航空燃氣渦輪發(fā)動機技術是一個國家工業(yè)水平和科技實力的綜合體現(xiàn)，故障診斷技術是航空發(fā)動機安全、經(jīng)濟運行的重要保障，也是衡量其先進性的重要指標之一。由于航空發(fā)動機結構復雜、系統(tǒng)集成度高、服役環(huán)境惡劣、工作狀態(tài)多變，同時存在在線測試條件有限、診斷信息量不易保障等制約，故障診斷面臨較多挑戰(zhàn)。本文從氣路分析與性能評價、機械系統(tǒng)故障診斷和多參量信息融合3個方面對國內(nèi)外航空發(fā)動機故障診斷技術進行梳理，剖析存在的主要問題和挑戰(zhàn)，并對未來發(fā)展趨勢進行展望。

航空燃氣渦輪發(fā)動機(簡稱航空發(fā)動機)是飛行器的首選動力裝置，也是中國“十四五”規(guī)劃和2035年遠景目標的核心關注對象之一，其發(fā)展水平是一個國家科技水平、工業(yè)實力的綜合體現(xiàn)。隨各種新技術在航空發(fā)動機中廣泛應用，發(fā)動機信息化和智能化水平不斷提高。由于長期在高溫、高壓、高轉速、變工況等復雜條件下工作，發(fā)動機在使用過程中不可避免地會產(chǎn)生性能衰退、整機振動異常或燃油、滑油附件系統(tǒng)工作失常等故障，嚴重時甚至會導致重大事故。為保證安全飛行，傳統(tǒng)航空發(fā)動機在設計、使用、維修等方面留有很大裕度，且飛行中發(fā)動機僅可按預定程序操作，不可對外部環(huán)境及自身性能變化做出自主響應，同時會導致其經(jīng)濟可承受性降低。在發(fā)動機全壽命周期內(nèi)實現(xiàn)在線狀態(tài)監(jiān)測、故障診斷與壽命預測是先進航空發(fā)動機飛行安全和經(jīng)濟可承受性的關鍵支撐，也是提升其智能化水平的關鍵步驟。

從20世紀50年代發(fā)展至今，航空發(fā)動機狀態(tài)監(jiān)測和故障診斷技術經(jīng)歷了由簡單向復雜、由低級向高級、由離線診斷向實時監(jiān)視、由單一向綜合化、智能化的發(fā)展過程，從原始的目視檢查到功能強大的故障預測與健康管理系統(tǒng)(Prognostic and Health Management，PHM)，對提升航空發(fā)動機安全性、可靠性、經(jīng)濟性發(fā)揮著越來越重要的作用。然而隨航空發(fā)動機技術的進步、機群規(guī)模的增加、運行成本的控制，航空發(fā)動機故障診斷技術同時也面臨著越來越大的挑戰(zhàn)。

據(jù)國際航空運輸協(xié)會統(tǒng)計，僅2019年全球民航飛機的維護、維修與大修(Maintenance, Repair and Overhaul，MRO)市場規(guī)?？蛇_819億美元，其中發(fā)動機維修費用為336億美元，占比高達41%，如圖 1所示。為減少航空發(fā)動機維修保障費用，美國于1988年和2006年先后實施了綜合高性能渦輪發(fā)動機技術計劃(Integrated High Performance Turbine Engine Technology，IHPTET)，通用、經(jīng)濟可承受先進渦輪發(fā)動機計劃(Versatile Affordable Advanced Turbine Engines，VAATE)，旨在改善發(fā)動機性能的同時減少60%的維修費用。

2011年，美國國家航空航天局聯(lián)合美國空軍研究實驗室、聯(lián)邦航空管理局、波音、普惠、通用電氣等單位啟動了飛行器綜合推進研究(Vehicle Integrated Propulsion Research，VIPR)項目，以發(fā)展全新的傳感器識別發(fā)動機振動、速度和排氣的變化情況，通過發(fā)現(xiàn)潛在故障提高飛行安全性、降低維護成本并評估最新的發(fā)動機診斷技術，分別于2011、2013、2018年在F117軍用渦扇發(fā)動機上展開了3次測試。

圖 1 全球民航維護、維修與大修費用情況(2019)

Fig. 1 World maintenance, repair and overhaul spend in civil aviation (2019)

本文從航空發(fā)動機故障診斷的特點與難點入手，對航空發(fā)動機狀態(tài)監(jiān)測與故障診斷的國內(nèi)外研究進展進行綜述和分析，并對其發(fā)展趨勢進行展望。

