航空發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)故障診斷及驗(yàn)證

潘　陽(yáng)，李秋紅，姜　潔，劉立婷

（1.中國(guó)電子科技集團(tuán)公司第二十八研究所，南京210007；2.南京航空航天大學(xué)能源與動(dòng)力學(xué)院，南京210016）

航空發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)故障診斷及驗(yàn)證

潘陽(yáng)1，李秋紅2，姜潔2，劉立婷2

（1.中國(guó)電子科技集團(tuán)公司第二十八研究所，南京210007；2.南京航空航天大學(xué)能源與動(dòng)力學(xué)院，南京210016）

研究了基于執(zhí)行機(jī)構(gòu)模型以及發(fā)動(dòng)機(jī)逆模型的發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)及其傳感器故障診斷方法。基于發(fā)動(dòng)機(jī)半物理仿真試驗(yàn)臺(tái)試驗(yàn)數(shù)據(jù)建立執(zhí)行機(jī)構(gòu)小閉環(huán)傳遞函數(shù)模型，通過(guò)二次多項(xiàng)式擬合將油針位置轉(zhuǎn)換為燃油流量。提出基于自校正在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法建立發(fā)動(dòng)機(jī)逆模型，以離線訓(xùn)練網(wǎng)絡(luò)參數(shù)初始化在線系統(tǒng)，基于閾值更新網(wǎng)絡(luò)參數(shù)，并對(duì)學(xué)習(xí)速率進(jìn)行自校正，以提高算法的泛化能力及收斂速度。對(duì)比執(zhí)行機(jī)構(gòu)模型輸出、發(fā)動(dòng)機(jī)逆模型輸出與LV D T傳感器測(cè)量位移換算得到的燃油流量，基于閾值判斷故障狀態(tài)。在T700渦軸發(fā)動(dòng)機(jī)半物理仿真試驗(yàn)平臺(tái)上進(jìn)行試驗(yàn)，實(shí)現(xiàn)了在發(fā)動(dòng)機(jī)額定及各種性能退化狀態(tài)下，執(zhí)行機(jī)構(gòu)及其傳感器漂移和偏置故障的準(zhǔn)確診斷及定位，驗(yàn)證了算法的有效性。

燃油系統(tǒng)；執(zhí)行機(jī)構(gòu)；傳感器；故障診斷；自校正BP網(wǎng)絡(luò)；數(shù)學(xué)模型；航空發(fā)動(dòng)機(jī)

0　引言

執(zhí)行機(jī)構(gòu)是連接航空發(fā)動(dòng)機(jī)和控制系統(tǒng)的重要紐帶，它根據(jù)控制系統(tǒng)給定的控制指令，驅(qū)動(dòng)實(shí)際控制量變化，進(jìn)而控制及改變發(fā)動(dòng)機(jī)的工作狀態(tài)。發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)及其傳感器發(fā)生故障時(shí)，將給控制系統(tǒng)提供錯(cuò)誤的信息，從而給飛行器的安全帶來(lái)隱患，有可能引發(fā)災(zāi)難性后果［1］，因此有必要對(duì)發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)及其傳感器的性能進(jìn)行監(jiān)測(cè)，以便在故障發(fā)生時(shí)及時(shí)告警。

性能監(jiān)測(cè)通常基于解析余度技術(shù)。文獻(xiàn)［2］基于雙冗余技術(shù)，提出了1種基于簡(jiǎn)化模型的傳感器故障診斷方法；文獻(xiàn)［3］將主成分分析法引入航空發(fā)動(dòng)機(jī)傳感器故障診斷，利用離線模型對(duì)故障進(jìn)行定位；在發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)故障診斷方面，文獻(xiàn)［4］通過(guò)狀態(tài)估計(jì)器獲取航空發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)特征，用在線監(jiān)測(cè)離線診斷的方法設(shè)計(jì)了執(zhí)行機(jī)構(gòu)故障診斷系統(tǒng)；文獻(xiàn)［5］建立了發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)閉環(huán)回路數(shù)學(xué)模型，根據(jù)模型輸出與傳感器測(cè)量值偏差量實(shí)現(xiàn)執(zhí)行機(jī)構(gòu)故障在線診斷；文獻(xiàn)［6］采用UIO觀測(cè)器對(duì)發(fā)動(dòng)機(jī)動(dòng)態(tài)過(guò)程中執(zhí)行機(jī)構(gòu)故障偏移量進(jìn)行估計(jì)、對(duì)故障進(jìn)行隔離，并通過(guò)干擾正交投影的方法提高診斷系統(tǒng)的魯棒性；文獻(xiàn)［7］以執(zhí)行機(jī)構(gòu)驅(qū)動(dòng)量作為系統(tǒng)輸入，在白噪聲下建立故障模型，通過(guò)對(duì)包含故障信息的濾波殘差進(jìn)行分析處理，實(shí)現(xiàn)對(duì)執(zhí)行機(jī)構(gòu)故障的診斷。但在上述執(zhí)行機(jī)構(gòu)故障診斷相關(guān)研究中并未考慮到執(zhí)行機(jī)構(gòu)傳感器故障的情況。文獻(xiàn)［8］研究了Kalman濾波器在航空發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)及傳感器故障診斷中的應(yīng)用，文獻(xiàn)［9］在飛行包線內(nèi)，分區(qū)建立基于Takagi-Sugeno模糊理論的發(fā)動(dòng)機(jī)模型，并采用H^∞觀測(cè)器實(shí)現(xiàn)了執(zhí)行機(jī)構(gòu)及傳感器故障診斷；文獻(xiàn)［10］設(shè)計(jì)了1種基于執(zhí)行機(jī)構(gòu)模型和發(fā)動(dòng)機(jī)逆模型的故障診斷系統(tǒng)。

