融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法研究

張 瑞,廖增步,耿 佳,宋志平,王凈巍

(1.中國(guó)航發(fā)沈陽(yáng)發(fā)動(dòng)機(jī)研究所，沈陽(yáng) 110066;2.西安交通大學(xué) 機(jī)械工程學(xué)院，西安 710049)

0 引言

飛機(jī)因其在速度方面的明顯優(yōu)勢(shì)，被廣泛應(yīng)用于軍事、農(nóng)業(yè)、航空貨運(yùn)和航空客運(yùn)等多個(gè)領(lǐng)域[1-2]。而在過(guò)去具有統(tǒng)計(jì)數(shù)據(jù)的幾十年里，全世界已投入了數(shù)萬(wàn)億美元用于飛機(jī)的運(yùn)營(yíng)和維護(hù)。據(jù)美國(guó)奧緯咨詢(xún)公司(Oliver Wyman)最近發(fā)布的評(píng)估報(bào)告顯示，2019年全球現(xiàn)役的商用飛機(jī)數(shù)量為27,492架。在該保有數(shù)量條件下，商用航空運(yùn)輸?shù)木S護(hù)、修理和大修(MRO)市場(chǎng)在2019年度的價(jià)值約為819億美元，在整個(gè)10年的預(yù)測(cè)期內(nèi)平均年增長(zhǎng)3.5%，其中約40%用于發(fā)動(dòng)機(jī)MRO。依據(jù)該增長(zhǎng)率到2029年，這個(gè)數(shù)字將上升到至50%左右[3]。高昂的發(fā)動(dòng)機(jī)維護(hù)費(fèi)用不僅增大了運(yùn)營(yíng)商的經(jīng)濟(jì)負(fù)擔(dān)，而由于發(fā)動(dòng)機(jī)故障檢測(cè)和發(fā)動(dòng)機(jī)維修造成延誤所帶來(lái)的額外經(jīng)濟(jì)損失成為目前亟需重點(diǎn)解決的矛盾之一。造成該矛盾的罪魁禍?zhǔn)资琴M(fèi)力且昂貴的計(jì)劃性維護(hù)[4]。而據(jù)現(xiàn)場(chǎng)統(tǒng)計(jì)氣路部件故障在發(fā)生的全部發(fā)動(dòng)機(jī)故障中占比雖然不到10%，但消耗了維修時(shí)間的30%～50%。在傳統(tǒng)基于時(shí)間的計(jì)劃性維護(hù)中，大量的時(shí)間被浪費(fèi)在尋找很可能不存在的故障上。但如果通過(guò)氣路故障診斷方法，則能夠?qū)崟r(shí)感知發(fā)動(dòng)機(jī)故障，那么維護(hù)策略就可以根據(jù)發(fā)動(dòng)機(jī)自身情況制定，這種在時(shí)間上柔性的維修模式被稱(chēng)為視情維護(hù)(CBM)，避免了計(jì)劃性維護(hù)帶來(lái)的經(jīng)濟(jì)損失。而實(shí)現(xiàn)視情維護(hù)的一個(gè)關(guān)鍵技術(shù)便是可靠的氣路故障診斷方法。

為了實(shí)現(xiàn)可靠的氣路診斷，必須了解發(fā)動(dòng)機(jī)氣路部件的失效機(jī)理。一般而言，渦輪發(fā)動(dòng)機(jī)的整體性能取決于氣路部件的健康狀態(tài)，其中壓氣機(jī)和渦輪起著很大的作用。在發(fā)動(dòng)機(jī)服役期間,在氣路部件最有可能出現(xiàn)的問(wèn)題有兩方面，一方面是由于污染[5]，腐蝕[6]、吸入顆粒物、鳥(niǎo)類(lèi)撞擊引起葉片損傷，造成壓縮機(jī)效率下降；另一方面是由于葉片燒蝕或蠕變[7]導(dǎo)致的渦輪機(jī)工作能力下降，這些問(wèn)題最終表現(xiàn)為傳感器測(cè)量值的變化，即發(fā)動(dòng)機(jī)氣路部件出現(xiàn)故障時(shí)，則會(huì)導(dǎo)致發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)參數(shù)相對(duì)基線(xiàn)值而言發(fā)生變化?；谶@一思想，將一系列傳感器測(cè)量參數(shù)與發(fā)動(dòng)機(jī)風(fēng)扇、壓氣機(jī)、高低壓渦輪等氣路部件故障特征結(jié)合起來(lái)，以判斷發(fā)動(dòng)機(jī)的健康狀況，實(shí)現(xiàn)發(fā)動(dòng)機(jī)氣路故障診斷。然而，隨著基于傳感器測(cè)量參數(shù)的故障診斷方法的深入研究，受傳感器噪聲和偏差，性能衰退，制造引起的發(fā)動(dòng)機(jī)個(gè)體差異，建模誤差，以及數(shù)據(jù)集的分散性等不確定性帶來(lái)的影響，出現(xiàn)了發(fā)動(dòng)機(jī)氣路故障診斷結(jié)果存在可靠性不足，即虛警率過(guò)高，無(wú)法實(shí)現(xiàn)工程應(yīng)用的問(wèn)題。

