基于滑油监控信息的发动机磨损状态融合评估
2015-11-19张鹏飞李本威
张鹏飞，李本威，韦 祥，胡 洋
（1.91046部队，山东莱阳265200；2,3.海军航空工程学院飞行器工程系2,研究生管理大队3，山东烟台264001；4.91934部队，浙江义乌322000）
0 引言
磨损是航空发动机早期故障的主要原因，严重影响发动机的可靠性。对磨损故障最为成熟的监控手段是滑油分析。单一滑油分析方法的准确率有限，容易漏报某类故障，从而造成重大安全事故。各种滑油分析方法各有所长，因此，需基于多种滑油样分析信息进行融合诊断评估。目前已有大量学者对发动机磨损故障的融合诊断方法进行了研究。文献[1-4]以光谱、铁谱、理化性能等检测结果为征兆信息，运用融合方法对发动机磨损故障进行诊断，提高了诊断的精确度，但在具体操作时有较大局限性；文献[5-8]仅利用光谱分析结果，基于D-S证据理论将磨损量和磨损率进行融合，对发动机磨损状态进行评估，忽视了光谱分析不能完全反映滑油中所有磨粒信息的事实；文献[9-10]针对光谱分析仅能对尺寸<10μm的磨粒进行精确分析的弊端，引入了与之相补的自动磨粒检测技术，并利用检测得到的各元素磨粒数和磨粒个数对发动机磨损状态进行融合诊断评估，效果较好，但忽略了磨损增长率对评估发动机状态的重要性。
本文基于光谱分析和自动磨粒检测2种滑油样分析的结果，针对现有评估算法的局限性，将模糊推理和证据理论结合，提出了1种新的信息融合评估算法，充分利用了滑油分析的检测信息，并使各算法优势互补，可得到较为理想的评估结果。
1 航空发动机磨损状态融合评估新方法
1.1 磨损状态评估指标确定
某型发动机润滑系统的磨损部位主要有主轴轴承、离心通风器和回油泵等，其中主轴轴承失效的故障率最高且危险性最大。主轴轴承的失效模式主要有3种：磨损、疲劳剥落、断裂。滑油光谱分析（spectrometricoilanalysis）可对尺寸小于10μm的磨粒进行精确分析，对轴承渐进型磨损或由发动机装配质量引起的早期磨损的预报效果较好，但对后2种故障模式的预报效果较差。在该型发动机实际故障统计中发现：当滑油中有大量大磨粒时，轴承疲劳为最主要的失效模式[9]。因此，需引入大磨粒检测技术，Laser NetFines-C（LNF）自动磨粒检测仪可识别大于20μm的全部颗粒，按金属磨损类型进行区分并加以计数。针对实际情形中轴承故障模式的复杂性，可选用滑油光谱分析和与之相补的大磨粒分析技术，对发动机主轴轴承磨损状态进行重点监控并融合评估。
针对轴承磨损状态评估，依据其主要材料成分，确定光谱分析中Fe、Cu为重要元素，监控其磨损量和磨损率。依据失效模式，确定自动磨粒检测中监控对象为切削磨粒、疲劳磨粒和严重滑动磨粒，监控各磨粒数和增长率。发动机其余重要部件（离心通风器等）磨损状态评估也可依此类推。
1.2 磨损状态融合评估模型
航空发动机磨损状态的融合评估流程如图1所示。首先对滑油样进行光谱分析和自动磨粒检测分析，可基本获取滑油样中所有重要磨粒的信息；针对各监控对象，将磨损量和磨损率进行模糊推理，得到发动机磨损状态评估结果；在光谱分析和自动磨粒检测中，分别进行Max运算，得出各自最后的决策结果；针对2种滑油分析方法的评估结果，实施决策层的信息融合；基于粗糙集理论和专家经验，得到2种滑油分析方法的可靠程度，确保了2证据基本置信度分配的准确性；最后，运用D-S证据理论进行融合诊断。以轴承磨损状态评估为例，介绍其关键环节。
图1 发动机磨损状态融合评估流程
1.3 模糊推理机的构建
针对每个监控对象，都需构建1个模糊推理机来对其故障征兆进行模糊推理。根据轴承磨损状态评估确定的监控对象，则应构建5个模糊推理机。以自动磨粒检测的切削磨粒为例，详细介绍构建模糊推理机的过程。
故障征兆的模糊推理包含4个步骤：模糊化、模糊规则建立、关系生成方法和推理合成算法的选取、反模糊化[11]。
1.3.1 模糊化
针对自动磨粒检测的切削磨粒，其故障征兆集为S={s1,s2}，其中，s1为切削磨粒数，s2为切削磨粒增长率。发动机轴承的磨损状态集为Ω={ω1,ω2,ω3}，ω1、ω2、ω3分别表示磨损状态为正常、警告、异常。G={g(ω1),g(ω2),g(ω3)}，向量G 表示3种磨损状态发生的可能性。
对故障征兆进行模糊化处理。某型发动机在实际使用中，依据统计分析和实际使用经验，切削磨粒的警告值为10个/mL、异常值为30个/mL、增长率异常值为6个/（mL·10h）。依据界限值，将si分为“小”、“中”、“大”3个类别，并划分其各自的模糊集合，建立相应的隶属度函数μj（s1）、μj（s2）（j=1,2,3），如图2所示。本文选用梯形函数的隶属度形式。
