渦扇發(fā)動(dòng)機(jī)氣路傳感器故障診斷

姚文榮，徐田鎮(zhèn)，張海波

（1.中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063；2.南京航空航天大學(xué)江蘇省航空動(dòng)力系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，南京210016）

渦扇發(fā)動(dòng)機(jī)氣路傳感器故障診斷

姚文榮1，徐田鎮(zhèn)2，張海波2

（1.中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063；2.南京航空航天大學(xué)江蘇省航空動(dòng)力系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，南京210016）

為了實(shí)現(xiàn)對(duì)某渦扇發(fā)動(dòng)機(jī)傳感器故障的在線診斷，提出并設(shè)計(jì)了1種基于在線貫序極端學(xué)習(xí)機(jī)的故障診斷算法。其核心思想是在定位某傳感器故障后，在線建立針對(duì)該故障傳感器“預(yù)學(xué)習(xí)”的信號(hào)重構(gòu)算法，解決多故障混疊問題。在線信號(hào)重構(gòu)算法以泛化能力指標(biāo)為判定條件，利用選擇策略對(duì)算法網(wǎng)絡(luò)權(quán)值進(jìn)行選擇性更新，提高了故障診斷系統(tǒng)的實(shí)時(shí)性。以某型渦扇發(fā)動(dòng)機(jī)為對(duì)象開展了傳感器故障診斷與重構(gòu)仿真，結(jié)果表明：該算法能夠?qū)Πl(fā)動(dòng)機(jī)單、雙傳感器故障進(jìn)行準(zhǔn)確地診斷與信號(hào)重構(gòu)，且具有良好的實(shí)時(shí)性。

在線貫序極端學(xué)習(xí)機(jī)；渦扇發(fā)動(dòng)機(jī)；傳感器；故障隔離；故障診斷；信號(hào)重構(gòu)

0 引言

眾所周知，傳感器的可靠性對(duì)航空發(fā)動(dòng)機(jī)控制系統(tǒng)具有至關(guān)重要的影響。發(fā)動(dòng)機(jī)數(shù)控系統(tǒng)中傳感器大都在高溫、高壓、強(qiáng)振動(dòng)的惡劣環(huán)境中工作，容易發(fā)生各種故障。為此，常采用傳感器余度技術(shù)，應(yīng)用最廣泛的余度技術(shù)主要有硬件余度和解析余度[1-2]。硬件余度技術(shù)采用多個(gè)傳感器測(cè)量同一發(fā)動(dòng)機(jī)參數(shù)的方法來保證測(cè)量值的可靠性，但該技術(shù)會(huì)增加系統(tǒng)的復(fù)雜性和質(zhì)量，對(duì)于某些發(fā)動(dòng)機(jī)參數(shù)，常常由于傳感器安裝困難而無法實(shí)現(xiàn)，因而限制了其應(yīng)用范圍。解析余度技術(shù)利用各測(cè)量參數(shù)的解析關(guān)系，通過軟件算法在線估計(jì)出某些發(fā)動(dòng)機(jī)參數(shù)的值，當(dāng)對(duì)應(yīng)的參數(shù)傳感器發(fā)生故障時(shí)，即可將估計(jì)值作為余度信息代替?zhèn)鞲衅鳒y(cè)量值[3]。顯然，隨著智能算法等現(xiàn)代軟件計(jì)算技術(shù)的快速發(fā)展，相比硬件余度技術(shù)，解析余度技術(shù)更適宜于工程化，具有更重要的研究價(jià)值。

早在20世紀(jì)70年代，Wallhagen等[4]首先提出利用傳感器解析余度技術(shù)來提高發(fā)動(dòng)機(jī)控制系統(tǒng)的可靠性；80年代開始，美國NASA Levis研究中心圍繞傳感器故障診斷、隔離與重構(gòu)開展了ADIA(Advanced Detection Isolation and Accommodation)的研究計(jì)劃，并且在F110發(fā)動(dòng)機(jī)上成功進(jìn)行了全包線驗(yàn)證[5]；90年代后期，Mattern、Hieu等[6-7]將在線的機(jī)器學(xué)習(xí)算法應(yīng)用到傳感器故障診斷中，取得了顯著成效。而國內(nèi)的研究，則大多處于理論仿真研究階段，黃向華等[8]提出基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)傳感器的故障診斷與重構(gòu)方案；劉小雄等[9]基于徑向神經(jīng)網(wǎng)絡(luò)提出1種智能解析余度的容錯(cuò)飛行控制方法；魯峰等[10]提出了1種改進(jìn)的粒子群算法訓(xùn)練的支持向量機(jī)，并利用融合機(jī)制將其應(yīng)用于傳感器的故障診斷中。上述方法可歸為離線設(shè)計(jì)的方法，即通過事先獲取的數(shù)據(jù)集進(jìn)行故障診斷系統(tǒng)設(shè)計(jì)，受數(shù)據(jù)獲取的難度和智能算法泛化能力的限制，目前的研究結(jié)果僅適用于發(fā)動(dòng)機(jī)某些特定的工作狀態(tài)。

