论文部分内容阅读
摘要：航空发动机设备的稳定运行对于飞机飞行安全而言有着极其重要的作用，一旦航空发动机出现故障问题未能被及时发现和处理，则极有可能会引发严重的安全事故，因此工作人员应积极引进智能故障诊断方法，提高对发动机设备气路故障的诊断效率，从而更好地保障飞机安全飞行。
Abstract： The stable operation of aero-engine equipment plays an extremely important role in the flight safety of aircraft. Once the fault of aeroengine is not found and handled in time， it is very likely to cause serious safety accidents. Therefore， the staff should actively introduce intelligent fault diagnosis methods to improve the diagnosis efficiency of engine equipment gas path fault， so as to improve the efficiency of fault diagnosis To ensure the safety of the aircraft.
關键词：航空发动机;气路故障;智能诊断方法
Key words： aeroengine;gas path fault;intelligent diagnosis method
0 引言
与传统的发动机故障诊断方法相比，基于深度信念网络理念的智能诊断方法无论在正确率还是诊断效率上都有着绝对的优势。接下来，笔者将从故障原因、故障模型构建、诊断结果影响因素等角度对航空发动机设备的气路故障进行深度剖析。
1 航空发动机
航空发动机是一种极其复杂且精密度极高的热力机械，通常是由主燃烧室、增压机、低压涡轮、风扇、高压压气机、高压涡轮、外涵道、尾喷管、进气道、内涵道等构件组成，是维持飞机稳定运行的重要机械设备。
2 气路故障原因分析
2.1 结冰、结垢
结冰和结垢所导致的气路故障通常发生在增压机、风扇、高压压气机等结构中，其中结冰通常是因为叶片上残留的水分在低温环境中结成冰而产生的，结垢则是由于叶片长时间与空气接触，导致空气中的杂质颗粒会逐渐附着在叶片上越积越多而产生的。
2.2 磨损故障
叶片在发动机设备内长时间的运转过程中，不可避免地会与空气中的杂质颗粒产生不同程度上的摩擦，当摩擦次数过多时便会对叶片造成不可逆的摩擦损害，从而引发气路故障问题。
2.3 腐蚀故障
发动机设备发生腐蚀的原因通常是由于设备长时间处于高温高压条件中工作，因而使得局部结构组成成分发生化学反应而出现不同程度上的腐蚀，最终对发动机设备的正常运行造成不良影响。
2.4 受损故障
受损的原因主要有两种：一种是发动机设备受到空中的漂浮的废弃物或飞禽等外来因素的强烈撞击而导致设备中的叶片严重受损，从而影响设备的稳定运行;另一种则是由于叶片长期受到高温气流的冲击因而出现老化、变形甚至断裂等机械损伤，严重威胁飞机运行的安全性。
3 智能诊断方法
3.1 深度信念网络
所谓深度信念网络，通常是由受限玻尔兹曼机层与输入、输出层共同组合而成，如图1所示。从图1中我们可以看出，隐含层H0输入层V共同组成RMB0，即首个受限玻尔兹曼机层，同理，H0与H1也组成了RMB1，H1和H2组成了RMB2，最后输出层和H2之间可构成softmax层。由于RBM是由不同层神经元共同组合而成，因此我们可以将其分为两大类，其一是可见层内的神经元，其二则是隐含层内的神经元。
3.2 创建故障模型
以涡轴发动机的气路故障诊断为例，我们先基于深度信念网络的理念对其创建相应的故障模型，具体要点如下：第一，明确气路故障类型，如燃烧室效率故障、燃气涡轮效率故障、压气机效率故障、燃烧室压力故障、动力涡轮效率故障;第二，设定特征参数，如压气机设备中的出口温度为T3、出口压力为P3，燃气涡轮设备中的出口温度为T42、出口压力为P42，燃烧室所对应的出口压力为P4，动力涡轮设备的出口压力为P45、燃油量为Pf、出口温度为T45、负载大小为Pw;第三，将发动机设备的气路故障以及正常运行状态与故障模型中的节点相对应，如表1所示;第四，根据发动机设备处于故障状态时所产生数据信息之间的差异性，我们可将气路故障数据分为测试组数据和训练组数据;第五，将故障模型中的首层定义为输入层，该层主要对应的是发动机设备出现故障时工作人员所观测到的数据信息，中间层我们定义为隐含层，其结构为RMB，隐含层中各节点的数量设置可参考神经网络结构，可结合实际情况进行适当地调整，最后一层定义为softmax层，共6个节点，用以对应发动机设备的六种运行状态[1];第六，工作人员可通过对比散度的算法来完成对该故障模型的训练;第七，对该故障模型进行最终的数据测试，根据其故障诊断结果来判断是否需要进一步调整。
