一種基于試飛數(shù)據(jù)的航空發(fā)動機滑油金屬含量預測方法

尤黎明

摘要：航空發(fā)動機工作時軸承和齒輪等傳動部件相互摩擦產(chǎn)生的金屬屑會隨著潤滑系統(tǒng)流入滑油箱、附件機匣等部位，而不同工作狀態(tài)與環(huán)境造成的磨損程度不同，因此滑油中金屬含量一定程度上可反映發(fā)動機的磨損狀態(tài)。以某型航空發(fā)動機的試飛數(shù)據(jù)與滑油光譜數(shù)據(jù)為基礎，通過分析潤滑系統(tǒng)運行機理，確定了滑油金屬含量的主要影響因素，采用信息擴散結合支持向量機的方法建立了滑油金屬含量預測模型，解決了小樣本數(shù)據(jù)限制的問題。模型預測結果的相對誤差不大于5.7%，能夠滿足實際工程的精度需求，所建立的滑油金屬含量預測模型對航空發(fā)動機磨損故障有積極的預防作用。

關鍵詞：滑油金屬含量預測；試飛數(shù)據(jù)；信息擴散；支持向量機；小樣本數(shù)據(jù)

中圖分類號：V317.1文獻標識碼：ADOI：10.19452/j.issn1007-5453.2022.05.002

在高溫、高速、高振動的惡劣環(huán)境下工作，航空發(fā)動機的軸承、齒輪等傳動部件會承受較大的載荷，容易發(fā)生磨損故障，嚴重影響發(fā)動機的安全工作。據(jù)統(tǒng)計，80%的航空發(fā)動機故障與磨損有著直接或間接的聯(lián)系，更是早期故障的最主要原因[1]。因此，航空發(fā)動機都設有循環(huán)工作的潤滑系統(tǒng)對磨損部位進行潤滑，以減少磨損程度。而潤滑油在發(fā)動機中循環(huán)使用的過程中，流經(jīng)磨損部位后將摩擦所產(chǎn)生的金屬屑等磨損微粒溶入滑油中，攜帶了發(fā)動機零部件磨損的重要信息?？赏ㄟ^光譜技術對航空發(fā)動機潤滑油中的金屬含量進行檢測和分析，掌握發(fā)動機內(nèi)部諸如軸承、齒輪、花鍵等傳動部件與摩擦部件的磨損情況，有助于發(fā)現(xiàn)潤滑部件的早期損傷，視情開展相應的檢查和維護，消除潛在隱患[2]。因此，對滑油金屬屑的監(jiān)測是保障航空發(fā)動機運行安全的重要手段之一。

目前，國內(nèi)針對航空發(fā)動機滑油金屬含量預測技術的研究主要集中在發(fā)動機地面試驗以及對滑油光譜序列數(shù)據(jù)本身的分析等方面，如丁剛等[3]提出了一種基于Elman過程神經(jīng)網(wǎng)絡的預測方法，對滑油光譜歷史數(shù)據(jù)進行預測。尉詢楷等[4]提出了一種基于支持向量機的發(fā)動機滑油預測模型，利用支持向量回歸對滑油光譜數(shù)據(jù)的時間序列進行多步預測。李本威等[5]提出了一種基于克隆選擇的免疫粒子群優(yōu)化算法，改善了滑油金屬屑預測模型的預測精度。曾力等[6]通過建立粒子散射模型，優(yōu)化了基于支持向量回歸機的滑油金屬含量預測模型，提高了預測精度。以上研究將滑油光譜數(shù)據(jù)視為時間序列進行分析，但由于數(shù)據(jù)的隨機性、離散性和強耦合性等限制因素，較少考慮飛機以及發(fā)動機的不同工作狀態(tài)和工作環(huán)境對發(fā)動機磨損的影響。

