本發(fā)明涉及基于性能偏移量的航空發(fā)動機故障診斷方法。

背景技術(shù)：

航空發(fā)動機是民航飛機等航空器的核心部件，其是航空器的主要動力來源和引氣裝置，被比喻為航空器的“心臟”。同時，航空發(fā)動機是在高轉(zhuǎn)速、高溫度和高壓力的環(huán)境中工作的動力機械，是集機、電、液于一體的多單元體典型復雜裝備。在航空發(fā)動機的維修維護過程中，準確的對發(fā)動機的故障進行診斷與定位，能夠為發(fā)動機的維修時機預測、維修方案制定、維修成本預估提供有力的支持。

隨著維修理論的不斷發(fā)展，國內(nèi)外研究機構(gòu)及發(fā)動機廠商對航空發(fā)動機故障診斷已經(jīng)進行了卓有成效的研究。目前，主要通過航空發(fā)動機的氣路性能參數(shù)、振動數(shù)據(jù)、滑油數(shù)據(jù)、孔探信息等開展對航空發(fā)動機故障診斷的研究。其中，較早的氣路故障診斷方法是由Urban提出的，但所提出的故障影響系數(shù)矩陣需要測量大于或等于故障種類數(shù)的測量參數(shù)，使其應(yīng)用受到了一定的限制。

近年來，基于非線性模型的發(fā)動機故障診斷方法得到了一定發(fā)展。Lambiris等人為了適應(yīng)航空發(fā)動機的特性，結(jié)合發(fā)動機的性能模型采用適應(yīng)過程解決發(fā)動機部件的匹配問題。該適應(yīng)模型能夠在不依賴發(fā)動機部件圖的情況下為相同型號的發(fā)動機進行非線性仿真。Mathioudakis等人基于航空發(fā)動機的非線性性能模型對航空發(fā)動機部件性能逐漸衰退的識別方法進行了研究，并用某雙轉(zhuǎn)子渦扇航空發(fā)動機的性能參數(shù)時間序列對本發(fā)明提出的方法進行了驗證。Xiao等人以航空發(fā)動機的非線性模型為基礎(chǔ)，提出了基于氣路參數(shù)小偏差方程的航空發(fā)動機故障診斷方法。Li等人在傳統(tǒng)線性最小二乘故障診斷理論的基礎(chǔ)上，提出了基于非線性最小二乘的航空發(fā)動機氣路故障診斷方法，為提高航空發(fā)動機的故障診斷準確率提供了新的思路。Romessis等人基于貝葉斯置信網(wǎng)絡(luò)提出了航空發(fā)動機氣路故障診斷模型，該方法從發(fā)動機仿真模型中提取出建立貝葉斯網(wǎng)絡(luò)所需要的信息，并用一臺渦扇發(fā)動機的運維數(shù)據(jù)對方法的有效性進行了驗證。Zedda等人基于一種航空發(fā)動機穩(wěn)定狀態(tài)的非線性模型，利用遺傳優(yōu)化算法對航空發(fā)動機的氣路部件故障及傳感器故障診斷方法進行了研究，并利用某型號的低涵道比渦扇航空發(fā)動機對所提出的故障診斷模型進行了驗證。

但是，由于航空發(fā)動機的非線性模型過于復雜，且在實際的運維過程中受到大量隨機 因素的影響，導致花費大量資源建立的非線性模型難以滿足航空發(fā)動機的實際運維需求。因此，針對航空發(fā)動機的實際運維數(shù)據(jù)，航空發(fā)動機的非線性模型難以得到更好的運用。