為了解決上述傳感器噪聲和偏差、性能衰退、制造引起的發(fā)動(dòng)機(jī)個(gè)體差異等問(wèn)題導(dǎo)致氣路故障診斷方法可靠性不足的問(wèn)題，廣大學(xué)者致力于研究渦輪發(fā)動(dòng)機(jī)不確定性因素的表征方法。其中，對(duì)于傳感器噪聲和偏差，早在20世紀(jì)70年代，文獻(xiàn)[8]設(shè)計(jì)了一種發(fā)動(dòng)機(jī)測(cè)量噪聲表示的標(biāo)準(zhǔn)方法，其中假定傳感器噪聲服從高斯分布。在性能衰退方面，文獻(xiàn)[9]根據(jù)JT9D發(fā)動(dòng)機(jī)的歷史數(shù)據(jù)，發(fā)表了一份關(guān)于氣路部件性能衰退的原因和衰退趨勢(shì)的初步評(píng)估報(bào)告，研究了各個(gè)部件在發(fā)動(dòng)機(jī)整體性能衰退中所起的作用。之后，文獻(xiàn)[10]設(shè)計(jì)了可模擬性能衰退的分析方法，同時(shí)提出了葉片結(jié)垢和腐蝕的數(shù)學(xué)模型。而對(duì)于制造導(dǎo)致的個(gè)體差異，最近文獻(xiàn)[11]提出了一個(gè)氣路部件個(gè)體性能差異的劃分標(biāo)準(zhǔn)，其可以在少量非設(shè)計(jì)點(diǎn)計(jì)算內(nèi)推導(dǎo)出來(lái)。在初步探索上述問(wèn)題的基礎(chǔ)上，為了提高氣路故障診斷方法的可靠性。近年來(lái)，研究者們?cè)谶M(jìn)行氣路故障診斷方法設(shè)計(jì)和測(cè)試時(shí)，逐漸考慮了不確定性因素的影響，尋找消除不確定性因素影響的技術(shù)手段。其中，為了消除傳感器噪聲的影響，文獻(xiàn)[12]將特征提取和模式分類(lèi)的概念引入至航空發(fā)動(dòng)機(jī)的故障診斷方法研究中。文獻(xiàn)[13]通過(guò)魯棒卡爾曼濾波器設(shè)計(jì)了一種魯棒傳感器故障檢測(cè)和隔離(FDI)策略，以容忍制造引起的個(gè)體差異和測(cè)量噪聲。此外，文獻(xiàn)[14]提出了一種非線(xiàn)性卡爾曼濾波方法，在線(xiàn)性性能衰退的假設(shè)下進(jìn)行測(cè)試，在此過(guò)程中考慮了包括時(shí)間延遲和封隔器脫落的測(cè)量不確定性。然而，上述研究成果在進(jìn)行發(fā)動(dòng)機(jī)氣路故障診斷方法研究時(shí)，分別單獨(dú)考慮了部分不確定性因素在仿真場(chǎng)景下的設(shè)計(jì)和驗(yàn)證，但仍缺乏同時(shí)考慮多種不同不確定性因素影響的氣路故障診斷方法，使得同一方法在實(shí)際應(yīng)用中，由于模擬數(shù)據(jù)與實(shí)際數(shù)據(jù)的差異，導(dǎo)致可能會(huì)呈現(xiàn)出不同的性能分析結(jié)果，存在明顯虛警。究其原因是不確定性因素考慮不夠全面，進(jìn)而出現(xiàn)發(fā)動(dòng)機(jī)氣路故障診斷方法可靠性不足，存在虛警率過(guò)高的問(wèn)題。