1 航空發(fā)動機故障診斷的特點與難點

與一般旋轉機械相比，航空發(fā)動機工況多變，特別是軍用航空發(fā)動機過渡態(tài)頻發(fā)，任務剖面極其復雜，其故障診斷面臨的難點主要包括：氣動、熱力、機械、噪聲的綜合負荷大，服役中氣-熱-固-聲多物理場耦合問題突出；比剛度小，整機耦合振動的影響因素多，振動傳遞特性復雜；總重量受苛刻限制，傳感器測點位置和數(shù)目受重量約束和安裝空間約束的苛刻限制。具體表現(xiàn)在以下4個方面：

1) 設備結構復雜，系統(tǒng)集成度高

航空發(fā)動機由進氣道、風扇、壓氣機、燃燒室、渦輪、附件機匣等多個部件組成，是集機械、氣動、熱力、電氣、控制等學科為一體的復雜結構系統(tǒng)，發(fā)動機各個部件、各個子系統(tǒng)之間關聯(lián)耦合突出，非線性動力學特性明顯。

2) 服役環(huán)境惡劣，工作狀態(tài)多變

航空發(fā)動機長期工作于高溫、高壓、高轉速、變工況的工作條件下，即使在穩(wěn)態(tài)工況油門角度不變的情況下，當飛行姿態(tài)、高度或速度出現(xiàn)變化時，發(fā)動機物理轉速和載荷都會有所不同，表現(xiàn)出一定的過渡態(tài)特征，對于殲擊機等的動力裝置，還會反復經(jīng)歷加減速等過渡態(tài)工況。過渡態(tài)的信息提取與解釋是一個公認難題。

3) 測試條件苛刻，信號信噪比低

由于工作環(huán)境的特殊性，航空發(fā)動機對傳感器等附件的安裝位置和重量有嚴格限制，因此發(fā)動機機載測點數(shù)量有限、位置固定，診斷信息的獲取受影響。同時傳感器接收到的測試信號往往歷經(jīng)多途傳遞，并受振動、氣動、燃燒等方面干擾，信號信噪比低，給診斷信息的提取帶來困難。

4) 數(shù)據(jù)類型豐富但分散度大

一方面，在設計、試飛、定型、改裝、服役等過程中都需對發(fā)動機的多種參數(shù)進行不間斷監(jiān)測，數(shù)據(jù)采樣頻率高，使監(jiān)測數(shù)據(jù)類型豐富、規(guī)模龐大，“大數(shù)據(jù)”在給監(jiān)測診斷帶來機遇的同時，也為故障特征的提取帶來挑戰(zhàn)；另一方面，測試數(shù)據(jù)散度大，不僅發(fā)生在同一批次相同工作狀態(tài)的發(fā)動機上，即使是同一臺發(fā)動機，在試飛前后仍會出現(xiàn)散度大的現(xiàn)象，但根源尚不明晰，危害程度也難以判斷。

可見，航空發(fā)動機的結構和工況與一般旋轉機械差異顯著，傳統(tǒng)的旋轉機械診斷技術很難直接應用。

2 國內(nèi)外研究現(xiàn)狀

多年來，航空發(fā)動機狀態(tài)監(jiān)測、故障診斷與預測一直是國內(nèi)外相關企業(yè)、院所和高校關注的焦點與熱點之一，相關論文、報告和專利數(shù)量巨大。從研究工作的發(fā)展情況來看，大致經(jīng)歷了狀態(tài)監(jiān)視與預警、性能評價與分析、故障診斷與預測、數(shù)字孿生等幾個主要階段。如圖 2所示，這一研究工作起初僅是對發(fā)動機排氣溫度、轉速和總振動量等測量參數(shù)的異常、超限進行監(jiān)測和報警。隨發(fā)動機控制要求的不斷提高，越來越多的氣路傳感器被安裝在發(fā)動機內(nèi)，為提升故障診斷水平提供了信息支撐。20世紀70年代，電子硬件模塊開始用于發(fā)動機的在線監(jiān)測，能自動記錄飛行過程的發(fā)動機狀態(tài)參數(shù)并進行監(jiān)測，可視作現(xiàn)今發(fā)動機健康管理系統(tǒng)(Engine Health Monitoring，EHM)的雛形。至80年代，通過集成計算機模塊和更為先進的電子技術，全權限數(shù)字電子控制系統(tǒng)(Full Authority Digital Engine Controls，F(xiàn)ADEC)實現(xiàn)了數(shù)字化控制和信息處理，具備了在線診斷的能力，促進了飛行器狀態(tài)監(jiān)測功能飛行報告的生成，亦為EHM的實現(xiàn)奠定了硬件基礎。90年代末，在成功應用PHM技術后，普惠公司為美國空軍F-35聯(lián)合攻擊機研制的F135五代發(fā)動機排故時間明顯下降，進一步為PHM技術的發(fā)展帶來了契機。