而在飛行過程中，飛機的特技飛行等大機動動作往往伴隨著法向過載的大幅度變化，發(fā)動機工作狀態(tài)也會頻繁變化，從而對發(fā)動機內(nèi)部摩擦部件與潤滑系統(tǒng)的平衡產(chǎn)生影響，最終造成了潤滑部件的不同程度磨損。傳動部件所產(chǎn)生的疲勞裂紋通常不易察覺，采用滑油光譜技術可在一定程度上進行監(jiān)測[7]。因此，需要考慮飛機以及發(fā)動機的工作狀態(tài)及環(huán)境的變化，有必要建立滑油金屬含量預測模型，以實現(xiàn)對滑油系統(tǒng)工作狀態(tài)的健康監(jiān)測。

本文提出了一種基于試飛數(shù)據(jù)的滑油金屬含量預測方法，采用信息擴散結合支持向量機建立預測模型，將飛機與發(fā)動機的試飛數(shù)據(jù)進行分析與處理，作為預測模型輸入數(shù)據(jù)，進行滑油金屬屑含量預測研究。由于航空發(fā)動機內(nèi)部摩擦部件材料的元素成分主要以鐵、鋁、銅（Fe、Al、Cu）為主，其中Fe元素占比較大，如在齒輪以及軸承中的質(zhì)量分數(shù)可超過70%[8]，本文以滑油中Fe元素為對象，建立金屬含量預測模型。在實際試飛中，由于單個飛行日只進行一次滑油光譜檢測，光譜分析樣本量較小，通過采用信息擴散方法對數(shù)據(jù)樣本進行模糊處理，擴散后的數(shù)據(jù)在一定程度上彌補了小樣本的不完備性等缺陷，改善了數(shù)據(jù)樣本的質(zhì)量，提高了模型的預測精度。計算表明，該模型具有較好的預測精度，為發(fā)動機滑油金屬含量的預測提供了有效的技術手段。

1模型參數(shù)分析

1.1航空發(fā)動機滑油系統(tǒng)機理分析

航空發(fā)動機在運行過程中會對軸承、齒輪、花鍵等摩擦部件造成磨損，由于航空發(fā)動機一般采用循環(huán)潤滑系統(tǒng)，因此磨損產(chǎn)生的金屬屑會隨潤滑油流入滑油箱中，而飛機與發(fā)動機所處的工作狀態(tài)與工作環(huán)境變化會導致磨損程度不同?；椭械慕饘俸靠稍谝欢ǔ潭壬戏从衬p程度。所以可通過對試飛數(shù)據(jù)的分析，以及發(fā)動機滑油系統(tǒng)的工作原理與特點來確定預測模型的輸入?yún)?shù)。

航空發(fā)動機常規(guī)滑油系統(tǒng)簡圖如圖1所示，系統(tǒng)包括供油、回油和通風三個主要部分。發(fā)動機運作時供油泵將滑油箱內(nèi)的滑油抽出并加壓，再經(jīng)滑油濾過濾后分成若干油路送往各軸承及傳動部件進行潤滑和散熱；潤滑過后含有大量空氣的高溫滑油經(jīng)回油泵抽取，進入油氣分離器，最終返回滑油箱；由于滑油因受熱而部分汽化、滑油噴嘴的噴射、飛濺以及部分壓縮空氣可能經(jīng)封油裝置進入滑油系統(tǒng)內(nèi)形成大量滑油蒸氣，導致滑油潤滑、冷卻效果變差，因此需經(jīng)通風部分將這些蒸氣引出[9]。

1.2模型參數(shù)的優(yōu)化和確定

通過以上分析可知，供油路以及各軸承與傳動部件本身狀態(tài)是影響滑油中金屬含量的主要因素。主要影響因素如下。

（1）滑油壓差。滑油泵組中設置有調(diào)壓閥，用來調(diào)節(jié)供油壓力和軸承腔腔壓之差（即滑油壓差），滑油壓差過小會導致系統(tǒng)潤滑不良，加劇傳動部件磨損[10]，可用滑油壓差表征供油路對系統(tǒng)潤滑效果的影響。

（2）滾轉(zhuǎn)角與法向過載。飛行過程中飛機進行特技飛行等大機動動作會導致發(fā)動機內(nèi)部潤滑部件潤滑環(huán)境受到影響，破壞潤滑系統(tǒng)與摩擦部件的平衡，從而加劇磨損。同時，也會影響滑油箱、供油管路與滑油噴嘴的相對位置，惡化潤滑環(huán)境，可采用滾轉(zhuǎn)角與法向過載來表征飛行時機動動作的劇烈程度對摩擦部件潤滑環(huán)境的影響。