3.3 智能针对过程中的影响因素
3.3.1 样本比例对故障诊断结果的影响
对于测试样本和训练样本数量比例上的差异性，工作人员在模拟实验中对样本比例不同对最终诊断结果所产生的影响进行分析，具体实验方法如下：第一，设置三组实验模拟数据，其中测试样本数量分别占据总数量的40%、60%以及80%;第二，按照BP算法和DBN算法分别对故障信息训练5000次;第三，工作人员可将故障模型中的隐含层设置为3层，节点数设置为10个，训练批次设置为5，学习率设置为0.01[2]。按照上述模拟实验的方法我们可以得出不同算法对发动机设备故障诊断的正确率，如表2所示。 根据表2，我们可以得出以下结论：无论是BP算法还是DBN算法，当测试样本数量占总样本数量80%时，智能诊断结果的正确率最高，因此在后续故障诊断工作研究过程中，工作人员可将故障模型中的样本比例设为80%。
3.3.2 隐含层层数对故障诊断结果的影响
我们可将隐含层的层数分别设置为两层、三层、四层和五层，同时为了最大程度上降低节点数对模拟实验最终结果所产生的影响，我们可以统一将隐含层所对应的节点数设置为10个，与上述探究实验相同，我们也对其训练5000次。模拟实验后，我们最终得出以下气路故障診断结果：层数为两层和三层的隐含层在训练次数在2000次左右时正确率约98%，而层数为四层和五层的隐含层则争取了约为19%。由此我们可得出以下结论，工作人员在需要考虑时间成本的前提下，可将故障诊断结构中隐含层的层数设置为两层，这样不仅可以有效地减少故障诊断模型所需训练次数，同时也可以得到较高正确率的故障诊断结果[3]。
3.3.3 噪声水平对故障诊断结果的影响
由于发动机设备所处环境中具有较大的噪声影响，因此最终的检测数据常常会与设备真实的故障数据产生一定的偏差，对此工作人员需从抗噪的角度来有针对性地提高故障诊断模型的抗噪性能，以保障最终所获得的故障诊断结果具有较高的准确性。对此工作人员可分别对故障诊断模型添加不同大小的噪声，分别设置为k=0.02、0.04、0.06、0.08、0.10。通过使用BP算法和DBN算法对其进行多次模拟实验，最终我们可得出以下数据统计结果：BP算法下k=0.02、0.04、0.06、0.08、0.10噪声水平所对应正确率分别为90%、89.2%、87.6%、85.1%、81.4%，DBN算法下k=0.02、0.04、0.06、0.08、0.10噪声水平所对应正确率分别为99%、98.7%、97.5%、96.1%、94.7%。由此我们可以得出以下结论：该故障诊断模型的正确率与所处环境内的噪声水平呈反比，即噪声水平越高，诊断结果的正确率便越低[4]。但从宏观的角度上来看，基于DBN算法的噪声水平对诊断结果的影响是非常小的，即使在较大的噪声水平中，该模型的故障诊断结果依然在90%的正确率之上，因而DBN算法下故障诊断模型的抗噪能力显然优于BP算法下的故障诊断模型。
4 结束语
智能诊断是信息网络时代中先进科学技术在航空领域中不断地渗透而衍生出的一种新型故障诊断技术，也是未来发动机设备故障诊断的重要发展趋势，其不仅对于航空发动机运行过程中微末的异常数据极度敏感，能够快速帮助工作人员识别气路故障问题，同时还具有较高的正确率，大幅度减少航空飞行中的安全事故，对于维护飞机稳定飞行有着非常重要的意义。
参考文献：
[1]李业波，李秋红，黄向华，赵永平.航空发动机气路部件故障融合诊断方法研究[J].航空学报，2014，35（06）：1612-1622.
[2]那媛.基于气路性能参数的航空发动机故障诊断方法研究[D].哈尔滨工业大学，2016.
[3]林嘉琦，徐建国，刘星怡，等.基于深度信念网络的航空发动机气路故障诊断技术研究[J].机械制造与自动化，2019，48 （5）：179-182.
[4]徐萌，席泽西，王雍赟，等.基于集成学习的航空发动机故障诊断方法[J].中国民航大学学报，2019，37（2）：29-33，42.
[5]许梦阳.航空发动机智能优化粒子滤波气路故障诊断方法研究[D].江苏：南京航空航天大学，2017.
[6]周曼曼.基于嵌入式的航空发动机实时监测与故障诊断系统开发[D].江苏：南京航空航天大学，2017.