21世紀，基于運行狀態(tài)數(shù)據(jù)連續(xù)采集與智能分析的數(shù)字孿生(Digital Twin，DT)為航空航天飛行器的健康維護與保障提供了重要的技術支撐，受到國內(nèi)外的廣泛關注與應用探索。其中，美國國家航空航天局結合物理實體及等效虛擬模型研究了基于數(shù)字孿生的復雜系統(tǒng)故障預測與消除方法，成功應用于飛機、火箭等飛行系統(tǒng)的健康管理中，并聯(lián)合美國空軍提出面向未來飛行器的數(shù)字孿生范例。美國發(fā)動機廠商通用電氣基于Predix平臺實現(xiàn)了零件級、系統(tǒng)級、集群級數(shù)字孿生，生產(chǎn)商和運營商可利用數(shù)字孿生了解、預測和優(yōu)化全壽命周期中每個監(jiān)測對象的性能。然而發(fā)動機自身結構復雜、工作環(huán)境惡劣、測試條件不完善等因素給其狀態(tài)監(jiān)測與故障診斷帶來了很大困難。為此航空發(fā)動機故障診斷與預測理論和方法廣受關注，產(chǎn)生了諸多分析、診斷、預測模型和方法。主要從氣路分析與性能評價、機械系統(tǒng)故障診斷和多參量融合的診斷與預測3個方面對當前的研究方法進行梳理。

圖 2 航空發(fā)動機狀態(tài)監(jiān)測發(fā)展歷史

Fig. 2 History of condition monitoring for aeroengine

2.1 氣路分析與性能評價

氣路分析(Gas Path Analysis，GPA)是指對與發(fā)動機氣路各部件健康狀態(tài)緊密相關的溫度、壓力、燃油流量、空氣流量及轉速實施監(jiān)測，根據(jù)監(jiān)測數(shù)據(jù)通過參數(shù)辨識等技術預測發(fā)動機氣路部件的性能變化，由此判斷發(fā)動機及相關部件的健康狀態(tài)及故障情況，其基本原理如圖 3所示。如果把發(fā)動機物理故障引起發(fā)動機部件性能衰減的實際物理過程看作是正過程，那么故障診斷過程就是它的逆過程，即根據(jù)發(fā)動機可測量參數(shù)的變化確定發(fā)動機的部件性能，從而實現(xiàn)物理故障定位。在不需要加裝額外傳感器的情況下，氣路分析可給出發(fā)動機單元體的性能評價，多年來已成為發(fā)動機性能評價和氣路故障診斷的基礎。

圖 3 氣路分析與性能評價原理

Fig. 3 Principle of gas path analysis and performance evaluation

自20世紀70年代Urban提出故障影響系數(shù)矩陣法以來，各種修正算法和模型不斷涌現(xiàn)，以提升模型的預測精度和適用范圍。傳統(tǒng)氣路分析方法的突出問題之一是在測量參數(shù)數(shù)目受限、測量偏差較大、故障程度較高(異物損傷、結構破損等)等情況下不易收斂。針對這一問題，研究人員通過結合不同優(yōu)化模型和算法提出了大量改進方法。雅典國家技術大學Aretakis等通過選取多個穩(wěn)態(tài)點的故障方程數(shù)量解決這一問題，但要求分析的各個穩(wěn)態(tài)點有一定的獨立性。北京航空航天大學陳大光等、張津基于線性模型的小偏差法開展了相關研究，提出了多狀態(tài)氣路分析法和主因子模型法，有效改善了測量參數(shù)不足時氣路故障診斷系統(tǒng)的有效性，并針對JT9D、CF6等民航型號發(fā)動機進行了方法驗證，發(fā)展了一種新的發(fā)動機狀態(tài)監(jiān)視和故障診斷(Engine Monitoring and Diagnosis，EMD)系統(tǒng)。朱之麗和孟凡濤結合最小二乘法和多狀態(tài)數(shù)學模型將模型辨識法應用于某型渦扇發(fā)動機的氣路故障診斷，實現(xiàn)了考慮發(fā)動機非線性特征的準確定量診斷。中國民航大學范作民、西北工業(yè)大學孫祥逢等采用故障主因子的概念以減少考慮的故障個數(shù)，但其診斷結果的可靠性有所降低。美國加利福尼亞州的Brotherton、比利時列日大學Borguet、加拿大康考迪亞大學Khorasani、南京航空航天大學黃金泉等采用卡爾曼濾波實現(xiàn)了發(fā)動機氣路部件性能參數(shù)的估計與分析，并結合發(fā)動機性能模型實現(xiàn)了發(fā)動機的故障診斷。除此之外，神經(jīng)網(wǎng)絡法、貝葉斯網(wǎng)絡法等也被引入氣路分析方法中，分別從不同角度對氣路分析算法的性能進行了提升。