這些故障診斷方法都取得了一定的效果，但也存在局限性，如動(dòng)態(tài)診斷效果欠佳、退化情況不能診斷。采用在線訓(xùn)練技術(shù)能使診斷系統(tǒng)適應(yīng)發(fā)動(dòng)機(jī)復(fù)雜多變的情況。如文獻(xiàn)［11-12］提出了1種在線訓(xùn)練支持向量回歸機(jī)算法，并將其用于發(fā)動(dòng)機(jī)氣路傳感器的故障診斷，取得了良好效果。隨著支持向量數(shù)量增加，算法實(shí)時(shí)性受到影響。而神經(jīng)網(wǎng)絡(luò)作為經(jīng)典的智能映射方法，一旦隱含層節(jié)點(diǎn)數(shù)確定，則網(wǎng)絡(luò)規(guī)模確定，不隨發(fā)動(dòng)機(jī)工作范圍變化，是1種理想的在線訓(xùn)練診斷工具。

本文在文獻(xiàn)［10］開(kāi)展的執(zhí)行機(jī)構(gòu)及其傳感器故障診斷的基礎(chǔ)上，改進(jìn)其總體方案，增加了實(shí)際物理系統(tǒng)從油針位置至燃油流量的換算，提出基于在線訓(xùn)練自校正神經(jīng)網(wǎng)絡(luò)算法，建立了發(fā)動(dòng)機(jī)逆模型，提高了診斷系統(tǒng)在包線內(nèi)的適用性，并在T700渦軸發(fā)動(dòng)機(jī)半物理仿真試驗(yàn)平臺(tái)上進(jìn)行了驗(yàn)證。

1　執(zhí)行機(jī)構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)

在半物理仿真試驗(yàn)平臺(tái)中，發(fā)動(dòng)機(jī)由模型代替，控制器和診斷系統(tǒng)植入NI公司的嵌入式測(cè)控系統(tǒng)CompactRIO，燃油傳感器及執(zhí)行機(jī)構(gòu)為實(shí)物。燃油系統(tǒng)執(zhí)行機(jī)構(gòu)輸出由LVDT傳感器測(cè)量并進(jìn)行反饋，轉(zhuǎn)速控制系統(tǒng)計(jì)算出油針的期望位置Lr。執(zhí)行機(jī)構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。圖中，執(zhí)行機(jī)構(gòu)模型映射從油針期望位置至燃油流量Wf1之間的數(shù)量關(guān)系；發(fā)動(dòng)機(jī)逆模型根據(jù)發(fā)動(dòng)機(jī)氣路傳感器輸出對(duì)燃油流量Wf2進(jìn)行預(yù)測(cè)。故障診斷系統(tǒng)將LVDT傳感器測(cè)量到的位移信號(hào)L0換算為燃油量Wf0。將Wf1與Wf0的偏差記為e1，Wf2與Wf0的偏差記為e2。在正常工作情況下，偏差e1、e2＜故障閾值D，系統(tǒng)無(wú)故障。

圖1　執(zhí)行機(jī)構(gòu)故障診斷系統(tǒng)結(jié)構(gòu)

由于執(zhí)行機(jī)構(gòu)小閉環(huán)中存在積分環(huán)節(jié)，因此不能依據(jù)偏差e1判斷傳感器發(fā)生故障；但當(dāng)執(zhí)行機(jī)構(gòu)發(fā)生故障時(shí)，積分環(huán)節(jié)失去作用，則從Lr到L0的映射關(guān)系發(fā)生變化，從而可根據(jù)e1判斷執(zhí)行機(jī)構(gòu)是否發(fā)生故障。可以通過(guò)e2來(lái)判斷傳感器的故障。

在施加故障瞬間，執(zhí)行機(jī)構(gòu)模型及發(fā)動(dòng)機(jī)逆模型與測(cè)量值之間的偏差量會(huì)出現(xiàn)跳躍情況。為避免誤診，設(shè)定故障判定機(jī)制為連續(xù)5個(gè)步長(zhǎng)偏差量大于故障閾值時(shí)，發(fā)出故障告警。