[7]陈恬，孙健国.粗集理论在发动机气路部件故障诊断中的应用[C].//中国航空学会.中国航空学会第十二届发动机自动控制学术会议论文集.2004：279-281.
Abstract： The stable operation of aero-engine equipment plays an extremely important role in the flight safety of aircraft. Once the fault of aeroengine is not found and handled in time， it is very likely to cause serious safety accidents. Therefore， the staff should actively introduce intelligent fault diagnosis methods to improve the diagnosis efficiency of engine equipment gas path fault， so as to improve the efficiency of fault diagnosis To ensure the safety of the aircraft.
關键词：航空发动机;气路故障;智能诊断方法
Key words： aeroengine;gas path fault;intelligent diagnosis method
0 引言
与传统的发动机故障诊断方法相比，基于深度信念网络理念的智能诊断方法无论在正确率还是诊断效率上都有着绝对的优势。接下来，笔者将从故障原因、故障模型构建、诊断结果影响因素等角度对航空发动机设备的气路故障进行深度剖析。
1 航空发动机
航空发动机是一种极其复杂且精密度极高的热力机械，通常是由主燃烧室、增压机、低压涡轮、风扇、高压压气机、高压涡轮、外涵道、尾喷管、进气道、内涵道等构件组成，是维持飞机稳定运行的重要机械设备。
2 气路故障原因分析
2.1 结冰、结垢
结冰和结垢所导致的气路故障通常发生在增压机、风扇、高压压气机等结构中，其中结冰通常是因为叶片上残留的水分在低温环境中结成冰而产生的，结垢则是由于叶片长时间与空气接触，导致空气中的杂质颗粒会逐渐附着在叶片上越积越多而产生的。
2.2 磨损故障
叶片在发动机设备内长时间的运转过程中，不可避免地会与空气中的杂质颗粒产生不同程度上的摩擦，当摩擦次数过多时便会对叶片造成不可逆的摩擦损害，从而引发气路故障问题。
2.3 腐蚀故障
发动机设备发生腐蚀的原因通常是由于设备长时间处于高温高压条件中工作，因而使得局部结构组成成分发生化学反应而出现不同程度上的腐蚀，最终对发动机设备的正常运行造成不良影响。
2.4 受损故障
受损的原因主要有两种：一种是发动机设备受到空中的漂浮的废弃物或飞禽等外来因素的强烈撞击而导致设备中的叶片严重受损，从而影响设备的稳定运行;另一种则是由于叶片长期受到高温气流的冲击因而出现老化、变形甚至断裂等机械损伤，严重威胁飞机运行的安全性。
3 智能诊断方法
3.1 深度信念网络
所谓深度信念网络，通常是由受限玻尔兹曼机层与输入、输出层共同组合而成，如图1所示。从图1中我们可以看出，隐含层H0输入层V共同组成RMB0，即首个受限玻尔兹曼机层，同理，H0与H1也组成了RMB1，H1和H2组成了RMB2，最后输出层和H2之间可构成softmax层。由于RBM是由不同层神经元共同组合而成，因此我们可以将其分为两大类，其一是可见层内的神经元，其二则是隐含层内的神经元。
3.2 创建故障模型
以涡轴发动机的气路故障诊断为例，我们先基于深度信念网络的理念对其创建相应的故障模型，具体要点如下：第一，明确气路故障类型，如燃烧室效率故障、燃气涡轮效率故障、压气机效率故障、燃烧室压力故障、动力涡轮效率故障;第二，设定特征参数，如压气机设备中的出口温度为T3、出口压力为P3，燃气涡轮设备中的出口温度为T42、出口压力为P42，燃烧室所对应的出口压力为P4，动力涡轮设备的出口压力为P45、燃油量为Pf、出口温度为T45、负载大小为Pw;第三，将发动机设备的气路故障以及正常运行状态与故障模型中的节点相对应，如表1所示;第四，根据发动机设备处于故障状态时所产生数据信息之间的差异性，我们可将气路故障数据分为测试组数据和训练组数据;第五，将故障模型中的首层定义为输入层，该层主要对应的是发动机设备出现故障时工作人员所观测到的数据信息，中间层我们定义为隐含层，其结构为RMB，隐含层中各节点的数量设置可参考神经网络结构，可结合实际情况进行适当地调整，最后一层定义为softmax层，共6个节点，用以对应发动机设备的六种运行状态[1];第六，工作人员可通过对比散度的算法来完成对该故障模型的训练;第七，对该故障模型进行最终的数据测试，根据其故障诊断结果来判断是否需要进一步调整。
