，SVR）相結(jié)合的基線建模方法。SDAE可以有效對輸入數(shù)據(jù)進(jìn)行降噪和特征提取，而SVR方法則用于擬合和預(yù)測，該方法實施過程如圖2所示。

圖2 SDAE-SVR混合模型的基線建模方法實施流程[22]

總體來說，基于基線方程的發(fā)動機(jī)基線模型構(gòu)建方法，作為飛行數(shù)據(jù)記錄較為完整的民航發(fā)動機(jī)的參考基準(zhǔn)，對數(shù)據(jù)的處理效率較高，結(jié)果較為可靠，智能算法的應(yīng)用也使得算法的準(zhǔn)確性和通用性進(jìn)一步提高。但是，面對性能分散度較大，工作狀態(tài)復(fù)雜多變，且測量參數(shù)有限的軍用發(fā)動機(jī)，其構(gòu)建的基線可能無法針對發(fā)動機(jī)的狀態(tài)做出靈活調(diào)整，基線模型的精確度也難以保障。

解決上述問題的主要方法是建立基于發(fā)動機(jī)部件特性圖修正的發(fā)動機(jī)部件級基線模型。這種基于部件特性修正的基線模型可以利用較少的發(fā)動機(jī)運(yùn)行數(shù)據(jù)，實現(xiàn)不同工況下發(fā)動機(jī)基線狀態(tài)的準(zhǔn)確模擬。根據(jù)部件特性圖修正方式的不同，該類基線模型建立方法可以分為縮放方法和回歸方法2類。

縮放方法是利用一系列“縮放系數(shù)”，對已有通用部件特性圖進(jìn)行位置和形狀的調(diào)整，以實現(xiàn)相應(yīng)部件在特定工況下的性能改變，結(jié)合優(yōu)化算法實現(xiàn)發(fā)動機(jī)性能的匹配。Stamatis提出了“修正因子（Modification Factor）”的概念，通過調(diào)整修正因子來調(diào)整通用部件特性圖在不同區(qū)域內(nèi)的性能表現(xiàn)，實現(xiàn)對實際部件特性圖的“復(fù)現(xiàn)”。Li等在模型自適應(yīng)調(diào)整方面開展了研究，利用克蘭菲爾德大學(xué)開發(fā)的PYTHIA模型，分別用基于線性表達(dá)式、二次函數(shù)表達(dá)式來表示縮放系數(shù)在非設(shè)計狀態(tài)下的變化規(guī)律，并結(jié)合遺傳算法和少量非設(shè)計點數(shù)據(jù)，提高了在偏離設(shè)計點較遠(yuǎn)的非設(shè)計工況下模型的準(zhǔn)確性。以壓縮部件特性圖（如圖3所示）為例解釋通過縮放系數(shù)進(jìn)行部件特性調(diào)整的原理。

圖3 壓氣機(jī)特性縮放[25]

回歸方法是通過各種多項式、曲線方程等對發(fā)動機(jī)部件特性圖的特性線進(jìn)行回歸建模，通過優(yōu)化算法優(yōu)化回歸曲線的系數(shù)，來實現(xiàn)發(fā)動機(jī)性能的匹配。Kong等利用多項式來描述增壓比、效率、換算流量以及換算轉(zhuǎn)速之間的關(guān)系，并利用遺傳算法來計算使模型與實際數(shù)據(jù)匹配程度最好的多項式系數(shù)；Tsoutsanis等提出了一種利用橢圓曲線來描述換算流量和增壓比以及絕熱效率之間非線性函數(shù)關(guān)系的方法，并利用遺傳算法優(yōu)化曲線的系數(shù)，與文獻(xiàn)[25]提出的方法相比，模型精度提高了27%，Tsoutsanis等和[30]此后又將該方法進(jìn)一步應(yīng)用于燃?xì)廨啓C(jī)的過渡態(tài)模型的校核和退化預(yù)測，完善了該方法的框架和應(yīng)用。

總體來說，基于部件級仿真模型建立的發(fā)動機(jī)基線模型可以較好地反映發(fā)動機(jī)部件之間的共同工作關(guān)系，面對工況的變化，模型的調(diào)整較為靈活。但這一類基線模型目前較多應(yīng)用于發(fā)動機(jī)離線氣路故障診斷的分析中，對于在線氣路故障診斷的功能需求，還需結(jié)合其他方法，進(jìn)一步提高模型的實時性。

當(dāng)獲得了較準(zhǔn)確的發(fā)動機(jī)基線值后，就可以進(jìn)行測量參數(shù)相對偏差的計算。在使用過程中，發(fā)動機(jī)的工作狀態(tài)是動態(tài)變化的，其調(diào)節(jié)控制機(jī)構(gòu)的調(diào)整也會對測量參數(shù)產(chǎn)生一定影響，而這種影響不是因為故障造成的，需要在相對偏差計算時將其剔除。文獻(xiàn)[31]中給出了一種計算測量參數(shù)相對偏差量的方法。首先定義特定測量條件下的基線值

式中：為基線的基準(zhǔn)，即利用基線模型計算的發(fā)動機(jī)性能基準(zhǔn)，通常隨飛行馬赫數(shù)、換算轉(zhuǎn)速等反映發(fā)動機(jī)工作狀態(tài)的變量變化；Δ為引氣量修正，包括飛機(jī)引氣、防冰引氣和防喘放氣等；Δ為渦輪間隙控制引氣量和可調(diào)渦輪冷卻空氣量修正；Δ為雷諾數(shù)修正。

基線值和偏差量的計算如圖4所示。

圖4 基線值和偏差量的計算[31]

測量參數(shù)的偏差量計算為

式中：為實測參數(shù)的換算參數(shù)；Δ為多臺份發(fā)動機(jī)的性能分散性的反映。

在有些發(fā)動機(jī)監(jiān)視系統(tǒng)中，有時也會將基線模型換算到實際發(fā)動機(jī)相同的工況下，再計算其與實際參數(shù)的相對偏差量。

2 基于模型的氣路故障診斷方法

基于模型的氣路故障診斷方法是最早開始應(yīng)用于航空發(fā)動機(jī)氣路故障診斷的方法之一。其核心是建立能準(zhǔn)確描述發(fā)動機(jī)工作狀態(tài)與部件特性、環(huán)境參數(shù)與控制規(guī)律之間關(guān)系的性能仿真模型，能準(zhǔn)確描述發(fā)動機(jī)各部件之間的物理匹配關(guān)系，能在不同工況及使用條件下準(zhǔn)確模擬發(fā)動機(jī)性能。利用實際測量參數(shù)提供的發(fā)動機(jī)實際性能信息，結(jié)合仿真模型及相應(yīng)的氣路故障診斷方法，實現(xiàn)故障診斷與隔離的功能。

2.1 基于模型的氣路故障診斷方法的數(shù)學(xué)描述

應(yīng)用于氣路故障診斷的發(fā)動機(jī)性能模型本質(zhì)上是1個0維的發(fā)動機(jī)模型，在該模型中，發(fā)動機(jī)的性能參數(shù)（推力、耗油率等）以及反映發(fā)動機(jī)工作狀態(tài)的測量參數(shù)（重要截面的總溫、總壓，空氣、燃?xì)饬髁康龋┡c發(fā)動機(jī)部件特性、控制計劃以及環(huán)境參數(shù)之間存在非線性函數(shù)關(guān)系

