航空發動機滑油系統故障診斷技術研究進展

劉 劍， 任 和

（1.上海應用技術大學 電氣與電子工程學院, 上海 201418；2.中國商用飛機有限責任公司, 上海 200126）

作為飛機的最重要部件之一，航空發動機由許多子系統組成，工作過程極其復雜。在這些子系統中，滑油系統主要承擔滑油供給、部件潤滑和散熱、系統清潔等功能。發動機的高壓轉子及軸承高達每分鐘上萬轉轉速，傳動系統存在長時間的機械副摩擦，這些部件都需要滑油進行潤滑，吸收摩擦生熱和高溫零件傳導的熱量，并帶走由于機械磨損產生的金屬顆粒。因此，如果滑油系統發生故障，不僅僅是滑油系統本身受到損害，也會對發動機主軸軸承與傳動系統產生不利影響。因而，航空發動機滑油系統是否正常工作對于整個發動機的可靠性有著直接重大影響，也關乎飛機的運行安全。在航空發動機發展的過程中，對于滑油系統的實時健康監測一直是航空發動機可靠性的一個重要研究內容。

近年來，系統科學、控制理論、安全科學與工程、維修工程及大數據處理與模式識別，AI 人工智能等技術的發展，極大促進了故障診斷、預測與健康管理等技術的發展?；拖到y故障診斷技術也面臨新的挑戰和發展。本文針對發動機滑油系統的故障診斷與健康監測技術研究進展，從系統建模與故障模擬、在線故障診斷、離線故障定位、滑油屑末檢測和故障診斷系統5 方面進行了梳理，并給出了未來發展趨勢。

1 系統建模與數字仿真

建立滑油系統的理論或仿真模型，模擬不同工況條件下滑油系統的運行，可以為滑油系統的設計和故障診斷分析提供重要的參考依據。目前關于系統建模仿真與故障模擬，已經開展了諸多研究工作，主要可歸納為3 類模型。

1.1 基于理論數學模型的方法

建立滑油系統部件級和系統級的數學模型是進行系統性能分析、故障診斷工作的基礎。目前在這方面已經開展了較多的研究工作。馬壯等[1]建立了發動機滑油系統的穩態壓力數學模型。首先確立了滑油系統主要零部件的數學物理模型，給出了管路壓力損失的計算模型；進一步根據滑油系統正常狀態下的運行數據，得到了系統級的數學模型。通過該模型能夠監測滑油系統的性能衰退情況，并發現故障。劉波等[2]、周強等[3]基于航空發動機滑油系統部附件特性，構建了滑油系統穩態計算模型，如圖1 所示。該模型使用8 個性能參數，采用向量計算和插值算法進行計算。李昂等[4]建立了某型航空發動機潤滑供油系統數學模型。利用編程計算方法，可以得到系統在不同工況（轉速和溫度）下各點的滑油壓力和滑油流量等表征性能的參數數據。

圖1 基于發動機性能參數的子系統紋波模型Fig.1 Steady model composed by subsystem based on engine performance parameters

系統性能分析的優劣很大程度上取決于部件和系統數學模型的準確性。對于部件級的建模和分析比較容易展開。由于滑油系統的復雜性和非線性，對于系統級的建模和分析則非常復雜。為便于理論分析計算，通常需要對系統進行簡化處理。因此基于理論數學模型的方法存在一定局限性，也不能全面直觀揭示系統的響應特征。

1.2 基于專業仿真軟件的方法

基于MATLAB/Simulink 軟件的強大計算能力和通用數學模型仿真能力，部分研究人員建立了滑油系統仿真模型。閆星輝等[5]開發了MATLAB/Simulink 環境下的通用仿真模型庫，構建了全系統仿真模型，包含滑油供給、滑油回流、通風和熱力交換系統等。進一步與GasTurb 發動機模型進行了聯合仿真，驗證了模型的正確性。聯合仿真原理框圖如圖2 所示。

圖2 Simulink／GasTurb 聯合仿真原理圖Fig.2 Schematic diagram of Simulink/GasTurb co-simulation