近年來，傳感器在線故障診斷算法也開始興起。如趙永平等[11-12]提出了在線學(xué)習(xí)算法OPLS-SVR(Online Parsimonious least support vector regression)進(jìn)行了傳感器故障診斷；趙成偉等[17]基于1簇卡爾曼濾波器的算法也對(duì)傳感器故障進(jìn)行了快速實(shí)時(shí)仿真。但由于實(shí)時(shí)性的限制，上述在線方法僅對(duì)單個(gè)傳感器故障進(jìn)行了在線仿真研究。

為了適應(yīng)實(shí)際發(fā)動(dòng)機(jī)復(fù)雜的運(yùn)行工況，針對(duì)常見的多傳感器故障、不同故障類型交錯(cuò)發(fā)生的情況，本文提出并設(shè)計(jì)了1種基于在線貫序極端學(xué)習(xí)機(jī)(Online Sequential Extreme Learning Machine,OS-ELM)的傳感器在線診斷算法，并且設(shè)計(jì)了某渦扇發(fā)動(dòng)機(jī)傳感器的故障隔離系統(tǒng)。其核心是在診斷出某一傳感器故障之后，對(duì)該故障傳感器建立1種“預(yù)學(xué)習(xí)”的信號(hào)重構(gòu)，應(yīng)用此故障隔離算法，在多個(gè)傳感器連續(xù)發(fā)生故障時(shí)，也能夠?qū)崟r(shí)、準(zhǔn)確地定位故障傳感器，并能重構(gòu)各傳感器信號(hào)。

1 在線貫序極端學(xué)習(xí)機(jī)算法

極端學(xué)習(xí)機(jī)(ELM)算法是1種簡單易用、有效的單隱含層前饋神經(jīng)網(wǎng)絡(luò)（SLFNS）[14]。相對(duì)于傳統(tǒng)的網(wǎng)絡(luò)算法，ELM法極大地提高了訓(xùn)練速度，并能有效避免過擬合現(xiàn)象[16]。為了獲得在線學(xué)習(xí)的能力，文獻(xiàn)[15]提出了1種在線貫序極端學(xué)習(xí)機(jī)（OS-ELM）算法。

1.1 OS-ELM算法

式中：βi=[βi1,K,βim]T，為隱含層第 i點(diǎn)和輸出層節(jié)式點(diǎn)的連接權(quán)值；wi=[wi1,wi2,K,win]，為隱含層第i點(diǎn)與輸入層節(jié)點(diǎn)的連接權(quán)值；bi為隱含層第i點(diǎn)的偏置。

對(duì)式(1)中的N個(gè)方程可以寫為如下矩陣形式

式中：H為ELM網(wǎng)絡(luò)的輸出層矩陣，H的第i列是相對(duì)于輸入x1,K,xN的第i個(gè)隱含層節(jié)點(diǎn)的輸出向量。

根據(jù)文獻(xiàn)[14]，當(dāng)選定的激活函數(shù)g(x)無限可微，SLFN的參數(shù)不需要全部調(diào)整，w和b在初始化過程中可以任意給1個(gè)隨機(jī)值，并且在此后的運(yùn)算過程中保持?jǐn)?shù)值不變，只需求解神經(jīng)網(wǎng)絡(luò)隱含層與輸出層之間的連接權(quán)值β，因此大大提高了算法的運(yùn)算速度。