隨著人工智能技術(shù)在故障診斷領(lǐng)域的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自聯(lián)想網(wǎng)絡(luò)等在航空發(fā)動機氣路故障診斷中得到了一定的應(yīng)用。Fan等人研究了利用Kohonen神經(jīng)網(wǎng)絡(luò)對航空發(fā)動機的故障診斷方法進行了研究，并對Kohonen的算法進行了研究，同時，以JT9D發(fā)動機為例對算法的有效性進行了檢驗。Chen等人提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機智能故障診斷的方法，為了驗證所提出故障診斷方法的抗噪性，文中還引入了自聯(lián)想神經(jīng)網(wǎng)絡(luò)。Ye等人用反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和概率神經(jīng)網(wǎng)絡(luò)(PNN)對航空發(fā)動機若干原型故障進行定性的診斷，并將仿真結(jié)果進行了比較，驗證結(jié)果表明概率神經(jīng)網(wǎng)絡(luò)能夠充分利用故障先驗知識，并考慮代價因子的作用，從而把誤診斷可能帶來的損失減小到最低程度。Tan將傅里葉神經(jīng)網(wǎng)絡(luò)和廣義單隱層神經(jīng)網(wǎng)絡(luò)用于F404航空發(fā)動機的平穩(wěn)性能狀態(tài)的仿真中，并運用神經(jīng)網(wǎng)絡(luò)對發(fā)動機的故障進行診斷。

雖然神經(jīng)網(wǎng)絡(luò)方法在航空發(fā)動機故障診斷方面得到了一定的應(yīng)用，但神經(jīng)網(wǎng)絡(luò)故障診斷模型本身存在著泛化性不足的問題。運用神經(jīng)網(wǎng)絡(luò)進行故障診斷往往需要一定數(shù)量的訓練樣本，如果樣本數(shù)量較小，則可能產(chǎn)生欠學習的現(xiàn)象。然而，航空發(fā)動機屬于較為成熟的工業(yè)產(chǎn)品，其發(fā)生故障的頻率較低；航空發(fā)動機又屬于比較復雜的熱力裝備，其故障類型較多。因此，在有限的機隊中難以收集能夠覆蓋所有故障的樣本數(shù)據(jù)。同時，現(xiàn)階段某些航空發(fā)動機故障診斷的研究不得不依賴于發(fā)動機的仿真數(shù)據(jù)。然而，航空發(fā)動機的運維環(huán)境、工況因素等非常復雜，仿真數(shù)據(jù)難以準確的表征航空發(fā)動機的真實運行情況，限制了基于仿真數(shù)據(jù)而建立的故障診斷模型的實用價值。

各大航空發(fā)動機制造商(Original Equipment Manufacturer,OEM)也開發(fā)了具有故障診斷功能的軟件系統(tǒng)。比如通用電氣公司的SAGE系統(tǒng)，普惠公司的EHM等。通常情況下，航空發(fā)動機制造廠商會根據(jù)對發(fā)動機的綜合測試及物理模型等給出判別發(fā)動機各故障的指印圖。雖然指印圖故障診斷在航空發(fā)動機的實際運維過程中有著十分重要的指導意義，但由于發(fā)動機實際工況及運營商對安全裕度的把控差異，僅依靠指印圖難以滿足航空發(fā)動機運維企業(yè)對發(fā)動機故障診斷的需求。

技術(shù)實現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有技術(shù)忽略航空發(fā)動機個體之間的差異、航空發(fā)動機故障樣本數(shù)據(jù)量較少以及現(xiàn)有方法大多采用仿真數(shù)據(jù)導致實用性較低的問題，而提出的一種基于性能偏移量的航空發(fā)動機故障診斷方法。

一種基于性能偏移量的航空發(fā)動機故障診斷方法按以下步驟實現(xiàn)：

步驟一：進行航空發(fā)動機氣路性能數(shù)據(jù)獲取及分組；

步驟二：根據(jù)步驟一的分組結(jié)果，進行航空發(fā)動機性能偏移量模型建立及性能偏移量求解；

步驟三：根據(jù)步驟二得到的性能偏移量求解結(jié)果，進行支持向量機多核函數(shù)的確定及故障分類。

發(fā)明效果：

航空發(fā)動機是典型的高端制造復雜裝備，其是民航飛機等飛行器的主要動力來源。同時，航空發(fā)動機又是可靠性較高的裝備，在其實際運維過程中具有故障率較低，個體性能存在差異等特點。本發(fā)明提供了一種基于性能偏移量和多核支持向量機的航空發(fā)動機故障診斷方法。針對于航空發(fā)動機個體之間的性能差異，本發(fā)明基于航空發(fā)動機的實際運維數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)建立了航空發(fā)動機的性能偏移量計算模型?？紤]到航空發(fā)動機實際運維過程中故障樣本較少的特點，本發(fā)明基于支持向量機的方法建立了航空發(fā)動機的故障分類模型。為了盡可能的發(fā)揮支持向量機的分類優(yōu)勢，本發(fā)明利用粒子群優(yōu)化算法對多核支持向量機的權(quán)重系數(shù)進行優(yōu)化。經(jīng)過對比驗證，本發(fā)明提出的基于性能偏移量的航空發(fā)動機故障診斷方法在故障分類準確率和泛化性上均好于傳統(tǒng)的基于時間序列擬合的故障診斷方法。

