融合先验信息的民航发动机自适应气路故障诊断方法

doi:10.7527/S1000-6893.2024.30871

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合先验信息的民航发动机自适应气路故障诊断方法

郭庆¹(), 刘晓阳¹, 樊俊峰², 付宇¹, 左洪福³

^1.中国民航大学航空工程学院，天津 300300
^2.中国南方航空股份有限公司工程技术分公司动力装置部，广州 510890
^3.南京航空航天大学民航学院，南京 210016

收稿日期:2024-06-26 修回日期:2024-07-15 接受日期:2024-08-05 出版日期:2024-08-21 发布日期:2024-08-20
通讯作者: 郭庆 E-mail:qguocauc@sina.com
基金资助:
国家自然科学基金(U2133202);中国民航大学中央高校基本科研项目(3122022046)

Adaptive gas path fault diagnosis method of civil aviation engine fusing prior information

Qing GUO¹(), Xiaoyang LIU¹, Junfeng FAN², Yu FU¹, Hongfu ZUO³

^1.College of Aeronautical Engineering，Civil Aviation University of China，Tianjin 300300，China
^2.Power Plant Department，Southern Airlines Engineering Technology Branch，Guangzhou 510890，China
^3.College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China

Received:2024-06-26 Revised:2024-07-15 Accepted:2024-08-05 Online:2024-08-21 Published:2024-08-20
Contact: Qing GUO E-mail:qguocauc@sina.com
Supported by:
National Natural Science Foundation of China(U2133202);Civil Aviation University of China Central University Basic Research Project(3122022046)

摘要/Abstract

摘要：

针对民用航空发动机传感器数量不足、难以实现有效故障诊断的问题，提出了融合先验信息的自适应气路分析模型（AGPAM-PI），提升了发动机故障诊断的准确性与效率。AGPAM-PI结合发动机指印图的先验信息和非线性气路故障诊断方法，首先通过指印图对故障信息进行有效补充，对故障因子求解范围约束限定，然后再利用非线性气路分析模型进行故障诊断。以一台在实际运营过程中发生故障的CFM56-7B发动机数据进行验证，结果表明模型对该发动机的故障进行了准确的定位并通过发动机故障诊断规则分析了发动机故障模式，证明了模型的有效性。相比传统的气路故障诊断方法，先验故障信息的引入增强了单元体故障的识别能力，提高了诊断精度。

关键词: 民航发动机, 故障诊断, 部件级建模, 信息融合, 非线性气路分析

Abstract:

To address the problem of difficulty in effective fault diagnosis for civil aviation engines due to insufficient numbers of sensors， an Adaptive Gas Path Analysis Model incorporated with Prior Information （AGPAM-PI） is proposed to enhance the accuracy and efficiency of engine fault diagnosis. The AGPAM-PI combines the prior information of the engine fingerprint and the nonlinear gas path fault diagnosis method. The fault information is firstly supplemented through the fingerprint diagram， the solution range of fault factors is constrained， and then the nonlinear gas path analysis model is used for fault diagnosis. The model is validated using the data from a CFM56-7B engine that experienced a fault during actual operation. The results show that the model accurately locates the fault of the engine and analyzes the engine fault mode through engine fault diagnosis rules， which proves the validity of the model. Compared with traditional gas path fault diagnosis methods， the introduction of prior fault information improves the ability to distinguish unit faults and enhances diagnostic accuracy.

Key words: civil aviation engine, fault diagnosis, component-level modeling, information fusion, nonlinear gas path analysis

中图分类号:

V263.6

郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871.

Qing GUO, Xiaoyang LIU, Junfeng FAN, Yu FU, Hongfu ZUO. Adaptive gas path fault diagnosis method of civil aviation engine fusing prior information[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(4): 230871.

