基于集成学习的航空发动机故障诊断方法

基于集成学习的航空发动机故障诊断方法

崔秀家

中国航发沈阳黎明航空发动机有限责任公司辽宁沈阳110043

摘要：航空发动机内部结构复杂、故障耦合性高，现有机器学习模型和集成学习模型的故障诊断性能难以满足不断提升的飞行安全需求。针对该问题，提出一种基于Stacking集成学习的航空发动机故障诊断方法。

关键词：集成学习；数据挖掘；航空发动机；气路参数；故障诊断；分类模型

1航空发动机及其故障诊断

航空发动机故障诊断技术的主要任务是对航空发动机系统的故障进行检测，分析故障类型，确定故障位置，实施故障恢复。因此，故障诊断不仅是单一地对故障进行检测，还必须具备后续的技术手段。故障诊断是一个完整的系统，可以在该系统内实现对航空发动机的检测与修复。对故障诊断技术判断的性能指标主要包含及时性、灵敏性、准确性、安全性、适应性和分离性。其中，及时性主要指系统故障发生后能够在最短的时间内检测到故障的发生点。

2航空发动机故障诊断模型特征工程

2.1特征选择

气路参数在航空发动机状态监控与故障诊断中占有极其重要的地位。气路参数是航空发动机气流通道中的测量参数（如转速、温度等），与内部气动部件的工作特性（如效率、流通能力等）之间存在严格的气动热力学关系。当发动机部件出现故障或性能衰退异常时，气路参数会与正常状态下的基线标准值产生偏差，偏差值的大小可反映当前发动机的性能状态。这种基于偏差值的气路部件分析法应用十分广泛。发动机数据获取自国内某航空公司机队，型号为CFM56-7B系列，是一种典型大涵道比涡扇发动机。

由OEM厂商提供的故障报告可知：排气温度偏差值（ΔEGT，deltaexhaustgastemperature）、核心机转速偏差值（ΔN2，deltacorespeed）以及燃油流量偏差值（ΔFF，deltafuelflow）是监控发动机健康状态的重要偏差值参数；排气温度裕度（EGTM，exhaustgastemperaturemargin）是表征发动机整体性能衰退程度的重要指标。

通过上述4个关键气路参数的联合变化趋势，可评估发动机气路的健康状态，并将故障隔离到单元体。由此，选择ΔEGT，ΔN2，ΔFF，EGTM作为发动机气路故障诊断模型的特征参数。

每次飞行任务中，飞机会记录平稳飞行状态下各性能参数的均值，作为本次飞行循环的气路参数值。通常，从故障确认点前的若干飞行循环，气路参数值开始呈现异常趋势，即故障指征。故障程度不同，故障确认点与故障指征点相差的飞行循环间隔也不同，但通常在10个飞行循环之内。为了包含更全面的异常趋势特征，设置观测窗口为10个连续飞行循环，即将每个特征参数扩展为10维的趋势特征向量，整体拼接成40维的发动机状态特征向量，作为模型输入。

以排气温度指示故障为例，图1中的（a）、（b）、（c）、（d）分别为特征参数ΔEGT，ΔN2，ΔFF，EGTM在故障点前50个飞行循环内的变化趋势图。其中，P点为OEM厂商测定的故障点，虚线框为上文设定的10个飞行循环的观测窗口。分析图2可知，观测窗口内ΔEGT呈现较明显的上升趋势，EGTM呈现较明显下降趋势，此时ΔN2与ΔFF保持相对平稳趋势，与排气温度指示故障特征参数变化趋势相吻合。此类比照故障特征趋势进行故障识别的方法只能用于定性分析，更精确的故障诊断还需借助数据挖掘方法建立故障诊断数学模型。

图2RBF-SVM网格搜索参数寻优

经参数寻优，得到各典型模型分类性能，如表2所示。分析可知：①典型机器学习模型中，LR和SVM性能较差，精确率与召回率均低于0.60；RBF-SVM和NN性能相对上述两个模型有较明显提升，原因在于该故障诊断任务输入向量40维，复杂度较高，LR和SVM此类线性模型难以完成该分类任务；②RBF-SVM是性能最好的典型机器学习模型，精确率达到0.82，召回率达到0.79；③集成学习模型RF总体性能最好，精确率达到0.88，召回率达到0.86，该模型不但训练速度比同为集成学习模型的GBDT快，而且比单一机器学习模型RBF-SVM和NN更快。这体现了RF基于Bagging算法集成多个决策树的高泛化性，以及支持并行计算的高效性。

结语

针对航空发动机结构复杂，难以实现准确故障诊断的问题，提出了一种基于Stacking集成学习的故障诊断方法。仿真结果证明了该故障诊断模型相比现有典型模型的优越性，同时也验证了所提Stacking集成原则的合理性：第1层选择组合精度较高、差异较大的模型，提升模型整体性能；第2层选择结构较简单的线性分类模型，防止模型过拟合。为航空发动机故障诊断提供一种新的思路和方法，也为构建基于Stacking集成学习方法的多分类模型提供设计参考。

参考文献：

[1]张建，李艳军，曹愈远，等.免疫支持向量机用于航空发动机磨损故障诊断[J].北京航空航天大学学报，2017，43（7）：1419-1425.