(1)現(xiàn)有航空發(fā)動機故障診斷方法很少考慮到航空發(fā)動機個體之間的差異。然而，航空發(fā)動機是典型的復雜裝備，通過發(fā)動機的實際運行數(shù)據(jù)可以看出，即使是型號相同，狀態(tài)相近的航空發(fā)動機，其性能之間都會具有一定的差異?？紤]到航空發(fā)動機個體之間的差異，本發(fā)明利用神經(jīng)網(wǎng)絡(luò)建立了航空發(fā)動機的性能偏移量模型。

(2)現(xiàn)有的航空發(fā)動機故障診斷方法多是以發(fā)動機的仿真數(shù)據(jù)為研究對象。由于航空發(fā)動機的結(jié)構(gòu)復雜且工作環(huán)境惡劣，本發(fā)明利用航空發(fā)動機的實際運維數(shù)據(jù)為基礎(chǔ)，進行航空發(fā)動機故障診斷模型的建立。

(3)針對航空發(fā)動機樣本數(shù)據(jù)量較少的特點，本發(fā)明利用支持向量機建立了航空發(fā)動機的故障分類模型。為最大程度的利用支持向量機的分類優(yōu)勢，本發(fā)明基于粒子群優(yōu)化算法確定了支持向量機的多核函數(shù)。

本發(fā)明能夠在航空發(fā)動機真實故障的小樣本條件下實現(xiàn)發(fā)動機的故障診斷。本發(fā)明在指印圖的框架下，基于航空發(fā)動機的真實運維數(shù)據(jù)，運用支持向量機提出了航空發(fā)動機故障診斷方法。能夠在航空發(fā)動機真實故障的小樣本條件下實現(xiàn)發(fā)動機的故障診斷。

附圖說明

圖1為性能數(shù)據(jù)區(qū)間分組示例圖；

圖2為性能偏移量模型的建立及故障指征的計算流程圖；

圖3為粒子群優(yōu)化算法流程圖；

圖4為實驗故障分類圖。

具體實施方式

具體實施方式一：一種基于性能偏移量的航空發(fā)動機故障診斷方法包括以下步驟：

步驟一：進行航空發(fā)動機氣路性能數(shù)據(jù)獲取及分組；

步驟二：根據(jù)步驟一的分組結(jié)果，進行航空發(fā)動機性能偏移量模型建立及性能偏移量求解；

步驟三：根據(jù)步驟二得到的性能偏移量求解結(jié)果，進行支持向量機多核函數(shù)的確定及故障分類。

具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中進行航空發(fā)動機氣路性能數(shù)據(jù)獲取及分組的具體過程為：

航空發(fā)動機的氣路性能參數(shù)是發(fā)動機故障診斷的基礎(chǔ)，現(xiàn)役多數(shù)航空發(fā)動機的氣路性能參數(shù)一般會通過飛機通訊尋址與報告系統(tǒng)(Aircraft Communications Addressing and ReportingSystem,ACARS)準實時的傳輸至地面。再由航空發(fā)動機的運營商進行整理并發(fā)送至航空發(fā)動機制造商(Original Equipment Manufacturer,OEM)，由OEM進行性能參數(shù)的解算。OEM會根據(jù)發(fā)動機的工況信息、推力設(shè)定等，將發(fā)動機的原始氣路性能參數(shù)轉(zhuǎn)化為基線的偏差值。如：利用航空發(fā)動機的工況信息：飛行高度、馬赫數(shù)、推力設(shè)定等，將排氣溫度(EGT)、核心機轉(zhuǎn)速(N2)、燃油流量(FF)等轉(zhuǎn)化為氣路參數(shù)的偏差值：排氣溫度裕度偏差值(ΔEGT)、核心機轉(zhuǎn)速偏差值(ΔN2)、燃油流量偏差值(ΔFF)等，再利用偏差值進行健康評估和故障診斷。

