燃氣渦輪發動機PHM系統設計與實現技術研究

范永欣, 郭陽明, 肖 翼

(1.西北工業大學 計算機學院,陜西 西安 710072; 2.西北工業大學 網絡空間安全學院,陜西 西安 710072; 3.中國航空發動機研究院,北京 101300)

故障預測與健康管理(Prognostics and Health Management,PHM)技術是發動機領域的重要技術之一,對提升燃氣渦輪發動機使用效能、降低維護成本有重要意義。參考美國的PHM技術發展,美國在F-35項目中,正式將故障預測、健康管理、維修保障決策綜合性地融合成解決方案,并正式命名為PHM系統。PHM是聯合攻擊戰斗機(Joint Strike Fighter,JSF)項目實現經濟承受性、保障性和生存性目標的關鍵。JSF的PHM系統的技術根源是機內測試(Built-in Test,BIT)技術和基于測控技術的狀態監測和數據采集,在集成了以可靠性為中心的維修分析(Reliability Centered Maintenance Analysis,RCMA)工程后,形成了目前的從狀態監測到故障診斷再到主動保障的綜合性PHM系統。

我國的PHM技術研究起步較晚,但經過廣大科研工作者的深入研究,也取得了諸多成果。其中,郭陽明等[1]撰寫了故障預測與健康狀態管理技術綜述,總結了PHM技術的內涵、工作原理和該技術的功能與作用,然后對PHM技術涉及的關鍵技術進行了詳細的介紹;在故障診斷領域,李少塵等[2]撰寫了航空燃氣渦輪發動機氣路故障診斷進展報告,為先進航空發動機健康管理系統提供了有力技術支撐;馬帥等[3]開展了基于飛行過程數據的航空發動機故障診斷方法研究,使得故障檢測和識別準確率分別達到96.51%和95.06%;郭陽明等[4]開展了基于回聲狀態網絡(Echo State Network,ESN)的航空發動機狀態組合預測方法研究,能夠有效提升預測效率和精度;在PHM系統設計方向,李曉明[5]開展了防喘控制系統故障預測與健康管理技術應用研究;在PHM指標體系設計方面,蔡光耀等[6]開展了PHM指標體系研究,在分析典型先進航空發動機預測健康管理(Engine Prognostics and Health Management,EPHM)系統的基礎上,詳細闡述了EPHM的需求,并基于需求系統梳理了EPHM系統的指標體系,同時也為發動機PHM系統建設提供了寶貴的意見;在發動機剩余壽命預測方面,得益于美國國家航空航天局(National Aeronautics and Space Administration,NASA)的公共商用模塊化航空推進系統仿真(Commercial Modular Aero-Propulsion System Simulation,C-MAPSS)數據集,大量的研究人員在此基礎上開展了基于神經網絡進行剩余壽命預測的技術研究,其中,較為成熟的算法是長短時記憶網絡(Long Short-Term Memory,LSTM)算法,李新龍[7]開展了基于深度學習的渦輪發動機剩余壽命預測方法研究,采用多層LSTM模型對NASA提供的渦輪發動機數據集進行了預測和驗證。

綜上所述,目前我國的燃氣渦輪發動機PHM系統設計技術上主要存在以下兩個方面的問題：首先是整體性不強,PHM系統設計方向不明確,主要體現在指標體系設計不能覆蓋任務層和保障層;其次,引入PHM領域的先進技術應進行驗證性分析,原因一方面是此類先進的技術還有待進行工程驗證,另一方面是對于先進技術,例如先進的故障診斷方法、先進的保障決策方法等,需要從工程實際出發進行分析和取舍。針對以上兩個問題,本文提出了一種燃氣渦輪發動機PHM系統的技術架構,核心設計思想是以任務為中心,覆蓋由故障到保障的全過程,針對發動機的任務實時監測、保障決策和關鍵部件壽命預測3個方面,通過引入可靠性領域的成熟的工程技術(例如測試性和RCMA工程技術),建立故障診斷和保障決策兩個核心功能,引入先進的智能算法進行關鍵部件的壽命預測。