β由求逆定理[15]解

式中：H?為神經(jīng)網(wǎng)絡(luò)輸出層矩陣H的廣義逆。

對(duì)于OS-ELM算法，即是利用前一步計(jì)算的網(wǎng)絡(luò)權(quán)值，通過遞推的方式來更新當(dāng)前網(wǎng)絡(luò)權(quán)值[15]，βk表示第k組輸入數(shù)據(jù)所對(duì)應(yīng)的輸出權(quán)值矩陣，hk表示第k組輸入數(shù)據(jù)所對(duì)應(yīng)的輸出層矩陣，則k+1組數(shù)據(jù)所對(duì)應(yīng)的權(quán)值矩陣為

1.2 選擇策略

為了提高故障診斷系統(tǒng)的實(shí)時(shí)性，本文采用選擇策略[16]，其工作原理是根據(jù)下式的判斷條件對(duì)Mk進(jìn)行選擇更新

式中：e=|（dk+1-dk+1）/dk+1|，為算法的預(yù)測(cè)值與發(fā)動(dòng)機(jī)真實(shí)值之間的相對(duì)誤差；ε為更新判定閾值。

當(dāng)e＜ε時(shí)，說明當(dāng)前采樣步長內(nèi)數(shù)據(jù)的預(yù)測(cè)精度較高，算法原系統(tǒng)具有足夠的泛化能力來精確預(yù)測(cè)當(dāng)前輸出值，因此沒有必要對(duì)Mk進(jìn)行遞推更新，否則根據(jù)式(5)更新當(dāng)前的Mk+1，并且計(jì)算相應(yīng)的權(quán)值矩陣βk+1。

2 發(fā)動(dòng)機(jī)傳感器的故障類型及其模擬仿真

發(fā)動(dòng)機(jī)傳感器最常見的故障是偏置、漂移2種類型，為了進(jìn)行仿真研究，需要先對(duì)故障信號(hào)進(jìn)行模擬。傳感器發(fā)生偏置故障時(shí)，其時(shí)域特征為傳感器在某一時(shí)刻測(cè)量值突然發(fā)生較大的幅值偏差?？捎上率侥M偏置故障信號(hào)

式中：d（k）為k時(shí)刻傳感器的實(shí)際測(cè)量值；dr（k）為k時(shí)刻發(fā)動(dòng)機(jī)參數(shù)的真實(shí)值；t0為發(fā)生故障的時(shí)刻；n為偏置百分率。

傳感器在某一時(shí)刻發(fā)生漂移故障時(shí)，表現(xiàn)為傳感器的測(cè)量值隨著時(shí)間以某一速率緩慢偏離對(duì)應(yīng)發(fā)動(dòng)機(jī)參數(shù)的真實(shí)值，漂移故障信號(hào)的模擬方式為

式中：m為采樣步長時(shí)間內(nèi)故障漂移速率。

另外，為了使每個(gè)傳感器在診斷過程中有相同的權(quán)重，對(duì)不同參數(shù)的測(cè)量值根據(jù)式（9）進(jìn)行歸一化處理

式中：dn（k）為k時(shí)刻傳感器測(cè)量值信號(hào)處理后的值；dmax和dmin分別為傳感器信號(hào)的最大值和最小值。

3 基于OS-ELM的某渦扇發(fā)動(dòng)機(jī)的傳感器故障診斷系統(tǒng)設(shè)計(jì)

根據(jù)上述的OS-ELM法，針對(duì)某渦扇發(fā)動(dòng)機(jī)控制系統(tǒng)傳感器故障診斷問題進(jìn)行研究。

3.1 渦扇發(fā)動(dòng)機(jī)

本文研究對(duì)象為某小涵道比渦扇發(fā)動(dòng)機(jī)，發(fā)動(dòng)機(jī)控制輸入為主燃油流量Wf以及尾噴管面積A8，閉環(huán)運(yùn)行定義油門桿角度為PLA。

渦扇發(fā)動(dòng)機(jī)軸向結(jié)構(gòu)如圖1所示。1截面為發(fā)動(dòng)機(jī)進(jìn)口，2截面為風(fēng)扇進(jìn)口，22截面為風(fēng)扇出口，13截面為外涵道進(jìn)口，23截面為內(nèi)涵道進(jìn)口，25截面為壓氣機(jī)進(jìn)口，3截面為壓氣機(jī)出口，4截面為燃燒室出口，42截面為高壓渦輪出口，45截面為低壓渦輪進(jìn)口，46截面為低壓渦輪出口，16和6截面分別為外涵道和內(nèi)涵道出口，7截面為加力燃燒室進(jìn)口，75截面為加力燃燒室出口，8截面為尾噴管喉道，9截面為尾噴管出口。