2　執(zhí)行機(jī)構(gòu)模型

執(zhí)行機(jī)構(gòu)模型以執(zhí)行機(jī)構(gòu)油針位置指令為輸入，燃油流量為輸出，根據(jù)圖1建立其模型。

燃油執(zhí)行機(jī)構(gòu)油針位置小閉環(huán)（圖1中虛線框部分）由校正環(huán)節(jié)、DA（數(shù)模轉(zhuǎn)換）、電液伺服閥、計(jì)量活門、LVDT傳感器、AD（模數(shù)轉(zhuǎn)換）模塊組成。參考文獻(xiàn)［10］建立3階執(zhí)行機(jī)構(gòu)傳遞函數(shù)。

式中：τ，T1，T2，T3為模型的待定參數(shù)；Lr、L0分別為油針位置小閉環(huán)控制回路傳遞函數(shù)的輸入、輸出變量。

利用Matlab軟件強(qiáng)大的計(jì)算功能，針對(duì)半物理試驗(yàn)臺(tái)實(shí)測(cè)輸入、輸出響應(yīng)數(shù)據(jù)，通過(guò)擬合法對(duì)執(zhí)行機(jī)構(gòu)模型進(jìn)行辨識(shí)，按照時(shí)間常數(shù)Ts=0.02 s離散化后得到油針位置小閉環(huán)傳遞函數(shù)，模型表達(dá)式為

執(zhí)行機(jī)構(gòu)模型還包括從油針位置至燃油流量的換算關(guān)系，采取多項(xiàng)式擬合的方式來(lái)獲得對(duì)應(yīng)關(guān)系。經(jīng)過(guò)嘗試發(fā)現(xiàn)，當(dāng)采用2次多項(xiàng)式對(duì)該換算關(guān)系進(jìn)行擬合時(shí)，精度能夠滿足執(zhí)行機(jī)構(gòu)建模需求，擬合得到執(zhí)行機(jī)構(gòu)模型

式中：Wf0為燃油量；L0為L(zhǎng)VDT位置。

將式（2）中的傳遞函數(shù)與式（3）中的換算關(guān)系結(jié)合，即可得到以Lr為輸入、Wf1為輸出的執(zhí)行機(jī)構(gòu)模型。執(zhí)行機(jī)構(gòu)模型輸出與半物理試驗(yàn)臺(tái)實(shí)測(cè)數(shù)據(jù)之間的相對(duì)誤差的絕對(duì)值如圖2所示。模型平均誤差為0.19%，最大誤差小于0.86%，具有較高的精度。

圖2　執(zhí)行機(jī)構(gòu)模型相對(duì)誤差

3　發(fā)動(dòng)機(jī)逆模型

3.1在線自校正BP神經(jīng)網(wǎng)絡(luò)

采用在線訓(xùn)練方法建立發(fā)動(dòng)機(jī)逆模型能使模型根據(jù)發(fā)動(dòng)機(jī)工作狀態(tài)更新模型參數(shù)，在發(fā)動(dòng)機(jī)的飛行包線內(nèi)具有自適應(yīng)能力。本文提出基于在線自校正神經(jīng)網(wǎng)絡(luò)建立發(fā)動(dòng)機(jī)逆模型的方法，保證了模型的精度和實(shí)時(shí)性。

設(shè)BP網(wǎng)絡(luò)［13］輸入層節(jié)點(diǎn)為xi，隱含層節(jié)點(diǎn)為oj，輸出層節(jié)點(diǎn)為yk，其中i=｛1，2，…，L｝，j=｛1，2，…，M｝，k=｛1，2，…，N｝。

對(duì)于隱含層

對(duì)于輸出層

式中：f（·）為隱含層激發(fā)函數(shù)；g（·）為輸出層激發(fā)函數(shù)；w1ji為輸入層和隱含層之間的連接權(quán)值；b1j為隱含層偏置；w2kj為隱含層和輸出層節(jié)點(diǎn)之間的連接權(quán)值；b2k為輸出層偏置。

BP網(wǎng)絡(luò)隨機(jī)生成網(wǎng)絡(luò)初始參數(shù)，通過(guò)梯度下降法進(jìn)行搜索，找到1組最優(yōu)，使得誤差函數(shù)E最小。

定義BP網(wǎng)絡(luò)誤差函數(shù)為

式中：p為樣本編號(hào)；P為樣本容量；N為輸出層節(jié)點(diǎn)數(shù)；ykp和ykp分別為輸出層第k個(gè)節(jié)點(diǎn)對(duì)于p號(hào)樣本的輸出值及期望值；Ep為整個(gè)網(wǎng)絡(luò)對(duì)樣本p的誤差函數(shù)。