图/表 13

图 1

图 2

图3

图 4

图 5

图 6

表1

图 7

表2

表3

表4

表5

表6

参考文献 26

1	IATA. Airline maintenance cost executive commtary： FY2022［R］. Montreal： International Air Transport Association， 2024.
2	黄金泉，王启航，鲁峰. 航空发动机气路故障诊断研究现状与展望［J］. 南京航空航天大学学报， 2020， 52（4）： 507-522.
	HUANG J Q， WANG Q H， LU F. Research status and prospect of gas path fault diagnosis for aeroengine［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2020， 52（4）： 507-522 （in Chinese）.
3	URBAN L A. Gas turbine engine parameter interrelationships［M］. Windsor Locks： Hamilton Standard Division of United Aircraft Corporation， 1969： 4-5.
4	DANIEL K. A non-linear weighted least squares gas turbine diagnostic approach and multi-fuel performance simulation［D］. Cranfield： Cranfield University， 2011： 1-2.
5	SIMON D， SIMON D L. Aircraft turbofan engine health estimation using constrained Kalman filtering［J］. Journal of Engineering for Gas Turbines and Power， 2005， 127（2）： 323-328.
6	FU X Y， LUO H， ZHONG S S， et al. Aircraft engine fault detection based on grouped convolutional denoising autoencoders［J］. Chinese Journal of Aeronautics， 2019， 32（2）： 296-307.
7	李业波，李秋红，黄向华，等，航空发动机气路部件故障融合诊断方法研究［J］. 航空学报， 2014， 35（6）： 1612-1622.
	LI Y B， LI Q H， HUANG X H， et al. Research on gas fault fusion diagnosis of aero-engine component［J］. Acta Aeronautica et Astronautica Sinica， 2014， 35（6）： 1612-1622 （in Chinese）.
8	鲁峰，黄金泉，仇小杰，等. 基于信息熵融合提取特征的发动机气路分析［J］. 仪器仪表学报， 2012， 33（1）： 13-19.
	LU F， HUANG J Q， QIU X J， et al. Feature extraction based on information entropy fusion for turbo-shaft engine gas-path analysis［J］. Chinese Journal of Scientific Instrument， 2012， 33（1）： 13-19 （in Chinese）.
9	林京，张博瑶，张大义，等. 航空燃气涡轮发动机故障诊断研究现状与展望［J］. 航空学报， 2022， 43（8）： 626565.
	LIN J， ZHANG B Y， ZHANG D Y， et al. Research status and prospect of fault diagnosis for gas turbine aeroengine［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 626565 （in Chinese）.
10	陈大光. 燃气涡轮发动机的状态监控与故障诊断［J］. 航空学报， 1989，10（6）： 225-236.
	CHEN D G. Gas turbine engine condition monitoring and fault diagnostics［J］. Acta Aeronautica et AstronauticaSinica，1989， 10（6）： 225-236 （in Chinese）.
11	陈大光，韩凤学，唐耿林. 多状态气路分析法诊断发动机故障的分析［J］. 航空动力学报， 1994（4）： 12-15.
	CHEN D G， HAN F X， TANG G L. Analysis of multistate gas path analytical method in fault diagnosis for aeroengine［J］. Journal of Aerospace Power， 1994，9（4）： 12-15 （in Chinese）.
12	朱之丽，孟凡涛. 模型辨识法诊断发动机故障的分析［J］. 北京航空航天大学学报， 2003， 29（5）： 398-401.
	ZHU Z L， MENG F T. Aircraft engine fault diagnosis research using model identification based method［J］. Journal of Beijing University of Aeronautics and Astronautics， 2003， 29（5）： 398-401 （in Chinese）.
13	范作民，孙春林，林兆福. 发动机故障诊断的主因子模型［J］. 航空学报， 1993， 14（12）： 588-595.
	FAN Z M， SUN CL， LIN Z F. Primary factor model for jet engine fault diagnosis［J］. Acta Aeronautica et Astronautica Sinica， 1993， 14（12）： 588-595 （in Chinese）.
14	ARETAKIS N， MATHIOUDAKIS K， STAMATIS A. Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach［J］. Journal of Engineering for Gas Turbines and Power， 2003， 125（3）： 642-650.
15	KAMBOUKOS P， MATHIOUDAKIS K. Multipoint non-linear method for enhanced component and sensor malfunction diagnosis［C］‍∥Proceedings of ASME Turbo Expo 2006： Power for Land， Sea， and Air. New York：ASME， 2008： 619-627.
16	GULATI A， ZEDDA M， SINGH R. Gas turbine engine and sensor multiple operating point analysis using optimization techniques［C］∥36th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit. Reston： AIAA， 2000.
17	BORGUET S， DEWALLEF P， LE’ONARD O. A way to deal with model-plant mismatch for a reliable diagnosis in transient operation［J］. Journal of Engineering for Gas Turbines and Power， 2008， 130（3）： 031601.
18	顾嘉辉，黄金泉，鲁峰. 航空发动机健康估计的神经网络修正卡尔曼滤波算法［J］. 推进技术， 2018， 39（11）： 2564-2570.
	GU J H， HUANG J Q， LU F. Neural network corrected Kalman filter algorithm for aero-engine health parameters estimation［J］. Journal of Propulsion Technology， 2018， 39（11）： 2564-2570 （in Chinese）.
19	范作明，孙春林，白杰. 航空发动机故障诊断导论［M］. 北京：科学出版社， 2004： 17-18.
	FAN Z M， SUN C L， BAI J. Introduction to aero-engine fault diagnosis［M］. Beijing： Science Press， 2004： 17-18 （in Chinese）.
20	蒋伟. 基于指印图与气路参数偏差值的航空发动机气路性能评估［D］. 哈尔滨：哈尔滨工业大学， 2022： 9-10.
	JIANG W. Performance evaluation of aero-engine gas path based on fingerprint and gas path parameter deviation value［D］. Harbin： Harbin Institute of Technology， 2022： 9-10 （in Chinese）.
21	KURZKE J. How to create a performance model of a gas turbine from a limited amount of information［C］‍∥Proceedings of ASME Turbo Expo 2005： Power for Land， Sea， and Air. New York： ASME， 2008： 145-153.
22	KURZKE J， HALLIWELL I. Component performance［M］‍∥Propulsion and Power. Cham： Springer International Publishing， 2018： 439-575.
23	GIRÃO B P. Development of a prediction model for the CFM56-7B engine［D］. Coventry： The University of Beiralnterior， 2023： 28.
24	王冉. 基于QAR的航空发动机性能发展预测研究［D］. 天津：中国民航大学， 2020： 19-20.
	WANG R. Research on aero-engine performance development prediction based on QAR［D］. Tianjin： Civil Aviation University of China， 2020： 19-20 （in Chinese）.
25	黄晓光. 基于热力参数的燃气轮机故障诊断［D］. 上海：上海交通大学， 2000： 25-27.
	HUANG X G. Fault diagnosis of gas turbine based on thermal parameters ［D］. Shanghai： Shanghai Jiao Tong University， 2000： 25-27 （in Chinese）.
26	林海. SPEY三轴燃气轮机设计工况各种故障性能的模型［D］. 上海：上海交通大学， 2008： 33-37.
	Lin H. Model of various fault performance of SPEY three-axis gas turbine under design conditions［D］. Shanghai： Shanghai Jiao Tong University， 2008： 33-37 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数名称	符号及单位
低压转子转速	N₁/（r·min^-1）
风扇进口总压	P_t2/MB
高压压气机出口静压	P_s3/PSIA
发动机排气温度	T_EGT/℃
高压压气机进口总温	T₂₅/℃
高压压气机出口总温	T₃/℃
燃油流量	W_f/（kg·h^-1）
高压转子转速	N₂/（r·min^-1）