為便于說明，分別對(duì)渦扇發(fā)動(dòng)機(jī)控制系統(tǒng)5個(gè)主要傳感器編號(hào)1～5，對(duì)應(yīng)的測(cè)量值分別為風(fēng)扇轉(zhuǎn)速N1，壓氣機(jī)轉(zhuǎn)速N2，壓氣機(jī)出口總溫T3，壓氣機(jī)出口總壓P3，低壓渦輪出口總溫T46。

3.2 故障診斷系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

為了充分利用傳感器的測(cè)量值，改善傳感器映射模塊的動(dòng)態(tài)預(yù)測(cè)精度，考慮到發(fā)動(dòng)機(jī)動(dòng)態(tài)可以簡化為1個(gè)2階數(shù)學(xué)系統(tǒng)，因此所設(shè)計(jì)的故障診斷系統(tǒng)中，傳感器信號(hào)均引入前2個(gè)時(shí)刻的測(cè)量值作為系統(tǒng)輸入，可描述為

對(duì)于1～5號(hào)傳感器分別設(shè)計(jì)基于OS-ELM法的診斷系統(tǒng)，其結(jié)構(gòu)如圖2所示。

當(dāng)ei＜DC時(shí)，傳感器正常工作，直接輸出傳感器所測(cè)量信號(hào)值dik；當(dāng) DC≤ei＜FC時(shí)，則傳感器診斷系統(tǒng)診斷為漂移故障；當(dāng)ei≥FC時(shí)，則診斷系統(tǒng)診斷為偏置故障；傳感器發(fā)生故障后，診斷系統(tǒng)將其映射模型的重構(gòu)值代替測(cè)量信號(hào)作為輸出。

而對(duì)于多傳感器故障，基于上述的診斷系統(tǒng)，定位某一傳感器發(fā)生故障后，若將此測(cè)量信號(hào)繼續(xù)作為映射模塊的輸入易引起誤診，從而導(dǎo)致整個(gè)診斷系統(tǒng)出現(xiàn)混亂甚至崩潰。

針對(duì)上述問題，對(duì)多傳感器故障信號(hào)設(shè)計(jì)了隔離系統(tǒng)，其診斷流程如圖3所示。其中，傳感器未發(fā)生故障時(shí)的映射系統(tǒng)記作診斷系統(tǒng)A。發(fā)生故障的傳感器信號(hào)從映射模型的輸入中剔除，用剩余健康傳感器信號(hào)作為輸入重新訓(xùn)練預(yù)測(cè)模型，記作診斷系統(tǒng)B。

當(dāng)傳感器再次發(fā)生故障時(shí)，將該傳感器繼續(xù)從映射模塊輸入中剔除，用剩余健康傳感器信號(hào)作為輸入重新訓(xùn)練預(yù)測(cè)模型，記作診斷系統(tǒng)C。對(duì)于所剔除故障傳感器信號(hào)的重構(gòu)，采用本文所提出的“預(yù)學(xué)習(xí)”診斷系統(tǒng)。

以下詳細(xì)說明基于OS-ELM法傳感器故障診斷系統(tǒng)的故障隔離的工作原理，不失一般性，僅以1、2號(hào)傳感器發(fā)生單、雙故障的情形為例。

3.3 單傳感器故障診斷系統(tǒng)的隔離邏輯

當(dāng)各傳感器正常工作時(shí)，其OS-ELM映射模型的輸入-輸出關(guān)系見表1，即故障診斷系統(tǒng)A。

表1 診斷系統(tǒng)A對(duì)應(yīng)的輸入-輸出關(guān)系

當(dāng)1號(hào)傳感器單獨(dú)發(fā)生故障時(shí)，將其測(cè)量值與其預(yù)測(cè)值進(jìn)行比較，根據(jù)圖2的診斷邏輯置故障標(biāo)志位。而后，在其它傳感器預(yù)測(cè)模型中將1號(hào)故障傳感器的測(cè)量值從模型的輸入中剔除，重新進(jìn)行在線訓(xùn)練。1號(hào)故障傳感器的估計(jì)沿用診斷系統(tǒng)A中相應(yīng)的輸入，此時(shí)每個(gè)傳感器的映射模型中都不含有故障傳感器1的信息，可以實(shí)現(xiàn)發(fā)動(dòng)機(jī)控制系統(tǒng)在傳感器發(fā)生故障后，仍然能夠正常工作。故障診斷系統(tǒng)B中，映射模型具體的輸入對(duì)應(yīng)關(guān)系見表2。