Peng 等[6]在分析和仿真典型故障對測量參數影響的基礎上，利用參數趨勢分析法建立了潤滑油系統在線故障診斷系統，并構建了潤滑油系統診斷的半實物仿真平臺（見圖3）。Chen 等[7]研究了磨損對潤滑性能的影響，并獲得用于故障診斷的有效振動特征。建立了一個由磨損的動壓軸承支撐的兩盤轉子的有限元模型，通過線性和非線性模型來評估油膜力。Marrai[8]使用測試過程中的實驗數據，建立Matlab/Simulink 模型對齒輪箱潤滑系統的行為進行了仿真。上述研究工作通過Simlink 仿真工具提升了系統級仿真能力，但是系統仿真的準確性仍然取決于所建立模型的準確性。對于系統的暫態過程，準確性有待提高。

圖3 半實物仿真平臺結構圖Fig.3 The structure of HIL simulation platform

為進一步提升滑油系統仿真能力，Flowmaster、AMESim 等一些專業液壓系統仿真軟件已應用于滑油系統仿真研究。蘇立超等[9]、郁麗等[10]利用Flowmaster 流體系統商用仿真軟件，建立了包含元件與節點的滑油流路仿真網絡模型，能夠對發動機滑油系統的壓力和流量進行數值仿真。在給定的地面試車實驗工況條件下，對某型發動機的滑油系統壓力特性進行了仿真，得到了系統內部滑油壓力穩態分布情況。白杰等[11]在AMESim 軟件中構建了某型航空發動機滑油系統供油子系統模型。首先對供油系統部件進行數學物理建模，然后在軟件中搭建了整體模型，最后模擬供油油濾與活門的故障并注入系統，主要有單向活門卡滯、油濾堵塞、卸壓活門預緊力不足、旁通活門彈簧松弛這四類故障，最終得到了相應故障與其對應觀測點流量和壓力之間的映射情況。Lu 等[12]基于自主開發的航空發動機滑油系統通用分析軟件GASLS，基于管道、彎頭、厚孔板、縮徑、膨脹和噴嘴在內的元件的凈功理論和流動阻力數學模型，對航空發動機潤滑系統進行了油流、壓力和溫度分布的計算，并將潤滑系統不同分支的油流結果與實驗數據進行了比較。

1.3 黑盒模型方法

前面關于滑油系統的模型都屬于白盒模型，即必須基于明確的物理或數學模型才能建立。模型通常有更好的解釋性，內部的工作原理也更容易揭示。相對于白盒模型，使用神經網絡、復雜集成模型、梯度增強模型等方法建立的模型稱為黑盒模型。黑盒模型通常能夠獲得比較準確的結果。然而，這些模型的內部工作機制卻難以理解，也無法衡量每個特征參數對模型最終預測結果的權重大小，更不能揭示不同特征參數之間的關聯關系。Ma[13]提出了一種基于飛行試驗數據的潤滑系統建模方法，對基于大量飛行試驗數據的人工神經網絡模型進行了訓練和驗證，建立了發動機全工況和全飛行包線下6 個潤滑系統參數的模型，并提出了一種確定航空發動機潤滑系統主要影響參數的方法?；蛪毫NN 模型結構圖如圖4 所示。

圖4 滑油壓力ANN 模型結構Fig.4 Structure of oil supply pressure ANN model

2 在線故障診斷

2.1 單參數故障診斷

早期的參數故障診斷方法是基于滑油系統壓力單參數故障診斷。侯勝利等[14]構建了一種采用遺傳編程算法的故障特征提取方法。利用遺傳算法，首先從原始滑油壓力數據集中構建能有效反映故障本質特征的復合特征參數；為能夠得到對故障分類識別準確性高且數量最少的特征參數，使用Fisher 判別法進行再次特征提取。試驗結果表明，該算法模型獲取的故障特征參數對幾種滑油系統典型故障具有較強的識別能力。經過遺傳算法和Fisher 判別方法提取的特征有效增大了樣本數據的可分性，分類準確率提升了15%達到97%以上，且具有較好的魯棒性。單參數故障診斷具有一定局限性，不能全面反映系統各種故障特征。

2.2 多參數故障診斷

當前大多數研究集中在滑油系統的多參數故障診斷?；拖到y中選取的典型參數主要有：壓力類參數（主要包括供油壓力、后軸承腔腔壓、滑油壓差）、溫度類參數（主要包括供油溫度和回油溫度——中軸承腔、后軸承腔、總回油溫度）和滑油液位等。目前主要使用神經網絡和支持向量機方法對故障進行識別判斷。