巡航标准	参数名称	判据
飞行状态	H_ALT	>2×10⁴ ft
飞行状态	Ma	0.6<Ma<0.9
稳态条件	ΔT_TAT	<±1 ℃
	ΔN₁	<±0.5%
	ΔH_ALT	<±100 ft
	ΔMa	<±0.01
	ΔN₂	<±1%
	ECS bleed	发动机引气稳定，整流罩、机翼防冰关闭

气路参数	数值
低压转子转速/%	85.8
高压转子转速/%	89.6
高压压气机进口总温/℃	41.5
高压压气机出口总温/℃	383
燃油流量/（kg·h^-1）	1 234
高压压气机出口静压/PSIA	124
发动机排气温度/℃	607
客舱引气/（kg·s^-1）	0.66

故障单元	单元体故障因子
故障单元	△ $W ˜$	△ $E ˜$
HPC	-4.526 7	-1.826 4
HPT	-0.025 2	0

气路参数	A	B	P/%
高压转子转速/%	89.6	89.61	0.011
高压压气机进口总温/℃	41.5	41.5	0
高压压气机出口总温/℃	383	382.9	0.026
燃油流量/（kg·h^-1）	1 234	1 236	-0.162
高压压气机出口静压/PSIA	124	129.8	-4.677
发动机排气温度/℃	607	606.3	0.155