1 燃氣渦輪發動機PHM系統技術架構

燃氣渦輪發動機PHM系統的設計,應以提升發動機的使用效能和保障效能為目標,本文所提出的基本技術架構如圖1所示,在物理結構上,分為實時監測模塊與保障決策模塊。其中實時監測模塊主要圍繞傳感器和發動機控制器采集的監測數據開展健康管理與故障診斷,采用基于測試性診斷理論開展故障診斷,注重診斷的實時性;保障決策模塊主要針對同型號、多設備的條件進行數據匯集,開展基于人工智能的壽命預測,圍繞RCMA進行保障決策的輸出。

圖1 燃氣渦輪發動機PHM技術框架

目前國內外在PHM平臺領域有很多具有代表性的產品,可以通過橫向對比先進的PHM設計平臺,從而評估其燃氣渦輪發動機PHM系統的能力。國內外PHM平臺的技術對比如表1所示,選取國內具有代表性的旋極的PIDE產品、美國的Suresence平臺和VSE-PHM平臺進行分析,從業務符合程度、故障診斷能力、保障決策能力、功能擴展性、壽命預測能力和架構先進程度6個角度進行分析對比,其中本文所述平臺在業務符合程度、架構先進程度兩個維度具有優勢,主要原因是在設計時充分考慮了燃氣渦輪發動機的特性及任務場景,針對性地設計了指標體系,同時,采用了實施檢測模塊與保障決策模塊分離的架構,主要考慮到監測實時性的要求,以及保障決策的智能化需求。實時性要求平臺具備快且準確的特點,而保障決策則需要平臺具備合理且及時的特點,所以將診斷與決策進行了分離,這樣PHM系統將會更加具有針對性。在故障診斷能力、保障決策能力和壽命預測能力3個方面,本文所述平臺與其他平臺的差距不大,其中VSE-PHM系統在故障診斷能力和壽命預測能力方面優于本文所述架構,主要原因是其在智能算法方面具有較大的優勢。

表1 國內外PHM平臺的技術對比

2 燃氣渦輪發動機PHM系統關鍵技術

高效的燃氣渦輪發動機PHM系統依賴于多個領域的基礎能力,主要包括傳感器技術、數據總線技術、故障診斷技術、健康狀態指標體系設計、壽命預測、維修保障決策等。

在渦輪發動機PHM的相關技術中,為了突出由故障到保障的PHM系統的核心思想,本文著重介紹以下技術。

① 在線監測技術,借助傳感器和發動機控制器數據,實現對發動機狀態的實時監測。

② 結合發動機的實際工況,借助多設備采集的數據,采用基于LSTM的人工智能算法對發動機的剩余壽命進行預計。

③ 基于RCMA,實現快速保障決策。

2.1 燃氣渦輪發動機在線監測技術

在線監測技術是目前開展PHM系統設計的核心技術之一,通過在線監測可以快速實現故障感知,通過傳感器對渦輪發動機的關鍵部件進行關鍵參數的監測,并集成到PHM系統中,將極大地提升故障診斷的效率[8]。

燃氣渦輪發動機的基本結構和功能如圖2所示。其中發動機本體主要由風扇、壓氣機、燃燒室、高壓渦輪、低壓渦輪和尾噴管構成。整個發動機還包括起動控制裝置、燃油控制系統、點火起動系統、潤滑系統、傳動系統和供電系統。

圖2 燃氣渦輪發動機的基本結構及功能

在燃氣渦輪發動機工作過程中,其技術狀態通常分為4種,分別是慢車狀態、額定狀態、最大狀態和加力狀態,并且每種狀態對應的技術參數有所不同,燃氣渦輪發動機屬于非常精密的機電設備,其工況條件為高速、高溫、振動等多環境要素融合;在線監測技術的核心思想是通過判定各個技術狀態的參數是否在合理區間內,判定發動機的狀態是否正常,所選擇的監測參數通常由傳感器參數、指示燈、操作數據等構成,通過監測參數是否超限,可以快速定位問題所處的部件范圍,加速排故過程,提升維修效率。