（3）慢車狀態(tài)與高壓轉(zhuǎn)子轉(zhuǎn)速。發(fā)動機狀態(tài)也是影響磨損程度的重要因素之一，飛行過程中發(fā)動機處于慢車狀態(tài)時，由于滑油泵等附件直接由高壓轉(zhuǎn)子傳動，因此滑油系統(tǒng)的供油條件會相應減弱，而此時發(fā)動機高低壓轉(zhuǎn)子依舊在高速轉(zhuǎn)動，與軸承產(chǎn)生摩擦，加劇磨損。因此，可選擇發(fā)動機慢車狀態(tài)及高壓轉(zhuǎn)子轉(zhuǎn)速來表征發(fā)動機狀態(tài)對系統(tǒng)磨損程度的影響。DBD5324D-343E-460F-8FEF-EE2D0E285685

基于以上分析結論，初步確定了以飛機法向過載、主管路滑油壓差、滾轉(zhuǎn)角改變大于±30°的次數(shù)、滾轉(zhuǎn)角改變的持續(xù)時間、發(fā)動機慢車狀態(tài)持續(xù)時間，以及高壓轉(zhuǎn)子轉(zhuǎn)速作為建模所需的輸入?yún)?shù)，以滑油中Fe含量作為輸出參數(shù)進行建模研究。

為了驗證所選參數(shù)的正確性和合理性，采用平均影響值（mean impact value，MIV）算法對預測模型所用參數(shù)進行了敏感性分析。

MIV算法原理為：在模型訓練結束后將訓練樣本P中的每一個自變量特征在其原值基礎上分別加和減10%構成兩組新的訓練樣本P1和P2，使用模型對這兩組樣本進行仿真，得到兩組仿真結果A1和A2，求出A1和A2的差值，即為變動該自變量后對輸出產(chǎn)生的影響變化值（impact value，IV），最后將IV按觀測例數(shù)平均得出該自變量對于因變量即模型輸出的MIV。依次算出各自變量的MIV值，即可得到各自變量對網(wǎng)絡輸出的影響程度大小?；凸庾VFe元素含量預測模型相關參數(shù)的MIV值如圖2所示。

從圖2中可看出：參數(shù)1～8對模型輸出的影響程度明顯高于參數(shù)9～13。表明MIV算法參數(shù)敏感性分析結果與前文所述參數(shù)分析結果一致，證明了通過對發(fā)動機滑油系統(tǒng)工作原理及發(fā)動機工作分析確定影響滑油金屬含量方法的可行性。

1.3建模所用數(shù)據(jù)

建模采用的數(shù)據(jù)樣本來源于某型發(fā)動機不同工況下的試飛數(shù)據(jù)和滑油光譜檢測數(shù)據(jù)，發(fā)動機數(shù)據(jù)涵蓋了飛行包線的大部分范圍，相關參數(shù)的最小值和最大值見表1。

2信息擴散方法

由于滑油金屬屑樣本數(shù)量較少，屬于小樣本問題，而小樣本問題的實質(zhì)是信息不足，不能反映整個樣本空間的分布情況。

信息擴散是一種對樣本進行集值化的模糊數(shù)學處理方法，可以將單值樣本變成集值樣本。信息擴散的原理是當用不完備的數(shù)據(jù)估計一種關系時，一定存在合理的擴散方式將觀測值變?yōu)槟：?，以填充由?shù)據(jù)不完備性造成的部分缺陷，從而改進非擴散估計[11]，以改進或優(yōu)化建模數(shù)據(jù)樣本的質(zhì)量或提升預測模型的性能。對數(shù)據(jù)的擴散是通過擴散函數(shù)實現(xiàn)的，其中最常用的擴散函數(shù)是正態(tài)擴散函數(shù)

3支持向量機回歸模型

支持向量機（SVM）于1995年被正式提出，是一種基于統(tǒng)計學習理論中的風險最小化原則的機器學習算法。它一開始是針對二分類任務所設計，采用核函數(shù)的方法將樣本從原始空間映射到一個更高維的特征空間，使得樣本在高維特征空間內(nèi)線性可分[12]。