通過航空發(fā)動機的維修報告獲得故障發(fā)動機的拆發(fā)時間t_j，從OEM解算的ACARS數(shù)據(jù)中提取發(fā)動機j拆發(fā)時間t_j前n個飛行循環(huán)的主要氣路性能參數(shù)偏差值(即拆發(fā)時間t_j前面的n個飛行循環(huán))：ΔEGT、ΔN2、ΔFF，分別表示為式(1)、(2)、(3)的形式；其中OEM為航空發(fā)動機制造商，ACARS為飛機通訊尋址與報告系統(tǒng)，ΔEGT為排氣溫度偏差值，ΔN2為核心機轉(zhuǎn)速偏差值，ΔFF為燃油流量偏差值；

ΔEGT＝{ΔEGT_n,ΔEGT_n-1,ΔEGT_n-2,...,ΔEGT_i,...,ΔEGT₃,ΔEGT₂,ΔEGT₁} (1)

ΔN2＝{ΔN2_n,ΔN2_n-1,ΔN2_n-2,...,ΔN2_i,...,ΔN2₃,ΔN2₂,ΔN2₁} (2)

ΔFF＝{ΔFF_n,ΔFF_n-1,ΔFF_n-2,...,ΔFF_i,...,ΔFF₃,ΔFF₂,ΔFF₁} (3)

將每臺航空發(fā)動機拆發(fā)前n飛行循環(huán)的氣路參數(shù)按飛行時序進行分組，將與t_j相鄰的一組數(shù)據(jù)作為故障征候數(shù)據(jù)樣本組，將其他各分組作為正常數(shù)據(jù)樣本組；

設(shè)X為渦扇航空發(fā)動機因某故障而拆發(fā)的前n飛行循環(huán)的某主要性能參數(shù)(即拆發(fā)時間t_j前面的n個飛行循環(huán)的性能參數(shù))，即：X＝{x_n,x_n-1,x_n-2,...,x_i,...,x₃,x₂,x₁}，其中的x_i為拆發(fā)時間t_j以前第i飛行循環(huán)的性能參數(shù)；

若以k個飛行循環(huán)為一個分組，則性能參數(shù)X分為m個循環(huán)段，m用式(4)進行表示；

其中為非整數(shù)的整數(shù)部分取值符號；

分組后的航空發(fā)動機性能參數(shù)表示為式(5)的形式：

其中X_m,…,X₂為發(fā)動機的正常數(shù)據(jù)樣本組，X₁為發(fā)動機故障征候數(shù)據(jù)樣本組。

如圖1所示為某型號航空發(fā)動機因性能衰退而拆發(fā)的拆發(fā)前n＝300循環(huán)的ΔEGT的平滑值，這里以k＝50循環(huán)進行的分組示例。從圖中可以看出，用簡單的線性擬合對每個樣本組中參數(shù)的變化趨勢進行表征，正常狀態(tài)樣本的趨勢較為平穩(wěn)或下降，而故障征候樣本的趨勢則呈現(xiàn)出非常明顯的不同，這種“不同”本發(fā)明定義為“偏移量”。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟二中進行航空發(fā)動機性能偏移量模型建立及性能偏移量求解的具體過程為：

獲得航空發(fā)動機的正常樣本數(shù)據(jù)組和故障征候數(shù)據(jù)樣本組后，采用BP神經(jīng)網(wǎng)絡(luò)建立航空發(fā)動機的性能偏移量計算模型，以各正常樣本組的性能參數(shù)作為模型輸入，以健康性能指標值1作為正常樣本組的輸出預期，對發(fā)動機性能偏移量神經(jīng)網(wǎng)絡(luò)進行訓練；求解當 次拆發(fā)的故障征候性能偏移量時，將故障征候樣本組作為訓練好的偏移量神經(jīng)網(wǎng)絡(luò)模型的輸入，通過模型得到的輸出量即為發(fā)動機的性能偏移量；性能偏移量模型的建立及故障指征的計算過程可用圖2所示。