图2 切削磨粒征兆信息隶属度函数
依据经验对输出变量g（ωj）（j=1,2,3）进行模糊化处理，将其分为“较小”、“一般”、“较大”3个类别，并划分其各自的模糊集合，建立相应的隶属度函数μ1（g(ωj)）、μ2（g(ωj)）、μ3（g(ωj)）（j=1，2，3），如图3所示。本文中选用梯形和三角函数的隶属度形式。
1.3.2 建立模糊规则
模糊规则的建立一般需基于专家知识或大量的试验数据，可表示为“if…then…”。基于发动机领域知识，针对s1和s22个故障征兆，建立磨损状态评估规则库，评估规则见表1。
图3 输出变量隶属度函数
表1 发动机磨损状态评估规则
模糊推理需要选取适当的关系生成方法和推理合成算法，本文采用Mamdani方法。反模糊化是模糊化的逆过程，将推理输出的模糊值转变为确定值的过程，此处采用重心法。各算法的具体计算过程详见文献[12-14]。
1.4 Max运算
经模糊推理，光谱分析各监控对象所得到的发动机轴承磨损状态可能向量可表示为自动磨粒检测各监控对象所得到的发动机轴承磨损状态可能向量可表示为进行Max运算，在2种滑油分析方法中，分别选取推理结果中异常磨损可能性最大的监控对象，将该监控对象的推理结果作为各自滑油分析方法最终的推理结果。即若则光谱分析融合结果为
1.5 推理结果的融合决策
运用D-S证据理论进行融合决策时，一般包括4个重要步骤：识别框架的构建、基本置信度分配、证据合成和证据决策。针对滑油监控的融合诊断，具体设计如下。
1.5.1 识别框架的构建
在证据理论中，一些完备的独立元素组成的集合称为识别框架。在发动机轴承的磨损状态集Ω={ω1，ω2，ω3}中，各元素两两互斥、并穷尽了所有状态，可将其视为状态评估的识别框架。
1.5.2 基本置信度分配
（1）相对重要度的求解
本文依据条件属性的属性重要度[15]来求解2种滑油分析方法的相对重要度。设一信息表达系统S=
则条件属性C 的信息熵H（C）可定义为
式中：|U|为集合U 中的元素个数。
依据Shannon熵的概念，当条件属性C 已知时，决策属性D 的条件熵H（D/C）可定义为
H（D/C）可用来表示决策属性D 对条件属性C 的依赖度。
针对任一条件属性at∈C，则删除属性at可得H（D/C-{at}），属性at对决策系统影响的重要度可表示为
则对∀ax、ay∈C，可定义其相对重要度
（2）归一化处理
分别设2个证据体的基本置信度向量为me=（me（ω1），me（ω2），me（ω3），me（H），（e=1,2），则归一化公式为
1.5.3 证据合成
基于Dempster规则，对基本置信度向量m1、m2进行证据合成。合成后结果表示为m=（m（ω1），m（ω2），m（ω3），m（H）），则合成运算为
1.5.4 证据决策
根据合成结果m，依据最大置信度的方法作出决策。设ω*⊂H，若 有m（ω*）=max（m（ω1），m（ω2），m（ω3），m（H）），则ω*即为评估的发动机磨损状态。
2 实例应用
某型发动机滑油分析数据见表2。
表2 某型发动机滑油检测结果
依据本文所建模糊推理机，经模糊推理、Max运算后，所得结果见表3。从表中可知，分别由单一滑油分析方法的检测结果得到的评估结果相互间冲突较大，严重影响了状态评估的最终决策。为此，需按模型进行决策层的信息融合。
表3 磨损状态可能性的模糊推理结果
表4 某型发动机磨损状态评估决策
为求取2种滑油分析方法的可靠程度，选取15组发动机滑油分析原始数据[9]，分别依据单一滑油分析数据进行模糊推理，得到发动机的磨损状态，属性值“1”、“2”、“3”分别表示单一滑油分析手段评估结果为“正常状态”、“警告状态”、“异常状态”。条件属性a1、a2分别表示光谱分析、自动磨粒检测的评估结果，决策属性d 表示发动机的实际磨损状态。其评估决策见表4。其中N 表示具有相同属性值的对象数量。
表4中的条件属性集C={a1，a2}，则各等价关系在论域U 下的等价类为
依据式（4）、（5）可得
则属性a1对决策系统的重要度
属性a2对决策系统的重要度
可得2属性的相对重要度
依据专家经验，给出光谱分析的可靠程度α1=0.7，则α2=α1Q21=0.7×1.36=0.952。
对表3中的推理结果依据式（8）、（9）进行归一化处理，得各磨损状态下的基本置信度，见表5。