相比于離線的批量學(xué)習(xí)，在線學(xué)習(xí)訓(xùn)練針對(duì)單個(gè)訓(xùn)練樣本，因此在線學(xué)習(xí)的誤差函數(shù)為Ep［14］。在線BP算法同樣采用誤差反向傳播來(lái)更新各層間的連接權(quán)值，調(diào)整原則是使誤差不斷減小，因此權(quán)值的調(diào)整量和誤差下降的梯度成正比，權(quán)值增量計(jì)算方法為

其表達(dá)形式為

式中：η為學(xué)習(xí)速率；δ1j為輸入層到隱含層的局部梯度；δ2k為隱含層到輸出層的局部梯度。

在BP網(wǎng)絡(luò)中，網(wǎng)絡(luò)誤差較小處，權(quán)值調(diào)整幅度較小，需要進(jìn)行多次計(jì)算調(diào)整才能減小誤差，會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度緩慢；而在網(wǎng)絡(luò)誤差較大處，誤差梯度也較大、網(wǎng)絡(luò)參數(shù)調(diào)節(jié)幅度也隨之增大，調(diào)節(jié)過(guò)程中會(huì)出現(xiàn)過(guò)沖現(xiàn)象，使權(quán)值出現(xiàn)震蕩，難以收斂［15］。

為了加強(qiáng)在線學(xué)習(xí)BP網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)參數(shù)搜索能力以及訓(xùn)練速度，本文以額定發(fā)動(dòng)機(jī)數(shù)據(jù)對(duì)網(wǎng)絡(luò)初始權(quán)值進(jìn)行離線訓(xùn)練，確定網(wǎng)絡(luò)初始權(quán)值及隱含層節(jié)點(diǎn)數(shù)，使初始網(wǎng)絡(luò)參數(shù)在包線內(nèi)即具有較好的泛化能力。引入支持向量機(jī)的閾值判別法［16］，當(dāng)訓(xùn)練閾值＜網(wǎng)絡(luò)輸出和傳感器輸出之間偏差＜故障閾值時(shí)，通過(guò)梯度下降，更新網(wǎng)絡(luò)參數(shù)，訓(xùn)練過(guò)程中采取學(xué)習(xí)速率自校正策略。根據(jù)當(dāng)前BP網(wǎng)絡(luò)輸出值與期望值相對(duì)誤差，對(duì)學(xué)習(xí)速率進(jìn)行調(diào)節(jié)。當(dāng)誤差較小時(shí)，為了加快網(wǎng)絡(luò)訓(xùn)練速度適當(dāng)增大學(xué)習(xí)速率；當(dāng)誤差較大時(shí)，減小學(xué)習(xí)速率，加強(qiáng)對(duì)最優(yōu)網(wǎng)絡(luò)參數(shù)的搜索，避免網(wǎng)絡(luò)參數(shù)震蕩以及過(guò)沖現(xiàn)象。

在線自校正BP網(wǎng)絡(luò)的具體實(shí)現(xiàn)步驟如下：

Step1：網(wǎng)絡(luò)初始化。通過(guò)離線訓(xùn)練獲得初始化BP網(wǎng)絡(luò)參數(shù)以及學(xué)習(xí)效率η0，設(shè)置網(wǎng)絡(luò)權(quán)值參數(shù)更新閾值E1，故障閾值E2，學(xué)習(xí)效率調(diào)整閾值；

Step 2：輸出誤差計(jì)算?；诋?dāng)前網(wǎng)絡(luò)計(jì)算當(dāng)前樣本數(shù)據(jù)對(duì)應(yīng)輸出yk以及與傳感器輸出之間的誤差函數(shù)Ep，計(jì)算出輸出誤差；

Step 3：閾值判別。若Ep＜E1，則認(rèn)為當(dāng)前網(wǎng)絡(luò)參數(shù)具有足夠的精度，轉(zhuǎn)至Step 6；若Ep＞E2，則認(rèn)為傳感器發(fā)生故障，轉(zhuǎn)至Step 6；若E1≤Ep≤E2，則需要更新網(wǎng)絡(luò)參數(shù)，執(zhí)行Step 4；

Step 5：網(wǎng)絡(luò)參數(shù)更新。根據(jù)式（8）計(jì)算δ1j，δ2k，根據(jù)式（7）計(jì)算△w，并按照如下方式更新權(quán)值

式中：wn為當(dāng)前網(wǎng)絡(luò)參數(shù)，△w為網(wǎng)絡(luò)參數(shù)調(diào)整量，wn+1為更新后的網(wǎng)絡(luò)參數(shù)。

返回執(zhí)行Step 2；

Step 6：返回當(dāng)前網(wǎng)絡(luò)參數(shù)及預(yù)測(cè)輸出值。

為了驗(yàn)證本文提出的在線自校正神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)優(yōu)勢(shì)，在4組Benchmark數(shù)據(jù)集上對(duì)算法學(xué)習(xí)效果進(jìn)行對(duì)比，設(shè)定2種算法單個(gè)樣本學(xué)習(xí)完成判定條件為預(yù)測(cè)值相對(duì)誤差小于1‰，結(jié)果見(jiàn)表1。設(shè)定2種算法隱含層節(jié)點(diǎn)均為10，在線神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)速率η始終為0.5，在線自校正神經(jīng)網(wǎng)絡(luò)中η在［0.1，0.8］范圍內(nèi)進(jìn)行自校正。

