首页/文章/ 详情

故障诊断丨北航:航空发动机故障诊断技术研究现状与展望

4月前浏览10272

本文摘要(由AI生成):

本文讨论了航空发动机故障诊断面临的挑战,包括有限的传感器测点、低信噪比信号和大量未充分利用的历史数据。针对这些问题,提出了三个解决途径:一是建立物理与数据协同的发动机数字孪生子模型,模拟响应特征;二是研究过渡态下气路、振动信号的瞬变特征及信息挖掘方法;三是融合多源信息、多学科知识用于故障诊断与预测。这些方法旨在提升发动机故障诊断能力,实现自诊断、自预测、自管理的智能化过程,以满足未来航空装备对高性能、高可靠性的需求。


航空燃气涡轮发动机技术是一个国家工业水平和科技实力的综合体现,故障诊断技术是航空发动机安全、经济运行的重要保障,也是衡量其先进性的重要指标之一。由于航空发动机结构复杂、系统集成度高、服役环境恶劣、工作状态多变,同时存在在线测试条件有限、诊断信息量不易保障等制约,故障诊断面临较多挑战。本文从气路分析与性能评价、机械系统故障诊断和多参量信息融合3个方面对国内外航空发动机故障诊断技术进行梳理,剖析存在的主要问题和挑战,并对未来发展趋势进行展望。    


航空燃气涡轮发动机(简称航空发动机)是飞行器的首选动力装置,也是中国“十四五”规划和2035年远景目标的核心关注对象之一,其发展水平是一个国家科技水平、工业实力的综合体现。随各种新技术在航空发动机中广泛应用,发动机信息化和智能化水平不断提高。由于长期在高温、高压、高转速、变工况等复杂条件下工作,发动机在使用过程中不可避免地会产生性能衰退、整机振动异常或燃油、滑油附件系统工作失常等故障,严重时甚至会导致重大事故。为保证安全飞行,传统航空发动机在设计、使用、维修等方面留有很大裕度,且飞行中发动机仅可按预定程序操作,不可对外部环境及自身性能变化做出自主响应,同时会导致其经济可承受性降低。在发动机全寿命周期内实现在线状态监测、故障诊断与寿命预测是先进航空发动机飞行安全和经济可承受性的关键支撑,也是提升其智能化水平的关键步骤。


从20世纪50年代发展至今,航空发动机状态监测和故障诊断技术经历了由简单向复杂、由低级向高级、由离线诊断向实时监视、由单一向综合化、智能化的发展过程,从原始的目视检查到功能强大的故障预测与健康管理系统(Prognostic and Health Management,PHM),对提升航空发动机安全性、可靠性、经济性发挥着越来越重要的作用。然而随航空发动机技术的进步、机群规模的增加、运行成本的控制,航空发动机故障诊断技术同时也面临着越来越大的挑战。


据国际航空运输协会统计,仅2019年全球民航飞机的维护、维修与大修(Maintenance, Repair and Overhaul,MRO)市场规模可达819亿美元,其中发动机维修费用为336亿美元,占比高达41%,如图 1所示。为减少航空发动机维修保障费用,美国于1988年和2006年先后实施了综合高性能涡轮发动机技术计划(Integrated High Performance Turbine Engine Technology,IHPTET),通用、经济可承受先进涡轮发动机计划(Versatile Affordable Advanced Turbine Engines,VAATE),旨在改善发动机性能的同时减少60%的维修费用。


2011年,美国国家航空航天局联合美国空军研究实验室、联邦航空管理局、波音、普惠、通用电气等单位启动了飞行器综合推进研究(Vehicle Integrated Propulsion Research,VIPR)项目,以发展全新的传感器识别发动机振动、速度和排气的变化情况,通过发现潜在故障提高飞行安全性、降低维护成本并评估最新的发动机诊断技术,分别于2011、2013、2018年在F117军用涡扇发动机上展开了3次测试。


图 1 全球民航维护、维修与大修费用情况(2019)

Fig. 1 World maintenance, repair and overhaul spend in civil aviation (2019)


本文从航空发动机故障诊断的特点与难点入手,对航空发动机状态监测与故障诊断的国内外研究进展进行综述和分析,并对其发展趋势进行展望。


1 航空发动机故障诊断的特点与难点

与一般旋转机械相比,航空发动机工况多变,特别是军用航空发动机过渡态频发,任务剖面极其复杂,其故障诊断面临的难点主要包括:气动、热力、机械、噪声的综合负荷大,服役中气-热-固-声多物理场耦合问题突出;比刚度小,整机耦合振动的影响因素多,振动传递特性复杂;总重量受苛刻限制,传感器测点位置和数目受重量约束和安装空间约束的苛刻限制。具体表现在以下4个方面:


1) 设备结构复杂,系统集成度高

航空发动机由进气道、风扇、压气机、燃烧室、涡轮、附件机匣等多个部件组成,是集机械、气动、热力、电气、控制等学科为一体的复杂结构系统,发动机各个部件、各个子系统之间关联耦合突出,非线性动力学特性明显。


2) 服役环境恶劣,工作状态多变

航空发动机长期工作于高温、高压、高转速、变工况的工作条件下,即使在稳态工况油门角度不变的情况下,当飞行姿态、高度或速度出现变化时,发动机物理转速和载荷都会有所不同,表现出一定的过渡态特征,对于歼击机等的动力装置,还会反复经历加减速等过渡态工况。过渡态的信息提取与解释是一个公认难题。


3) 测试条件苛刻,信号信噪比低

由于工作环境的特殊性,航空发动机对传感器等附件的安装位置和重量有严格限制,因此发动机机载测点数量有限、位置固定,诊断信息的获取受影响。同时传感器接收到的测试信号往往历经多途传递,并受振动、气动、燃烧等方面干扰,信号信噪比低,给诊断信息的提取带来困难。


4) 数据类型丰富但分散度大

一方面,在设计、试飞、定型、改装、服役等过程中都需对发动机的多种参数进行不间断监测,数据采样频率高,使监测数据类型丰富、规模庞大,“大数据”在给监测诊断带来机遇的同时,也为故障特征的提取带来挑战;另一方面,测试数据散度大,不仅发生在同一批次相同工作状态的发动机上,即使是同一台发动机,在试飞前后仍会出现散度大的现象,但根源尚不明晰,危害程度也难以判断。


可见,航空发动机的结构和工况与一般旋转机械差异显著,传统的旋转机械诊断技术很难直接应用。


2 国内外研究现状

多年来,航空发动机状态监测、故障诊断与预测一直是国内外相关企业、院所和高校关注的焦点与热点之一,相关论文、报告和专利数量巨大。从研究工作的发展情况来看,大致经历了状态监视与预警、性能评价与分析、故障诊断与预测、数字孪生等几个主要阶段。如图 2所示,这一研究工作起初仅是对发动机排气温度、转速和总振动量等测量参数的异常、超限进行监测和报警。随发动机控制要求的不断提高,越来越多的气路传感器被安装在发动机内,为提升故障诊断水平提供了信息支撑。20世纪70年代,电子硬件模块开始用于发动机的在线监测,能自动记录飞行过程的发动机状态参数并进行监测,可视作现今发动机健康管理系统(Engine Health Monitoring,EHM)的雏形。至80年代,通过集成计算机模块和更为先进的电子技术,全权限数字电子控制系统(Full Authority Digital Engine Controls,FADEC)实现了数字化控制和信息处理,具备了在线诊断的能力,促进了飞行器状态监测功能飞行报告的生成,亦为EHM的实现奠定了硬件基础。90年代末,在成功应用PHM技术后,普惠公司为美国空军F-35联合攻击机研制的F135五代发动机排故时间明显下降,进一步为PHM技术的发展带来了契机。


21世纪,基于运行状态数据连续采集与智能分析的数字孪生(Digital Twin,DT)为航空航天飞行器的健康维护与保障提供了重要的技术支撑,受到国内外的广泛关注与应用探索。其中,美国国家航空航天局结合物理实体及等效虚拟模型研究了基于数字孪生的复杂系统故障预测与消除方法,成功应用于飞机、火箭等飞行系统的健康管理中,并联合美国空军提出面向未来飞行器的数字孪生范例。美国发动机厂商通用电气基于Predix平台实现了零件级、系统级、集群级数字孪生,生产商和运营商可利用数字孪生了解、预测和优化全寿命周期中每个监测对象的性能。然而发动机自身结构复杂、工作环境恶劣、测试条件不完善等因素给其状态监测与故障诊断带来了很大困难。为此航空发动机故障诊断与预测理论和方法广受关注,产生了诸多分析、诊断、预测模型和方法。主要从气路分析与性能评价、机械系统故障诊断和多参量融合的诊断与预测3个方面对当前的研究方法进行梳理。