式中：為測量參數(shù)的集合；為部件特性的集合；為控制計劃的輸入?yún)?shù)；為環(huán)境的輸入?yún)?shù)。

對于確定的穩(wěn)態(tài)工作點，和可以視為常量，此時發(fā)動機(jī)模型的函數(shù)關(guān)系簡化為

在該函數(shù)關(guān)系中，氣路部件特性是自變量，部件的效率及流通能力變化會引起反映發(fā)動機(jī)性能的測量參數(shù)變化，而發(fā)動機(jī)故障狀態(tài)的特征就是部件特性的變化。因此，基于模型的氣路故障診斷將根據(jù)上述發(fā)動機(jī)模型中測量參數(shù)與部件特性之間的非線性函數(shù)關(guān)系，通過不同的診斷算法，基于發(fā)動機(jī)測量參數(shù)的變化求解氣路部件偏離正常狀態(tài)的程度，從而確定發(fā)動機(jī)故障。

2.2 航空發(fā)動機(jī)性能仿真模型分類

應(yīng)用于航空發(fā)動機(jī)氣路故障診斷的0維性能仿真模型主要有2類：第1類仿真模型的基本特征為基于發(fā)動機(jī)的相似工作原理，通過表格或擬合關(guān)系式來描述發(fā)動機(jī)性能，將整個發(fā)動機(jī)作為1個“黑盒子”，模型中不描述各部件的工作情況，只關(guān)注外在性能特征；第2類仿真模型的技術(shù)特征為發(fā)動機(jī)的每個部件通過部件特性進(jìn)行表征，基于焓熵?zé)崃﹃P(guān)系式建模，通過求解各部件的共同工作方程來確定發(fā)動機(jī)關(guān)鍵截面的氣動熱力參數(shù)和總體性能。第1類模型結(jié)構(gòu)相對簡單，但是需要大量準(zhǔn)確的發(fā)動機(jī)性能數(shù)據(jù)來描述發(fā)動機(jī)性能和部件性能之間的關(guān)系。第2類模型的相比于第1類優(yōu)勢在于可以更全面地考慮發(fā)動機(jī)工作的細(xì)節(jié)，重點在于部件特性的變化、控制規(guī)律的選擇以及部件共同工作的相互制約和影響此外，高維仿真模型、變維度仿真模型在航空發(fā)動機(jī)氣路故障診斷中也有應(yīng)用。

2.3 基于線性模型的診斷方法

隨著電子技術(shù)和計算機(jī)技術(shù)的發(fā)展，從20世紀(jì)70年代開始，電子監(jiān)控系統(tǒng)開始應(yīng)用于航空發(fā)動機(jī)，對發(fā)動機(jī)狀態(tài)的監(jiān)控和參數(shù)的記錄更加全面和詳細(xì)，飛行報告的參數(shù)范圍和復(fù)雜度都明顯提高，為了提高地面監(jiān)控站對飛行數(shù)據(jù)的分析能力以及故障維修和發(fā)動機(jī)維護(hù)的決策效率，氣路分析法于70年代初期由Urban提出，這也是基于線性模型的診斷方法首次被提出，在隨后的20多年里，基于線性模型故障診斷方法不斷完善，并陸續(xù)在JT9D、CF6、PW4000等多型號發(fā)動機(jī)上得到應(yīng)用。

基于線性模型的氣路故障診斷方法按照算法性質(zhì)可分為2類：

（1）變量估計的氣路故障診斷方法，典型算法為氣路分析法。該類方法根據(jù)測量參數(shù)的集合對航空發(fā)動機(jī)進(jìn)行故障診斷，測量參數(shù)的集合不隨時間變化，典型的數(shù)據(jù)集合包括發(fā)動機(jī)試車節(jié)流過程穩(wěn)態(tài)工作點、在飛行過程中不同工況下的發(fā)動機(jī)穩(wěn)態(tài)工作點集合等。

（2）過程估計的氣路故障診斷方法，典型算法為卡爾曼濾波方法。該類方法根據(jù)測量參數(shù)的時間序列數(shù)據(jù)集合對發(fā)動機(jī)的狀態(tài)進(jìn)行估計和診斷。

基于線性模型的氣路分析法是典型的變量估計方法，其基本思路為，將式（3）中發(fā)動機(jī)測量參數(shù)隨部件特性的變化在某一確定工作點（如最大狀態(tài)或巡航狀態(tài)）附近進(jìn)行一階泰勒展開，此時，式（3）可以變?yōu)槿缦滦问?/p>

式中：為影響系數(shù)矩陣（Influence Coefficient Matrix，ICM），是測量參數(shù)與部件特性之間的偏導(dǎo)數(shù)矩陣。

考慮變量的相對變化值，采用小偏差法通過對式（6）影響系數(shù)矩陣求逆，構(gòu)造故障系數(shù)矩陣

Urban針對小偏差法進(jìn)行了大量研究，并將該方法應(yīng)用在渦軸發(fā)動機(jī)、分排渦扇發(fā)動機(jī)、混排渦扇發(fā)動機(jī)等多種構(gòu)型航空發(fā)動機(jī)以及單軸、雙軸燃?xì)廨啓C(jī)中，給出了多種構(gòu)型發(fā)動機(jī)典型的故障模式方程，并結(jié)合發(fā)動機(jī)的飛行使用數(shù)據(jù)給出了相應(yīng)的故障診斷結(jié)果，進(jìn)一步提高了該方法的診斷能力。

小偏差法方法的實現(xiàn)基礎(chǔ)是影響系數(shù)矩陣可逆，即要求測量參數(shù)個數(shù)必須大于或等于故障模式數(shù)，同時測量參數(shù)沒有噪聲和偏差，在測量參數(shù)較少時，會在一定程度上限制該方法的應(yīng)用。針對測量參數(shù)不足造成的求解問題，提出了多狀態(tài)分析法和主因子模型法。多狀態(tài)分析法假設(shè)在不同工作狀態(tài)下有故障部件具有相同的特性變化，并將影響系數(shù)看作是工作狀態(tài)的函數(shù)，將式（6）的單狀態(tài)數(shù)學(xué)模型擴(kuò)展為k個狀態(tài)的多狀態(tài)數(shù)學(xué)模型，使其滿足≤·的求解條件；主因子模型法假設(shè)所有故障不可能同時發(fā)生，通過提取最有可能發(fā)生故障的部件來降低故障模式數(shù)，實現(xiàn)求解。

陳大光等、張津[在早期的氣路故障診斷方向上，基于線性模型的小偏差法，開展了多狀態(tài)氣路分析法和主因子模型法的相關(guān)研究，有效改善了測量參數(shù)不足時氣路故障診斷系統(tǒng)的有效性，并針對JT9D、CF6等民航發(fā)動機(jī)進(jìn)行了方法的驗證，發(fā)展了一種新的發(fā)動機(jī)狀態(tài)監(jiān)視和故障診斷（Engine Monitoring and Diagnosis,EMD）系統(tǒng)；范作民等、孫春林等等基于主因子模型法也開展了大量研究。

總體來說，小偏差法對發(fā)動機(jī)模型的線性化簡化使其求解速度更快、模型的應(yīng)用更加快捷方便，采用多狀態(tài)分析法或主因子模型法可以解決小偏差法測量參數(shù)不足時的計算問題。成熟型號發(fā)動機(jī)在測量參數(shù)的數(shù)量和測量精度上都較好，同時數(shù)據(jù)庫較為完整和連續(xù)，適于采用小偏差法。