發動機常見故障類型如圖3所示,主要分為耗損型故障、過應力型故障和綜合故障,其中,在開展RCMA的過程中,針對不同的組成單元,可以按照故障的類別和原因進行歸類,建立故障與維修策略的映射關系。

依據潛在的故障和歷史經驗,對渦輪發動機的在線監測主要包括以下5個參數。

(1) 轉子的轉速參數(N1與N2)。

轉子轉速主要分為高壓轉子轉速N2與低壓轉子轉速N1,其中,高壓轉子轉速主要表征的是發動機的整體性能,低壓轉子轉速主要反映的是風扇和低壓渦輪的運行狀態。

圖3 發動機常見故障類型

(2) 燃油流量參數。

燃油流量參數主要用來反映進入燃燒室的燃油量,通常與其他參數共同分析,以判斷發動機的運行狀態,通常反映燃油控制系統的運行狀態。

(3) 油液參數。

油液參數主要用于分析由于高溫、振動和磨損導致的雜質,用于判斷發動機的耗損型故障,通常能夠反映潤滑系統的整體狀態。

(4) 排氣溫度。

由于發動機處于高空工作狀態,空氣進入量相較于海平面明顯降低,通常需要增大供油保證推力,排氣溫度會升高,考慮到葉片承溫能力的物理極限,通常在控制溫度的時候,推力會下降,在長期工作狀態下,發動機性能退化,因此排氣溫度與推力變化能夠反映整體的發動機性能,是重要的監測參數。

(5) 振動參數。

發動機工作時必然伴隨振動,振動參數主要反映機械部件的整體狀態,如齒輪、軸承等,是早期甄別故障與故障預測的重要參數,如振動的頻率、賦值、相位移動等,這類參數的獲取方式更加成熟,傳感器水平較高。

具有代表性的在線監測信號,可參考C-MAPSS數據集,如表2所示。

表2 C-MAPSS數據集數據

2.2 基于LSTM算法開展發動機剩余壽命預測

傳統的通過可靠性建模等方式進行發動機壽命預測會出現預測精度不準的問題,導致發動機的維修保障工作開展缺乏有效依據。人工智能技術和傳感器技術的發展為面向數據的發動機壽命預測提供了新的方法和途徑[9]。其中,基于時間序列的壽命預測技術應用最為廣泛,其中LSTM算法尤為突出,LSTM算法在NASA公布的C-MAPSS數據集[10]上經過反復驗證,預測精度較高,同時,經過多年的研究,很多研究人員在此基礎上對算法進行了改進,進一步優化和提升了LSTM算法[11-12]。

基于LSTM的預測模型原理如圖4所示,其核心原理是針對發動機傳感器數據中的前N個時間點的數據進行預測,輸出第N+1個時間的特征數據。訓練時將N+1個時間點的真實值作為模型的預期輸出,經過所有采集數據的訓練后,輸入測試樣本,經模型計算后,輸出測試樣本集后續時間內的預測結果。

圖4 LSTM模型預測示意圖

LSTM算法的核心思想是通過引入門控制機制來解決RNN[13]算法中的梯度爆炸問題,使得算法能夠建立對有效信息的長期學習機制,這樣就解決了在實際的運行環境中發動機長時正常但瞬間異常的問題,也避免了時間跨度導致的特征不敏感現象,增強了對壽命影響因子的關聯。LSTM模型訓練網絡結構如圖5所示。

圖5 LSTM模型訓練網絡結構示意圖

其預測模型的物理含義為計算t時刻到未來一個時刻的輸出,網絡訓練模型轉換為數據表達式,可組成以下數學運算：

采用C-MAPSS數據集中的第二套數據(FD002)為案例對LSTM方法進行驗證,數據集由多個多變量時間序列組成,每個數據集被進一步分為訓練和測試子集,每個時間序列都來自不同的發動機,也就是說,這些數據可以被認為是來自同一類型的發動機隊列,每臺發動機開始時都有不同程度的初始磨損和制造變化,這對用戶來說是未知的。C-MAPSS數據集數據類型如表2所示。