每個子集Di都通過從D中分層采樣得到。然后每次用k - 1個子集的并集作為訓練集，余下的子集作為測試集，可獲得k組訓練集，從而可進行k次訓練和測試，最終返回k次測試結果的均值。K折交叉驗證可以有效地避免模型過學習以及欠學習狀態(tài)的發(fā)生，最后得到的結果也比較具有說服力。K折交叉驗證的示意圖如圖3所示。

5試驗驗證

采用某型航空發(fā)動機滑油光譜中Fe元素含量的增量以及相應的試飛數(shù)據(jù)共20組數(shù)據(jù)作為樣本集，其中前16組為訓練數(shù)據(jù)，后4組為預測數(shù)據(jù)。

第一步，對原始樣本數(shù)據(jù)進行歸一化處理，采用最大最小法將數(shù)據(jù)歸一化到[0，1]區(qū)間內(nèi)；第二步，采用信息擴散原理將歸一化后的樣本集進行擴充，其中監(jiān)測集U也選擇為[0，1]區(qū)間，間距為0.2，將原16組樣本擴充為模糊集中的96組；第三步，建立支持向量回歸預測模型，如前所述，選擇高斯徑向基函數(shù)作為核函數(shù)，采用K折交叉驗證法來選取回歸模型的最佳參數(shù)c和g來優(yōu)化模型的預測性能，先進行粗略的尋找，觀測粗略尋找的結果后再進行精細選擇，圖4、圖5為粗略與精細尋找的結果圖；最后，將預測集樣本輸入模型中測試其泛化能力。

模型的訓練與預測結果如圖6所示，圖中虛線左側為進行信息擴散后的訓練樣本，右側為4組預測樣本結果，可看出實際預測結果較為準確。

表2對未采用信息擴散方法的原始樣本預測結果與進行擴散后的樣本預測結果進行了比較?？梢钥闯?，未進行信息擴散前的原始樣本訓練的模型的預測結果平均相對誤差為18.4%，而采用信息擴散方法后的平均相對誤差為5.7%，其他如平均平方誤差（MSE）、平方相關系數(shù)等參數(shù)指標均有較大的提升。這表明了采用信息擴散與支持向量機進行結合的方法的可行性與有效性。

6結論

通過研究，可以得出以下結論：

（1）本文通過對發(fā)動機滑油系統(tǒng)工作原理與實際試飛數(shù)據(jù)的分析，總結出影響滑油金屬含量的主要因素來自飛機的機動動作以及滑油系統(tǒng)的工作狀態(tài)兩方面。

（2）本文結合信息擴散原理與支持向量回歸方法建立滑油金屬含量預測模型，模型預測結果較好，能夠滿足實際工程的精度需求，表明了在小樣本情況下采用信息擴散原理建立預測模型的可行性與有效性。DBD5324D-343E-460F-8FEF-EE2D0E285685

參考文獻

[1]吳振鋒，左洪福.航空發(fā)動機磨損故障分析及診斷技術評述[J].航空工程與維修，2002（6）：42-43. Wu Zhenfeng， Zuo Hongfu. The commentary of the wearing faults analysis and diagnosis technology of aero-engine[J]. Aviation Maintenance and Engineering， 2002（6）： 42-43. （in Chinese）

[2]曲昌琦，周銳，杜寶，等.航空裝備故障預測與健康管理的數(shù)據(jù)體系研究[J].航空科學技術，2020，31（12）：61-67. Qu Changqi， Zhou Rui， Du Bao， et al. Research on PHM data system architecture for aviation equipment[J]. Aeronautical Science & Technology， 2020， 31（12）： 61-67. （in Chinese）

[3]丁剛，鐘詩勝，欒圣罡.航空發(fā)動機滑油金屬含量預測及其控制研究[J].潤滑與密封，2006（9）：52-54. Ding Gang， Zhong Shisheng， Luan Shenggang. Research on aeroenginelubricatingoilmetalelementconcentration prediction and its control[J]. Lubrication Engineering， 2006（9）： 52-54. （in Chinese）

