(中国飞行试验研究院 发动机所，陕西 西安 710089)

航空发动机是一个复杂的气动机械系统，由大量的静止件、转动件、传动件组成。这些部件大多结构复杂，且工作在高压、高温、高转等恶劣工作环境下。作为飞机的心脏，航空发动机的工作稳定性、可靠性对飞机的整体性能和飞行安全至关重要。

为了解决因发动机性能衰减和故障导致的飞机飞行性能衰减和灾难性故障，目前发动机逐步向智能化方向发展。智能发动机依靠传感器数据、专家模型和二者的融合，可全面了解发动机状态，实现发动机状态监视和管理的自动化、自动诊断和自我预测。航空发动机状态监视和故障诊断系统是智能发动机的关键技术之一[1]。

航空发动机飞行试验需要按照国家和行业标准，在真实大气环境和整体工况下对新研和改型发动机、配套新飞机的成熟发动机进行试验。由于其工作稳定性和可靠性还未完成充分验证，因此相比服役和运行阶段的发动机，其安全风险更大，更需要加强安全监控，严格控制试验风险。

排气温度是表征航空发动机健康状态和决定发动机可用性的重要参数[2-3]，它对分析和控制发动机工作性能和故障诊断，以及确保工作可靠性意义重大。通过排气温度，可以对航空发动机工作异常、性能衰减、控制和监视系统故障等进行有效监控。因此排气温度监控对航空发动机试飞安全监控、被试发动机和试验机技术状态管理非常重要。

航空发动机排气温度测量通道故障是指由于测量通道电缆因破损搭接异常、接头电缆插头松动、测量通道元件失效等原因使得实测排气温度示值异常，但航空发动机工作正常的故障[4-5]。这类故障是一种比较常见的航空发动机测量系统故障。如果因为排气温度测量通道故障，使得实测排气温度不能反映发动机真实工作状态，则存在不能及时发现试验航空发动机排气温度超温、喘振、异常停车等故障征兆，确定发动机工作是否正常的安全风险，需要严格把控。

1 模糊逻辑与神经网络建模

1.1 模糊逻辑

模糊逻辑推理是建立在模糊逻辑基础之上的，它是在二值逻辑三段论基础上发展起来的一种不确定性推理方法，简称为模糊推理，或模糊逻辑。这种方法以模糊判断为前提，运用模糊语言规则，推导出一个近似的模糊判断结论。

模糊逻辑系统的一般结构如图1所示。

图1 模糊逻辑系统的一般结构

模糊逻辑系统实质上是一个从论域U到论域V的非线性映射，一般由模糊化单元、模糊规则、模糊推理和反模糊化单元4个部分组成。模糊逻辑系统的处理对象是模糊信息，所以输入信号x需要通过模糊化单元变换成U上的模糊集；模糊逻辑系统最终的输出应为明确的信息，所以需要由反模糊化单元将论域V上的模糊集转化成确定信号y；模糊规则是模糊逻辑系统的核心部分，它由一组模糊推理规则组成，其基本形式为“if…then…”；模糊推理的作用是根据模糊规则，模拟人类基于模糊概念的推理过程，完成输入模糊集和输出模糊集之间的映射。

模糊逻辑被广泛应用于控制系统设计与实现[6-7]、状态监视与故障诊断[8-9]、系统辨识和建模[10-11]等领域。在燃气涡轮发动机控制系统设计、故障诊断等方面，模糊推理/模糊逻辑也被普遍使用[10-12]。

1.2 神经网络建模

神经网络是由简单处理单元构成的大规模并行分布式处理器，天然地具有存储经验知识和使之可用的特性。神经网络具有非线性、输入输出映射、自适应性、证据响应、上下文信息、容错性、VLSI实现、分析和设计一致性、神经生物类比等特点。神经网络的应用领域主要有：模式联想、模式识别、函数逼近、控制等。

神经元是人工神经网络的基本处理单元，它一般是一个多输入/单输出的非线性元件。如图2所示为一般神经元结构示意图，图中pj(j=1,2,…,r)为输入分量，r为输入分量个数；wi为权值；b为偏差(或阈值或门限值)；∑表示对输入分量与权值乘积和偏差求和；f(·)为激活函数；a为输出。

图2 神经元模型

BP(反向传播)网络是在多层感知器的基础上发展而来的，是将W-H规则一般化，对线性可微分函数进行权值训练的多层网络，其典型结构如图3所示。BP网络的产生归功于BP算法，该算法是一种监督式的学习算法，其主要特点是信息的正向传播和误差的反向传播，神经网络的权值和误差的反向传播是利用负梯度下降算法实现的。理论上，具有一个隐含层的BP神经网络可以逼近任意一个非线性系统，实现输入与输出参数之间的非线性映射。