图 2 航空发动机状态监测发展历史

Fig. 2 History of condition monitoring for aeroengine

 

2.1 气路分析与性能评价

气路分析(Gas Path Analysis,GPA)是指对与发动机气路各部件健康状态紧密相关的温度、压力、燃油流量、空气流量及转速实施监测,根据监测数据通过参数辨识等技术预测发动机气路部件的性能变化,由此判断发动机及相关部件的健康状态及故障情况,其基本原理如图 3所示。如果把发动机物理故障引起发动机部件性能衰减的实际物理过程看作是正过程,那么故障诊断过程就是它的逆过程,即根据发动机可测量参数的变化确定发动机的部件性能,从而实现物理故障定位。在不需要加装额外传感器的情况下,气路分析可给出发动机单元体的性能评价,多年来已成为发动机性能评价和气路故障诊断的基础。


图 3 气路分析与性能评价原理

Fig. 3 Principle of gas path analysis and performance evaluation


自20世纪70年代Urban提出故障影响系数矩阵法以来,各种修正算法和模型不断涌现,以提升模型的预测精度和适用范围。传统气路分析方法的突出问题之一是在测量参数数目受限、测量偏差较大、故障程度较高(异物损伤、结构破损等)等情况下不易收敛。针对这一问题,研究人员通过结合不同优化模型和算法提出了大量改进方法。雅典国家技术大学Aretakis等通过选取多个稳态点的故障方程数量解决这一问题,但要求分析的各个稳态点有一定的独立性。北京航空航天大学陈大光等、张津基于线性模型的小偏差法开展了相关研究,提出了多状态气路分析法和主因子模型法,有效改善了测量参数不足时气路故障诊断系统的有效性,并针对JT9D、CF6等民航型号发动机进行了方法验证,发展了一种新的发动机状态监视和故障诊断(Engine Monitoring and Diagnosis,EMD)系统。朱之丽和孟凡涛结合最小二乘法和多状态数学模型将模型辨识法应用于某型涡扇发动机的气路故障诊断,实现了考虑发动机非线性特征的准确定量诊断。中国民航大学范作民、西北工业大学孙祥逢等采用故障主因子的概念以减少考虑的故障个数,但其诊断结果的可靠性有所降低。美国加利福尼亚州的Brotherton、比利时列日大学Borguet、加拿大康考迪亚大学Khorasani、南京航空航天大学黄金泉等采用卡尔曼滤波实现了发动机气路部件性能参数的估计与分析,并结合发动机性能模型实现了发动机的故障诊断。除此之外,神经网络法、贝叶斯网络法等也被引入气路分析方法中,分别从不同角度对气路分析算法的性能进行了提升。


现有的气路分析方法基本上针对稳态过程。然而发动机的过渡态(非稳态)在飞行过程中是频繁出现的。所谓过渡态,就是指发动机在不同稳态工况之间切换的瞬态过程,其特征是发动机转速、功率、气动热力参数均随时间剧烈变化。航空发动机,尤其是军用发动机飞行任务剖面复杂,过渡态在实际服役过程中占比极高,如图 4所示。近几年,一些学者也开始尝试对过渡态下的性能评价方法开展研究,如采用最小二乘法、神经网络、遗传算法等方法对过渡态信号进行处理。2011年,Borguet等依据系统辨识原理提出了在频域中对过渡态参数进行分析的方法,成功应用于商用发动机的在线分析。2017年,德国斯图加特大学Putz等提出了一种对起飞过渡态数据的校正模型,使已有的发动机监测系统突破了仅适用于稳态数据的局限,对过渡态数据进行一定程度的分析。同年,英国克兰菲尔德大学Wang C等提出了一种针对发动机燃油系统的过渡态模拟方法,可以在发动机过渡态阶段提供更为详细的燃油系统性能信息。


图 4 航空发动机任务剖面示意图

Fig. 4 Sketch of mission profile for aeroengine


尽管气路分析方法已有50余年的发展历史,依然存在诸多挑战性难题,主要表现在3个方面:①气路传感器的选取取决于发动机控制需求,传感器数量少于气路健康状态评价所需个数,先天信息不足;②传感器测量的偏差和噪声往往会严重影响气路分析结果的质量,已有改进方法依然难以保证测试信号的质量;③过渡态下的气路分析依旧是一个难题,至今未得到根本解决。