現(xiàn)有的氣路分析方法基本上針對穩(wěn)態(tài)過程。然而發(fā)動機的過渡態(tài)(非穩(wěn)態(tài))在飛行過程中是頻繁出現(xiàn)的。所謂過渡態(tài)，就是指發(fā)動機在不同穩(wěn)態(tài)工況之間切換的瞬態(tài)過程，其特征是發(fā)動機轉速、功率、氣動熱力參數(shù)均隨時間劇烈變化。航空發(fā)動機，尤其是軍用發(fā)動機飛行任務剖面復雜，過渡態(tài)在實際服役過程中占比極高，如圖 4所示。近幾年，一些學者也開始嘗試對過渡態(tài)下的性能評價方法開展研究，如采用最小二乘法、神經(jīng)網(wǎng)絡、遺傳算法等方法對過渡態(tài)信號進行處理。2011年，Borguet等依據(jù)系統(tǒng)辨識原理提出了在頻域中對過渡態(tài)參數(shù)進行分析的方法，成功應用于商用發(fā)動機的在線分析。2017年，德國斯圖加特大學Putz等提出了一種對起飛過渡態(tài)數(shù)據(jù)的校正模型，使已有的發(fā)動機監(jiān)測系統(tǒng)突破了僅適用于穩(wěn)態(tài)數(shù)據(jù)的局限，對過渡態(tài)數(shù)據(jù)進行一定程度的分析。同年，英國克蘭菲爾德大學Wang C等提出了一種針對發(fā)動機燃油系統(tǒng)的過渡態(tài)模擬方法，可以在發(fā)動機過渡態(tài)階段提供更為詳細的燃油系統(tǒng)性能信息。

圖 4 航空發(fā)動機任務剖面示意圖

Fig. 4 Sketch of mission profile for aeroengine

盡管氣路分析方法已有50余年的發(fā)展歷史，依然存在諸多挑戰(zhàn)性難題，主要表現(xiàn)在3個方面：①氣路傳感器的選取取決于發(fā)動機控制需求，傳感器數(shù)量少于氣路健康狀態(tài)評價所需個數(shù)，先天信息不足；②傳感器測量的偏差和噪聲往往會嚴重影響氣路分析結果的質(zhì)量，已有改進方法依然難以保證測試信號的質(zhì)量；③過渡態(tài)下的氣路分析依舊是一個難題，至今未得到根本解決。

2.2 機械系統(tǒng)故障診斷

氣路分析主要用于評價發(fā)動機的整體性能，當需對機械系統(tǒng)或部件(軸承、齒輪箱、葉片、滑油系統(tǒng)等)進行故障診斷時，往往采用滑油分析、振動監(jiān)測等方法。其中，滑油分析主要是通過分析油液的性能變化、理化參數(shù)、磨粒參數(shù)等獲得發(fā)動機摩擦副的潤滑和磨損狀態(tài)信息，實現(xiàn)故障的定性與定位?；头治鲆话阍趯嶒炇疫M行固體成分、黏度和酸度試驗確定滑油的使用性能，對設備、人員技能要求較高。不同的是振動信號信息量較大，且對軸承、齒輪等零件的狀態(tài)信息比較敏感，因此一直作為軸承、齒輪診斷的重要信息來源。振動監(jiān)測是通過安裝在機匣外側的速度或加速度傳感器實現(xiàn)的，但信號傳遞環(huán)節(jié)多、傳感器數(shù)目少、工作狀態(tài)非平穩(wěn)等因素使振動分析往往具有很大難度，至今仍是業(yè)內(nèi)學者關注的焦點之一。

在利用振動分析對航空發(fā)動機進行故障診斷方面，澳大利亞國防部研究機構(Defence Science and Technology Organization，DSTO)的Wang W Y等針對航空發(fā)動機變速箱振動信號復雜多變、故障特征不易獲取的問題提出了一種“聯(lián)合信號處理”的方法(Unified Signal Processing Approach)，能對復雜的齒輪箱信號進行降噪處理，以便進一步地診斷決策。比利時魯汶大學Gryllias等針對航空發(fā)動機工作的非平穩(wěn)特點，引入循環(huán)平穩(wěn)分析理論用于發(fā)動機變速箱升速過程的振動信號分析和故障診斷。烏克蘭國家科學院Onishchenko等研究了葉片彎曲振動與疲勞裂紋的關聯(lián)機制，通過振動信號的諧波幅值比指示裂紋的出現(xiàn)和發(fā)展情況。英國巴斯大學Barbini等提出了一種相位編輯方法，用于滾動軸承故障特征的自動提取，法國學者Eltabach等將這一方法應用于航空發(fā)動機的軸承診斷中。波蘭波茲南工業(yè)大學Waligórski等分別采用聲學和振動信號對F-16渦輪風扇發(fā)動機進行狀態(tài)評估，發(fā)現(xiàn)了混合氣形成及燃燒過程中的不正常現(xiàn)象，保證了發(fā)動機較高的總體效率和航空任務的安全性。加拿大滑鐵盧大學Fong等利用均值漂移聚類結合短時傅里葉變換的方法，將時變諧波與頻譜中的背景噪聲分離開，同時對非平穩(wěn)振動信號進行降噪并提取諧波含量，成功應用于民航發(fā)動機軸承故障數(shù)據(jù)中。