图3 BP网络结构图

一般来说，需要估计的参数模型按照其是否需要考虑输入参数的动态变化过程可分为两类：一类是用当前时刻的输入参数估计当前时刻的输出参数的稳态参数模型，如式(1)表示；另一类是用输入参数的当前时刻和当前时刻之前的历史数据估计当前时刻的输出参数的可表征系统动态变化过程的全状态参数模型，如式(2)所示。

z(n) =f(x(n),y(n))

(1)

z(n)=g(x(n),y(n),y(n-1),…y(n-K))

(2)

x(n) =[x1(n),x2(n),…,xM(n)]T

(3)

y(n) =[y1(n),y2(n),…,yP(n)]T

(4)

z(n) =[z1(n),z2(n),…,zQ(n)]T

(5)

要用神经网络构建如式(1)和式(2)所示的参数模型，则需要采用不同的模型构建方法[13-15]。式(1)采用一般的曲线拟合的方法就可以实现，如图4所示；式(2)则要采用系统识别的方法，如图5所示。

图4 参数神经网络稳态模型

图5 参数神经网络全状态模型

1.3 模糊逻辑与神经网络的融合

不难发现，模糊系统和神经网络具有以下共通之处：均可以利用给定系统的输入和输出数据，建立系统的非线性映射关系；从处理方式来看，两者均采用并行处理的结构。但是通过详细对比还是可以发现，神经网络和模糊系统也具有明显的差异：神经网络具有较强的自学习能力，但从系统建模角度考虑，它是一个典型的黑箱型学习模式，其输入和输出关系很难用大家容易接受的方式表示出来；模糊系统建立在大家很容易接受的“if… then…”规则集表述方式之上，但其不具备自学习能力，隶属函数和模糊规则生成和调整往往要依赖于领域专家。因此自上世纪70年代中期开始，如何将模糊理论和神经网络有机结合起来，提高整个系统的学习能力和表达能力就成为了一个焦点问题。

神经网络与模糊系统的融合大致可以分为以下几种情况：

① 松散型方式，即对于系统适合用模糊规则表示的用模糊系统描述，适合用神经网络表示的用神经网络系统描述，两者之间没有直接联系，如文献[16]；

② 以神经网络系统为主，模糊系统为辅的方式，即将常规神经网络的确定性输入输出参数用模糊变量代替，模糊推理过程用神经网络实现，如文献[15]；

③ 以模糊系统为主，神经网络为辅的方式，即利用神经网络实现必要的模糊系统输入参数的前处理和输出参数的后处理，如文献[17]；

④ 神经网络和模糊逻辑的全面融合方式，如文献[18]。

本文主要参考第3种方式构建排气温度测量通道故障检测方法。

2 排气温度测量通道故障自动检测方法

排气温度测量通道故障的表现一般为：当航空发动机在特定状态(例如爬升)稳定工作时，其主要参数(例如油门杆角度、高压转速、低压转速)示值正常，但排气温度示值明显偏小或偏大，如图6所示。

图6 典型排气温度测量通道故障参数变化情况

需要特别说明的是图6中的所有参数均为归一化处理后的数据。

从图6可以看出，当编号为1的试验发动机在某个状态稳定工作时，在油门杆Ф、高压转速n1、低压转速n2均没有明显的上升或下降的情况下，排气温度T5却有一个非常明显的大幅下降并回升至最初示值的过程。对比2发的T5，1发排气温度测量通道故障现象非常明显。

针对前述排气温度测量通道故障的现象，考虑将模糊逻辑和神经网络建模技术融合起来，实现对该类故障的实时自动检测(图7)。

图7 排气温度测量通道故障自动检测方法

如图7所示，T5测试通道故障通过利用一个模糊推理系统实现，其输入参数为高压转速偏差Δn2、低压转速偏差Δn1和排气温度偏差ΔT5，输出参数为表征T5测试通道故障状态的离散变量ST5。

n2、n1、T5正常状态输出值n2s、n1s、T5s估计模型均采用神经网络实现。假设飞行状态主要控制参数高度H、表速Vi，以及发动机状态主要控制参数油门杆角度Ф、高压转子转速n2，均具有较高的控制精度，因此偏差估计值估计神经网络模型采用如图5所示的具有一定记忆功能的、精度更高的、考虑了Ф和n2历史反馈信息的神经网络模型实现。n1和T5采用图4所示的一般神经网络参数估计模型实现。

3 故障自动检测方法验证

为了验证图7所述发动机排气温度测量通道故障自动检测方法的实施效果，本节以某发动机试飞数据为基础，利用Matlab实现了检测算法，并利用该发动机某架次爬升阶段的试飞数据对算法实施效果进行了检验。神经网络建模部分主要基于Matlab的神经网络工具箱实现，检测故障模糊推理过程主要基于Matlab的模糊逻辑工具箱实现。