3.3 智能针对过程中的影响因素
3.3.1 样本比例对故障诊断结果的影响
对于测试样本和训练样本数量比例上的差异性，工作人员在模拟实验中对样本比例不同对最终诊断结果所产生的影响进行分析，具体实验方法如下：第一，设置三组实验模拟数据，其中测试样本数量分别占据总数量的40%、60%以及80%;第二，按照BP算法和DBN算法分别对故障信息训练5000次;第三，工作人员可将故障模型中的隐含层设置为3层，节点数设置为10个，训练批次设置为5，学习率设置为0.01[2]。按照上述模拟实验的方法我们可以得出不同算法对发动机设备故障诊断的正确率，如表2所示。 根据表2，我们可以得出以下结论：无论是BP算法还是DBN算法，当测试样本数量占总样本数量80%时，智能诊断结果的正确率最高，因此在后续故障诊断工作研究过程中，工作人员可将故障模型中的样本比例设为80%。
3.3.2 隐含层层数对故障诊断结果的影响
我们可将隐含层的层数分别设置为两层、三层、四层和五层，同时为了最大程度上降低节点数对模拟实验最终结果所产生的影响，我们可以统一将隐含层所对应的节点数设置为10个，与上述探究实验相同，我们也对其训练5000次。模拟实验后，我们最终得出以下气路故障診断结果：层数为两层和三层的隐含层在训练次数在2000次左右时正确率约98%，而层数为四层和五层的隐含层则争取了约为19%。由此我们可得出以下结论，工作人员在需要考虑时间成本的前提下，可将故障诊断结构中隐含层的层数设置为两层，这样不仅可以有效地减少故障诊断模型所需训练次数，同时也可以得到较高正确率的故障诊断结果[3]。
3.3.3 噪声水平对故障诊断结果的影响
由于发动机设备所处环境中具有较大的噪声影响，因此最终的检测数据常常会与设备真实的故障数据产生一定的偏差，对此工作人员需从抗噪的角度来有针对性地提高故障诊断模型的抗噪性能，以保障最终所获得的故障诊断结果具有较高的准确性。对此工作人员可分别对故障诊断模型添加不同大小的噪声，分别设置为k=0.02、0.04、0.06、0.08、0.10。通过使用BP算法和DBN算法对其进行多次模拟实验，最终我们可得出以下数据统计结果：BP算法下k=0.02、0.04、0.06、0.08、0.10噪声水平所对应正确率分别为90%、89.2%、87.6%、85.1%、81.4%，DBN算法下k=0.02、0.04、0.06、0.08、0.10噪声水平所对应正确率分别为99%、98.7%、97.5%、96.1%、94.7%。由此我们可以得出以下结论：该故障诊断模型的正确率与所处环境内的噪声水平呈反比，即噪声水平越高，诊断结果的正确率便越低[4]。但从宏观的角度上来看，基于DBN算法的噪声水平对诊断结果的影响是非常小的，即使在较大的噪声水平中，该模型的故障诊断结果依然在90%的正确率之上，因而DBN算法下故障诊断模型的抗噪能力显然优于BP算法下的故障诊断模型。
4 结束语
智能诊断是信息网络时代中先进科学技术在航空领域中不断地渗透而衍生出的一种新型故障诊断技术，也是未来发动机设备故障诊断的重要发展趋势，其不仅对于航空发动机运行过程中微末的异常数据极度敏感，能够快速帮助工作人员识别气路故障问题，同时还具有较高的正确率，大幅度减少航空飞行中的安全事故，对于维护飞机稳定飞行有着非常重要的意义。
参考文献：
[1]李业波，李秋红，黄向华，赵永平.航空发动机气路部件故障融合诊断方法研究[J].航空学报，2014，35（06）：1612-1622.
[2]那媛.基于气路性能参数的航空发动机故障诊断方法研究[D].哈尔滨工业大学，2016.
[3]林嘉琦，徐建国，刘星怡，等.基于深度信念网络的航空发动机气路故障诊断技术研究[J].机械制造与自动化，2019，48 （5）：179-182.
[4]徐萌，席泽西，王雍赟，等.基于集成学习的航空发动机故障诊断方法[J].中国民航大学学报，2019，37（2）：29-33，42.
[5]许梦阳.航空发动机智能优化粒子滤波气路故障诊断方法研究[D].江苏：南京航空航天大学，2017.
[6]周曼曼.基于嵌入式的航空发动机实时监测与故障诊断系统开发[D].江苏：南京航空航天大学，2017.
[7]陈恬，孙健国.粗集理论在发动机气路部件故障诊断中的应用[C].//中国航空学会.中国航空学会第十二届发动机自动控制学术会议论文集.2004：279-281.