國內(nèi)學者近年來也取得了可喜的進展。陳予恕院士團隊在機匣振動分析、雙轉子系統(tǒng)的模型建立和振動特性分析等方面為發(fā)動機動力學分析奠定了基礎。清華大學蔣東翔等建立了帶有不平衡-不對中耦合故障的雙轉子動力學模型，并研究了動靜碰摩故障響應的特點。河南科技大學鄧四二等采用有限元研究了軸承參數(shù)變化對轉子系統(tǒng)穩(wěn)定性及動態(tài)響應的影響規(guī)律。西安交通大學陳雪峰團隊在航空發(fā)動機運行安全基礎研究項目的支持下，采用建模、機制分析、數(shù)值分析等方式分析了存在橫向裂紋時軸-盤-葉片的耦合動態(tài)響應，并針對基于應變監(jiān)測葉片振動信息傳輸困難的問題，對葉端定時信號進行分析實現(xiàn)葉片的健康監(jiān)測。東北大學馬輝、北京航空航天大學洪杰等圍繞葉片-機匣碰摩引發(fā)的振動響應問題進行了理論分析和數(shù)值仿真模擬。此外，洪杰等針對航空發(fā)動機的葉片飛失、突加不平衡、支承不同心等故障模式下的整機動力學行為及外傳響應特性進行了系統(tǒng)分析，并在相應試驗臺上進行了驗證。同時，針對航空發(fā)動機轉子動平衡和故障自愈的研究，北京化工大學高金吉院士團隊整合了國內(nèi)外自動平衡技術和自愈化技術，并成功應用在航空發(fā)動機上，為中國今后的航空發(fā)動機自愈化設計提供了基礎。另外，在航空發(fā)動機機械系統(tǒng)或部件微弱故障特征提取的問題上，北京科技大學馮志鵬等針對航空發(fā)動機軸承故障診斷中復雜非平穩(wěn)信號的頻譜混疊問題提出了一種廣義自適應模態(tài)分解方法。陳雪峰等采用壓縮變換分析航空發(fā)動機過渡態(tài)快變信號，并將其應用于裂紋擴展檢測與轉子碰磨診斷。重慶大學湯寶平等采用改進的非線性模態(tài)分解方法，無需先驗知識就可自適應、高計算效率地估計發(fā)動機瞬時角速度。也有一些學者采用解卷積、低秩稀疏等算法解決航空發(fā)動機復雜傳遞路徑下滾動軸承的故障識別問題及高轉速下軸承故障信號中出現(xiàn)的重疊失真、沖擊波形畸變等問題，實現(xiàn)了多源干擾下航空發(fā)動機微弱故障的識別和健康狀況的評價。

事實上，機械故障診斷領域的國際同行也正聚焦航空發(fā)動機軸承、齒輪等零部件的振動診斷方法。2015年在法國羅阿納理工學院舉辦的國際監(jiān)測大會上，以法國賽峰集團(Safran)提供實測的民航發(fā)動機軸承故障數(shù)據(jù)組織了一場科學挑戰(zhàn)競賽。針對各參賽團隊的分析結果，機械故障診斷領域權威期刊Mechanical Systems and Signal Processing的編委及相關專家共十余人在該雜志發(fā)表專題學術評論，強調(diào)變轉速下信號處理水平對軸承故障檢測的重要性，并指出這些方法對專業(yè)人員的依賴性?？傮w上看，單純依靠振動信號實現(xiàn)航空發(fā)動機整機故障診斷的案例較少，主要原因在于：①航空發(fā)動機工作條件多變，振動信號往往異常復雜且信噪比低，對信號處理技術要求極高；②發(fā)動機典型故障實測數(shù)據(jù)獲取困難，難以得到有力的實驗支撐；③發(fā)動機振動激勵源多、多場耦合嚴重、振動傳遞特性復雜，難以建立內(nèi)在故障與外傳振動信號之間的準確定量映射關系，僅依靠振動解決航空發(fā)動機的故障診斷問題難度大。

2.3 多參量融合的診斷與預測

簡而言之，故障診斷和預測可分為基于模型的方法(Model-Based)、基于經(jīng)驗的方法(Experience-Based)和基于數(shù)據(jù)的方法(Data-Driven)。基于模型的方法利用數(shù)學解析模型監(jiān)測系統(tǒng)，如氣路故障與振動分析中的許多方法。但對于航空發(fā)動機這類極復雜的系統(tǒng)，基于模型的方法難以實現(xiàn)準確求解。基于經(jīng)驗的方法是將概率或隨機模型與經(jīng)驗數(shù)據(jù)結合進行診斷和預測，該方法對先驗知識的依賴性較強?；跀?shù)據(jù)的方法則是通過信號處理中的各種變換、分析、特征提取或人工智能等方法對傳感器數(shù)據(jù)進行處理，實現(xiàn)診斷和預測，其不足之處在于對故障及失效機制缺少解釋。