本文研究針對(duì)多種不確定性因素導(dǎo)致氣路故障診斷方法可靠性不足的問(wèn)題，聚焦氣路診斷中的不確定性因素描述和表征問(wèn)題，開(kāi)展融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法研究，同時(shí)考慮包括傳感器噪聲和偏差、制造引起的個(gè)體差異、性能衰退、建模誤差以及數(shù)據(jù)集分散性等引起的不確定性因素，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNNs)的發(fā)動(dòng)機(jī)氣路故障診斷方法。并在此基礎(chǔ)上，結(jié)合數(shù)值分析試驗(yàn)，分析形成的氣路故障診斷方法的虛警率，進(jìn)而驗(yàn)證了所提方法的可靠性。據(jù)此，本文研究工作闡述主要包括如下2部分內(nèi)容，首先，描述融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法實(shí)現(xiàn)的基本架構(gòu)及其實(shí)現(xiàn)；隨后，結(jié)合數(shù)值模擬仿真方法對(duì)形成的發(fā)動(dòng)機(jī)氣路故障診斷方法開(kāi)展測(cè)試驗(yàn)證研究，量化分析所提方法在多種不確定性因素影響下的虛警率，具體如下文所述。

1 氣路故障診斷方法基本架構(gòu)及其實(shí)現(xiàn)

1.1 氣路故障診斷方法基本架構(gòu)

根據(jù)算法訓(xùn)練過(guò)程中使用信息的類(lèi)型，現(xiàn)有基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法主要分為兩大類(lèi)，分別為基于模型的方法和基于人工智能的方法[15]。其中，以UKF[16]為代表基于模型的方法依賴(lài)于發(fā)動(dòng)機(jī)的熱力學(xué)模型，而基于人工智能的方法如ANN[17]和SVM[18]，通過(guò)真實(shí)運(yùn)行數(shù)據(jù)或模擬數(shù)據(jù)來(lái)學(xué)習(xí)發(fā)動(dòng)機(jī)知識(shí)和故障特征，實(shí)現(xiàn)發(fā)動(dòng)機(jī)氣路故障診斷。分析上述兩類(lèi)方法可知，一方面，目前最高效、最流行的診斷方法是基于人工智能的算法[19]，而另一方面，根據(jù)文獻(xiàn)[20]中的對(duì)比分析，基于AI方法在非高斯噪聲、非零傳感器偏差和信息缺失的情況下，AI方法在故障診斷方法中具有較高的可靠性。因此，為了在進(jìn)行發(fā)動(dòng)機(jī)氣路故障診斷方法設(shè)計(jì)時(shí)，綜合考慮多種不確定性因素影響，提高氣路故障診斷可靠性，本文研究引入人工智能的方法作為衡量信息不確定性程度的基準(zhǔn)方法。據(jù)此結(jié)合發(fā)動(dòng)機(jī)動(dòng)態(tài)模型提出了融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法實(shí)現(xiàn)架構(gòu)，具體如圖 1所示。從圖中可以看出，本文所提的氣路故障診斷方法，主要以形成數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法為主要技術(shù)途徑，融合了發(fā)動(dòng)機(jī)機(jī)載模型的分析結(jié)果與測(cè)量值的殘差作為數(shù)據(jù)驅(qū)動(dòng)模型的輸入，進(jìn)而建立氣路故障診斷模型，實(shí)現(xiàn)風(fēng)扇、壓氣機(jī)、高壓渦輪和低壓渦輪的氣路故障診斷。此處，以圖 2所示的雙轉(zhuǎn)子加力渦扇發(fā)動(dòng)機(jī)為例，具體介紹如何利用圖 1所示的診斷方法架構(gòu)，建立氣路故障診斷解決方案，并對(duì)提出的不確定性因素表征方案進(jìn)行測(cè)試。對(duì)于給定的發(fā)動(dòng)機(jī)，在氣路故障診斷方法中一般考慮4個(gè)氣路部件，包括風(fēng)扇，壓氣機(jī)，高壓渦輪和低壓渦輪。將發(fā)動(dòng)機(jī)個(gè)體傳感器數(shù)據(jù)與模型輸出的殘差、環(huán)境參數(shù)以及控制器輸出的控制量用于故障診斷算法訓(xùn)練過(guò)程，在訓(xùn)練結(jié)束時(shí)，將得到一個(gè)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過(guò)簡(jiǎn)單的微調(diào)后，可以應(yīng)用于其他發(fā)動(dòng)機(jī)個(gè)體。借助發(fā)動(dòng)機(jī)模型對(duì)氣路故障診斷問(wèn)題進(jìn)行降維，可以有效降低燃?xì)廨啓C(jī)氣路故障診斷的難度。下文將詳細(xì)闡述融合CNN網(wǎng)絡(luò)實(shí)現(xiàn)氣路故障診斷算法建立的核心架構(gòu)。