為了考慮模型的非線性影響，減少線性化假設(shè)帶來的計算誤差，Escher提出了一種基于牛頓-拉夫遜法的非線性迭代求解方法，將式（3）的求解過程表述為影響系數(shù)矩陣的迭代，通過牛頓拉夫遜法迭代出最優(yōu)解，診斷效果顯著優(yōu)于傳統(tǒng)小偏差法的。非線性GPA方法的簡化如圖5所示?；谠撛黹_發(fā)了1套氣路分析軟件Pythia，被諸多學(xué)者廣泛使用。

圖5 非線性GPA方法的簡化[43]

加權(quán)最小二乘法是另一種考慮模型非線性影響的改進(jìn)方法，通過引入測量參數(shù)和氣路故障參數(shù)的協(xié)方差求解使Δ最小的Δ的最小二乘解。

GE公司的TEMPER系統(tǒng)是應(yīng)用于民用航空發(fā)動機(jī)的故障診斷系統(tǒng)，其核心算法是加權(quán)最小二乘法。Doel對加權(quán)最小二乘法進(jìn)行了評估，并介紹了TEMPER系統(tǒng)的基本原理，同時指出對于最小二乘方法計算結(jié)果的解釋，即專家信息在TEMPER系統(tǒng)中的重要性；Kamunge介紹了非線性加權(quán)最小二乘法在渦軸發(fā)動機(jī)氣路故障診斷中的應(yīng)用，并對比了線性和非線性最小二乘法的區(qū)別；朱之麗等結(jié)合最小二乘法和多狀態(tài)數(shù)學(xué)模型，應(yīng)用于某型雙軸分排渦扇發(fā)動機(jī)的故障診斷，并進(jìn)一步引用阻尼Gauss-Newton方法優(yōu)化算法的效率和收斂性；魯峰等提出了改進(jìn)的變權(quán)重最小二乘法，來改進(jìn)故障權(quán)重矩陣選擇不合理導(dǎo)致的診斷失誤現(xiàn)象。

線性卡爾曼濾波（Linear Kalman Filter，LKF）方法是典型的過程估計方法，利用發(fā)動機(jī)部件級模型抽象出線性狀態(tài)模型，通過卡爾曼濾波增益矩陣和協(xié)方差矩陣，結(jié)合發(fā)動機(jī)時間序列數(shù)據(jù)，優(yōu)化式（2）的逆過程求解，對發(fā)動機(jī)隨時間的狀態(tài)變化進(jìn)行估計，對可能發(fā)生的異常狀態(tài)和故障進(jìn)行診斷。基于卡爾曼濾波的氣路故障診斷方法流程如圖6所示。

圖6 基于卡爾曼濾波的氣路故障診斷方法流程[49]

Simon等基于線性卡爾曼濾波方法，增加了線性不等式約束、柔性約束以及密度函數(shù)等約束條件，提升了診斷的準(zhǔn)確性；姜新瑞提出了一種改進(jìn)的發(fā)動機(jī)增廣狀態(tài)變量模型，能夠調(diào)整部件性能參數(shù)，反映發(fā)動機(jī)部件的退化程度，結(jié)合LKF實現(xiàn)了對小涵道比渦扇發(fā)動機(jī)單部件故障和雙部件故障的準(zhǔn)確診斷，并分析了狀態(tài)變量模型的參數(shù)矩陣變化對濾波結(jié)果的影響。

總體來說，加權(quán)最小二乘法以及線性卡爾曼濾波法均可以考慮傳感器噪聲和測量偏差的影響，同時不要求測量參數(shù)數(shù)目必須大于等于氣路故障數(shù)目。但這2類方法都存在發(fā)散效應(yīng)的問題，即故障同時發(fā)散到多個部件而不是準(zhǔn)確地集中于故障部件；另外，2種方法對于協(xié)方差矩陣的選擇需要足夠的先驗知識；同時，線性假設(shè)的存在讓2種方法同樣受到模型線性化帶來的限制，無法完全準(zhǔn)確地對非線性的發(fā)動機(jī)系統(tǒng)進(jìn)行診斷。

2.4 基于非線性模型的診斷方法

基于線性模型的診斷方法所提出的小偏差線性化假設(shè)存在諸多限制。當(dāng)航空發(fā)動機(jī)工作狀態(tài)變化較大時，線性化模型無法充分考慮發(fā)動機(jī)的非線性特性，診斷的可靠性和成功率會有所降低。為了解決線性模型氣路故障診斷方法的不足，研究人員提出了基于航空發(fā)動機(jī)非線性模型的氣路故障診斷方法。與線性模型方法類似，典型的基于非線性模型的故障診斷方法也可分為2類：基于變量估計的模型辨識法以及基于過程估計的非線性卡爾曼濾波法。

模型辨識法的基本原理與第1章介紹的基于模型的基線模型校核方法類似，其主要思想是通過建立發(fā)動機(jī)非線性模型來建立部件特性與測量參數(shù)之間的定量關(guān)系，并通過優(yōu)化算法調(diào)整模型參數(shù)以匹配實際發(fā)動機(jī)的性能狀態(tài)。當(dāng)發(fā)動機(jī)存在故障或性能衰退等問題時，發(fā)動機(jī)模型可以通過性能測量參數(shù)辨識故障或衰退發(fā)生的部位和程度，從而實現(xiàn)故障的診斷與隔離。模型辨識法的計算流程如圖7所示。

圖7 模型辨識法的計算流程[55]

Stamatis于20世紀(jì)90年代提出了基于部件特性的“修正因子”的模型校核方法，并進(jìn)一步將這種理念應(yīng)用于氣路故障診斷；Sampath等針對遺傳算法在航空發(fā)動機(jī)氣路故障診斷中的應(yīng)用開展了詳細(xì)研究，并將該方法應(yīng)用于EJ200、RB199等發(fā)動機(jī)上，指出基于遺傳算法的氣路故障診斷方法可以有效反映航空發(fā)動機(jī)系統(tǒng)的非線性且可以考慮系統(tǒng)噪聲和傳感器偏差，但相比于其他方法，其計算時間相對較長，獲得準(zhǔn)確的全局收斂結(jié)果需要消耗較多的計算資源；Tsoutsanis等提出了多種發(fā)動機(jī)模型辨識方法，在校核模型的同時將這些方法應(yīng)用于氣路故障診斷。

朱大明等結(jié)合模型辨識法與數(shù)理統(tǒng)計方法給出了一種更適用于臺架試車診斷的氣路故障診斷方法，運(yùn)用數(shù)理統(tǒng)計方法對模型辨識法的結(jié)果進(jìn)行再處理，彌補(bǔ)了單純以擬合程度為標(biāo)準(zhǔn)進(jìn)行故障隔離的不足。為了提高測量參數(shù)的利用率，陳敏等提出了一種4步優(yōu)化的測量參數(shù)選擇方法，通過測量參數(shù)敏感性分析、部件性能參數(shù)相關(guān)性分析、影響系數(shù)矩陣條件數(shù)分析和遺傳算法檢驗，優(yōu)化了測量參數(shù)的選擇范圍，在較少的測量參數(shù)組合下也能實現(xiàn)較高的故障診斷成功率，對單部件故障和多部件故障均有較好的診斷效果，該方法的運(yùn)行流程如圖8所示。