由于航空發(fā)動機的故障形式多樣，且每種故障形式有多種表征形式，僅僅利用單個參數(shù)的性能偏移量進行故障診斷，會造成誤判。為了較為準確的對航空發(fā)動機的故障進行診斷，本發(fā)明將主要將性能參數(shù)：ΔEGT、ΔN2、ΔFF、ΔEGT/ΔN2的性能偏移量作為航空發(fā)動機的無量綱故障背景參數(shù)集合，其形式用式(6)表示：

A＝{A_ΔEGT,A_ΔN2,A_ΔFF,A_ΔN2/ΔEGT} (6)

其中A_ΔEGT為參數(shù)ΔEGT的性能偏移量，A_ΔN2為參數(shù)ΔN2的性能偏移量，A_ΔFF為參數(shù)ΔFF的性能偏移量，A_ΔN2/ΔEGT為參數(shù)ΔN2與ΔEGT比值的偏移量。

由于航空發(fā)動機的故障樣本數(shù)量有限，且故障表征空間的維度為4，因此本發(fā)明運用針對小樣本、多維度可進行有效分類的支持向量機對航空發(fā)動機進行綜合故障診斷。

其它步驟及參數(shù)與具體實施方式一或二相同。

具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中進行支持向量機多核函數(shù)的確定及故障分類的具體過程為：

在支持向量機的學習過程中，核函數(shù)方法雖然能夠有效的解決非線性模式的分析及分類問題。但在實際的工程應(yīng)用中，由于不同核函數(shù)的特性存在一定的差異，從而導致針對某些復雜情況，僅運用單核函數(shù)難以最大限度的發(fā)揮支持向量機的分類優(yōu)勢。為了融合各單核函數(shù)的特性，提高支持向量機分類的準確性，可將多個核函數(shù)進行組合并構(gòu)造基于多核函數(shù)的支持向量機。

一種構(gòu)造多核函數(shù)的方法就是運用多個基本核函數(shù)的凸組合組成形如式(7)的形式：

其中K_multi為組合后的多核核函數(shù)，K_j為基本核函數(shù)，β_j為各核函數(shù)的權(quán)重系數(shù)，M為基本核函數(shù)的總個數(shù)；

在多核支持向量機中，原始樣本空間R^N中的樣本參數(shù)y₁,y₂...y_n有多核函數(shù)K_multi映射到組合空間Z中；多核函數(shù)K_multi是由多個基本核函數(shù)K₁,K₂,...,K_m組合而成，則組合空間Z可看做是由Z₁,Z₂,...,Z_m組合而成的特征空間，即Z可由式(8)表示；

Z₁＝Z₁∪Z₂∪…∪Z_m (8)

因此，由多個基本核函數(shù)組合映射的組合空間綜合利用了各基本核函數(shù)的特征投射能力，能夠使樣本數(shù)據(jù)在組合特征空間中得到較好的表達，從而在一定程度上提高支持向量機分類的準確度。

若核函數(shù)K_multi的形式是由多個基本核函數(shù)K₁,K₂,...,K_m組合而成，則K_multi的表達問題轉(zhuǎn)化為K₁,K₂,...,K_m權(quán)重系數(shù)β_j的確定問題；

對于航空發(fā)動機的氣路參數(shù)而言，各性能參數(shù)的分布空間有著較大的差別。而一組較好的基本核函數(shù)權(quán)重系數(shù)β_j，能夠最大發(fā)揮多核支持向量機的分類功能，獲得較高的分類準確度。智能優(yōu)化算法在解決多變量復雜優(yōu)化模型方面具有一定的優(yōu)勢，因此，本發(fā)明采用智能優(yōu)化算法對多核函數(shù)中各基本核函數(shù)的權(quán)重系數(shù)β_j進行優(yōu)化求解。

由于粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)具有對模型的適用性強、魯棒性好、能夠解決多變量優(yōu)化問題等優(yōu)點。