基于Dempster规则，对表5进行数据融合，得m=（0.2382，0.1762，0.5563，0.0293），分析可知该发动机的磨损状态应为ω3（异常磨损状态）。对该发动机分解发现，其主轴轴承发生严重疲劳磨损，验证了本文方法的有效性。
表5 各磨损状态下的基本置信度
3 结束语
本文提出1种新的发动机磨损状态融合评估方法，有效融合了光谱分析和自动磨粒检测的结果，提高了评估结果的准确性。实例验证表明，该方法能够准确地评估出发动机的实际磨损状态，可为相关人员进行维修维护提供决策支持。
该方法评估结果的准确性对各征兆信息的边界值有较强的依赖性，需不断搜集该型发动机在不同磨损状态下的滑油分析数据，对边界值进行更加准确的定义，进一步提高评估结果的准确性。
[1]陈果.航空发动机磨损故障的智能融合诊断[J].中国机械工程，2005，16（4）：299-302，306.CHEN Guo.Intelligent fusion diagnosis of aeroengine wear faults[J].Chinese Journal of Mechanical Engineering，2005，16（4）：299-302，306.（in Chinese）
[2]文振华，陈果.基于D-S证据理论的航空发动机磨损故障智能融合诊断方法[J].机械科学与技术，2005，24（9）：1018-1021.WEN Zhenhua，CHEN Guo.An intelligent fusion technique for diagnosis of engine wear fault based on D-S evidence theory[J].Mechanical Science and Technology for Aerospace Engineering，2005，24（9）：1018-1021.（in Chinese）
[3]陈果，左洪福，杨新.基于神经网络的多种油样分析技术融合诊断[J].摩擦学学报，2003，23（5）：431-434.CHEN Guo，ZUO Hongfu，YANG Xin.Neural network-based fusion diagnosis using various oil analysis techniques[J].Tribology，2003，23（5）：431-434.（in Chinese）
[4]陈果.基于神经网络和D-S证据理论的发动机磨损故障融合诊断[J].航空动力学报，2005，20（2）：303-308.CHEN Guo.Fusion diagnosis of engine wearing fault based on neural networks and D-S evidence theory[J].Journal of Aerospace Power，2005，20（2）：303-308.（in Chinese）
[5]瞿红春，丁协宾.基于D-S证据理论的航空发动机故障诊断[J].中国民航大学学报，2011，29（4）：4-7.QU Hongchun，DING Xiebin.Aeroengine fault diagnosis based on D-S evidential theory[J].Journal of Civil Aviation University of China，2011，29（4）：4-7.（in Chinese）
[6]赫英，彭鸿博.D-S证据理论及其在滑油故障诊断中的应用[J].中国民航学院学报，2003，21（3）：41-44.HE Ying，Peng Hongbo.D-S theory and application in fault diagnosis of aircraft engine oil system［J］.Journal of Civil Aviation University of China，2003，21（3）：41-44.（in Chinese）
[7]胡金海，谢寿生，骆广琦，等.基于Dempster-Shafer证据理论的航空发动机磨损状况融合诊断 [J].机械科学与技术，2008，27（3）：343-346.HU Jinhai，XIE Shousheng，LUO Guangqi，et al.Fusion diagnosis of aeroengine wearing condition based on Dempster-Shafer proof theory[J].Mechanical Science and Technology for Aerospace Engineering，2008，27（3）：343-346.（in Chinese）