融合先验信息的民航发动机自适应气路故障诊断方法

Adaptive gas path fault diagnosis method of civil aviation engine fusing prior information

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

故障代码	故障名称	故障征兆
F1	风扇叶片结垢	风扇流量下降7%，风扇效率下降2%
F2	风扇叶片顶端间隙增大	风扇流量下降4%
F3	风扇叶片受外物损伤	风扇效率下降5%
F4	风扇叶片腐蚀	风扇效率下降2%
LC1	增压级叶片结垢	增压级流量下降7%，增压级效率下降2%
LC2	增压级叶片顶端间隙增大	增压级流量下降4%
LC3	增压级叶片受外物损伤	增压级效率下降5%
LC4	增压级叶片腐蚀	增压级效率下降2%
HC1	压气机叶片结垢	压气机流量下降7%，压气机效率下降2%
HC2	压气机叶片顶端间隙增大	压气机流量下降4%
HC3	压气机叶片受外物损伤	压气机效率下降5%
HC4	压气机叶片腐蚀	压气机效率下降2%
HT1	高压涡轮叶片结垢	高压涡轮流量下降6%，高压涡轮效率下降2%
HT2	高压涡轮喷嘴腐蚀	高压涡轮折合流量增加6%
HT3	高压涡轮叶片磨损	高压涡轮流量增加6%，高压涡轮效率下降2%
HT4	高压涡轮叶片机械损伤	高压涡轮效率下降5%
LT1	低压涡轮叶片结垢	低压涡轮流量下降6%，低压涡轮效率下降2%
LT2	低压涡轮喷嘴腐蚀	低压涡轮折合流量增加6%
LT3	低压涡轮叶片磨损	低压涡轮流量增加6%，低压涡轮效率下降2%
LT4	低压涡轮叶片机械损伤	低压涡轮效率下降5%

[1]	赵春晖, 刘安萌, 吕洋, 潘泉. 无人机韧性自主定位技术综述[J]. 航空学报, 2024, 45(8): 28839-028839.
[2]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[3]	黄湛钧, 董鑫, 卢沐宇, 张瑞涛, 闫钊阳, 张安. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断[J]. 航空学报, 2024, 45(3): 328685-328685.
[4]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[5]	李春华, 孙见忠, 陆纪龙. 面向运维的HPT叶片寿命数字孪生建模方法[J]. 航空学报, 2024, 45(21): 629385-629385.
[6]	胡明辉, 刘少朋, 王浩, 李晨阳, 王维民, 江志农. 基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法[J]. 航空学报, 2024, 45(20): 230098-230098.
[7]	李天晴, 王维民, 张旭龙, 王树慧, 付振宇. 基于叶尖定时的转子叶片轴向位移辨识方法[J]. 航空学报, 2024, 45(2): 228682-228682.
[8]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[9]	李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报, 2024, 45(17): 530611-530611.
[10]	胡渊豪, 宋艺博, 刘家辉, 赵孝礼, 邓文翔, 胡健, 姚建勇. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断[J]. 航空学报, 2024, 45(15): 630407-630407.
[11]	李洁, 黄文新, 蔡一鸣, 王思远, 高宇飞, 蒋雪峰. 基于DFPMM的位置传感器故障诊断与容错控制[J]. 航空学报, 2024, 45(10): 329307-329307.
[12]	贾宝惠, 姜番, 王玉鑫, 王杜. 基于民机维修文本数据的故障诊断方法[J]. 航空学报, 2023, 44(5): 326598-326598.
[13]	王金瑞, 季珊珊, 张宗振, 初振云, 韩宝坤, 鲍怀谦. 并行稀疏滤波在轴承声信号下的故障诊断[J]. 航空学报, 2023, 44(4): 426887-426887.
[14]	陈泽灏, 陈晖, 高玉闪, 张航. 基于模型的液体火箭发动机故障诊断技术回顾与展望[J]. 航空学报, 2023, 44(23): 629016-629016.
[15]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.