采用粒子群優(yōu)化算法對多核支持向量機中各基本核函數(shù)權(quán)重系數(shù)β_j進行確定；

支持向量機的多核函數(shù)寫成式(9)的形式：

K(x,x_i)＝β₁·K₁(x,x_i)+β₂·K₂(x,x_i)+β₃·K₃(x,x_i) (9)

其中K₁(x,x_i)、K₂(x,x_i)、K₃(x,x_i)代表三種不同形式的基本核函數(shù)，β₁、β₂、β₃表示核函數(shù)的權(quán)重系數(shù)；

在粒子群優(yōu)化算法中，在對權(quán)重系數(shù)空間{β₁,β₂,β₃}進行搜索時，要達到的主要目標是盡可能的提高多核支持向量機的分類準確率，適應(yīng)度函數(shù)則用式(10)表示：

其中N_right為核函數(shù)的權(quán)重系數(shù)為時的分類準確個數(shù)，為第c次迭代時的核函數(shù)的權(quán)重系數(shù)；N_all為樣本的總體數(shù)量，F(xiàn)_fit為核函數(shù)的權(quán)重系數(shù)為 時的分類準確率；

本發(fā)明所采用的粒子群優(yōu)化算法的算法流程可用圖3進行表示。

粒子群優(yōu)化算法的步驟為：

步驟三一：在0與1之間隨機將β₁、β₂、β₃賦值，初始化基礎(chǔ)核函數(shù)系數(shù)β；

步驟三二：計算系數(shù)對應(yīng)的分類準確率F_fit；

步驟三三：根據(jù)分類準確率更新個體極值p_i,j與全局極值p_g,j；

步驟三四：根據(jù)公式(8)更新系數(shù)所組成粒子空間的速度與位置；

步驟三五：判斷是否達到迭代終止條件，即：迭代次數(shù)超過50次或分類準確率已達到100％，若是則執(zhí)行步驟三六，若否則返回步驟二迭代執(zhí)行；

步驟三六：獲得最優(yōu)基礎(chǔ)核函數(shù)系數(shù)；

步驟三七：結(jié)束；

標準粒子群優(yōu)化算法的更新公式可用式(11)進行表示。

其中v_i,j(t)為t次迭代中粒子的速度；x_i,j(t)為t次迭代中粒子的位置；p_i,j為t次迭代中計算粒子的最優(yōu)位置；p_g,j為t次迭代中所有粒子的全局最優(yōu)位置；ω為迭代過程中的慣性權(quán)重因子；c₁,c₂為粒子運動的加速常數(shù)；r₁,r₂為兩個[0,1]的隨機常數(shù)。

在確定多核支持向量機的核函數(shù)后，即可利用發(fā)動機的故障指征參數(shù)及對應(yīng)的故障分類對多核支持向量機進行分類，并獲得故障診斷模型；獲得故障診斷模型后，將待診斷的航空發(fā)動機性能數(shù)據(jù)按照步驟一和步驟二進行處理，獲得性能偏移量后即可用步驟三獲得的多核支持向量機對發(fā)動機進行故障診斷。

其它步驟及參數(shù)與具體實施方式一至三之一相同。

實施例一：

本發(fā)明收集了某航空公司某型號發(fā)動機機隊自2008年以來的發(fā)動機維修報告，從中提取出7類故障樣本，如圖4所示。其中航空發(fā)動機部件類故障5大類；綜合表征類故障2類。由于高壓渦輪故障樣本較多，將其分為Blade類故障和NGV類故障。

根據(jù)樣本機隊航空發(fā)動機的故障分類，本發(fā)明按照如下步驟進行基于性能偏移量建模的多核支持向量機故障診斷試驗。

(1)航空發(fā)動機氣路性能數(shù)據(jù)獲取及分組：

根據(jù)航空發(fā)動機的拆發(fā)時間，從OEM解算的ACARS數(shù)據(jù)中提取了各臺發(fā)動機拆發(fā)前300循環(huán)的主要氣路性能參數(shù)偏差值：ΔEGT、ΔN2、ΔFF。由于解算的原始偏差值含 有大量的噪聲，本發(fā)明選取了ΔEGT、ΔN2、ΔFF的OEM平滑值。如表1所示，為某臺因燃燒室(Combustion)故障拆發(fā)的發(fā)動機拆發(fā)前300循環(huán)的主要性能參數(shù)。