表1　Benchmark數(shù)據(jù)集學(xué)習(xí)效果對(duì)比

從表1中可見(jiàn)，在達(dá)到相同預(yù)測(cè)精度情況下，相較于單純的在線神經(jīng)網(wǎng)絡(luò)，本文提出的在線自校正神經(jīng)網(wǎng)絡(luò)算法需要的反向修正計(jì)算次數(shù)更少，即具有更快的計(jì)算速度和更好的實(shí)時(shí)性。

3.2基于在線自校正BP網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)逆模型

在線自校正BP網(wǎng)絡(luò)以Wf0為輸出量，以渦軸發(fā)動(dòng)機(jī)傳感器測(cè)量參數(shù)為輸入量，包括燃?xì)鉁u輪轉(zhuǎn)速Ng、動(dòng)力渦輪扭矩Qpt、壓氣機(jī)出口總壓P3、動(dòng)力渦輪出口溫度T45、動(dòng)力渦輪出口壓力P45。為了使逆模型在發(fā)動(dòng)機(jī)動(dòng)態(tài)過(guò)程中也具有較好的估計(jì)效果，將前一時(shí)刻的5個(gè)傳感器數(shù)據(jù)也加入輸入數(shù)據(jù)，則在線自校正BP網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)L為10。

設(shè)置隱含層結(jié)點(diǎn)數(shù)M為10，隱含層激勵(lì)函數(shù)選為tansig，輸出層激勵(lì)函數(shù)選為logsig，初始學(xué)習(xí)速率η0為0.3，網(wǎng)絡(luò)權(quán)值參數(shù)更新閾值E1為0.2%，故障閾值E2為1%，學(xué)習(xí)效率調(diào)整閾值E為0.15%，為了保障在線自校正BP網(wǎng)絡(luò)算法的穩(wěn)定性，限定η的范圍為［0.1，0.8］。

在高度H=0 m、前飛速度Vx=0 m/s工作點(diǎn)、t=10 s時(shí)，將爬升指令Vzr從0 m/s增加至6 m/s；在t=25 s時(shí)，將前飛指令指令Vxr從0 m/s增加至10 m/s；在t=40 s時(shí)，將Vzr從6 m/s減小至0 m/s，對(duì)在線自校正BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)逆模型進(jìn)行測(cè)試，仿真結(jié)果如圖3所示。

圖3　逆模型跟蹤效果及相對(duì)誤差

從圖中可見(jiàn)，基于在線自校正BP網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)逆模型在直升機(jī)動(dòng)態(tài)飛行過(guò)程中，模型預(yù)測(cè)燃油量Wf2很好的吻合了實(shí)際燃油量Wf0，其最大相對(duì)誤差小于0.2%，驗(yàn)證了本文提出的基于在線自校正BP網(wǎng)絡(luò)逆模型的有效性。

將文獻(xiàn)［12］中采用的改進(jìn)最小二乘支持向量機(jī)逆模型建模方法與本文基于在線自校正BP網(wǎng)絡(luò)逆模型計(jì)算時(shí)間進(jìn)行比較，設(shè)置支持向量機(jī)核函數(shù)為Gaussian核函數(shù)，核參數(shù)為v=1，正則化因子C=215，滑動(dòng)窗口長(zhǎng)度L=140，更新支持向量的閾值E1為0.2%。在線支持向量機(jī)方法在逆模型初始階段，計(jì)算時(shí)間小于1 ms，隨著時(shí)間增加，支持向量數(shù)量增長(zhǎng)超過(guò)滑窗上限140之后，計(jì)算時(shí)間會(huì)超過(guò)1 ms；而本文采用的基于在線自校正BP網(wǎng)絡(luò)逆模型建模方法在整個(gè)仿真過(guò)程中計(jì)算時(shí)間均小于1 ms，表明本方法相比在線支持向量機(jī)，在故障診斷實(shí)時(shí)性方面具有優(yōu)勢(shì)。

4　半物理試驗(yàn)仿真

4.1半物理試驗(yàn)平臺(tái)

本文中執(zhí)行機(jī)構(gòu)及其傳感器故障診斷半物理仿真平臺(tái)包含燃油調(diào)節(jié)裝置、油泵、伺服電機(jī)、LVDT傳感器、轉(zhuǎn)速傳感器、CompactRIO機(jī)箱以及PXI計(jì)算機(jī)等，其結(jié)構(gòu)如圖4所示。

圖4　半物理仿真試驗(yàn)平臺(tái)