Cui 等[15]針對目前飛機機載設備效果不佳的問題，構建了基于神經網絡及證據理論的數據融合模型。利用Dempster-Shafer 證據理論對2 個神經網絡的監測結果進行信息融合。進一步結合深度置信網絡（deep belief networks, DBN）方法的特征提取能力強和極限學習機（extreme learning machine, ELM）方法的快速學習優勢特點，提出了基于DBN 和ELM 方法的航空發動機滑油系統故障診斷模型[16]?；贒BN 和ELM 方法的航空發動機故障診斷流程如圖5 所示。

圖5 航空發動機故障診斷流程Fig.5 Flow chart of aero-engine fault diagnosis process

在構建改進的DBN 故障診斷模型時，使用了粒子群優化算法調整網絡結構參數，降低了人為調整神經網絡參數的不確定性對故障診斷結果造成的不良影響。文獻[17-20]中采用前饋神經網絡與小波分析相結合的方法，開展了航空發動機滑油系統小波網絡故障診斷模型研究，并給出了具體算法。結果表明，基于小波網絡的故障診斷模型具有收斂迭代速度快、對網絡參數魯棒性好等特點。曹惠玲等[21]基于自組織特征映射網絡（self-organizing feature mapping, SOFM 或SOM）神經網絡方法，如圖6 所示，構建了航空發動機滑油系統的健康評估模型。利用SOM 網絡方法，確定了不同工況條件下系統健康參數指標；將故障情況下的健康指數進行對照比較，給出系統的健康層次等級，為決策者評估滑油系統的健康狀況提供參考。

圖6 二維陣列SOM 神經網絡模型Fig.6 SOM neural network model of two-dimensional array

朱永新[22]構建了航空發動機滑油系統的改進支持向量機故障診斷模型。針對支持向量機的分類問題，使用了平均距離計算方法。與主元分析法相比，該方法對于故障數據降維效果顯著。Jiang等[23]提出了一種基于主成分分析（principal component analysis，PCA）和支持向量機（support vector machine, SVM）的方法識別飛機發動機潤滑系統的異常狀態，診斷框圖如圖7 所示。利用主成分分析法建立故障監測模型，提取故障特征。根據故障特征向量，利用支持向量機建立分類器用于識別發動機故障。

圖7 飛機發動機滑油系統故障診斷圖Fig.7 Diagram of fault diagnosis of aero-engine lubricating oil system

3 離線故障定位

在早期滑油系統故障診斷中，離線故障定位占據重要的地位。即根據已經發現的具體故障現象，進行故障根因查找和故障準確定位。故障樹分析法作為分析復雜系統可靠性及安全性的重要方法，可以定量化評估故障原因的影響程度，為系統故障診斷的有效實施提供理論支撐，在滑油系統離線故障診斷中得到了廣泛的應用。

陳農田等[24]研究了模糊故障樹理論在CFM56-7B 發動機滑油系統滲漏的故障診斷。在故障根因最小事件求解方法中使用下行法進行計算；根據滑油故障發生概率具有模糊和不確定性特點，為確定故障根因事件風險重要度，使用Delphi 系統專家調研數據并運用模糊數學理論進行了定量化分析。孫楊慧等[25]研究了考慮容錯與余度備份的系統故障建模與動態故障樹分析方法，該方法結合動態邏輯門和模塊化思想，為解決航空發動機滑油系統安全性分析提供了新思路。陳可嘉等[26]將故障樹分析方法與灰色關聯分析方法相結合，提出了一種航空發動機滑油系統故障分析方法。該方法能夠有效識別出最大關聯故障原因，進而為發動機的故障修理提供重要參考。此外，神經網絡算法也得到了應用。都昌兵等[27]把基于神經網絡BP 算法的故障診斷技術引入航空發動機滑油系統，較好地提高了故障定位的準確度。