圖1 融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法實(shí)現(xiàn)架構(gòu)

圖2 雙轉(zhuǎn)子加力渦扇發(fā)動(dòng)機(jī)示意圖

1.2 氣路故障診斷算法實(shí)現(xiàn)的CNN架構(gòu)

基于發(fā)動(dòng)機(jī)模型和CNN建立氣路故障診斷方法實(shí)現(xiàn)的總體架構(gòu)如圖 3所示。如該圖所示，在基于CNN網(wǎng)絡(luò)建立發(fā)動(dòng)機(jī)氣路故障診斷方法時(shí)，引入了發(fā)動(dòng)機(jī)個(gè)體差異、傳感器誤差與噪聲和性能衰退等不確定因素，模擬場(chǎng)景設(shè)置遵循真實(shí)情況。此外，本文研究為了基于真實(shí)發(fā)動(dòng)機(jī)運(yùn)行特征建立高可靠性氣路故障診斷模型，提高氣路故障診斷方法的可靠性，通過(guò)一個(gè)或幾個(gè)發(fā)動(dòng)機(jī)個(gè)體收集真實(shí)數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)氣路故障診斷模型建立。而在仿真過(guò)程中，所有算法訓(xùn)練和測(cè)試數(shù)據(jù)均由發(fā)動(dòng)機(jī)模型代替實(shí)際發(fā)動(dòng)機(jī)個(gè)體，結(jié)合數(shù)值分析方法獲得，在此期間考慮了個(gè)體差異、性能衰退和部件故障模式等不確定性因素。在這個(gè)過(guò)程中，代表發(fā)動(dòng)機(jī)機(jī)載模型的發(fā)動(dòng)機(jī)模型不會(huì)有改動(dòng)。為了闡述建模過(guò)程中考慮的不確定性因素，隨后將依次描述仿真場(chǎng)景細(xì)節(jié)。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)氣路故障診斷架構(gòu)方法實(shí)現(xiàn)架構(gòu)

為了使仿真場(chǎng)景更加真實(shí)，在如圖4(b)所示的訓(xùn)練用飛行軌跡下，從-15 ℃～30 ℃之間等間隔選取了4個(gè)海平面溫度，獲得了4組仿真飛行數(shù)據(jù)；在如圖4(a)測(cè)試用飛行軌跡下，從-15 ℃～30 ℃之間隨機(jī)選取了2個(gè)海平面溫度，獲取了2組仿真飛行數(shù)據(jù)。這些設(shè)定用于表征由于數(shù)據(jù)集離散性所帶來(lái)的不確定性因素，其中高度和溫度導(dǎo)致的發(fā)動(dòng)機(jī)全包線(xiàn)非相似性起著很大的作用。如圖 4(c)和(d)所示的飛行軌跡，則用于生成某個(gè)剛出廠或已衰退的發(fā)動(dòng)機(jī)個(gè)體的飛行數(shù)據(jù)，用于微調(diào)訓(xùn)練后的模型，具體數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型訓(xùn)練如下文所述。