仿真試驗(yàn)基于LabVIEW軟件，CompactRIO 9074嵌入式硬件平臺(tái)運(yùn)行程序包括油針位置小閉環(huán)控制回路、轉(zhuǎn)速閉環(huán)控制回路以及包含執(zhí)行機(jī)構(gòu)模型、發(fā)動(dòng)機(jī)逆模型的故障診斷系統(tǒng)，PXI計(jì)算機(jī)既是發(fā)動(dòng)機(jī)控制器的狀態(tài)監(jiān)視設(shè)備，也是渦軸發(fā)動(dòng)機(jī)部件級(jí)模型的運(yùn)行設(shè)備。

伺服電機(jī)通過(guò)按比例縮放后的實(shí)際物理轉(zhuǎn)速模擬PXI計(jì)算機(jī)中渦軸發(fā)動(dòng)機(jī)模型動(dòng)力渦輪轉(zhuǎn)速Np，并帶動(dòng)燃油調(diào)節(jié)裝置運(yùn)行。

CompactRIO機(jī)箱內(nèi)，執(zhí)行機(jī)構(gòu)傳遞函數(shù)模型根據(jù)油針位置指令Lr計(jì)算獲得模型燃油量Wf1；發(fā)動(dòng)機(jī)逆模型采集經(jīng)過(guò)接口模擬器模擬的PXI計(jì)算機(jī)中模型傳感器參數(shù)，經(jīng)過(guò)在線BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得預(yù)測(cè)燃油量Wf2，按照?qǐng)D1中的診斷邏輯實(shí)現(xiàn)執(zhí)行機(jī)構(gòu)及其傳感器故障診斷。

4.2仿真結(jié)果

設(shè)置仿真試驗(yàn)整個(gè)回路周期為20 ms，由于半物理試驗(yàn)臺(tái)噪聲幅值約為0.2%，除極個(gè)別點(diǎn)外，執(zhí)行機(jī)構(gòu)模型及逆模型誤差均小于0.8%，二者疊加精度約為1%，因此本文將故障判定閾值D為1%，可以診斷幅值超過(guò)2%的故障［10］，而幅值在1%到1.5%之間的偏差，不告警［11-12］，在1.5%到2%之間的偏差進(jìn)行故障風(fēng)險(xiǎn)提示。

在H=0 km、Vx=0 m/s、Vzr=0 m/s工作點(diǎn)，模擬執(zhí)行機(jī)構(gòu)故障情況。模擬額定發(fā)動(dòng)機(jī)工作狀態(tài)，如圖5所示，執(zhí)行機(jī)構(gòu)偏置2%故障診斷結(jié)果；模擬壓氣機(jī)效率退化2%的非額定工作狀態(tài)，如圖6所示。施加執(zhí)行機(jī)構(gòu)每20 ms漂移0.0044%故障（漂移時(shí)間10 s）診斷結(jié)果。所有仿真均在t=10 s時(shí)施加故障，t=30 s時(shí)消除故障。

圖5　H=0 km、Vx=0 m/s、Vzr=0 m/s工作點(diǎn)額定狀態(tài)執(zhí)行機(jī)構(gòu)偏置故障診斷

圖6　H=0 km、Vx=0 m/s、Vzr=0 m/s工作點(diǎn)壓氣機(jī)效率退化狀態(tài)執(zhí)行機(jī)構(gòu)漂移故障診斷

從圖5中可見(jiàn)，執(zhí)行機(jī)構(gòu)無(wú)故障時(shí)，執(zhí)行機(jī)構(gòu)模型和發(fā)動(dòng)機(jī)逆模型與傳感器測(cè)量值之間的偏差始終小于故障閾值。執(zhí)行機(jī)構(gòu)故障施加和消失的瞬間，執(zhí)行機(jī)構(gòu)輸出Wf0發(fā)生突變，而執(zhí)行機(jī)構(gòu)逆模型需要再經(jīng)過(guò)1個(gè)仿真步長(zhǎng)才能反映這個(gè)突變，致使偏差e2有瞬間超過(guò)故障閾值，但其連續(xù)過(guò)程不超過(guò)5個(gè)步長(zhǎng)，因此不做故障告警。執(zhí)行機(jī)構(gòu)一旦發(fā)生故障，執(zhí)行機(jī)構(gòu)模型輸出Wf1和測(cè)量值Wf0之間的偏差e1即超過(guò)故障閾值，并停留在故障閾值之外，直至故障消失。因而可以準(zhǔn)確診斷出執(zhí)行機(jī)構(gòu)故障。由于逆模型采用在線訓(xùn)練方法，即使壓氣機(jī)效率退化時(shí)（圖6），也能準(zhǔn)確對(duì)故障進(jìn)行診斷，驗(yàn)證了在線訓(xùn)練診斷方法良好的自適應(yīng)能力。

在H=1 km、Vx=5 m/s、Vzr=4 m/s工作點(diǎn)，對(duì)執(zhí)行機(jī)構(gòu)傳感器故障進(jìn)行驗(yàn)證。模擬動(dòng)力渦輪流量退化2%，LVDT傳感器2%偏置故障診斷結(jié)果如圖7所示；模擬額定發(fā)動(dòng)機(jī)，LDVT傳感器每20 ms漂移0.0044%故障（漂移時(shí)間10 s）診斷結(jié)果如圖8所示。