圖8 4步優(yōu)化方法的運(yùn)行流程[58]

總體來說，航空發(fā)動機(jī)部件級模型能夠反映發(fā)動機(jī)物理匹配機(jī)制和共同工作原理，應(yīng)用模型辨識法可以在氣路故障診斷過程中更加充分地考慮非線性對診斷結(jié)果的影響，模型辨識法對于測量參數(shù)噪聲及傳感器偏差的魯棒性也較好。但是因部件級模型本身結(jié)構(gòu)的復(fù)雜化，使模型辨識法的計算時間成本提高，同時，作為基于變量估計的氣路故障診斷方法，模型辨識法更多地應(yīng)用于離線氣路故障診斷，對于在線氣路故障診斷的應(yīng)用，還存在著一定的限制。

非線性卡爾曼濾波方法是為解決線性卡爾曼濾波方法的局限性而提出的一類直接應(yīng)用于非線性系統(tǒng)的改進(jìn)的卡爾曼濾波算法，典型的方法包括擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）以及無跡卡爾曼濾波（Unscented Kalman Filter，UKF）。EKF將非線性系統(tǒng)表達(dá)式圍繞濾波值展開為泰勒級數(shù)并略去2階及以上項，構(gòu)成1個近似的線性化模型，然后利用卡爾曼濾波完成對目標(biāo)的濾波估計等處理。而UKF通過無跡變換直接處理均值和協(xié)方差的均值傳遞問題，而不需要對非線性系統(tǒng)進(jìn)行線性化近似，相比EKF，UKF應(yīng)用于非線性系統(tǒng)的估計精度更高、穩(wěn)定性更好。

Simon對LKF、EKF以及UKF 3種基于卡爾曼濾波的方法在航空發(fā)動機(jī)氣路故障診斷中的應(yīng)用對比指出，對于航空發(fā)動機(jī)的非線性程度，擴(kuò)展卡爾曼濾波的精度已經(jīng)滿足要求；Lu等針對非線性卡爾曼濾波方法提出了多種改進(jìn)的算法，典型的包括一種將EKF與中值濾波相結(jié)合的方法，以及基于多步在線遞歸估計和自適應(yīng)緩沖策略的改進(jìn)非線性卡爾曼濾波方法。這些改進(jìn)的方法能更好地應(yīng)對測量參數(shù)不確定性以及噪聲對估計結(jié)果的影響。針對具體發(fā)動機(jī)，非線性卡爾曼濾波方法的選擇需要綜合考慮計算時間與計算精度，選擇最優(yōu)的解決方案。

2.5 小結(jié)

從已有研究成果來看，模型計算的準(zhǔn)確程度、功能的完備性以及計算的可靠性是基于模型的航空發(fā)動機(jī)氣路故障診斷方法的重要因素。這一類方法不需要依賴大量的運(yùn)行數(shù)據(jù)，但需要通過一定數(shù)量準(zhǔn)確度較高的數(shù)據(jù)樣本來盡可能改善模型的精度，這對于提高氣路故障診斷的成功率有重要作用。另外，研究人員也針對基于模型方法的魯棒性和抗干擾能力提出了諸多改進(jìn)的方法，進(jìn)一步提高了氣路故障診斷方法的適用性?；谀Ｐ偷臍饴饭收显\斷方法在離線診斷和實時跟蹤方面都有較多研究成果和實際應(yīng)用，在未來依然是氣路故障診斷的主要方法之一。

3 數(shù)據(jù)驅(qū)動的氣路故障診斷方法

隨著系統(tǒng)的復(fù)雜程度和不確定性的增加，獲得準(zhǔn)確發(fā)動機(jī)性能模型的難度也越來越大?；谀Ｐ偷姆椒ㄒ肟紤]更多的因素，模型的復(fù)雜度勢必會提高，其可靠性和準(zhǔn)確性會有所降低。在這種情況下，隨著智能計算和人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的方法開始應(yīng)用于航空發(fā)動機(jī)氣路故障診斷。相比基于模型的氣路故障診斷方法，基于數(shù)據(jù)建立的發(fā)動機(jī)故障診斷模型不需要考慮發(fā)動機(jī)內(nèi)部各部件之間的具體工作情況，通過發(fā)動機(jī)數(shù)據(jù)在系統(tǒng)的輸入輸出之間建立1個非線性的動態(tài)故障模型，從而實現(xiàn)發(fā)動機(jī)氣路故障診斷。典型的基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法可以分為人工神經(jīng)網(wǎng)絡(luò)方法、模糊邏輯理論方法以及專家系統(tǒng)診斷方法。

3.1 基于神經(jīng)網(wǎng)絡(luò)的診斷方法

人工神經(jīng)網(wǎng)絡(luò)方法是一種模擬人腦學(xué)習(xí)過程的智能計算方法，利用非線性算法將輸入與輸出通過隱含層多個“神經(jīng)元”連接成網(wǎng)絡(luò)，并通過“神經(jīng)元”之間的權(quán)值系數(shù)儲存輸入輸出之間的內(nèi)在聯(lián)系。人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于航空發(fā)動機(jī)氣路故障診斷，其實現(xiàn)過程可以分為學(xué)習(xí)階段和診斷階段。在學(xué)習(xí)階段，需要利用發(fā)動機(jī)的運(yùn)行數(shù)據(jù)，調(diào)整網(wǎng)絡(luò)的各項權(quán)值系數(shù)來訓(xùn)練網(wǎng)絡(luò)模型，這些數(shù)據(jù)可以來源于發(fā)動機(jī)的歷史運(yùn)行數(shù)據(jù)，或通過準(zhǔn)確的發(fā)動機(jī)模型生成。對于故障診斷需求，需要訓(xùn)練發(fā)動機(jī)在健康狀態(tài)下的模型；對于故障隔離需求，則需要通過發(fā)動機(jī)故障狀態(tài)下的性能數(shù)據(jù)訓(xùn)練多個發(fā)動機(jī)故障模型。在診斷階段，將訓(xùn)練好的發(fā)動機(jī)模型與實際發(fā)動機(jī)數(shù)據(jù)進(jìn)行對比，診斷發(fā)動機(jī)是否發(fā)生故障并對具體故障進(jìn)行隔離。

最早將神經(jīng)網(wǎng)絡(luò)應(yīng)用于航空發(fā)動機(jī)氣路故障診斷的研究成果之一是Denney于1993年提出的將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于F100發(fā)動機(jī)的故障診斷。在后續(xù)一系列研究中，各種結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)算法被應(yīng)用，除了典型的BP神經(jīng)網(wǎng)絡(luò)外，還包括RBF網(wǎng)絡(luò)、動態(tài)神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自聯(lián)想神經(jīng)網(wǎng)絡(luò)等。

訓(xùn)練成型的神經(jīng)網(wǎng)絡(luò)故障診斷模型的診斷速度快，但與其他基于數(shù)據(jù)驅(qū)動的故障診斷方法類似，人工神經(jīng)網(wǎng)絡(luò)方法的局限性在于：（1）對數(shù)據(jù)的完整性要求較高；（2）訓(xùn)練時間較長。為了增強(qiáng)算法泛化性，訓(xùn)練樣本規(guī)模通常很大，為了使模型具備較好的故障隔離效果，往往需要生成多個神經(jīng)網(wǎng)絡(luò)模型，這些因素都造成了該方法訓(xùn)練階段時間成本的增加。