與上述3種方法不同，信息融合方法是在傳感器層面、數(shù)據(jù)層面或決策層面對所有已知信息進行融合，可集成更多的信息和知識，理論上可給出更為準確和可靠的結果。以下從3個層面對信息融合的最新進展進行介紹。

2.3.1 傳感器層融合

傳感器是信息的基本來源，其信息質(zhì)量是后續(xù)分析的基礎。美國賓州州立大學Sarkar等利用符號動力學理論建立了一種在傳感器特征層信息融合的方法，并在美國國家航空航天局提供的C-MAPSS模擬器上得到驗證。美國佐治亞理工學院Fang等利用傳感器間信息的相關性提出了多傳感器的優(yōu)化選擇方案。瑞典馬拉達倫大學Zaccaria等將概率貝葉斯網(wǎng)絡應用于發(fā)動機機群，由于制造限制或傳感器故障導致的傳感器失效降低了基于物理方法的準確性，而這些因素對貝葉斯模型的影響較小，因此混合貝葉斯網(wǎng)絡模型的準確度提高達50%。北京航空航天大學陳敏等為提高發(fā)動機氣路相似故障的診斷成功率，提出了測量參數(shù)四步一體優(yōu)化選擇方法，該方法包括測量參數(shù)敏感性分析、部件性能參數(shù)相關性分析、影響系數(shù)J值分析和基于遺傳算法的故障辨識效果檢驗，并成功應用于某型航空發(fā)動機地面臺架試車臺的氣路故障診斷。哈爾濱工業(yè)大學劉大同等從確保信息量且減少安裝規(guī)模的角度提出了一種基于信息熵優(yōu)化的傳感器布設方案，通過定量評價傳感器間的相關性，建立了傳感器狀態(tài)異常的檢測方法，并基于相關向量機實現(xiàn)了傳感器稀疏條件下異常數(shù)據(jù)源恢復。重慶郵電大學羅久飛等提出了多傳感條件下的傳感器優(yōu)度評估方法，并據(jù)此構建了融合的健康狀態(tài)指標。

2.3.2 數(shù)據(jù)層融合

數(shù)據(jù)融合方面的研究報道大多是通過多傳感器信息的融合得到量化評價指標。俄羅斯烏法國立航空技術大學Krivosheev等通過路系統(tǒng)的多參數(shù)融合得到一個綜合診斷因子。美國威斯康星大學Liu等通過數(shù)據(jù)融合建立了發(fā)動機的健康指數(shù)，并成功應用于剩余壽命預測。火箭軍工程大學司小勝等構建了基于線性維納過程的多傳感數(shù)據(jù)融合健康因子，并基于此預測發(fā)動機剩余使用壽命。英國謝菲爾德大學Zaidan等利用貝葉斯網(wǎng)絡對機群歷史數(shù)據(jù)和在線測試數(shù)據(jù)進行融合，給出了民航發(fā)動機剩余壽命的概率估計。伊朗伊斯蘭阿扎德大學Ghorbani和Salahshoor將基于物理的模型和具有正漂移的維納過程結合，提出了用于發(fā)動機壽命預測的退化模型。清華大學王學謙等設計了一種改進的BP(Back-Propagation)神經(jīng)網(wǎng)絡，對具有相似機制的漸進失效模式進行學習并實現(xiàn)了發(fā)動機剩余壽命預測。電子科技大學黃洪鐘等用貝葉斯網(wǎng)絡融合多源傳感信息，對航空發(fā)動機輪盤的疲勞壽命進行預測。西安交通大學李兵等設計并建立了雙任務深長期短期記憶網(wǎng)絡，對航空發(fā)動機的退化狀態(tài)信息進行挖掘并實現(xiàn)剩余壽命預測。北京航空航天大學唐海龍等基于遷移學習理論預測發(fā)動機部件性能隨時間變化的衰退規(guī)律。西北工業(yè)大學黃登山等基于貝葉斯網(wǎng)絡，通過突變點識別確定了航空發(fā)動機的退化起點，提出了一種基于參數(shù)相關性和粒子濾波的多退化指標壽命預測方法并在C-MAPSS數(shù)據(jù)集上進行了驗證。