[4]尉詢楷，李應紅，王碩，等.基于支持向量機的航空發(fā)動機滑油監(jiān)控分析[J].航空動力學報，2004，19（3）：392-397. Wei Xunkai， Li Yinghong， Wang Shuo， et al. Aeroengine lubrication monitoring analysis via support vector machines[J]. Journal ofAerospace Power， 2004， 19（3）： 392-397. （in Chinese）

[5]李本威，張赟，孫濤.基于免疫粒子群算法的滑油屑末支持向量機預測模型設計[J].航空動力學報，2009，24（7）：1639-1643.Li Benwei， Zhang Yun， Sun Tao. Design of forecasting model for aero-engine lubrication debris support vector machines based on immune-particle swarm optimization algorithm[J]. Journal of Aerospace Power， 2009， 24（7）： 1639-1643. （in Chinese）

[6]曾力，龍偉.基于SVR的航空發(fā)動機滑油金屬含量預測方法[J].四川大學學報，2016，48（2）：161-164. Zeng Li， Long Wei. Prediction method of metal content of aero engine lubricating oil based on SVR[J]. Journal of Sichuan University， 2016， 48（2）： 161-164. （in Chinese）

[7]袁慎芳，李曉泉，陳健.疲勞裂紋擴展的卷積神經(jīng)網(wǎng)絡辨識[J].航空科學技術，2020，31（7）：64-71. Yuan Shenfang， Li Xiaoquan， Chen Jian. Convolutional neural network based fatigue crack growth identification[J]. Aero nautical Science & Technology， 2020，31（7）： 64-71.（in Chinese）

[8]陳果.航空發(fā)動機磨損故障的智能融合診斷[J].中國機械工程，2005，16（4）：299-306. Chen Guo. Intelligent fusion diagnosis of aeroengine wear faults[J]. China Mechanical Engineering， 2005， 16（4）： 299- 306. （in Chinese）

[9]張帥.基于滑油分析的航空發(fā)動機磨損監(jiān)測技術研究[D].沈陽：沈陽航空航天大學，2012. Zhang Shuai. Research on technologies of aeroengine wear monitoring based on lubrication oil analysis[D]. Shenyang： ShenyangAerospace University， 2012. （in Chinese）

[10]許艷芝，李志鵬，郭政波.某型渦扇發(fā)動機滑油壓差異常故障分析[J].科學技術與工程，2019，19（17）： 341-346. Xu Yanzhi， Li Zhipeng， Guo Zhengbo. Failure analysis of abnormal oil pressure difference drop for a turbofan engine[J]. Science Technology and Engineering， 2019， 19（17）： 341-346.（in Chinese）DBD5324D-343E-460F-8FEF-EE2D0E285685

[11]Huang C F. Principle of information diffusion[J]. Fuzzy Sets and Systems，1997，91（1）：69-90.

[12]周志華.機器學習[M.北京：清華大學出版社，2016. ZhouZhihua.Machinelearning[M].Beijing：Tsinghua University Press， 2016. （in Chinese）

A Method for Predicting Lubricating Oil Metal Element of Aero-Engine Based on Flight Test Data

You Liming

Chinese Flight Test Establishment，Xian 710089，China

Abstract： When the aero-engine works， the metal scraps produced by the friction between the transmission parts such as bearings and gears will flow into the lubricating oil tank， accessory casing and other parts along with the lubrication system， and the degree of wear caused by different working conditions and environments is different， so the metal content in the lubricating oil can reflect the wear state of the engine to some extent. Based on the flight test data and oil spectrum data of an aero-engine， the main influencing factors of oil metal content are determined by analyzing the operation mechanism of the lubrication system. The prediction model of oil metal content is established by using the method of information diffusion combined with support vector machine， which solves the problem of limited small sample data. The relative error of the prediction result of the model is less than 5.7%， which can meet the precision requirement of practical engineering. The established prediction model of lubricating oil metal content has positive preventive effect on aero-engine wear fault.

Key Words： lubricating oil metal element prediction； flight test data； information diffusion； support vector machine； small sample dataDBD5324D-343E-460F-8FEF-EE2D0E285685