表1拆發(fā)前性能參數(shù)示例

根據(jù)OEM的故障預報數(shù)據(jù)，其選取的故障征候循環(huán)數(shù)從5到130循環(huán)不等。且只有少數(shù)故障征候數(shù)據(jù)超過50循環(huán)。因此，選取50循環(huán)作為故障指征數(shù)據(jù)的區(qū)間段能夠滿足大部分的故障診斷需求。本發(fā)明按照飛行循環(huán)的時間順序，將連續(xù)的50個飛行循環(huán)數(shù)據(jù)分為一組，可將性能參數(shù)分為6組。若用表示某性能參數(shù)，則分組后的航空發(fā)動機性能參數(shù)可表示為式(12)的形式。

其中X₂,X₃,X₄,X₅,X₆為發(fā)動機正常狀態(tài)的性能參數(shù)樣本，X₁為故障征候狀態(tài)的性能參數(shù)樣本。

(2)航空發(fā)動機性能偏移量模型建立及性能偏移量求解

建立各臺航空發(fā)動機的性能偏移量計算模型時，需要對BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)及訓練精度進行確定。隱含層的節(jié)點數(shù)可根據(jù)經(jīng)驗公式(13)進行確定。

其中m為隱含層的節(jié)點數(shù)；n為輸入層的節(jié)點數(shù)；l為輸出層節(jié)點數(shù)；α為1到10之間的常數(shù)。

按照發(fā)動機性能數(shù)據(jù)的分組方式，輸入層節(jié)點數(shù)n＝50；輸出層節(jié)點數(shù)l＝1；因此， 在建立航空發(fā)動機的性能偏移量計算模型時，取α＝3。則隱含層節(jié)點數(shù)可取m＝10。確定隱含層節(jié)點數(shù)后，根據(jù)樣本的網(wǎng)絡(luò)計算穩(wěn)定性及多次計算均值誤差，本發(fā)明將神經(jīng)網(wǎng)絡(luò)的訓練精度設(shè)置為10^-3。

本發(fā)明將發(fā)動機的故障征候性能參數(shù)作為計算模型的輸入計算性能參數(shù)的偏移量。由于樣本數(shù)量等方面的限制，每次計算的偏差值都有一定的波動性。為了弱化神經(jīng)網(wǎng)絡(luò)的波動，在計算各性能參數(shù)的偏移量時，本發(fā)明采取了多次建立偏移量計算模型并取平均值的方式。即：運用每個故障類型的樣本，運用正常狀態(tài)數(shù)據(jù)訓練20次BP神經(jīng)網(wǎng)絡(luò)模型，并運用故障征候數(shù)據(jù)計算每次模型的偏離程度：{y₁,y₂,y₃,....,y₂₀}，計算偏移量的平均值y，如式(14)所示。

以樣本機隊的LPT故障為例，按照上述方法分別用神經(jīng)網(wǎng)絡(luò)訓練性能參數(shù)：ΔEGT、ΔN2、ΔFF、ΔN2/ΔEGT的平均偏移量，各性能參數(shù)的偏離如表2所示。

表2性能參數(shù)偏離量

(3)支持向量機多核函數(shù)的確定及故障分類

由于航空發(fā)動機某些故障的樣本數(shù)量少，比如：所收集到的燃燒室故障樣本僅有5個，將過少的故障樣本放到所有樣本中進行分類，往往會得到一個失真的判別效果。例如：“故障樣本1”有5個故障數(shù)據(jù)，而所有樣本共100個故障數(shù)據(jù)，即使將所有的“故障樣本1”均錯分為其他故障，其分類準確率也會達到95％。因此，本發(fā)明擬采取兩個規(guī)模相差不大的故障樣本之間區(qū)分的方式進行故障分類的驗證。

對圖4中的實驗故障類型進行分類實驗。獲得的各核函數(shù)的分類準確率、準確率最高 的支持向量個數(shù)如表3所示。

表3基于性能偏移量的單核支持向量機分類結(jié)果

表3中采取的三種核函數(shù)：“核函數(shù)1”、“核函數(shù)2”、“核函數(shù)3”的具體形式分別可用式(15)、式(16)、式(17)表示。