驗證的結果圖如圖6所示,其中藍色直線為發動機真實的剩余使用壽命(Remaining Useful Life,RUL)值,橙色線為預測值。通過對比可見預測值與真實值符合度較高,在數據量和監測數據種類進一步提升的情況下,算法的精度將進一步提升,從側面說明了智能算法的應用價值。

圖6 C-MAPSS數據集上進行LSTM算法驗證結果圖

但不可否認的是,該算法的準確度較高是因為針對的是一種故障引起的發動機壽命終止,而在多種故障條件下和故障原因耦合的場景下,該算法的能力還需要進一步提升,可考慮從特征提取和數據量兩個方面入手,在實際應用中,應針對多種故障進行多種算法的融合才能達到更加精準預測的目標。

2.3 基于RCMA實現維修保障決策的快速生成

(1) RCMA。

RCMA是目前效率最高、工程應用最為成熟的維修任務分析技術,依托于發動機前期開展的可靠性分析工作,形成圍繞組成單元—故障—原因—影響—維修分析的分析結果,并以此開展維修任務分析工作。RCMA技術是實現最終CBM的基礎,本文提出的基于RCMA的維修保障決策生成技術,前端的輸入應為健康管理的實際輸出結果,在健康管理端實現狀態的確定,在RCMA部分提供所匹配的維修任務[14]?；赗CAM的維修保障決策技術執行過程如圖7所示。

圖7 基于RCMA的維修保障決策技術執行過程

以文獻[15]中所提到的某型燃氣輪機氣路系統為例,進行RCMA,并對維修成本、備件配置效率、工時成本等進行了補充,從而形成對決策算法的輸入,RCMA示例如表3所示。

表3 主氣路系統RCMA示例

其中對于分析結果中的3個指標說明如表4所示。

表4 RCMA中的符號說明

(2) 維修保障策略生成。

基于RCMA的維修保障決策生成,是以RCMA為基礎,在多臺維修對象和故障數量不唯一的場景下,進行有效的維修保障方案設計,以便最大化維修保障效能?；赗CMA的維修保障決策生成,主要計算過程如下。

① 構造單一故障維修效率計算函數。

(1)

式中：f(xi)為發動機第i個故障的維修效率;xi為第i個考慮的要素,通?？煽紤]重要度、維修時間、備件等待時間、經濟成本、時間成本、人員能力等;j為效能評估的考慮要素總數。

注：在工程工作中開展維修任務分析時,針對每一項故障,均有維修工藝表、維修工藝步驟資源表等詳細的工程分析數據,本案例中,維修成本和維修時間均可從維修工藝表、維修工藝步驟資源表中匯集得到,本案例不進行詳細的羅列,僅使用成本與時間進行示例。

② 構造故障矩陣及效率矩陣。

故障矩陣如下：

(2)

式中：Fnr為當前批次發動機的故障矩陣;λnr為第n個發動機的第r個故障是否發生,以0或者1表示,1代表故障發生;np為當前待維修批次發動機總數;rp為當前發動機的故障總數。

注：括號內為量化值范圍,便于后續計算。

效率矩陣如下：

E1r=[f(x1),f(x2),…,f(xr)]T

(3)

式中：E1r為由單一故障維修效率構成的一維矩陣。

③ 計算與權衡分析。

采用效能評估函數如下：

Wn1=Fnr×E1r

(4)

對數據進行處理：

(5)