圖7　H=1 km、Vx=5 m/s、Vzr=4 m/s工作點(diǎn)渦輪流量退化狀態(tài)LVDT傳感器偏置故障診斷

從圖7中可見(jiàn)，傳感器偏置故障施加和消失的瞬間，由于執(zhí)行機(jī)構(gòu)小閉環(huán)控制尚未響應(yīng)故障調(diào)整輸入指令，因而執(zhí)行機(jī)構(gòu)模型輸出和傳感器測(cè)量值的偏差也有瞬間超過(guò)故障閾值，但持續(xù)時(shí)間小于5個(gè)步長(zhǎng)，因此不告警。而逆模型輸出與傳感器測(cè)量值之間的偏差則實(shí)時(shí)、準(zhǔn)確的反映了傳感器故障狀態(tài)，可以對(duì)傳感器故障進(jìn)行準(zhǔn)確診斷。從圖8中可見(jiàn)，在漸變的漂移故障情況下，不會(huì)出現(xiàn)瞬間超過(guò)故障閾值的情況。無(wú)論發(fā)動(dòng)機(jī)退化與否，均能對(duì)執(zhí)行機(jī)構(gòu)傳感器故障進(jìn)行有效診斷。

在半物理仿真驗(yàn)證中，發(fā)動(dòng)機(jī)部件級(jí)模型調(diào)用、控制參數(shù)計(jì)算、故障診斷以及信號(hào)采集傳輸在內(nèi)的整個(gè)仿真回路運(yùn)行過(guò)程均在20 ms以內(nèi)完成，也驗(yàn)證了本文提出的故障診斷系統(tǒng)的實(shí)時(shí)性。

圖8　H=1km、Vx=5m/s、Vzr=4m/s工作點(diǎn)額定狀態(tài)LDVT傳感器漂移故障診斷

5　結(jié)論

本文研究了發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)及其傳感器故障診斷方法，得出以下結(jié)論：

（1）提出了1種基于自校正在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)逆模型建立方法，提高了模型的適應(yīng)性和實(shí)時(shí)性；

（2）基于執(zhí)行機(jī)構(gòu)模型以及發(fā)動(dòng)機(jī)逆模型，構(gòu)建故障診斷系統(tǒng)，并設(shè)計(jì)了診斷邏輯；

（3）開(kāi)展了半物理仿真試驗(yàn)驗(yàn)證。結(jié)果表明，當(dāng)故障引起幅值變化超過(guò)2%時(shí)，診斷系統(tǒng)能夠?qū)︻~定或退化發(fā)動(dòng)機(jī)的執(zhí)行機(jī)構(gòu)及其傳感器故障進(jìn)行有效診斷。

［1］宋輝，李曉明，宋文波.航空發(fā)動(dòng)機(jī)健康評(píng)估技術(shù)綜述［J］.航空發(fā)動(dòng)機(jī)，2011，37（2）：58-62. SONG Hui，LI Xiaoming，SONG Wenbo.Review on aeroengine health assessment technology［J］.Aeroengine，2011，37（2）：58-62.（in Chinese）

［2］LU F，HUANG J，XING Y.Fault diagnostics for turbo-shaft engine sensors based on a simplified on-board model［J］.Sensors，2012，12（8）：11061-11076.

［3］ZHAO Z，SUN Y，ZHANG J.PCA-based sensor fault diagnosis for aero-engine［C］//27th Chinese Control and Decision Conference（CCDC）. Qingdao：IEEE Press，2015：2679-2683.

［4］Lamoureux B，Masse J R，Mechbal N.An approach to the health monitoring of the fuel system of a turbofan［C］//2012 International Conference on Prognostics and Health Management.Denver：IEEE Press，2012：1-6.

［5］蔣平國(guó)，姚華，孫健國(guó).航空發(fā)動(dòng)機(jī)數(shù)控系統(tǒng)執(zhí)行機(jī)構(gòu)回路故障診斷和容錯(cuò)控制方法［J］.航空動(dòng)力學(xué)報(bào)，2005，20（2）：282-286. JIANG Pingguo，YAO Hua，SUN Jianguo.Method of fault diagnosis and fault tolerant control for actuator loop in aeroengine digital control system［J］.Journal of Aerospace Power，2005，20（2）：282-286.（in Chinese）

［6］何皚，覃道亮，孔祥興，等.基于UIO的航空發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)故障診斷［J］.推進(jìn)技術(shù)，2012，33（1）：98-104. HE Ai，TAN Daoliang，KONG Xiangxing，et al.UIO based diagnosis of aeroengine actuator faults［J］.Journal of Propulsion Technology，2012，33（1）：98-104.（in Chinese）

［7］韓冰潔，緱林峰.基于卡爾曼濾波器組的執(zhí)行機(jī)構(gòu)故障診斷方法［J］.計(jì)算機(jī)仿真，2013，30（2）：93-96. HAN Bingjie，GOU Linfeng.Actuator fault diagnosis based on Kalman filter bank［J］.Computer Simulation，2013，30（2）：93-96.（in Chinese）

［8］Kobayashi T，Simon D L.Application of a bank of Kal-man filters for aircraft engine fault diagnostics［C］//2003 International Joint Power Generation Conference.Atlanta：ASME Press，2003：461-470.