圖4 用于訓(xùn)練和測(cè)試環(huán)節(jié)的發(fā)動(dòng)機(jī)飛行軌跡

隨機(jī)選取兩臺(tái)發(fā)動(dòng)機(jī)個(gè)體進(jìn)行發(fā)動(dòng)機(jī)氣路故障模型方法的訓(xùn)練和測(cè)試 (發(fā)動(dòng)機(jī)A用于算法訓(xùn)練，發(fā)動(dòng)機(jī)B用于算法測(cè)試)，兩臺(tái)發(fā)動(dòng)機(jī)的個(gè)體差異參數(shù)值如圖 5所示，其中DEF為風(fēng)扇效率偏差、DCF為風(fēng)扇流量特性偏差、DEC為壓氣機(jī)效率偏差、DCC為壓氣機(jī)流量特性偏差，DPL為燃燒室總壓損失偏差，DEH為高壓渦輪效率偏差，DFH為高壓渦輪最小流道面積偏差，DEL為低壓渦輪效率偏差，DFL為低壓渦輪最小流道面積偏差，DOL為低壓渦輪出口面積偏差，DOE為外涵道出口面積偏差，DTN為尾噴管最大喉道面積偏差。在獲取數(shù)據(jù)并進(jìn)行模型訓(xùn)練過(guò)程中，剛出廠發(fā)動(dòng)機(jī)的性能衰退參數(shù)均設(shè)置為100%，而衰退后的發(fā)動(dòng)機(jī)的性能衰退表征參數(shù)數(shù)值與表 1相同。此外，通過(guò)拉偏相應(yīng)部件的效率和流量特性參數(shù)來(lái)模擬部件故障，其原理及設(shè)定值源于文獻(xiàn)[18]所示。整個(gè)仿真測(cè)試環(huán)節(jié)中考慮了4個(gè)主要?dú)饴凡考?/p>

表1 性能衰退表征參數(shù)

圖5 用于訓(xùn)練和測(cè)試環(huán)節(jié)的發(fā)動(dòng)機(jī)個(gè)體的個(gè)體差異參數(shù)值

值得注意的是，由于氣路部件不是外場(chǎng)可更換單元，在大多數(shù)情況下，氣路部件在現(xiàn)場(chǎng)具有“不可維修”特征。因此，對(duì)同時(shí)發(fā)生的多個(gè)氣路部件故障進(jìn)行精確的隔離和識(shí)別，對(duì)于現(xiàn)階段氣路現(xiàn)場(chǎng)故障診斷意義不大。因?yàn)橐坏饴凡考收辖?jīng)維修人員確認(rèn)后，按照適航規(guī)定和維修指南[21]，無(wú)論是否有其他氣路故障，發(fā)動(dòng)機(jī)都必須返廠維修。因此，更詳盡的故障模式分解以及同時(shí)發(fā)生多個(gè)氣路故障，在本文的仿真場(chǎng)景中暫不考慮，這是符合工程應(yīng)用需求的。

在上述設(shè)定條件下，將傳感器的不確定性因素引入到控制器的輸入?yún)?shù)和發(fā)動(dòng)機(jī)個(gè)體的輸出參數(shù)中，獲取飛行仿真數(shù)據(jù)，同步計(jì)算發(fā)動(dòng)機(jī)個(gè)體輸出參數(shù)值與機(jī)載模型輸出之間的偏差。之后，選取12個(gè)傳感器測(cè)量參數(shù)作為故障特征參數(shù)，用于預(yù)處理，具體圖 6所示。變量之前的符號(hào)Δ表示該變量是實(shí)際傳感器輸出和機(jī)載模型輸出的殘差。

為了提升建立的氣路故障診斷模型的魯棒性，對(duì)數(shù)據(jù)集中的每個(gè)故障特征參數(shù)都經(jīng)過(guò)了標(biāo)準(zhǔn)化處理，由于殘差數(shù)據(jù)沒(méi)有明確的邊界，因此通過(guò)對(duì)每個(gè)故障特征參數(shù)值除以一個(gè)常量值，使得故障特征參數(shù)值被大致限制于[-1.0,1.0]。按照?qǐng)D 6所示的方式將10個(gè)采樣步長(zhǎng)標(biāo)準(zhǔn)化后的故障特征參數(shù)值置于一個(gè)數(shù)據(jù)單元中，作為“偽圖像”導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練和測(cè)試。至此，已經(jīng)完成了數(shù)據(jù)樣本的生成環(huán)節(jié)，最終對(duì)于每個(gè)類(lèi)別(無(wú)故障、風(fēng)扇故障、壓氣機(jī)故障、高壓渦輪故障、低壓渦輪故障)，生成了46 916個(gè)訓(xùn)練數(shù)據(jù)單元和22 006個(gè)測(cè)試數(shù)據(jù)單元。