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，越來越多的新方法被應(yīng)用于故障診斷。近5年來，人工神經(jīng)網(wǎng)絡(luò)仍是航空發(fā)動機(jī)氣路故障診斷的重要研究方向。Tang等提出了一種基于遷移學(xué)習(xí)理論的數(shù)據(jù)驅(qū)動方法，建立了基于遷移學(xué)習(xí)的發(fā)動機(jī)數(shù)據(jù)更新結(jié)構(gòu)，可以更好地利用發(fā)動機(jī)的歷史數(shù)據(jù)和近期采集數(shù)據(jù)，使訓(xùn)練模型在全壽命周期內(nèi)都具有較高的準(zhǔn)確率；Tang等還提出了一種基于拓?fù)鋽?shù)據(jù)分析和遷移學(xué)習(xí)的發(fā)動機(jī)多狀態(tài)故障診斷方法，與傳統(tǒng)的基于模型的多狀態(tài)氣路故障診斷方法相比，該方法提高了算法對數(shù)據(jù)的利用率，在較少測量參數(shù)下能實現(xiàn)較高的診斷成功率；Zhong等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的遷移學(xué)習(xí)方法，并利用CFM56系列發(fā)動機(jī)飛行數(shù)據(jù)對方法進(jìn)行了驗證，表明該方法具備更強(qiáng)的故障識別能力。

總體上看，隨著神經(jīng)網(wǎng)絡(luò)計算方法的不斷進(jìn)步，該方法應(yīng)用于航空發(fā)動機(jī)這種強(qiáng)非線性系統(tǒng)中的適用性在逐年提高。深度學(xué)習(xí)可以有效解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法泛化能力差、容易陷入局部最優(yōu)的問題。在航空發(fā)動機(jī)具有較完整的運(yùn)行數(shù)據(jù)集時，神經(jīng)網(wǎng)絡(luò)方法可以更快地識別數(shù)據(jù)特征，快速提取出潛在的故障類型，在先進(jìn)航空發(fā)動機(jī)健康管理系統(tǒng)中具有較強(qiáng)的應(yīng)用潛力。

3.2 基于專家系統(tǒng)的診斷方法

利用專家系統(tǒng)進(jìn)行故障診斷，是一種通過構(gòu)建信息知識庫實現(xiàn)對發(fā)動機(jī)發(fā)生故障的原因進(jìn)行推理的診斷方法。構(gòu)成數(shù)據(jù)庫的知識包括發(fā)動機(jī)歷史數(shù)據(jù)、發(fā)動機(jī)維修數(shù)據(jù)、專家知識、發(fā)動機(jī)模型等。推理方法包括基于規(guī)則、案例、模型的推理。通過對故障模式的復(fù)現(xiàn)，給出可能性最大的故障原因。

基于單一推理方法的專家系統(tǒng)往往知識獲取效率低下、自適應(yīng)能力和學(xué)習(xí)能力較差。因此，為了提升系統(tǒng)對故障推理的可靠性，目前已發(fā)展了融合多種推理和診斷方法的專家系統(tǒng)，如典型的Tiger系統(tǒng)。該系統(tǒng)根據(jù)大量的歷史數(shù)據(jù)建立基于規(guī)則的推理知識庫，是一種典型的基于規(guī)則推理的專家系統(tǒng)，但同時該系統(tǒng)也應(yīng)用了基于模型的故障診斷方法來輔助系統(tǒng)對故障的推理，近年來，該系統(tǒng)進(jìn)一步發(fā)展成為與神經(jīng)網(wǎng)絡(luò)相結(jié)合的診斷方法。Spina等介紹了4種典型的應(yīng)用于不同場景發(fā)動機(jī)故障診斷的專家系統(tǒng)。

作為基于數(shù)據(jù)驅(qū)動的故障診斷方法，專家系統(tǒng)對數(shù)據(jù)庫的完整性和可靠性有較高要求，適用于具備全壽命周期性能監(jiān)控的成熟型號民航發(fā)動機(jī)。

3.3 基于模糊理論的診斷方法

模糊理論通常應(yīng)用于被研究對象的數(shù)學(xué)模型無法準(zhǔn)確獲取或模型重建無法快速有效實現(xiàn)的問題，通過一系列“如果…那么”的規(guī)則對輸入與輸出參數(shù)的關(guān)系進(jìn)行估計。航空發(fā)動機(jī)氣路故障與征兆的關(guān)系，即測量參數(shù)與氣路部件參數(shù)的映射關(guān)系，有時無法用精確的數(shù)學(xué)模型描述，模糊理論的基本思想是將故障診斷的輸出由“某個部件發(fā)生了某種程度的故障”轉(zhuǎn)變?yōu)椤澳硞€部件發(fā)生了某種程度的故障可能性較大”，進(jìn)而實現(xiàn)故障診斷的目標(biāo)。

早期的模糊邏輯應(yīng)用于發(fā)動機(jī)的方法由Fuster等于1997年提出，隨后，研究人員開始廣泛地將其應(yīng)用于發(fā)動機(jī)故障診斷；Gayme等通過啟發(fā)式的方法將發(fā)動機(jī)試驗和飛行數(shù)據(jù)轉(zhuǎn)化為模糊規(guī)則，并實現(xiàn)發(fā)動機(jī)高壓轉(zhuǎn)子性能退化的診斷；Ogagi等將該方法應(yīng)用于某3軸軍用渦扇發(fā)動機(jī)的故障診斷，并在中壓壓氣機(jī)的故障診斷實例中對方法進(jìn)行了驗證。

基于模糊理論的氣路故障診斷方法的效果取決于模糊規(guī)則的質(zhì)量和數(shù)量，相比于神經(jīng)網(wǎng)絡(luò)，模糊理論通過模糊規(guī)則建立離散化的發(fā)動機(jī)故障模型，使診斷方法的結(jié)構(gòu)更為簡單。但隨著模型復(fù)雜程度的增加，需要設(shè)定更多的模糊規(guī)則來保證診斷模型的可靠性，準(zhǔn)確的診斷規(guī)則也需要大量的數(shù)據(jù)支撐。為了提高模糊規(guī)則的可靠性，近年來發(fā)展了多種混合的模糊理論的氣路故障診斷方法，通過基于模型或基于神經(jīng)網(wǎng)絡(luò)的方法對發(fā)動機(jī)的故障模式進(jìn)行預(yù)先學(xué)習(xí)和篩選，提高模糊規(guī)則設(shè)定的質(zhì)量，或優(yōu)化模糊規(guī)則數(shù)量來降低故障模型復(fù)雜程度。

3.4 小結(jié)

從現(xiàn)有研究結(jié)果看，基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法對數(shù)據(jù)的全面性和完整性提出了較高的需求。對于已經(jīng)具備大量數(shù)據(jù)樣本的成熟型號發(fā)動機(jī)，基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法可以較好地提取數(shù)據(jù)中表征的發(fā)動機(jī)特征信息，利用數(shù)據(jù)樣本生成寬適用性的非線性模型，進(jìn)而實現(xiàn)對多種故障模式的定量診斷。近年來，深度學(xué)習(xí)等多種新形式的智能算法的出現(xiàn)，為基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法提供了新的發(fā)展機(jī)遇。另外，應(yīng)同步重視航空發(fā)動機(jī)運(yùn)行數(shù)據(jù)的收集與整理工作，進(jìn)一步提高數(shù)據(jù)質(zhì)量，為數(shù)據(jù)驅(qū)動方法提供堅實的數(shù)據(jù)基礎(chǔ)。