2.3.3 決策層融合

決策層融合的目的在于故障識別，通過合適的評估手段給出最接近實際故障的結論。西北工業(yè)大學王仲生和趙鵬以振動信號頻譜中不同頻段的譜峰能量為特征量，利用BP神經(jīng)網(wǎng)絡進行模式識別，并在決策層采用基于證據(jù)理論的融合方法得出最終結果。西北工業(yè)大學廖明夫等構建了故障融合診斷三級體系(故障特征級、故障模式級與故障決策級融合)，實現(xiàn)了基于性能參數(shù)和振動參數(shù)的綜合評價方法并獲得相應的故障診斷決策。海軍航空大學李洪偉等研究了基于油液和振動信息融合的集成神經(jīng)網(wǎng)絡故障診斷方法，油液分析上依靠光譜信息，振動信號上采用時域統(tǒng)計分析的峰值和均方根值兩個指標，在決策級利用模糊綜合決策方法進行信息融合，并在某型航空發(fā)動機上得到了應用。南京航空航天大學王華偉等提出了基于深度學習的航空發(fā)動機故障融合診斷模型，對多次深度學習故障分類結果進行決策融合，并在普惠JT9D發(fā)動機的數(shù)值仿真數(shù)據(jù)上驗證了算法有效性。目前航空發(fā)動機智能運維的商用管理系統(tǒng)大都具有決策層方面的信息融合能力，如美國通用電氣公司的Predix系統(tǒng)，對機群的數(shù)據(jù)云信息進行融合與決策并提出最優(yōu)運維策略。

總體上看，多源傳感信息融合方面的研究工作很多，有相當一部分圍繞故障預測開展，但大多偏重理論研究，實效偏弱，主要原因在于：①對測試數(shù)據(jù)的處理較多，而對故障機制方面的融合較少；②氣路數(shù)據(jù)和振動數(shù)據(jù)的多源數(shù)據(jù)融合工作較少，未能充分發(fā)揮各參量對未知故障的診斷優(yōu)勢，難以從整體上把握故障的演化規(guī)律；③機群歷史數(shù)據(jù)和維修數(shù)據(jù)結合欠缺，數(shù)據(jù)信息量覆蓋較窄。

航空發(fā)動機的狀態(tài)監(jiān)測、故障診斷已取得了一定進展，從氣路分析與性能評價、機械系統(tǒng)故障診斷和多參量融合的診斷與預測3個方面對當前的研究方法進行分析，并將上述3個方面相關文獻及當前研究存在的不足歸納于表 1中。

3 當前研究存在的關鍵問題及解決途徑

3.1.1 故障機制與響應特征的映射機制建立

有果必有因，一切外在故障信號的表征均可視為果，而載荷環(huán)境或結構力學參數(shù)變化是因，研究機制模型就是建立因果關系。已有方法對測試數(shù)據(jù)方面的處理較多，而對故障機制方面的研究深度不足，難以揭示航空發(fā)動機故障與氣路、振動響應的邏輯關聯(lián)，無法從物理本質(zhì)上明晰全壽命周期內(nèi)發(fā)動機氣路性能退化機制與振動響應突增根源。

3.1.2 過渡態(tài)的瞬態(tài)信息提取與解釋

航空發(fā)動機，尤其是軍用渦扇發(fā)動機，工況之間切換頻繁，其外在響應表現(xiàn)出強烈的過渡態(tài)特征。然而現(xiàn)有的研究工作大多針對發(fā)動機穩(wěn)態(tài)過程，未能系統(tǒng)揭示測試信號與變轉速、變載荷環(huán)境下發(fā)動機性能和故障模式的關聯(lián)機制，也缺乏過渡態(tài)下發(fā)動機狀態(tài)信息提取與解釋等系統(tǒng)性的研究工作。

3.1.3 基于多源微弱信息的故障診斷模型

一方面，航空發(fā)動機機載傳感器測點十分有限，且測試信號的傳遞路徑復雜，信號信噪比低，診斷信息的獲取嚴重受限，當前研究基于微弱信息甚至“貧信息”的診斷理論與方法在發(fā)動機故障診斷的應用研究甚少；另一方面，發(fā)動機全壽命周期過程中積累了大量的歷史飛參數(shù)據(jù)、大修試車數(shù)據(jù)等，具有數(shù)據(jù)來源多的特點，但這些數(shù)據(jù)存在不完整、不連續(xù)、分散度大的情況，未能被有效修復和充分利用；同時，發(fā)動機測試數(shù)據(jù)包括氣路、振動、滑油等多種物理量信息，尚缺乏有效的各類物理量綜合的故障診斷方法。

3.2 解決途徑

為解決航空發(fā)動機的故障診斷難點及當前研究面臨的關鍵問題，筆者認為應從以下3個方面深入開展航空發(fā)動機診斷監(jiān)測的研究，為航空發(fā)動機的診斷、監(jiān)測與維護提供可靠的理論依據(jù)和有效的技術手段，進一步推動航空發(fā)動機健康管理技術的發(fā)展及航空智能航空發(fā)動機的應用。