表2 氣路部件故障表征參數(shù)值 %

圖6 用于卷積神經(jīng)網(wǎng)絡(luò)輸入的數(shù)據(jù)單元

隨后，為了基于上述數(shù)據(jù)集建立融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法，本文設(shè)計(jì)了一種用于發(fā)動(dòng)機(jī)氣路故障檢測(cè)與隔離的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，其結(jié)構(gòu)如圖 7所示。具體地，采用3×3的小型濾波器進(jìn)行卷積，每層16個(gè)通道。在所有的卷積完成后，插入一個(gè)池化層以減少中間數(shù)據(jù)的空間大小。此外，為了避免過(guò)擬合，在Affine層之后使用了一個(gè)Dropout層。在優(yōu)化更新方面，使用Adam優(yōu)化器[22]來(lái)更新權(quán)值。同時(shí)，采用ReLU函數(shù)作為激活函數(shù)，采用對(duì)應(yīng)的He匹配初始化方法[23]，以避免梯度消失，獲得更好的激活值。結(jié)合上述發(fā)動(dòng)機(jī)氣路故障診斷數(shù)據(jù)驅(qū)動(dòng)模型建立架構(gòu)和發(fā)動(dòng)機(jī)模型與傳感器測(cè)量殘差數(shù)據(jù)，最終形成了融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法。隨后將結(jié)合數(shù)值模擬分析方法，對(duì)形成的氣路故障診斷方法進(jìn)行分析驗(yàn)證，結(jié)合虛警率的量化評(píng)估結(jié)果，分析所提故障診斷方法的可靠性，為實(shí)現(xiàn)工程應(yīng)用提供初步分析結(jié)果。

圖7 用于發(fā)動(dòng)機(jī)氣路故障診斷的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

2 氣路故障診斷方法測(cè)試驗(yàn)證

氣路故障診斷的結(jié)果對(duì)外場(chǎng)維修具有指導(dǎo)意義。理想情況下，只在發(fā)生警報(bào)的情況下才進(jìn)行常規(guī)的外場(chǎng)氣路維護(hù)，這樣可以節(jié)省大量的人力成本，實(shí)現(xiàn)視情維護(hù)。如上文所述，外場(chǎng)目前無(wú)法替換非“外場(chǎng)可更換單元”的氣路部件。若發(fā)現(xiàn)了明顯的氣路部件故障，發(fā)動(dòng)機(jī)將被返廠進(jìn)行大修。因此，重要的是虛警率(FAR)，其直接表征發(fā)動(dòng)機(jī)氣路故障診斷方法的可靠性。接下來(lái)，將通過(guò)逐漸增加不確定性因素的數(shù)量，依據(jù)量化的虛警率計(jì)算方法，分析融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法的性能及其變化情況。