4 滑油屑末檢測

滑油屑末（顆粒）是表征發動機內部零部件的磨損程度和滑油品質的重要參考物，不僅可以直觀反映傳動系統、軸承等零件的磨損狀態，還可以根據歷史數據預測磨損的退化趨勢，盡早發現發動機機械故障[28]。根據使用的技術方法和測量儀器的不同，大體分為基于定期采集滑油油樣的離線式監測和在線式監測兩大類。

4.1 離線分析

離線式監測技術方法中主要分為光譜分析、油液分析和鐵譜分析法。許多西方國家在上世紀中期，就開始了定期采集發動機油液進行分析來監測發動機狀態。

4.1.1 滑油屑光譜分析

在發動機故障診斷和監測中，光譜分析技術是應用最早的現代分析技術，其原理就是根據所采集油樣中所含有的金屬元素原子，其發射出的不同波長特征的譜線來開展相應金屬元素的定性與定量分析。通過測量譜線的波長和相對強度，能夠獲得滑油液中的對應金屬元素的成分及含量大小。該方法具有多元素檢測、分析速度快、界限值低、準確性高的特點[29]。當前，針對滑油中光譜Fe、Cu成分數據處理分析開展了諸多研究[30-42]。對于采集的光譜成分數據，運用AR 時序模型、支持向量機、神經網絡、灰色GM(1,1)模型、D_S 證據理論等模型對數據進行識別處理，有效地提高了處理速度和精度。

滑油光譜分析技術存在一定的局限性[43]：它對5 μm 以下直徑的磨粒發光，對于大于5 μm 的效果很差；光譜分析只能監測油液中所含金屬元素的濃度，其表征的是各摩擦副所產生的磨損累積數量，并不能得到磨損顆粒尺寸、形狀和物理特征等方面的信息。為了能得到磨粒的狀態特征等故障關鍵信息參數，光譜分析通常與其他檢測技術手段一起使用。

4.1.2 滑油屑鐵譜分析

油液鐵譜分析技術是針對航空發動機滑油系統內采集的油樣，借助高梯度強磁場的作用，將磨損顆粒分離出來，并在譜片上按一定規律排列；進一步使用鐵譜顯微鏡等儀器檢驗分析這些磨損顆粒的大小、形狀、數量和成分，開展定性和定量分析。通過鐵譜分析可以推測設備磨損發生的部位、磨損程度和產生機理等。與光譜分析相比，鐵譜分析技術可以對尺寸范圍更大的磨粒進行分析，同時還可以觀察到磨粒的形狀特征。

當前使用鐵譜與光譜分析技術相結合的方式，已成為航空發動機內部磨損狀態監測的一種高效的故障診斷方法[24]。常用的鐵譜儀器有分析式鐵譜儀直讀式鐵譜儀、旋轉式鐵譜儀、和在線鐵譜儀等，使用比較廣泛。隨著磨損顆粒分形理論不斷成熟，以及計算機圖像處理技術進步，根據鐵譜磨粒特征分析磨損機理、磨損類型及磨損程度的應用研究也朝著智能化方向發展。磨粒的形狀特征分析準確度不斷提高，反映磨粒類型的特征參數指標體系也日趨完備。當前基于圖像的滑油磨屑分析技術已有不少研究成果[44-51]。

鐵譜分析也存在其局限性，由于油樣中存在的磨粒形態參數各異、復雜多變，難以進行準確的定性分析；而且存在著以下缺點：缺乏描述磨粒定量形態的特征參數，分析精度較低以及數據重復性差等。

4.2 在線檢測

傳統的離線檢測方法雖然具有檢測精度高、獲取信息面全等優點，但是也存在一些缺點：①檢測周期長，不能迅速反映設備的工作狀況；②在測試過程中樣本油液受污染侵入的環節較多，采樣后會產生信息失真；③檢測的準確性很大程度上依賴于實驗操作員個人的能力水平和經驗。因此離線檢測方法不適于跟機實時使用，也不能用于滑油系統故障的早期診斷和預防。相比較而言，油液在線監測法優勢明顯，除了具備離線檢測方法全部優點外，還能對油液磨粒樣本進行實時監測和連續分析。因此該方法自提出后，受到了許多科研工作者的青睞。