2.2 机械系统故障诊断

气路分析主要用于评价发动机的整体性能,当需对机械系统或部件(轴承、齿轮箱、叶片、滑油系统等)进行故障诊断时,往往采用滑油分析、振动监测等方法。其中,滑油分析主要是通过分析油液的性能变化、理化参数、磨粒参数等获得发动机摩擦副的润滑和磨损状态信息,实现故障的定性与定位。滑油分析一般在实验室进行固体成分、黏度和酸度试验确定滑油的使用性能,对设备、人员技能要求较高。不同的是振动信号信息量较大,且对轴承、齿轮等零件的状态信息比较敏感,因此一直作为轴承、齿轮诊断的重要信息来源。振动监测是通过安装在机匣外侧的速度或加速度传感器实现的,但信号传递环节多、传感器数目少、工作状态非平稳等因素使振动分析往往具有很大难度,至今仍是业内学者关注的焦点之一。


在利用振动分析对航空发动机进行故障诊断方面,澳大利亚国防部研究机构(Defence Science and Technology Organization,DSTO)的Wang W Y等针对航空发动机变速箱振动信号复杂多变、故障特征不易获取的问题提出了一种“联合信号处理”的方法(Unified Signal Processing Approach),能对复杂的齿轮箱信号进行降噪处理,以便进一步地诊断决策。比利时鲁汶大学Gryllias等针对航空发动机工作的非平稳特点,引入循环平稳分析理论用于发动机变速箱升速过程的振动信号分析和故障诊断。乌克兰国家科学院Onishchenko等研究了叶片弯曲振动与疲劳裂纹的关联机制,通过振动信号的谐波幅值比指示裂纹的出现和发展情况。英国巴斯大学Barbini等提出了一种相位编辑方法,用于滚动轴承故障特征的自动提取,法国学者Eltabach等将这一方法应用于航空发动机的轴承诊断中。波兰波兹南工业大学Waligórski等分别采用声学和振动信号对F-16涡轮风扇发动机进行状态评估,发现了混合气形成及燃烧过程中的不正常现象,保证了发动机较高的总体效率和航空任务的安全性。加拿大滑铁卢大学Fong等利用均值漂移聚类结合短时傅里叶变换的方法,将时变谐波与频谱中的背景噪声分离开,同时对非平稳振动信号进行降噪并提取谐波含量,成功应用于民航发动机轴承故障数据中。


国内学者近年来也取得了可喜的进展。陈予恕院士团队在机匣振动分析、双转子系统的模型建立和振动特性分析等方面为发动机动力学分析奠定了基础。清华大学蒋东翔等建立了带有不平衡-不对中耦合故障的双转子动力学模型,并研究了动静碰摩故障响应的特点。河南科技大学邓四二等采用有限元研究了轴承参数变化对转子系统稳定性及动态响应的影响规律。西安交通大学陈雪峰团队在航空发动机运行安全基础研究项目的支持下,采用建模、机制分析、数值分析等方式分析了存在横向裂纹时轴-盘-叶片的耦合动态响应,并针对基于应变监测叶片振动信息传输困难的问题,对叶端定时信号进行分析实现叶片的健康监测。东北大学马辉、北京航空航天大学洪杰等围绕叶片-机匣碰摩引发的振动响应问题进行了理论分析和数值仿真模拟。此外,洪杰等针对航空发动机的叶片飞失、突加不平衡、支承不同心等故障模式下的整机动力学行为及外传响应特性进行了系统分析,并在相应试验台上进行了验证。同时,针对航空发动机转子动平衡和故障自愈的研究,北京化工大学高金吉院士团队整合了国内外自动平衡技术和自愈化技术,并成功应用在航空发动机上,为中国今后的航空发动机自愈化设计提供了基础。另外,在航空发动机机械系统或部件微弱故障特征提取的问题上,北京科技大学冯志鹏等针对航空发动机轴承故障诊断中复杂非平稳信号的频谱混叠问题提出了一种广义自适应模态分解方法。陈雪峰等采用压缩变换分析航空发动机过渡态快变信号,并将其应用于裂纹扩展检测与转子碰磨诊断。重庆大学汤宝平等采用改进的非线性模态分解方法,无需先验知识就可自适应、高计算效率地估计发动机瞬时角速度。也有一些学者采用解卷积、低秩稀疏等算法解决航空发动机复杂传递路径下滚动轴承的故障识别问题及高转速下轴承故障信号中出现的重叠失真、冲击波形畸变等问题,实现了多源干扰下航空发动机微弱故障的识别和健康状况的评价。


