陶金伟， 王浩楠

(中国航发商用航空发动机有限责任公司，上海 201108)

航空发动机结构复杂、工作环境恶劣、装配的传感器数量有限，根据有限的传感器测量信息诊断发动机部件性能是研究的难点[1]。近年来，发动机健康管理技术(Engine Health Management,EHM)成为当前研究热点[2]，在EHM系统中进行部件故障诊断主要采用以下3种方法:基于物理模型的方法[3](如卡尔曼滤波算法)、基于数据驱动的方法[4](如神经网络)和基于知识经验的方法。其中，基于知识经验的方法过于依赖以往的专家经验和先验知识，并不能较好地针对具体工作情况进行准确的诊断，有一定的局限性[5]。基于模型的方法需要精准部件级模型，用于反映真实发动机的物理特性，物理模型的精度对诊断算法的精度影响极大。然而，由于发动机工作环境恶劣且存在大量的不确定因素，故容易因建模误差导致基于模型诊断算法的漏诊甚至误诊。基于数据驱动的方法不依赖于系统模型而只依赖于传感器搜集到的信息，但算法自身的局限性和测量噪声等都会对诊断结果造成不利影响[6]。

目前，出现了以各种智能算法为基础的信息融合技术，如Kuo等[7]采用人工神经网络(Artificial Neural Networks,ANN)在特征层进行信息融合，完成机器故障诊断。Essawy等[8]提出了一种基于模糊神经网络的直升机变速箱故障诊断。这类融合能在一定程度上解决单一智能算法存在的缺陷，但是由于没有考虑到不同发动机的物理特性，片面地从数据出发，一旦发动机的部件特性发生轻微变化或出现新的故障类型，就会严重影响部件的诊断精度[9]。……