[8]崔晓飞，张改虎，蒋科艺，等.基于光谱D-S证据融合的航空发动机故障诊断技术[J].航空发动机，2009，35（1）：37-39，56.CUI Xiaofei，ZHANG Gaihu，JIANG Keyi，et al.Fault diagnosis technology for aeroengine based on spectrum D-S evidence fusion[J].Aeroengine，2009，35（1）：37-39，56.（in Chinese）
[9]陈立波，宋兰琪，陈果.航空发动机滑油综合监控中的磨损故障融合诊断研究[J].航空动力学报，2009，24（1）：169-175.CHEN Libo，SONG Lanqi，CHEN Guo.Study on diagnosis techniques of wear faults in synthesized monitoring of aeroengine[J].Journal of Aerospace Power，2009，24（1）：169-175.（in Chinese）
[10]陈果，陈立波，宋兰琪.一种磨损故障融合诊断新方法及其应用[J].机械科学与技术，2009，28（9）：1157-1161.CHEN Guo，CHEN Libo，SONG Lanqi.A new approach to fusion diagnosis of wear faults and its application[J].Mechanical Science and Technology for Aerospace Engineering，2009，28（9）：1157-1161.（in Chinese）
[11]张国良，曾静.模糊控制及其MATLAB应用[M].西安：西安交通大学出版社，2002：25-28.ZHANG Guoliang，ZENG Jing.Fuzzy control and its Matlab application[M].Xi’an：Xi’an Jiaotong University Press，2002：25-28.（in Chinese）
[12]王古常，成坚，鲍传美，等.模糊推理和证据理论融合的航空发动机故障诊断[J].航空动力学报，2011，26（9）：2101-2106.WANG Guchang，CHENG Jian，BAO Chuanmei，et al.Diagnosis method of aeroengine fault based on fuzzy inference and evidence theory[J].Journal of Aerospace Power，2011，26（9）：2101-2106.（in Chinese）
[13]张德丰，杨文茵.Matlab工程应用仿真[M].北京：清华大学出版社，2012：184-222.ZHANG Defeng，YANG Wenyin.Matlab application engineering and simulation[M].Beijing：Tsinghua University Press，2012：184-222.（in Chinese）
[14]赵振宇，徐用懋.模糊理论和神经网络的基础与应用[M].北京：清华大学出版社，1995：14-22.ZHAO Zhenyu，XU Yongmao.Introduction to fuzzy theory，neural networks and their application[M].Beijing：Tsinghua University Press，1995：14-22.（in Chinese）
[15]李冬，宋岩，马力，等.基于粗糙集和支持向量数据描述的发动机视情维修研究[J].燃气轮机技术，2013，26（1）：46-50，58.LI Dong，SONG Yan，MA Li，et al.Research of engine condition-based maintenance based on rough set and support vector data description[J].Gas Turbine Technology，2013，26（1）：46-50，58.（in Chinese）