表2 診斷系統(tǒng)B對(duì)應(yīng)的輸入-輸出關(guān)系

3.4 多傳感器故障診斷系統(tǒng)的隔離邏輯

如前所述，在線傳感器故障診斷系統(tǒng)多針對(duì)單個(gè)傳感器故障進(jìn)行設(shè)計(jì)研究，而實(shí)際上，多個(gè)不同傳感器發(fā)生故障或是不同故障類型交錯(cuò)發(fā)生的情況也是常見的。

為了避免在多個(gè)傳感器發(fā)生故障時(shí)引起誤診，在診斷出單傳感器（假設(shè)為1號(hào)傳感器）故障后，對(duì)1號(hào)傳感器的信號(hào)重構(gòu)進(jìn)行“預(yù)學(xué)習(xí)”。由于當(dāng)前時(shí)刻下次發(fā)生故障的傳感器未知，因此需預(yù)先去除可能發(fā)生故障的每個(gè)傳感器測(cè)量值，分別建立映射模型，并行地預(yù)測(cè)第1次發(fā)生故障的1號(hào)傳感器。具體的預(yù)學(xué)習(xí)映射模型的輸入-輸出對(duì)應(yīng)關(guān)系見表3。

表3 預(yù)學(xué)習(xí)系統(tǒng)對(duì)應(yīng)的輸入-輸出關(guān)系

當(dāng)其它傳感器發(fā)生疊加故障，假設(shè)為2號(hào)傳感器發(fā)生故障。顯然，通過故障診斷系統(tǒng)B，可以定位2號(hào)傳感器故障，此時(shí)應(yīng)選擇“預(yù)學(xué)習(xí)”模型中不包含故障傳感器2的1組，對(duì)1號(hào)故障傳感器進(jìn)行預(yù)測(cè)。其它傳感器預(yù)測(cè)模型中將1、2號(hào)故障傳感器的測(cè)量值從模型的輸入中去除，重新進(jìn)行在線訓(xùn)練，實(shí)現(xiàn)對(duì)3～5號(hào)傳感器參數(shù)的預(yù)測(cè)。對(duì)2號(hào)故障傳感器的預(yù)測(cè)仍延用診斷系統(tǒng)B中相應(yīng)的輸入，最終診斷系統(tǒng)C中各傳感器映射模型的輸入-輸出對(duì)應(yīng)關(guān)系，見表4。

表4 診斷系統(tǒng)C對(duì)應(yīng)的輸入-輸出關(guān)系

通過以上設(shè)計(jì)的故障隔離系統(tǒng)，在多傳感器發(fā)生故障的情況下，均能夠?qū)⒂成淠Ｐ椭械墓收蟼鞲衅餍盘?hào)從輸入信息中剔除，保障了所設(shè)計(jì)的故障診斷系統(tǒng)的魯棒性、降低了誤診率。

類似地，其它傳感器故障均可以按照相同的故障隔離邏輯實(shí)現(xiàn)多個(gè)故障傳感器的診斷與信號(hào)的預(yù)測(cè)重構(gòu)。

4 數(shù)字仿真驗(yàn)證

以前述渦扇發(fā)動(dòng)機(jī)為研究對(duì)象，在地面標(biāo)準(zhǔn)狀態(tài)下，發(fā)動(dòng)機(jī)油門桿角度PLA，在第5 s時(shí)由30°變化到70°，在第20 s時(shí)由70°變化到30°，在第35 s時(shí)由30°變化到70°。針對(duì)傳感器發(fā)生偏置或漂移故障情況進(jìn)行仿真分析，其他包線點(diǎn)的結(jié)果類似，限于篇幅不再給出仿真圖。設(shè)置OS-ELM法隱含層激勵(lì)函數(shù)sigmoid，節(jié)點(diǎn)數(shù)設(shè)置為50，圖中的縱坐標(biāo)是經(jīng)式(9)處理后的結(jié)果。