首先，測(cè)試了傳感器噪聲和偏差對(duì)發(fā)動(dòng)機(jī)氣路故障診斷可靠性的影響。以混淆矩陣的形式給出了僅涉及發(fā)動(dòng)機(jī)A的測(cè)試結(jié)果?；煜仃囍械拿恳涣薪o出了某一氣路部件故障的隔離結(jié)果，對(duì)角線(xiàn)上是分類(lèi)正確的樣本占比。通過(guò)圖 4所示的不同飛行軌跡，生成相應(yīng)的運(yùn)行數(shù)據(jù)對(duì)CNN模型進(jìn)行訓(xùn)練和測(cè)試。如圖 8(a)所示，當(dāng)考慮了建模誤差和數(shù)據(jù)集的離散性時(shí)，故障隔離率接近100%，只有0.01%的風(fēng)扇故障被誤診為壓氣機(jī)故障，證明了該方法的有效性。而除了增量漂移以外的其它傳感器的噪聲和偏差引入后，故障隔離率開(kāi)始降低，出現(xiàn)了漏檢(如圖8(c)所示)，而傳感器不確定性被替換為相同程度的高斯噪聲后，故障隔離率幾乎回到無(wú)噪聲時(shí)的水平(如圖8(b)所示)。由此可見(jiàn)，更接近實(shí)際情況的傳感器不確定性的信息量大于常用的高斯噪聲。當(dāng)用含高斯噪聲的數(shù)據(jù)訓(xùn)練的模型用于測(cè)試含本文設(shè)計(jì)的傳感器不確定性的數(shù)據(jù)時(shí)，如圖 8(d)所示,“真正的”故障隔離率與圖 8中的“模擬”故障隔離率(b)相比大幅下降，這證明了基于高斯噪聲假設(shè)開(kāi)發(fā)的氣路故障診斷方法在實(shí)際應(yīng)用過(guò)程中很可能表現(xiàn)不佳。這也是本文所提出的傳感器不確定性的優(yōu)勢(shì)所在。另外，從圖8(c)可以看出，風(fēng)扇的故障特征最不明顯，同一轉(zhuǎn)子上各氣路部件的故障表現(xiàn)相似，這符合發(fā)動(dòng)機(jī)的機(jī)理。

圖8 發(fā)動(dòng)機(jī)A訓(xùn)練的模型，測(cè)試發(fā)動(dòng)機(jī)A測(cè)試數(shù)據(jù)

隨后，將含傳感器不確定性數(shù)據(jù)訓(xùn)練的模型直接用于測(cè)試發(fā)動(dòng)機(jī)B的飛行數(shù)據(jù)，測(cè)試結(jié)果如圖 9(a)所示。雖然CNN模型泛化能力較強(qiáng)，但也會(huì)出現(xiàn)虛警，虛警率粗略計(jì)算為0.33%。雖然數(shù)值很小，但由于氣路部件故障發(fā)生概率極低，這個(gè)程度的虛警率仍然是難以接受的。假設(shè)氣路故障發(fā)生率為1%(這遠(yuǎn)遠(yuǎn)高于實(shí)際情況)，在氣路故障診斷系統(tǒng)報(bào)警的時(shí)候，虛警率將高達(dá)25%。在某種程度上這將成為維護(hù)的難題。

圖9 發(fā)動(dòng)機(jī)A訓(xùn)練的模型，測(cè)試發(fā)動(dòng)機(jī)B

為了解決這一問(wèn)題，使用發(fā)動(dòng)機(jī)B的無(wú)故障數(shù)據(jù)對(duì)訓(xùn)練后的模型進(jìn)行微調(diào)，即在如圖4(c)所示的微調(diào)用飛行軌跡1下，收集飛行數(shù)據(jù)對(duì)上一步已經(jīng)訓(xùn)練后的模型進(jìn)行微調(diào)，用于微調(diào)的數(shù)據(jù)包含海平面溫度在-15 ℃～30 ℃之間4個(gè)等間隔選取溫度下的數(shù)據(jù)。微調(diào)后，虛警率回到0。然而，風(fēng)扇故障漏檢率增加了，如圖 9(b)所示。這個(gè)現(xiàn)象是可以解釋的，即僅使用一個(gè)標(biāo)簽(無(wú)故障)的數(shù)據(jù)對(duì)CNN模型進(jìn)行微調(diào)，擴(kuò)大了這一類(lèi)別的邊界，而風(fēng)扇故障又最接近于無(wú)故障，因此部分靠近邊界的風(fēng)扇故障被誤診為無(wú)故障，即發(fā)生漏檢。此外，盡管故障漏檢率有所增長(zhǎng)，但由于氣路部件故障發(fā)生概率極低，這種程度的漏檢率仍在可接受的范圍內(nèi)。