滑油磨粒的在線監測不需要采集油液樣本，而是由安裝在發動機滑油系統管路上的傳感器進行在線數據采集，通過確定的測量機理對磨粒進行實時監測。根據物理檢測原理不同，可以分為四大類：電磁法、光學法、能量法和聲學法等。目前基于各種傳感原理的滑油屑在線檢測系統已有諸多重要成果[52-63]，文獻[61-62]中全面綜述了滑油屑各種傳感器的研究進展。磨粒在線監測受多個外界因素影響，同時由于傳感器設計復雜和安裝布置位置不理想，要實現全流域的滑油磨粒在線實時監測，并具有較高的可靠性和靈敏度等性能指標，未來還面臨諸多挑戰。

5 故障診斷系統

滑油故障診斷系統總體結構通常由三大部分組成：診斷與預測模塊、故障診斷專家系統模塊（以領域知識為核心）、綜合診斷與決策模塊[64]。早期的滑油故障診斷系統大都是基于滑油磨屑的獨立診斷系統[64-69]。圖8 給出了某典型的滑油光譜故障診斷專家系統[64]。當前滑油故障診斷系統已經融入發動機故障診斷系統，成為其中一個模塊功能，在這方面已有眾多研究成果[70-79]。

圖8 滑油光譜故障診斷專家系統Fig.8 Expert system for fault diagnosis of lubricating oil spectral

6 滑油系統故障診斷發展趨勢

從滑油系統故障診斷國內外研究現狀看，其未來發展趨勢可以總結如下：

（1） 研究更加有效的多參數信息融合故障診斷與定位方法。單純利用單信號的故障判據來確定非常困難，也難以準確定位故障發生點。一旦對應的傳感器故障，可能造成誤判，因此需要同時考慮若干相關參數進行綜合分析。參數維數越多處理起來就越復雜。目前，針對多參數的融合處理開展了一定的研究工作，但不足以覆蓋滑油系統的全部故障；故障定位準確性還有待提高。因此，如何從多參數信息中高效地提取出故障信息，并準確定位故障發生點已經成為亟待解決的問題。

（2） 研究多故障情況下的故障診斷與定位方法。傳統的單一故障的診斷已經發展了很多算法。但對于多故障發生、故障特征混疊的應用場合研究甚少，也是未來發展的方向。必須深入研究滑油系統各元件故障失效機理、故障傳遞關系、輸入輸出關系及發動機其他系統與環境的相互作用，從而提高多故障診斷的定位率。

（3） 研究滑油品質性能退化的檢測技術。研究滑油品質性能退化特征與滑油性能參數耦合模型，發展先進的基于滑油理化特性、光電磁特性變化的滑油功能失效的接觸式和非接觸式監測和評估方法，建立基于滑油性能退化表征參數(粘度和介電常數)的滑油剩余壽命預測方法。

（4） 提高故障診斷實時性。實時監測、診斷與預測是航空發動機健康管理的必然要求。因此必須具備高效、準確、故障信號采樣和傳遞，快速、有效的數據分析、故障識別及決策支持，并利用高性能計算機、高速網絡通信技術及大數據分析技術、先進的故障機理和并開發專家系統，為實時診斷的實現提供技術保障。同時，要開發快速、高效的故障診斷模型和算法，提高故障診斷實時性。

（5） 診斷、預測與維護一體化?，F代復雜裝備不僅要求在系統出現故障的情況下進行有效的診斷和定位，還要求可以準確分析出裝備目前的健康狀態，預測故障發生發展過程，給出剩余壽命，并通過實時通信將系統目前的健康狀態傳送至維修保障中心，從而實時調度維修備件和維修人員，實現故障部件的快速維修及即將出現的故障的部件的備件貯備，從而大大提升系統的維修保障性。

7 結 語

滑油系統作為航空發動機的重要組成部分，其運行狀況對發動機的狀態、性能和壽命有著重要的影響。本文全面地綜述了航空發動機滑油系統建模與數字仿真、在線故障診斷、離線故障定位、滑油屑末檢測和故障診斷系統5 個方面的技術研究進展，討論分析了滑油系統故障診斷的未來發展趨勢，為今后滑油系統技術發展和工程實施應用提供了有價值的思路。隨著精確的部件級和系統級模型建立，更多先進的故障診斷算法開發，未來航空發動滑油系統故障診斷將加速進入工程實用化階段。