K₁(x,x_i)＝x×x′ (15)

K₂(x,x_i)＝||x||×||x′|| (16)

為了提高航空發(fā)動機故障診斷模型的分類準確率，充分挖掘支持向量機的分類潛力。本發(fā)明又采用多核支持向量機的方法建立航空發(fā)動機的故障診斷模型。在運用多核支持向量機進行模式分類時，其核心步驟是確定各基本核的權(quán)重系數(shù)。

運用多核支持向量機建立航空發(fā)動機的故障診斷模型過程中，本發(fā)明運用樣本自學習的方法對各基本核的權(quán)重系數(shù)進行優(yōu)化求解，即：將選定故障類型的所有樣本作為多核支持向量機各基本核權(quán)重系數(shù)的學習樣本。在確定多核支持向量機各基本核權(quán)重系數(shù)時，本發(fā)明運用粒子群優(yōu)化算法進行優(yōu)化求解。獲得各基本核系數(shù)及各故障的分類準確率、支持向量個數(shù)等如表4所示。

表4基于性能偏移量計算模型的多核支持向量機分類結(jié)果

從兩組實驗的對比結(jié)果可以看出，多核支持向量機無論是分類準確率還是支持向量的個數(shù)均優(yōu)于單核支持向量機，即：多核支持向量機的分類準確率高于單核支持向量機；且多核支持向量機的支持向量個數(shù)明顯少于單核支持向量機。其中，分類準確率表征分類方法的準確程度，分類準確率越高，表明分類方法越好；支持向量個數(shù)表征支持向量機的泛化程度，支持向量個數(shù)越少，表明方法的泛化性越好。

(4)對比實驗

為了對本發(fā)明所提出的基于性能偏移量建模的多核支持向量機故障診斷方法進行對比，在應(yīng)用驗證中基于性能參數(shù)的時間序列擬合進行了支持向量機故障診斷的對比試驗。在對比實驗中，本發(fā)明將分組后的航空發(fā)動機各性能參數(shù)進行曲線擬合，將各組性能參數(shù)的擬合系數(shù)作為航空發(fā)動機故障診斷的指征。由于受到樣本數(shù)量的限制，同樣采用所有故障樣本即做學習樣本，又做驗證樣本的方式進行試驗。進行分類實驗獲得的分類準確率、支持向量個數(shù)如表5所示。

表5基于時間序列擬合的單核支持向量機分類結(jié)果

本發(fā)明又基于性能參數(shù)的時間序列擬合模型采用了多核支持向量機的方法進行了對比試驗。多核支持向量機的驗證過程如前所述，獲得各基本核系數(shù)及各故障的分類準確率、支持向量個數(shù)等如表6所示。

表6基于時間序列擬合的多核支持向量機分類結(jié)果

通過對比實驗可以看出，多核支持向量機的分類結(jié)果在分類準確率和泛化性兩個方面均明顯好于單核支持向量機。

將本發(fā)明提出的基于性能偏移模型的多核支持向量機故障診斷方法的實驗結(jié)果稱為實驗組；將本發(fā)明用于對比驗證的基于時間序列擬合的多和支持向量機故障診斷模型的實驗結(jié)果成為對比組，從表5和表6中可以看出：

從分類準確率的角度來看：序號為2、3、4、5、7、8、9、10、11、13的10組試驗結(jié)果為實驗組明顯好于對比組；序號為1、12、14的3組試驗結(jié)果為對比組高于實驗組。

從模型泛化性來看：序號為1、2、3、4、5、6、7、8、9、10、11、12的12組試驗結(jié)果為實驗組明顯好于對比組；序號為12、13、14的3組試驗結(jié)果為對比組高于實驗組。

其中，2、3、4、5、7、8、9、10、11的9組試驗結(jié)果為實驗組在分類準確率和泛化性兩個方面均好于對比組。綜合來看，本發(fā)明提出的基于性能偏移模型的多核支持向量機故障診斷模型在分類準確率和泛化性兩個方面均明顯好于基于時間序列的故障診斷。