4 航空發(fā)動機(jī)氣路故障診斷方法發(fā)展方向

隨著航空發(fā)動機(jī)健康管理系統(tǒng)的提出和發(fā)展，氣路故障診斷也有了新的發(fā)展方向?？傮w來看，近年來的研究成果以基于模型和基于數(shù)據(jù)驅(qū)動的氣路故障診斷方法為基礎(chǔ)，為適應(yīng)先進(jìn)航空發(fā)動機(jī)健康管理系統(tǒng)的使用需求，提出了新的研究內(nèi)容，大致分為4方面：（1）為進(jìn)一步降低發(fā)動機(jī)維修成本，推動視情維修策略的應(yīng)用，發(fā)展了性能預(yù)測技術(shù)；（2）為提高發(fā)現(xiàn)和診斷故障的效率，進(jìn)一步降低故障診斷延遲，發(fā)動機(jī)在線診斷模型得到了長足發(fā)展；（3）多源信息融合日益成為航空發(fā)動機(jī)氣路故障診斷的重要研究目標(biāo)；（4）為適應(yīng)發(fā)動機(jī)過渡態(tài)性能分析需求，提出了過渡態(tài)氣路故障診斷方法。

4.1 航空發(fā)動機(jī)性能預(yù)測

性能預(yù)測的提出與發(fā)動機(jī)從定期維修向視情維修策略轉(zhuǎn)變密切相關(guān)。航空發(fā)動機(jī)性能預(yù)測同樣需要氣路故障診斷方法來辨識部件的衰退程度，其預(yù)測精確程度與采用的氣路故障辨識方法直接相關(guān)，因此可以看作是氣路故障診斷方法的延伸。應(yīng)用于視情維修的性能預(yù)測模型如圖9所示。圖中Δ代表部件性能相較于健康狀態(tài)的偏差，可以通過氣路故障診斷方法進(jìn)行辨識與隔離，而基于歷史數(shù)據(jù)與已知的發(fā)動機(jī)部件性能衰退規(guī)律，結(jié)合性能預(yù)測方法即可對發(fā)動機(jī)未來性能變化趨勢進(jìn)行推測與分析，并給出發(fā)動機(jī)部件可能的剩余壽命及視情維修的實施時間點。

圖9 應(yīng)用于視情維修的性能預(yù)測模型[8，82]

隨著氣路故障診斷技術(shù)的不斷發(fā)展和完善，特別是進(jìn)入21世紀(jì)以來，國外已經(jīng)針對航空發(fā)動機(jī)性能性能預(yù)測方法開展了大量研究，并將一些成果應(yīng)用于實際發(fā)動機(jī)，成為其健康管理系統(tǒng)的重要組成部分。Daroogheh等提出了基于粒子濾波的發(fā)動機(jī)氣路故障診斷方法，并將該方法與動態(tài)模型結(jié)合，實現(xiàn)了某單軸渦噴發(fā)動機(jī)的性能預(yù)測；Tsoutsanis等利用發(fā)動機(jī)動態(tài)模型，采用回歸方法表示部件健康參數(shù)變化的規(guī)律，以壓氣機(jī)部件性能衰退的預(yù)測為例驗證了方法的有效性。

美國是最早研究故障診斷技術(shù)的國家，各航空發(fā)動機(jī)制造廠和航空公司都發(fā)展和應(yīng)用了適合不同發(fā)動機(jī)的狀態(tài)監(jiān)控和故障診斷系統(tǒng)。如美國空軍后勤管理中心的為F-16飛機(jī)研制的擴(kuò)展監(jiān)控系統(tǒng)（Minimum Essential Engine Tracking System,MEETS），該系統(tǒng)可以利用狀態(tài)監(jiān)視系統(tǒng)接收發(fā)動機(jī)運(yùn)行數(shù)據(jù)，定量分析部件和發(fā)動機(jī)性能衰退程度，為F110-GE-100發(fā)動機(jī)提供視情維修方案。美軍自2005年起實施多用途先進(jìn)航空渦輪發(fā)動機(jī)計劃（VAATE），提出在發(fā)動機(jī)設(shè)計、采購和壽命周期內(nèi)的維修費(fèi)用降低60%的目標(biāo)，通過先進(jìn)控制系統(tǒng)、性能預(yù)測方法以及健康管理系統(tǒng)，實現(xiàn)發(fā)動機(jī)系統(tǒng)功能的進(jìn)一步整合。美軍應(yīng)用健康管理技術(shù)后，F(xiàn)135發(fā)動機(jī)的故障排故時間由F119發(fā)動機(jī)的20 min縮短至15 min，比現(xiàn)役的F110、F100等發(fā)動機(jī)故障排故時間縮短94%，顯著提高了發(fā)動機(jī)維修性和裝備可利用率。

中國針對性能預(yù)測也已經(jīng)形成了很多基礎(chǔ)性研究成果。在近5年的時間內(nèi)，研究人員在性能退化模型的建立與優(yōu)化、發(fā)動機(jī)剩余壽命預(yù)測方法方面開展了較多研究。孫瑞謙等針對雙軸混排渦扇發(fā)動機(jī)開展了考慮部件性能退化的發(fā)動機(jī)故障診斷量化評估研究，對動態(tài)模型不同故障模式的可診斷性和可隔離性進(jìn)行了量化評價；周俊針對數(shù)據(jù)驅(qū)動的航空發(fā)動機(jī)剩余使用壽命預(yù)測方法開展了相關(guān)研究，提出了多種剩余壽命預(yù)測方法，并提出了一種基于二次規(guī)劃的傳感器數(shù)據(jù)融合方法的健康評估模型，更適合數(shù)據(jù)驅(qū)動方法的建模分析；李臻開展了面向全壽命的民航發(fā)動機(jī)機(jī)隊維修決策優(yōu)化方法研究，提出了基于長短期記憶的深度學(xué)習(xí)網(wǎng)絡(luò)的民航發(fā)動機(jī)氣路性能預(yù)測模型，該方法可以實現(xiàn)對氣路參數(shù)時序數(shù)據(jù)的有效利用，進(jìn)行民航發(fā)動機(jī)的氣路性能有效預(yù)測；李航等等基于非線性Wiener過程構(gòu)建了帶比例關(guān)系的隱含非線性退化模型，并基于發(fā)動機(jī)實測數(shù)據(jù)優(yōu)化了模型參數(shù)，在預(yù)測準(zhǔn)確性和精度上更有優(yōu)勢。

4.2 在線發(fā)動機(jī)氣路故障診斷模型

智能發(fā)動機(jī)概念的提出對航空發(fā)動機(jī)各系統(tǒng)提出了更高要求，具體到狀態(tài)監(jiān)視與故障診斷系統(tǒng)，智能發(fā)動機(jī)要求健康管理系統(tǒng)具備先進(jìn)的診斷、控制和預(yù)測能力。在線發(fā)動機(jī)模型相比地面離線發(fā)動機(jī)模型，能夠更加及時高效地利用發(fā)動機(jī)運(yùn)行數(shù)據(jù)對發(fā)動機(jī)運(yùn)行狀態(tài)進(jìn)行評估，對發(fā)動機(jī)可能潛在的部件衰退或故障做出準(zhǔn)確估計，并與控制系統(tǒng)配合，及時給出控制優(yōu)化方案，實現(xiàn)在沒有飛行員干預(yù)的條件下自動完成診斷與排故。本節(jié)內(nèi)容將簡要介紹航空發(fā)動機(jī)在線氣路故障診斷方法的研究。