如果發(fā)動(dòng)機(jī)B不是全新的，而是大修過(guò)的，由于傳感器在發(fā)動(dòng)機(jī)生命周期內(nèi)的不同時(shí)刻更換過(guò)，氣路上的傳感器可能會(huì)出現(xiàn)不同程度的增量漂移。如圖9(c)顯示了增量漂移對(duì)氣路故障檢測(cè)與隔離的影響。與(a)相比，各個(gè)原先隔離錯(cuò)誤的情況所占比例均有所增加(圖中表現(xiàn)為同位置格子的數(shù)值增加)，其中新增的隔離錯(cuò)誤情況只有一項(xiàng)，占?jí)簹鈾C(jī)故障的1.26%。同樣地，使用如圖4(c)所示的微調(diào)用飛行軌跡1，生成的包含所有傳感器不確定性因素的無(wú)故障數(shù)據(jù)，來(lái)微調(diào)如圖 9 (c)中采用的模型，調(diào)整后模型的測(cè)試結(jié)果如圖 9 (d)所示。然而，微調(diào)后的結(jié)果并不如圖 9 (b)中的更優(yōu)。從信息量的角度來(lái)考慮該問(wèn)題，在如圖 9 (a)中發(fā)生的虛警源自于缺乏發(fā)動(dòng)機(jī)個(gè)體信息，在本文中表示為制造引起的個(gè)體差異，通過(guò)學(xué)習(xí)發(fā)動(dòng)機(jī)個(gè)體B在另一條飛行軌跡下的無(wú)故障數(shù)據(jù)可以進(jìn)行補(bǔ)償。由此得出結(jié)論：制造過(guò)程引發(fā)的發(fā)動(dòng)機(jī)個(gè)體間的性能差異會(huì)影響無(wú)故障狀態(tài)的邊界，可以利用目標(biāo)發(fā)動(dòng)機(jī)個(gè)體的信息來(lái)微調(diào)無(wú)故障狀態(tài)的邊界。

第三個(gè)測(cè)試基于衰退后的發(fā)動(dòng)機(jī)B開(kāi)展，該發(fā)動(dòng)機(jī)即將返廠大修。發(fā)動(dòng)機(jī)B的性能衰退程度如表 1的最后一列所示，其氣路各類(lèi)傳感器由于多次更換而產(chǎn)生了不同程度的漂移。圖 10 (a)顯示了如圖 9(d)中微調(diào)后的CNN模型直接用于衰退后發(fā)動(dòng)機(jī)B的測(cè)試結(jié)果。性能衰退對(duì)發(fā)動(dòng)機(jī)氣路故障表現(xiàn)的影響遠(yuǎn)超個(gè)體差異，甚至比風(fēng)扇故障的特征還要明顯，這也可以從性能衰退的參數(shù)數(shù)值上大致反映出來(lái)。隨后，模型又通過(guò)在圖 4(d)所示的微調(diào)用飛行軌跡2下生成的數(shù)據(jù)進(jìn)行了二次微調(diào)，二次微調(diào)后故障診斷方法的測(cè)試結(jié)果如圖 10(b)所示，對(duì)比微調(diào)前，虛警率顯著降低。

圖10 大修后的發(fā)動(dòng)機(jī)B微調(diào)的模型，測(cè)試衰退后的發(fā)動(dòng)機(jī)B

3 結(jié)束語(yǔ)

本文開(kāi)展了融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法研究，該方法可同時(shí)考慮傳感器噪聲和偏差、建模誤差、制造引起的發(fā)動(dòng)機(jī)個(gè)體差異、性能衰退和數(shù)據(jù)集離散性等多種不確定性因素的影響，實(shí)現(xiàn)高置信度氣路故障診斷，為實(shí)現(xiàn)基于狀態(tài)的發(fā)動(dòng)機(jī)維修(CBM)提供技術(shù)基礎(chǔ)。并以某雙軸加力渦扇發(fā)動(dòng)機(jī)為例，分析了不確定性對(duì)氣路故障診斷結(jié)果的影響。通過(guò)系統(tǒng)的比較和分析可以看出，不同的不確定性因素對(duì)氣路故障診斷有不同的影響特征，其中高斯白噪聲等高頻不確定性因素可以通過(guò)學(xué)習(xí)足量的數(shù)據(jù)來(lái)消除；個(gè)體差異等固定不變的不確定性因素帶來(lái)的影響可以通過(guò)微調(diào)來(lái)消減，通過(guò)數(shù)值分析試驗(yàn)可以看出，本文研究提出的融合模型基殘差分析與數(shù)據(jù)驅(qū)動(dòng)的氣路故障診斷方法可在多種不確定性因素存在時(shí)，提供滿(mǎn)意的故障診斷精度，具有滿(mǎn)意的工程應(yīng)用潛力。