事实上,机械故障诊断领域的国际同行也正聚焦航空发动机轴承、齿轮等零部件的振动诊断方法。2015年在法国罗阿纳理工学院举办的国际监测大会上,以法国赛峰集团(Safran)提供实测的民航发动机轴承故障数据组织了一场科学挑战竞赛。针对各参赛团队的分析结果,机械故障诊断领域权威期刊Mechanical Systems and Signal Processing的编委及相关专家共十余人在该杂志发表专题学术评论,强调变转速下信号处理水平对轴承故障检测的重要性,并指出这些方法对专业人员的依赖性。总体上看,单纯依靠振动信号实现航空发动机整机故障诊断的案例较少,主要原因在于:①航空发动机工作条件多变,振动信号往往异常复杂且信噪比低,对信号处理技术要求极高;②发动机典型故障实测数据获取困难,难以得到有力的实验支撑;③发动机振动激励源多、多场耦合严重、振动传递特性复杂,难以建立内在故障与外传振动信号之间的准确定量映射关系,仅依靠振动解决航空发动机的故障诊断问题难度大。


2.3 多参量融合的诊断与预测

简而言之,故障诊断和预测可分为基于模型的方法(Model-Based)、基于经验的方法(Experience-Based)和基于数据的方法(Data-Driven)。基于模型的方法利用数学解析模型监测系统,如气路故障与振动分析中的许多方法。但对于航空发动机这类极复杂的系统,基于模型的方法难以实现准确求解。基于经验的方法是将概率或随机模型与经验数据结合进行诊断和预测,该方法对先验知识的依赖性较强。基于数据的方法则是通过信号处理中的各种变换、分析、特征提取或人工智能等方法对传感器数据进行处理,实现诊断和预测,其不足之处在于对故障及失效机制缺少解释。


与上述3种方法不同,信息融合方法是在传感器层面、数据层面或决策层面对所有已知信息进行融合,可集成更多的信息和知识,理论上可给出更为准确和可靠的结果。以下从3个层面对信息融合的最新进展进行介绍。


2.3.1 传感器层融合

传感器是信息的基本来源,其信息质量是后续分析的基础。美国宾州州立大学Sarkar等利用符号动力学理论建立了一种在传感器特征层信息融合的方法,并在美国国家航空航天局提供的C-MAPSS模拟器上得到验证。美国佐治亚理工学院Fang等利用传感器间信息的相关性提出了多传感器的优化选择方案。瑞典马拉达伦大学Zaccaria等将概率贝叶斯网络应用于发动机机群,由于制造限制或传感器故障导致的传感器失效降低了基于物理方法的准确性,而这些因素对贝叶斯模型的影响较小,因此混合贝叶斯网络模型的准确度提高达50%。北京航空航天大学陈敏等为提高发动机气路相似故障的诊断成功率,提出了测量参数四步一体优化选择方法,该方法包括测量参数敏感性分析、部件性能参数相关性分析、影响系数J值分析和基于遗传算法的故障辨识效果检验,并成功应用于某型航空发动机地面台架试车台的气路故障诊断。哈尔滨工业大学刘大同等从确保信息量且减少安装规模的角度提出了一种基于信息熵优化的传感器布设方案,通过定量评价传感器间的相关性,建立了传感器状态异常的检测方法,并基于相关向量机实现了传感器稀疏条件下异常数据源恢复。重庆邮电大学罗久飞等提出了多传感条件下的传感器优度评估方法,并据此构建了融合的健康状态指标。