式中：Wn1為對矩陣Fnr與E1r進行的求積運算結果構成的一維矩陣,代表當前批次發動機的維修效能估計。

依照本節算法設計實驗案例分析如下。

假設：當前批次的故障發動機共有10臺,評估的要素有3種,分別是嚴酷度、維修成本和維修時長,RCMA采用表3中的數據,故障清單如表5所示。

表5 案例分析采用的10臺發動機故障信息

按照式(1)～式(4)執行測試后,運行結果如表6所示。

表6 維修效能計算結果

對其進行可視化分析如圖8所示。

圖8 發動機維修效率對比示意圖

在數據分析時,數值小意味著易修理且成本低,同時故障影響較小,發動機恢復任務能力的效率較高。

圍繞前文所提出的渦輪發動機PHM系統技術架構,對其中三項關鍵技術進行了介紹與分析,初步形成了圍繞測試性診斷和基于LSTM的壽命方法解決故障診斷與壽命預測兩個PHM系統的核心問題,圍繞RCMA實現由健康管理向保障實施的延伸,通過基于任務分級的指標體系以評估發動機的整體健康狀態。

3 燃氣渦輪發動機PHM系統設計

本文提出的燃氣渦輪發動機的PHM系統架構[16]中,實時監測模塊主要負責發動機數據傳感器的數據采集、發動機實時健康狀態管理、故障診斷、實時數據存儲與傳輸等主要內容;保障決策模塊則主要負責數據接受、數據清洗、壽命預測、保障決策等功能。實時監測模塊搭載在裝備上,提升故障診斷效率;保障決策模塊則主要依靠計算機作為載體對接多個發動機,充分利用數據積累的優勢,提升壽命預測精度和保障決策的準確性。

3.1 實時監測模塊功能設計

實時監測模塊功能架構如圖9所示,劃分為傳感器單元、數據處理單元、狀態監測與故障診斷單元、顯示輸出單元和數據存儲單元。主要針對氣路、油路等發動機功能單元,獲取其傳感器數據,形成溫度、濕度、振動等量化參數,將參數輸入機載發動機狀態監測與故障診斷單元中,經邏輯判讀,輸出性能、溫度、濕度和振動參數曲線,借助指標體系判斷發動機的健康狀態,并將信息投放到駕駛艙顯控單元,同時,將任務信息、參數信息、時間戳信息和診斷信息寫入數據存儲單元中,便于保障決策模塊收集數據。

圖9 實時監測模塊功能架構

3.2 保障決策模塊功能設計

保障決策模塊功能架構如圖10所示,主要實現對實時監測模塊的數據接入,同時完成多臺發動機的數據匯集,在數據庫中,集成了算法庫、指標庫、參數庫等基礎資源,對發動機的故障模式影響與危害度以及維修任務分析結果進行格式化存儲,以便于實現故障到決策的快速關聯,最終能夠按照型號、設備、任務等輸出健康管理報告、壽命趨勢分析報告,同時,可以對預測模型進行周期性訓練,以提升預測精度。

4 結束語

本文通過對國內外的PHM系統進行調研與分析工作,結合我國燃氣渦輪發動機PHM技術與系統的實際情況,提出了一種燃氣渦輪發動機的PHM系統的技術架構,在此架構中,涉及的測試性診斷技術、基于人工智能的壽命預測技術和基于RCMA的保障決策技術均是目前具有較強工程應用價值的技術。

同時,不可否認的是,燃氣渦輪發動機PHM系統設計技術還有很多難點需要攻克,首先,對于基于測試性建模的故障診斷技術,對于機械部分的診斷效果依賴于傳感器技術水平[17];其次,基于人工智能的壽命預測技術,依賴于數據的采集與算法的設計研究,本文提出的LSTM算法在實踐上經過NASA數據集的驗證,但是該數據集存在故障模式數據不足的問題,此類算法尚需要經歷較多次數據采集、算法改進、驗證的過程;對于RCMA,則對可靠性、維修性和保障性分析工作提出了較高的要求,在工程實施過程中,需要設計師、綜保工程師和維修工程師的協同配合,才能形成高水平的分析結果。

可以預見的是,隨著傳感器設計技術、仿真技術、試驗技術等先進工程技術能力的提升,數據獲取的方式將更加豐富,燃氣渦輪發動機PHM系統設計將向智能化、輕量化發展,實時監測模塊將具備更高的監測效率,更強的健康狀態評估能力,保障決策模塊將具備更強的多維度、大規模數據分析能力,發動機壽命預測更為精準,保障策略更加精確。