4.1 單傳感器故障在線診斷

模擬發(fā)動(dòng)機(jī)在過渡態(tài)運(yùn)行過程中，對(duì)T3傳感器發(fā)生偏置或漂移故障的情況進(jìn)行仿真分析。

發(fā)動(dòng)機(jī)在第35～40 s過渡態(tài)運(yùn)行過程中，T3傳感器發(fā)生偏置故障時(shí)的仿真結(jié)果如圖4(a)所示，其中傳感器的偏置故障幅度為3.5%。圖4(a)的局部放大如圖4(b)所示。從圖中可見，當(dāng)T3傳感器發(fā)生偏置故障時(shí)，傳感器測(cè)量值偏離其真實(shí)值，此時(shí)診斷系統(tǒng)的輸出值并沒有跟隨故障傳感器的測(cè)量值，而是等于映射模塊的預(yù)測(cè)值，最大相對(duì)誤差為1.95%。

T3傳感器發(fā)生漂移故障時(shí)的仿真結(jié)果如圖5(a)所示。其中漂移速率為每個(gè)采樣周期20 ms內(nèi)負(fù)向漂移0.04%，持續(xù)時(shí)間為1 s。圖5(a)的局部放大如圖5(b)所示。當(dāng)?shù)?5.0～35.8 s傳感器發(fā)生漂移故障時(shí)，由于沒有超過判定閾值，并未被診斷出故障，診斷系統(tǒng)的輸出值跟隨了故障傳感器的測(cè)量值，當(dāng)漂移故障幅度超過判定閾值時(shí)，診斷系統(tǒng)的輸出值等于其預(yù)測(cè)值，最大相對(duì)誤差為3.72%。其他傳感器的診斷結(jié)果見表5。

表5 地面狀態(tài)下傳感器診斷的最大相對(duì)誤差

4.2 雙傳感器故障在線診斷

模擬T46傳感器與N2傳感器同時(shí)發(fā)生故障的情況，其中在發(fā)動(dòng)機(jī)過渡態(tài)運(yùn)行過程中發(fā)生T46傳感器漂移故障，在發(fā)動(dòng)機(jī)穩(wěn)態(tài)過程疊加N2傳感器偏置故障。其故障偏置幅度、漂移速率及持續(xù)時(shí)間與前同。

在t=37 s處發(fā)動(dòng)機(jī)處于過渡態(tài)時(shí)，T46傳感器發(fā)生漂移故障時(shí)的仿真結(jié)果如圖6(a)所示。其結(jié)果與圖5(b)基本一致,經(jīng)故障診斷系統(tǒng)后，其輸出值并沒有再跟隨T46傳感器的測(cè)量值，而是替代為映射模塊輸出的預(yù)測(cè)值。

為模擬疊加故障，在第42 s處開始模擬N2傳感器偏置故障，如圖6(b)所示。從圖中同樣可見，診斷系統(tǒng)的輸出值沒有再跟隨故障傳感器的測(cè)量值，而是很好地跟蹤了其真實(shí)值，最大相對(duì)誤差為2.81%。且從圖6(a)中還可見，在對(duì)N2傳感器偏置故障進(jìn)行重構(gòu)時(shí)，T46傳感器重構(gòu)沒有受到影響。

為了驗(yàn)證多故障隔離系統(tǒng)的有效性，在相同條件下，將診斷系統(tǒng)的故障隔離系統(tǒng)去除，在第42 s處發(fā)生混疊故障時(shí)，診斷系統(tǒng)輸出結(jié)果相較于真實(shí)值產(chǎn)生了大的偏離，如圖7(a)所示。從圖中可見，此時(shí)N1沒有發(fā)生故障，由于映射模塊的輸入中有故障信號(hào)，導(dǎo)致其重構(gòu)預(yù)測(cè)的信號(hào)值出現(xiàn)錯(cuò)誤，此時(shí)系統(tǒng)輸出值并不是健康傳感器的測(cè)量信號(hào)，而是錯(cuò)誤的預(yù)測(cè)值，導(dǎo)致診斷系統(tǒng)發(fā)生誤診。故障傳感器T46的診斷結(jié)果如圖7(b)所示。從圖中可見，診斷系統(tǒng)的輸出值并沒有跟隨發(fā)動(dòng)機(jī)的真實(shí)值，最大相對(duì)誤差超過20%。說明所設(shè)計(jì)診斷系統(tǒng)中基于”預(yù)學(xué)習(xí)”思想的故障隔離邏輯能有效解決多故障混疊發(fā)生的情況，避免了誤診，且保持了較高的預(yù)測(cè)精度。