2.3.2 数据层融合

数据融合方面的研究报道大多是通过多传感器信息的融合得到量化评价指标。俄罗斯乌法国立航空技术大学Krivosheev等通过路系统的多参数融合得到一个综合诊断因子。美国威斯康星大学Liu等通过数据融合建立了发动机的健康指数,并成功应用于剩余寿命预测。火箭军工程大学司小胜等构建了基于线性维纳过程的多传感数据融合健康因子,并基于此预测发动机剩余使用寿命。英国谢菲尔德大学Zaidan等利用贝叶斯网络对机群历史数据和在线测试数据进行融合,给出了民航发动机剩余寿命的概率估计。伊朗伊 斯 兰阿扎德大学Ghorbani和Salahshoor将基于物理的模型和具有正漂移的维纳过程结合,提出了用于发动机寿命预测的退化模型。清华大学王学谦等设计了一种改进的BP(Back-Propagation)神经网络,对具有相似机制的渐进失效模式进行学习并实现了发动机剩余寿命预测。电子科技大学黄洪钟等用贝叶斯网络融合多源传感信息,对航空发动机轮盘的疲劳寿命进行预测。西安交通大学李兵等设计并建立了双任务深长期短期记忆网络,对航空发动机的退化状态信息进行挖掘并实现剩余寿命预测。北京航空航天大学唐海龙等基于迁移学习理论预测发动机部件性能随时间变化的衰退规律。西北工业大学黄登山等基于贝叶斯网络,通过突变点识别确定了航空发动机的退化起点,提出了一种基于参数相关性和粒子滤波的多退化指标寿命预测方法并在C-MAPSS数据集上进行了验证。


2.3.3 决策层融合

决策层融合的目的在于故障识别,通过合适的评估手段给出最接近实际故障的结论。西北工业大学王仲生和赵鹏以振动信号频谱中不同频段的谱峰能量为特征量,利用BP神经网络进行模式识别,并在决策层采用基于证据理论的融合方法得出最终结果。西北工业大学廖明夫等构建了故障融合诊断三级体系(故障特征级、故障模式级与故障决策级融合),实现了基于性能参数和振动参数的综合评价方法并获得相应的故障诊断决策。海军航空大学李洪伟等研究了基于油液和振动信息融合的集成神经网络故障诊断方法,油液分析上依靠光谱信息,振动信号上采用时域统计分析的峰值和均方根值两个指标,在决策级利用模糊综合决策方法进行信息融合,并在某型航空发动机上得到了应用。南京航空航天大学王华伟等提出了基于深度学习的航空发动机故障融合诊断模型,对多次深度学习故障分类结果进行决策融合,并在普惠JT9D发动机的数值仿真数据上验证了算法有效性。目前航空发动机智能运维的商用管理系统大都具有决策层方面的信息融合能力,如美国通用电气公司的Predix系统,对机群的数据云信息进行融合与决策并提出最优运维策略。


总体上看,多源传感信息融合方面的研究工作很多,有相当一部分围绕故障预测开展,但大多偏重理论研究,实效偏弱,主要原因在于:①对测试数据的处理较多,而对故障机制方面的融合较少;②气路数据和振动数据的多源数据融合工作较少,未能充分发挥各参量对未知故障的诊断优势,难以从整体上把握故障的演化规律;③机群历史数据和维修数据结合欠缺,数据信息量覆盖较窄。


航空发动机的状态监测、故障诊断已取得了一定进展,从气路分析与性能评价、机械系统故障诊断和多参量融合的诊断与预测3个方面对当前的研究方法进行分析,并将上述3个方面相关文献及当前研究存在的不足归纳于表 1中。


3 当前研究存在的关键问题及解决途径


3.1.1 故障机制与响应特征的映射机制建立

有果必有因,一切外在故障信号的表征均可视为果,而载荷环境或结构力学参数变化是因,研究机制模型就是建立因果关系。已有方法对测试数据方面的处理较多,而对故障机制方面的研究深度不足,难以揭示航空发动机故障与气路、振动响应的逻辑关联,无法从物理本质上明晰全寿命周期内发动机气路性能退化机制与振动响应突增根源。


3.1.2 过渡态的瞬态信息提取与解释

航空发动机,尤其是军用涡扇发动机,工况之间切换频繁,其外在响应表现出强烈的过渡态特征。然而现有的研究工作大多针对发动机稳态过程,未能系统揭示测试信号与变转速、变载荷环境下发动机性能和故障模式的关联机制,也缺乏过渡态下发动机状态信息提取与解释等系统性的研究工作。


3.1.3 基于多源微弱信息的故障诊断模型

一方面,航空发动机机载传感器测点十分有限,且测试信号的传递路径复杂,信号信噪比低,诊断信息的获取严重受限,当前研究基于微弱信息甚至“贫信息”的诊断理论与方法在发动机故障诊断的应用研究甚少;另一方面,发动机全寿命周期过程中积累了大量的历史飞参数据、大修试车数据等,具有数据来源多的特点,但这些数据存在不完整、不连续、分散度大的情况,未能被有效修复和充分利用;同时,发动机测试数据包括气路、振动、滑油等多种物理量信息,尚缺乏有效的各类物理量综合的故障诊断方法。