如图7所示，要实现发动机排气温度测量通道故障自动检测，首先需要建立高压转速n2、低压转速n1、排气温度T5的参数模型。综合考虑某航空发动机技术特点和控制逻辑，以及高度H、表速Vi、油门杆角度Ф、高压转速n2、低压转速n1等相关参数的精度和稳定性等问题，最终确定n2采用带反馈的全状态神经网络模型、n1和T5采用一般的稳态神经网络模型，如图8～图10所示。神经网络模型输入参数、输出参数、隐含层层数、隐含层神经元个数等参数见表1。

图8 n2神经网络模型

图9 n1神经网络模型

图10 T5神经网络模型

表1 3个神经网络模型主要参数

n2采用全状态神经网络模型，主要是考虑作为主要控制参数，n2的数据质量比较高，跳点和毛刺干扰少，不会因为前续估计的n2(n-1)的误差大而导致其误差在时间维度向下传播，影响后续n2(n+1)、n2(n+2)等的估计精度的情况；n1和T5采用稳态神经网络模型，则主要是考虑n1和T5作为被控制参数，数据质量较差，跳点和毛刺干扰较多，如采用全状态神经网络模型，n1和T5的估计误差向下游传播的可能性较大。n2、n1和T5训练及验证情况如图11～图13所示。

图11 n2神经网络模型训练及验证情况

图12 n1神经网络模型训练及验证情况

图13 T5神经网络模型训练及验证情况

根据图8和表1所示，除H(n)、Vi(n)、Ф(n)外，n2的神经网络模型将油门杆的历史数据Ф(n-1)和高压转子转速的历史数据n2(n-1)也作为了其输入参数，这主要是考虑到H、Vi、Ф、n2作为发动机的主要控制参数，稳定性比较高；而且无论是n2(n)，还是n1(n)和T5(n)神经网络模型的输入参数，其精度要求均比较高。从图11可以看出，由n2全状态神经网络模型获得T5估计值与实测值差别比较小，未超过0.0005(0.05%)。

从图12和图13可以看出，相比n2，n1和T5的神经网络稳态模型精度略差，n1估计值与实测值的偏差最大在0.004(0.4%)左右，T5估计值与实测值的偏差最大在0.008(0.8%)左右。

对比n2，n1和T5的估计结果，可以发现n2的精度要比n1和T5的精度高，这主要是因为n2的输入参数数据质量高、且采用了全状态神经网络模型。但总体来说，n2，n1和T5的估计都没有超过1%，可以满足测试通道故障检测要求。

T5测试通道故障算法的模糊推理模块输入参数Δn2、Δn1、ΔT5，输出参数的隶属函数ST5的类型、参数和参数取值如图14、图15和表2所示。隶属函数选用了普遍使用的梯形，输入参数分为小、偏小、正常、偏大、大共5个模糊等级；输出参数分为正常、黄色告警、红色告警共3个模糊等级。上述隶属函数参数的取值是通过对试飞数据的统计分析获得。

图14 模糊推理模块输入参数隶属函数

图15 模糊推理模块输出参数隶属函数

表2 模糊推理模块输入参数的隶属函数参数取值

表3 模糊推理模块输出参数的隶属函数参数取值

最后利用某航空动力装置某架次爬升阶段排气温度T5故障数据对故障自动检测算法进行了验证，结果如图16所示。

图16 某次故障数据分析结果

从图16可以看出，在飞机姿态和发动机状态保持不变的情况下，图7所示的算法可以自动检测T5明显偏离正常值的情况。此外，算法自动检测故障发生和结束时间也符合实际情况，且输出稳定连续，未出现突然跳变等情况。综上可以确定，图7给出的方法可以实现对航空发动机起飞阶段排气温度测量通道故障的自动检测，且具有良好的稳定性。

4 结论

本文针对试飞中航空发动机试飞安全监控、被试发动机和试验机技术状态管理需求背景，结合排故经验，给出了融合了相关参数神经网络建模和故障检测模糊逻辑推理的航空发动机排气温度测量通道故障自动检测算法，并利用试飞数据对故障检测算法进行了验证和分析，得出以下结论：

① 基于高压转子转速偏差、低压转子转速偏差、排气温度偏差的模糊推理系统可以实现对航空发动机排气温测量通道故障的实时自动检测，检测结果与实际情况一致，且具有良好的稳定性；

② 基于试飞数据的高压转子转速神经网络全状态参数估计模型，以及基于试飞数据的低压转子转速和排气温度神经网络稳态参数估计模型可以实现对高压转子转速、低压转子转速、排气温度的参数建模，模型精度可以满足航空发动机排气温度测量通道故障自动检测要求；

③ 神经网络结构和训练样本数据对高压转子转速、低压转子转速、排气温度神经网络模型的精度影响比较大，在训练时需要根据训练结果及时进行调整；

④ 为了保证高压转子转速偏差、低压转子转速偏差、排气温度偏差、排气温度测量通道故障状态隶属函数的适用性，隶属函数参数的确定需要通过对试飞数据统计分析的方法获得，且统计样本需要进行筛选和预处理。