從圖4～6中明顯可見，無論是單傳感器故障還是雙傳感器故障，該系統(tǒng)均能迅速定位故障傳感器，并且隔離故障傳感器測(cè)量信號(hào)，診斷系統(tǒng)的輸出值沒有跟隨發(fā)生故障的傳感器測(cè)量值，而是精確反映了渦扇發(fā)動(dòng)機(jī)對(duì)應(yīng)參數(shù)的真實(shí)值。

4.3 不同傳感器故障包線適應(yīng)性測(cè)試

類似地還給出在地面狀態(tài)下其它傳感器故障診斷的結(jié)果（表5）。為了驗(yàn)證發(fā)動(dòng)機(jī)診斷系統(tǒng)的包線適應(yīng)性，在H=7 km、Ma=0.6，針對(duì)P3傳感器漂移故障或偏置故障，N1和N2同時(shí)發(fā)生漂移故障和偏置故障進(jìn)行了仿真驗(yàn)證，系統(tǒng)診斷最大相對(duì)誤差見表6。從表5、6中可見傳感器診斷的輸出值與真實(shí)值的最大相對(duì)誤差控制在5%以內(nèi)。

表6 高空狀態(tài)下傳感器診斷的最大相對(duì)誤差

4.4 算法實(shí)時(shí)性測(cè)試

上述仿真試驗(yàn)均在VC++6.0環(huán)境下完成，計(jì)算電腦主頻為3.30 GHz，內(nèi)存為3.46 GB。采用選擇策略的映射模塊平均預(yù)測(cè)時(shí)間為0.8302 ms,由于通過選擇策略對(duì)輸出層權(quán)值進(jìn)行了選擇性的更新，使得OS-ELM算法在實(shí)時(shí)性上有了明顯改善，更適用于傳感器故障的在線診斷。

5 結(jié)論

（1）基于OS-ELM法建立的在線故障診斷系統(tǒng)具有良好的預(yù)測(cè)精度，對(duì)傳感器信號(hào)的重構(gòu)精度在98%以上。

（2）采用“預(yù)學(xué)習(xí)”思想所建立的故障隔離系統(tǒng)，對(duì)單傳感器以及多傳感器的故障均具有良好的診斷能力，診斷系統(tǒng)的輸出誤差在5%以內(nèi)。

（3）以泛化能力為指標(biāo)，采用選擇策略對(duì)OS-ELM法的輸出權(quán)值進(jìn)行選擇性更新，提高了其在線使用的實(shí)時(shí)性，其預(yù)測(cè)時(shí)間在1 ms以內(nèi)。

[1]Garg S.Controls and health management technologies for intelligent aerospace propulsion systems[R].AIAA-2004-0949.

[2]Delaat John C,Merrill Walter C.Advanced detection,isolation,and accommodation of sensor failures in turbofan engines[R].NASA-TP-2925,1990.

[3]張婭玲，陳偉民，章鵬，等.傳感器故障診斷技術(shù)概述[J].傳感器與微系統(tǒng),2009,28（1）：4-6.ZHANG Yaling,CHEN Weimin,ZHANG Peng，et al.Overview on sensor fault diagnosis technology[J].Transducer and Microsystem Technologies,2009,28（1）:4-6.(in Chinese)

[4]Wallhagen R E,Arpasi D J.Self-teaching digital-computer program for fail-operational control of a turbojet engine in a sea-level test stand[R].NASA-TM-X-3043,1974.

[5]Alag G,Gilyard G.A proposed kalman filter algorithm for estimation of unmeasured output variables for an F100 turbofan engine[R].AIAA-90-1920.

[6]Mattern D L,Jaw L C,Guo T H，et al.Using neural networks for sensor validation[R].AIAA-98-3547.

[7]Hieu Trung Huynh,Yonggwan Won.Regularized online sequential learning algorithm for single-hidden layer feedforward neural networks[J].Pattern Recognition Letters,2011，32：1930-1935.