［9］Wang L，Zhang L，Shi X.Research on aircraft engine actuator and sensor faults diagnosis with Takagi-Sugeno fuzzy model and H^∞observer［J］.Journal of Computational Methods in Sciences and Engineering，2015，15（3）：423-436.

［10］姜潔，李秋紅，張高錢，等.航空發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)及其傳感器故障診斷［J］.航空動(dòng)力學(xué)報(bào)，2015，30（6）：1529-1536. JIANG Jie，LI Qiuhong，ZHANG Gaoqian，et al.Fault diagnosis of actuator and its sensor of aero-engine fuel system［J］.Journal of Aerospace Power，2015，30（6）：1529-1536.（in Chinese）

［11］ZHAO Y，SUN J.Fast online application for hard sup-port vector regression and its application to analytical redundancy for aeroengines［J］.Journal of Aeronautics，2010，23（2）：145-152.

［12］ZHAO Y，SUN J，WANG J.Online parsimonious least squares support vector regression and its application［J］.Transactions of Nanjing University of Aeronautics and Astronautics，2009，26（4）：280-287.

［13］LI J，Cheng J，Shi J，et al.Brief introduction of back propagation（BP）neural network algorithm and its improvement［M］.Berlin：Springer -Verlag，2012：553-558.

［14］張廆.基于在線學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究［D］.武漢：華中科技大學(xué)，2009. ZHANG Wei.Research on training algorithm of BP neural networks based on online learning［D］.Wuhan：Huazhong University of Science and Technology，2009.（in Chinese）

［15］蔡輝春.一種隨機(jī)學(xué)習(xí)速率的BP神經(jīng)網(wǎng)絡(luò)算法［J］.計(jì)算機(jī)與數(shù)字工程，2008，36（10）：25-27. CAI Huichun.A BP neural network algorithm for random learning rate［J］.Computer and Digital Engineering，2008，36（10）：25-27.（in Chinese）

［16］張高錢.航空發(fā)動(dòng)機(jī)傳感器故障診斷與容錯(cuò)控制［D］.南京：南京航空航天大學(xué)，2014. ZHANG Gaoqian.Research on aero-engine sensor fault diagnosis and fault tolerant control［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2014.（in Chinese）

（編輯：趙明菁）

Fault Diagnosis and Validation for Aeroengine Fuel System Actuator

PAN Yang1，LI Qiu-hong2，JIANG Jie2，LIU Li-ting2
（1.The 28th Research Institute of China Electronics Technology Group Corporation，Najing 210007，China；2.College of Energy and Power Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

A fault diagnosis method for engine fuel system actuator and its sensor based on actuator model and the inverse engine model was studied.The transfer function model of the actuator closed-loop system was built based on the experimental data of the semi physical simulation platform，and the position of metering pin was transformed to fuel flow through quadratic polynomials fitting.An online self-adjustment BP network algorithm was proposed to establish the inverse engine model.In order to enhance the generalization ability and convergence rate of the algorithm，the online training system was initialized by the parameters gotten from the off-line training，the parameter was renewed based on the threshold，and the self-adjustment of the algorithm learning-rate was adopted.Compared the difference from actuator model output，inverse engine model output and the fuel flow by the LVDT sensor transform from the displacement measured，the fault was diagnosed according to the threshold.Semi physical simulation experimented in T700 engine experimental platform.Results show the fault diagnosis and location of the actuator and its sensor in nominal engine and various degradation engine，which shows the validation of the proposed algorithm.

fuel system；actuator；sensor；fault diagnosis；self-adjustment BP network；mathematical model；aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2016.04.007

2015-08-30基金項(xiàng)目：航空科學(xué)基金（20110652003）、中央高?；究蒲袠I(yè)務(wù)專項(xiàng)基金（NN2012033）資助

潘陽(yáng)（1991），男，碩士，研究方向?yàn)楹娇瞻l(fā)動(dòng)機(jī)故障診斷；E-mail：499735168@qq.com。

引用格式：潘陽(yáng)，李秋紅，姜潔，等.航空發(fā)動(dòng)機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)故障診斷及驗(yàn)證［J］.航空發(fā)動(dòng)機(jī)，2016，42（4）：30-35.PANYang，LIQiuhong，JIANGJie，et al.Faultdiagnosisandvalidationforaeroenginefuelsystemactuator［J］.Aeroengine2016，42（4）：30-35.