航空發(fā)動機(jī)在線氣路故障診斷方法的實現(xiàn)基礎(chǔ)是實時發(fā)動機(jī)模型，實時發(fā)動機(jī)模型在20世紀(jì)80年代中期首先以支持向量機(jī)的形式出現(xiàn)，并采用分段線性的模型模擬發(fā)動機(jī)性能。在其后數(shù)十年中，隨著發(fā)動機(jī)機(jī)載系統(tǒng)計算和儲存能力的提高，實時發(fā)動機(jī)模型也得到了進(jìn)一步發(fā)展，非線性模型的出現(xiàn)使發(fā)動機(jī)機(jī)載模型可以在過渡態(tài)及全包線工作范圍內(nèi)跟蹤發(fā)動機(jī)性能。

美國針對發(fā)動機(jī)在線模型已經(jīng)開展了多年的研究。PW公司提出了一種機(jī)載自適應(yīng)調(diào)整在線模型（Self Tuning Onboard Real-Time Model，STORM）系統(tǒng)，利用線性狀態(tài)模型及卡爾曼濾波器實施調(diào)整部件狀態(tài)，實現(xiàn)氣路控制用傳感器的在線診斷與隔離。為了解決同型號發(fā)動機(jī)個體之間的性能差異對在線模型的影響，PW公司進(jìn)一步改進(jìn)了STORM（Enhanced Self Tuning On-Board Real-Time Model，eSTORM）系統(tǒng)，在eSTORM的基礎(chǔ)上增加了基于經(jīng)驗數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，用來消除發(fā)動機(jī)個體之間的性能差異對狀態(tài)變量模型造成的影響。eSTORM系統(tǒng)運(yùn)行原理如圖10所示。

圖10 eSTORM系統(tǒng)運(yùn)行原理[90]

這2類系統(tǒng)已經(jīng)實際應(yīng)用于美軍F119和F135發(fā)動機(jī)的健康管理系統(tǒng)中，使機(jī)載健康管理系統(tǒng)具備控制用傳感器在線診斷和隔離，以及增強(qiáng)的氣路部件在線診斷和隔離功能。

Lu等針對發(fā)動機(jī)在線模型的建立提出了一種自適應(yīng)線性參數(shù)變化模型，通過算法的結(jié)合，在保證計算精度的同時簡化了模型結(jié)構(gòu)，降低了計算負(fù)擔(dān)，作為在線模型更好地滿足了全包線大范圍數(shù)據(jù)集的應(yīng)用需求；Chen等在此基礎(chǔ)上，將非線性模型與線性參數(shù)狀態(tài)空間模型（Linear parameter varying statespace model，LPV）相結(jié)合，利用LPV替代非線性模型的迭代計算，提升其實時性，非線性模型的使用也能使LPV模型更好反映發(fā)動機(jī)的非線性和熱力學(xué)規(guī)律；Chang等針對基于滑模觀測器的發(fā)動機(jī)狀態(tài)估計方法進(jìn)行了研究，并將該方法與在線模型結(jié)合，形成了一種魯棒性強(qiáng)的在線氣路故障診斷方法。

綜合以上國內(nèi)外發(fā)展可見：在線模型與地面監(jiān)測系統(tǒng)一樣，均為先進(jìn)航空發(fā)動機(jī)健康管理系統(tǒng)的重要組成部分，可保證發(fā)動機(jī)安全可靠地運(yùn)行。與地面站相比，在線模型需要利用較少的數(shù)據(jù)集合下實現(xiàn)發(fā)動機(jī)實時狀態(tài)的快速估計，為控制系統(tǒng)提供準(zhǔn)確可靠的調(diào)整方案以實現(xiàn)發(fā)動機(jī)性能保持與排故?，F(xiàn)階段國內(nèi)外的研究在發(fā)動機(jī)性能實時跟蹤、部件狀態(tài)辨識、在線氣路故障診斷方面已經(jīng)形成了一定的研究成果，但多數(shù)成果以民用航空發(fā)動機(jī)或簡單構(gòu)型渦噴、渦扇發(fā)動機(jī)為例進(jìn)行結(jié)果驗證，針對軍用發(fā)動機(jī)的在線氣路故障監(jiān)視與診斷還未得到足夠多的研究成果。在未來，在線氣路故障診斷模型的發(fā)展主要面臨2方面問題：一方面，在線模型在發(fā)動機(jī)全飛行包線內(nèi)的跟蹤與辨識能力仍是一項挑戰(zhàn)，特別是發(fā)動機(jī)狀態(tài)大幅變化的過渡態(tài)工況，此時發(fā)動機(jī)的性能變化速度快，不確定性高，系統(tǒng)非線性更加明顯。在軍用發(fā)動機(jī)的飛行任務(wù)中，發(fā)動機(jī)過渡態(tài)占比較高，過渡態(tài)下航空發(fā)動機(jī)在線模型的準(zhǔn)確性有待進(jìn)一步探索。另一方面，在線模型本身的可靠性也是一項挑戰(zhàn)，在現(xiàn)階段，在線模型可以通過地面試驗或模型校核方法對模型本身進(jìn)行校核調(diào)整。未來伴隨智能發(fā)動機(jī)的發(fā)展，具備智能調(diào)整并結(jié)合不確定性因素考慮的在線模型具有良好的發(fā)展前景，能夠進(jìn)一步提高在線模型可靠性，提高其實際應(yīng)用能力。

4.3 基于方法和信息融合的氣路故障診斷

基于單一方法進(jìn)行航空發(fā)動機(jī)氣路故障診斷都有其局限性，例如基于模型的方法依賴于模型的精度，需要控制模型的復(fù)雜程度并盡可能減小模型固有計算誤差；基于數(shù)據(jù)的方法過度依賴于故障樣本的數(shù)量和先驗知識，需要系統(tǒng)全面的訓(xùn)練樣本。為了充分利用不同方法的優(yōu)點，研究人員提出了許多方法融合的發(fā)動機(jī)氣路故障診斷方法。如Borguet等提出了一種卡爾曼濾波與廣義極大似然比檢驗相結(jié)合的診斷方法，實現(xiàn)了卡爾曼濾波模型對突發(fā)故障的診斷，并可以處理診斷結(jié)果無法集中于故障部件的問題；Xu等提出了一種將小波變換方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法，可以解決神經(jīng)網(wǎng)絡(luò)局部收斂的問題。

為了實現(xiàn)有限測量參數(shù)的氣路故障診斷，通過融合不同維度、不同層次的數(shù)據(jù)源，可以彌補(bǔ)單一層次發(fā)動機(jī)性能數(shù)據(jù)的不足，提高數(shù)據(jù)的冗余性。Volponi等針對F117隱身戰(zhàn)機(jī)的健康管理系統(tǒng)開展信息融合研究，提出信息融合可分為3個維度：傳感器信息融合、特征信息融合和決策信息融合，并結(jié)合這3個維度開發(fā)了信息融合的氣路故障診斷系統(tǒng)；Hu等將發(fā)動機(jī)非參數(shù)信息與氣路參數(shù)相結(jié)合，利用隨機(jī)森林模型、廣義回歸神經(jīng)網(wǎng)絡(luò)以及邏輯回歸模型構(gòu)建了3種不同的信息融合故障診斷方法；Chehade等基于數(shù)據(jù)層信息融合提出了“故障模式指數(shù)”（Failure mode index FM-INDEX）的概念，結(jié)合不同傳感器的信息可以更好地描述不同故障模式的典型特征。