[8]黃向華,孫建國.基于自聯(lián)想網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)傳感器解析余度技術(shù)[J].航空動(dòng)力學(xué)報(bào)，1999，14（4）：433-436.HUANG Xianghua,SUN Jianguo.Analytical redundancy based on auto-associative neural network for aeroengine sensors[J].Journal of Aerospace Power,1999,14（4）:433-436.(in Chinese)

[9]劉小雄，章衛(wèi)國，李廣文.基于智能解析余度的容錯(cuò)飛行控制系統(tǒng)設(shè)計(jì)[J].傳感技術(shù)學(xué)報(bào)，2007,20（8）：1912-1916.LIU Xiaoxiong,ZHANG Weiguo,LI Guangwen.Intelligence analytical redundancy-based fault-tolerance design for flight control system[J].Chinese Journal of Sensors and Actuators，2007,20（8）:1912-1916.(in Chinese)

[10]魯峰，黃金泉，陳煜，等.基于SPSO-SVR的融合航空發(fā)動(dòng)機(jī)傳感器診斷[J].航空動(dòng)力學(xué)報(bào)，2009，24（8）：1856-1865.LU Feng,HUANG Jinquan,CHEN Yu,et al.Research on sensor fault diagnosis of aeroengine based on data fusion of SPSO-SVR[J].Journal of Aerospace Power,2009,24（8）：1856-1865.(in Chinese)

[11]Zhao Yongping,SUN Jianguo.Fast online application for hard support vector regression and its application to analytical redundancy for aeroengines[J].Journal of Aeronautics,2010,23:145-152.

[12]Zhao Yongping,Sun Jianguo,Wang Jiankang.Online parsimonious least squares support vector regression and its application[J].Transactions of Nanjing University of Aeronautics&Astronautics,2009，26（4）：280-287.

[13]張賢達(dá).矩陣分析與應(yīng)用[M].北京：清華大學(xué)出版社，2004:68-69.ZHANG Xianda.Matrix analysis and applications[M].Beijing:Tsinghua University Press,2004:68-69.(in Chinese)

[14]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70（1）：489-501.

[15]Huang G B,Liang N Y,Rong H J,et al.Online sequential extreme learning machine [J].ComputationalIntelligence,2005,128（5）:232-237.

[16]李業(yè)波.智能航空發(fā)動(dòng)機(jī)性能退化緩解控制技術(shù)研究[D].南京：南京航空航天大學(xué)，2014.LI Yebo.Research on intelligent aeroengine performance deterioration mitigating control[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2014.(in Chinese)

[17]趙成偉，葉志峰，王繼強(qiáng)，等.渦扇發(fā)動(dòng)機(jī)傳感器故障診斷的快速原型實(shí)時(shí)仿真[J]航空動(dòng)力學(xué)報(bào),2014,29（2）：451-457.ZHAO Chengwei,YE Zhifeng,WANG Jiqiang，et al.Rapid prototype real-time simulation of turbofan engine sensor fault diagnosis[J].Journal of Aerospace Power,2014,29（2）：451-457.(in Chinese)

Fault Diagnosis of Gas Path Sonsor for Turbofan Engine

YAO Wen-rong1,XU Tian-zhen2,ZHANG Hai-bo2
（1 China Aerospace Power Control System Research Institute,Wuxi Jiangsu 214063,China;2.Jiangsu Province Key Laboratory of Aerospace Power Systems,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China）

In order to diagnose malfunctioning turbofan engines'sensor,a corresponding fault diagnosis system was designed with the Online Sequential Extreme Learning(OS-ELM)algorithm.The core idea is that after finding some malfunction sensor,a predictive learning mechanism is applied to construct fault detection and isolation for the sensor.The fault diagnosis for multiple-sensor failures can be effectively solved by this mechanism.Meanwhile,the output layer weight vector of the algorithm net is updated selectively based on generalization capability,the method could significantly improve the really-time of fault diagnosis system.Simulations on a turbofan engine show that the diagnosis method of sensor faults could detect and isolate faults of single-sensor and double-sensor failures,which also prove the validity and feasibility of the algorithm.

online sequential extreme learning;turbofan engine;sensor;fault isolation;fault diagnosis；signal reconstruction

V 235.13

A

10.13477/j.cnki.aeroengine.2017.05.010

2017-03-07

姚文榮(1981),男，博士，工程師，研究方向?yàn)楹娇瞻l(fā)動(dòng)機(jī)控制及故障診斷；E-mail:272231671@qq.com。

姚文榮，徐田鎮(zhèn)，張海波.渦扇發(fā)動(dòng)機(jī)氣路傳感器故障診斷[J].航空發(fā)動(dòng)機(jī)，2017，43（5）：54-61.YAO Wenrong,XU Tianzhen,ZHANG Haibo.Fault diagnosis of gas path sonsor for turbofan engine[J].Aeroengine，2017，43（5）：54-61.

（編輯：李華文）