3.2 解决途径

为解决航空发动机的故障诊断难点及当前研究面临的关键问题,笔者认为应从以下3个方面深入开展航空发动机诊断监测的研究,为航空发动机的诊断、监测与维护提供可靠的理论依据和有效的技术手段,进一步推动航空发动机健康管理技术的发展及航空智能航空发动机的应用。


3.2.1 物理与数据协同的发动机数字孪生子建模技术及响应特征模拟

1) 研究工质热物性、发动机各部件特性及共同工作约束、发动机装机使用条件、真实环境特性及控制规律对发动机整机气动参数、热力性能和振动响应的影响,建立反映各部件物理特性及匹配约束的发动机模型。


2) 充分考虑同型号、不同发动机个体之间存在的制造、装配不确定性,研究其对发动机全寿命周期中工作状态的影响,并利用传感器实时反馈的测量信息对使用过程中的模型进行动态修正及辨识,建立准确反映发动机实际工作状态的数字“孪生子”模型。


3) 采用“虚拟发动机”模拟气路、转子等各类故障模式,对各种使用条件下外在气路、热力参数及加速度信号仿真分析,为发动机整机故障诊断和隔离提供更丰富的诊断依据。


3.2.2 过渡态下气路、振动信号瞬变特征及信息挖掘方法

1) 研究发动机气-固-热耦合的作用机制,理清过渡态下气路、热力、振动等可测参数非定常、非确定性特征产生机制,建立信号响应特征与发动机部件故障模式、危害程度和位置之间的关联性。


2) 基于发动机过渡态物理模型建立真实工况下部件级、整机级发动机特性分析模型,着重分析过渡态下发动机气动、热力、振动参数随工作状态的变化规律。


3) 研究快变温度场、瞬变离心负荷、交变气动激励等载荷对发动机转子系统、机匣结构变形的影响机制,关注过渡态转子系统响应在能量外传中的变化规律。建立有力的过渡态信息挖掘手段,大幅度提高整机故障诊断能力。


3.2.3 多源信息、多学科知识融合的诊断与预测

1) 研究发动机多约束条件下传感器的布局优化方法,增强微弱信号的有效诊断信息,同时建立能从低信噪比、干扰严重的测试信号中提取诊断信息的方法。


2) 开展基于迁移学习理论预测同型号发动机性能衰退规律的研究,遴选历史信息相对完整的发动机样本校核诊断模型,修复残缺样本关键状态信息,建立非连续、残缺发动机机群状态信息的修复方法。


3) 研究发动机典型故障在气路与振动外在响应特征之间的逻辑关联,揭示多源信息数据之间的信息互补机制,建立多工况信息与多学科领域知识深度融合的发动机故障诊断方法,实现跨专业的一体化发动机故障诊断。为发动机感知外部环境及自身状态变化,实现自诊断、自预测、自管理的智能化过程提供支撑。


4 结语

高性能(高推重比、大涵道比、低噪声、低排放)、高可靠性、经济可承受性等对航空发动机的发展提出了越来越高的要求。发展具有自诊断、自预测、自管理、自学习功能的航空智能发动机可满足未来对航空装备的需求。其中,状态监测、故障诊断、健康管理等是实现航空智能发动机对外部环境及自身状态的变化作出实时自主响应的关键技术之一。本文针对当前航空发动机的状态监测、故障诊断与健康管理问题:


1) 介绍了其特点与难点,分别从气路分析、机械系统故障诊断及多参量融合诊断方法3个方面综述了国内外研究现状,指出了当前研究对复杂故障机制与响应特征的映射机制和过渡态的瞬态信息提取等方面仍有不足,并且未能有效利用工程实际中的试车数据、飞参数据等,导致故障诊断质量难以保证。


2) 分析了存在的关键问题并探讨了解决途径,认为应从物理与数据协同的航空发动机故障建模,过渡态下信息提取,多源信息、多学科知识融合的发动机诊断等方面开展相关的理论方法与技术应用研究,进一步推动航空发动机故障诊断与健康管理的完善,为航空智能发动机的发展提供重要技术支撑。

 


来源:两机动力先行
MechanicalSystem振动疲劳非线性燃烧旋转机械通用航空航天电子裂纹理论化机数字孪生人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2023-04-25
最近编辑:4月前
两机动力先行
其它 聚焦航空发动机/燃气轮机关键技术...
获赞 97粉丝 81文章 376课程 0
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