3.2.1 物理與數(shù)據(jù)協(xié)同的發(fā)動機數(shù)字孿生子建模技術及響應特征模擬

1) 研究工質(zhì)熱物性、發(fā)動機各部件特性及共同工作約束、發(fā)動機裝機使用條件、真實環(huán)境特性及控制規(guī)律對發(fā)動機整機氣動參數(shù)、熱力性能和振動響應的影響，建立反映各部件物理特性及匹配約束的發(fā)動機模型。

2) 充分考慮同型號、不同發(fā)動機個體之間存在的制造、裝配不確定性，研究其對發(fā)動機全壽命周期中工作狀態(tài)的影響，并利用傳感器實時反饋的測量信息對使用過程中的模型進行動態(tài)修正及辨識，建立準確反映發(fā)動機實際工作狀態(tài)的數(shù)字“孿生子”模型。

3) 采用“虛擬發(fā)動機”模擬氣路、轉子等各類故障模式，對各種使用條件下外在氣路、熱力參數(shù)及加速度信號仿真分析，為發(fā)動機整機故障診斷和隔離提供更豐富的診斷依據(jù)。

3.2.2 過渡態(tài)下氣路、振動信號瞬變特征及信息挖掘方法

1) 研究發(fā)動機氣-固-熱耦合的作用機制，理清過渡態(tài)下氣路、熱力、振動等可測參數(shù)非定常、非確定性特征產(chǎn)生機制，建立信號響應特征與發(fā)動機部件故障模式、危害程度和位置之間的關聯(lián)性。

2) 基于發(fā)動機過渡態(tài)物理模型建立真實工況下部件級、整機級發(fā)動機特性分析模型，著重分析過渡態(tài)下發(fā)動機氣動、熱力、振動參數(shù)隨工作狀態(tài)的變化規(guī)律。

3) 研究快變溫度場、瞬變離心負荷、交變氣動激勵等載荷對發(fā)動機轉子系統(tǒng)、機匣結構變形的影響機制，關注過渡態(tài)轉子系統(tǒng)響應在能量外傳中的變化規(guī)律。建立有力的過渡態(tài)信息挖掘手段，大幅度提高整機故障診斷能力。

3.2.3 多源信息、多學科知識融合的診斷與預測

1) 研究發(fā)動機多約束條件下傳感器的布局優(yōu)化方法，增強微弱信號的有效診斷信息，同時建立能從低信噪比、干擾嚴重的測試信號中提取診斷信息的方法。

2) 開展基于遷移學習理論預測同型號發(fā)動機性能衰退規(guī)律的研究，遴選歷史信息相對完整的發(fā)動機樣本校核診斷模型，修復殘缺樣本關鍵狀態(tài)信息，建立非連續(xù)、殘缺發(fā)動機機群狀態(tài)信息的修復方法。

3) 研究發(fā)動機典型故障在氣路與振動外在響應特征之間的邏輯關聯(lián)，揭示多源信息數(shù)據(jù)之間的信息互補機制，建立多工況信息與多學科領域知識深度融合的發(fā)動機故障診斷方法，實現(xiàn)跨專業(yè)的一體化發(fā)動機故障診斷。為發(fā)動機感知外部環(huán)境及自身狀態(tài)變化，實現(xiàn)自診斷、自預測、自管理的智能化過程提供支撐。

4 結語

高性能(高推重比、大涵道比、低噪聲、低排放)、高可靠性、經(jīng)濟可承受性等對航空發(fā)動機的發(fā)展提出了越來越高的要求。發(fā)展具有自診斷、自預測、自管理、自學習功能的航空智能發(fā)動機可滿足未來對航空裝備的需求。其中，狀態(tài)監(jiān)測、故障診斷、健康管理等是實現(xiàn)航空智能發(fā)動機對外部環(huán)境及自身狀態(tài)的變化作出實時自主響應的關鍵技術之一。本文針對當前航空發(fā)動機的狀態(tài)監(jiān)測、故障診斷與健康管理問題：

1) 介紹了其特點與難點，分別從氣路分析、機械系統(tǒng)故障診斷及多參量融合診斷方法3個方面綜述了國內(nèi)外研究現(xiàn)狀，指出了當前研究對復雜故障機制與響應特征的映射機制和過渡態(tài)的瞬態(tài)信息提取等方面仍有不足，并且未能有效利用工程實際中的試車數(shù)據(jù)、飛參數(shù)據(jù)等，導致故障診斷質(zhì)量難以保證。

2) 分析了存在的關鍵問題并探討了解決途徑，認為應從物理與數(shù)據(jù)協(xié)同的航空發(fā)動機故障建模，過渡態(tài)下信息提取，多源信息、多學科知識融合的發(fā)動機診斷等方面開展相關的理論方法與技術應用研究，進一步推動航空發(fā)動機故障診斷與健康管理的完善，為航空智能發(fā)動機的發(fā)展提供重要技術支撐。