目前，國內(nèi)外針對信息融合方法已經(jīng)開展了較多理論研究，總體上看，研究成果更多關(guān)注測量參數(shù)數(shù)據(jù)集本身，從數(shù)據(jù)處理和信息提取的角度開展研究，但與發(fā)動機(jī)機(jī)理層面的結(jié)合相對欠缺。將數(shù)據(jù)融合的成果應(yīng)用于發(fā)動機(jī)機(jī)理模型，一方面可以使診斷方法具有較好的原理可解釋性，更好地反映發(fā)動機(jī)的物理性質(zhì)，增加診斷結(jié)果的可信度；另一方面，數(shù)據(jù)信息的融合豐富了診斷系統(tǒng)的數(shù)據(jù)集，為測量參數(shù)有限條件下的航空發(fā)動機(jī)氣路故障診斷提供了可能。在大數(shù)據(jù)和數(shù)字化的時代背景下，在航空發(fā)動機(jī)使用過程中的信息來源越來越豐富，從出廠的試車數(shù)據(jù)到越來越詳細(xì)的發(fā)動機(jī)性能全壽命周期數(shù)據(jù)，航空發(fā)動機(jī)數(shù)據(jù)庫在信息的種類與覆蓋面上都有了長足的發(fā)展。如何提高對信息的利用率，是進(jìn)一步提高現(xiàn)代航空發(fā)動機(jī)氣路故障診斷能力和效率、增強(qiáng)方法泛用性的重要途徑。

4.4 航空發(fā)動機(jī)過渡態(tài)氣路故障診斷

現(xiàn)有的航空發(fā)動機(jī)氣路故障診斷方法多基于穩(wěn)態(tài)性能數(shù)據(jù)開發(fā)，然而在發(fā)動機(jī)的過渡狀態(tài)下，尤其是軍用發(fā)動機(jī)在飛行過程中的加減速飛行、機(jī)動作戰(zhàn)等經(jīng)常出現(xiàn)。Merrington指出，戰(zhàn)斗機(jī)在執(zhí)行飛行任務(wù)過程中，70%的時間是工作在非穩(wěn)定工作狀態(tài)下，因此在過渡態(tài)下的性能分析與故障診斷需求日益迫切。

國內(nèi)外針對過渡態(tài)下航空發(fā)動機(jī)性能建模和性能診斷開展了很多研究。早期的研究成果包括：Sampath等建立了雙軸混排渦扇發(fā)動機(jī)的過渡態(tài)模型，并利用遺傳算法建立了過渡態(tài)故障診斷模型，可以實現(xiàn)單部件故障的診斷與定位。近年來，國內(nèi)外學(xué)者又取得了很多新的研究成果。Ki等基于Simulink建立了渦軸發(fā)動機(jī)的過渡態(tài)計算模型；Kim等建立了一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)方法的發(fā)動機(jī)過渡態(tài)性能模型；Wang等針對發(fā)動機(jī)燃油系統(tǒng)提出了一種過渡態(tài)建模方法，并將其融入發(fā)動機(jī)性能模型，在發(fā)動機(jī)過渡態(tài)下可提供更詳細(xì)的燃油系統(tǒng)性能信息；Tsoutsanis等將已經(jīng)開發(fā)的發(fā)動機(jī)模型辨識方法應(yīng)用于發(fā)動機(jī)過渡態(tài)性能診斷；Li等基于等效冷卻流動處理方法構(gòu)建了一種地面燃?xì)廨啓C(jī)的計算模型，并分別利用卡爾曼濾波器和牛頓-拉夫遜算法進(jìn)行了過渡態(tài)模式氣路故障診斷。

在過渡態(tài)下發(fā)動機(jī)氣路故障診斷在過去的30余年間在性能建模、故障診斷方面發(fā)展迅速，各項研究成果也在各種類型航空發(fā)動機(jī)以及地面燃?xì)廨啓C(jī)上有了系統(tǒng)的驗證和應(yīng)用。但是，目前針對航空發(fā)動機(jī)過渡態(tài)下氣路故障診斷方法的研究仍面臨2方面挑戰(zhàn)：（1）在過渡態(tài)下發(fā)動機(jī)氣路、振動參數(shù)的變化需要系統(tǒng)的機(jī)理解釋和規(guī)律分析。（2）在過渡態(tài)下測量參數(shù)的收集與整理，以及測量參數(shù)不確定性對航空發(fā)動機(jī)氣路故障診斷方法精度和可靠性的影響。如何充分利用過渡態(tài)性能信息以及如何建立準(zhǔn)確的發(fā)動機(jī)過渡態(tài)故障診斷模型，事關(guān)航空發(fā)動機(jī)健康管理系統(tǒng)在飛行全包線范圍內(nèi)的適用性，將是未來研究的重點。

5 結(jié)束語

經(jīng)過50余年的發(fā)展，航空發(fā)動機(jī)氣路故障診斷方法有了較全面系統(tǒng)地發(fā)展，形成了以基于模型和基于數(shù)據(jù)驅(qū)動為基礎(chǔ)的診斷方法體系。從現(xiàn)有文獻(xiàn)來看，美國等發(fā)達(dá)國家已經(jīng)在其現(xiàn)役航空發(fā)動機(jī)上配備了相應(yīng)的健康管理系統(tǒng)，可以通過在線模型的實時監(jiān)視診斷加之地面站的配合，科學(xué)制定發(fā)動機(jī)運(yùn)行維護(hù)周期，保證其在全壽命周期內(nèi)的安全穩(wěn)定運(yùn)行。

目前，制約中國航空發(fā)動機(jī)氣路故障診斷研究的困境和難題主要包括以下3方面：

（1）缺乏完整的發(fā)動機(jī)全壽命周期性能數(shù)據(jù)，從個體發(fā)動機(jī)的出廠試車、外場飛行及大修的數(shù)據(jù)鏈條缺乏完整性及一致性，難以通過系統(tǒng)地收集和利用發(fā)動機(jī)性能數(shù)據(jù)捕捉發(fā)動機(jī)全壽命周期的性能衰退規(guī)律。

（2）缺乏完整的航空發(fā)動機(jī)健康管理系統(tǒng)設(shè)計體系。在發(fā)動機(jī)設(shè)計階段應(yīng)更加重視對健康管理系統(tǒng)的同步發(fā)展，為發(fā)動機(jī)維修策略向視情維修方向轉(zhuǎn)變提供技術(shù)支撐。

（3）近年來中國針對性能預(yù)測、在線氣路故障診斷模型等開展了大量理論與算法研究，這些研究成果應(yīng)在實際應(yīng)用中得到更加充分的檢驗。因此需要增強(qiáng)產(chǎn)、學(xué)、研、用等多方協(xié)作，以支撐面向工程實際的航空發(fā)動機(jī)健康管理系統(tǒng)設(shè)計與開發(fā)。