北京飞机维修工程有限公司 北京市 100300
摘要：航空发动机是飞机的核心部分，是-个大型复杂的非线性系统，长期在恶劣的环境下工作，很容易发生故障。发动机的气路故障在总故障中占很大比例，且针对气路故障的维修也耗费了大量的人力和财力，因此航空发动机的气路故障诊断研究对保障人类生命安全和减少经济损失有着重要的意义。鉴于此，本文就将围绕航空发动机产生气路故障的主要原因及其相关智能诊断方法展开具体分析和研究。
关键词：航空发动机；气路故障；智能诊断
引言：航空发动机气路故障诊断是通过对发动机系统、部件的气路参数进行分析，以识别气路部件性能退化或故障的主动过程，是提高飞行安全性和可靠性、降低发动机维修成本的重要途径，当前已成为飞行推进技术研究领域的热点。因此，相关人员就有必要分析航空发动机气路系统中常见部件的故障机理，为航空发动机气路系统的故障诊断及维护提供支持。
1、航空发动机气路故障的诊断原理
航空发动机的气路故障，指气路系统的组成部件发生异常，从而使得发动机整体的性能下降。气路部件的效率和流量是衡量发动机性能的指标，也称为性能参数或健康参数。对发动机的气路故障进行诊断，可以根据发动机气路部件的效率和流量参数偏离发动机的基线值的程度来判断和辨识发动机发生故障的部位和严重程度。但是，效率和流量参数是不能直接被测量得到的，而可以通过与之相关的测量参数间接获得。健康参数发生变化时，与之相关的测量参数也会发生变化。测量参数有转子转速、燃油流量、排气温度、气流压力、推力、功率等。因此只要建立测量参数的变化值与健康参数的变化值之间的关联方程，从而得到测量参数的变化值与气路故障类型的对应关系，然后通过实时监视测量参数的变化，可以来了解发动机的健康状况、发展趋势以及发生故障的部位，从而可以进行有效的故障诊断。这样就实现发动机气路的状态监视和故障诊断。
2、航空发动机气路故障的现象分析
2.1结垢或结冰
因为叶片与空气长时间的接触，而空气中的灰尘颗粒等会累积在叶片上，即为结垢；而结冰的情况是因为叶片上有水在低温情况下结成冰。如果叶片发生结垢或者结冰时，对于风扇、增压级（低压压气机）、高压压气机来说，表面就会变得不光滑或表面增厚，使得流道面积变小和流经的气体流量减少，即风扇、压气机的流量下降；这三个部件都是靠旋转的叶片对气体做功产生空气压力，所以气体流量的减少会导致空气压力的减少／即风扇、压气机的效率下降。而对于涡轮来说，叶片结垢的原因是燃料燃烧不完全而在叶片上留下的，结垢使流道面积变小，气体的流量减少，即涡轮的流量下降；涡轮将流经的气体能量转化为机械能，气体流量的减少会导致机械能的减少，即涡轮的效率下降。
2.2磨损
叶片在长时间的转动，空气中的颗粒会与叶片产生摩擦，摩擦到一定范围就为磨损。叶片的磨损会让叶片顶端的间隙变大，叶片的有效面积变小，风扇、增压级、高压压气机是对流经的空气做功的部件，间隙发生的回流量变小，导致流经的空气量变少，产生的空气压力也变少，即风扇、增压级、高压压气机的流量和效率都下降。而对于涡轮，叶片的磨损会使得喷嘴的面积变大，流经的气流能量变多，即涡轮的流量增加；但是磨损使流经的通道变大后阻力会减小，因此需要转化的机械能变小，即涡轮的效率下降。
2.3腐蚀
腐蚀的原因是发动机在高温高压的工作环境下可能使工质与部件内的成分发生化学反应造成。对于风扇和压气机来说，叶片的腐蚀使得流经空气的叶片面积变大，流经的空气流量变大，但是腐蚀后，粗糙的表面使得阻力变大，空气流速变小，所以实际上单位时间的空气流量并没有多大变化，即风扇和压气机的流量不变；而腐蚀使得叶片的表面粗糙，流失的空气流量会变多，因此风扇和压气机的效率下降。对于涡轮来说，腐蚀会使得喷嘴的面积变大，因而流经的空气流量变大，涡轮的流量增加；但是腐蚀使得叶片表面变得粗糙，阻力变大，空气流量流速减小，因此产生的机械能基本保持不变，即涡轮的效率不变。
3、航空发动机气路故障的智能诊断方法
3.1基于BP神经网络的气路故障诊断
航空发动机气路故障诊断系统实质上是表达发动机的监测数据与故障模式之间对应关系的非线性系统，监测数据作为系统的输入，故障模式（故障类型）作为系统的输出。
一般来说，利用BP神经网络进行发动机气路故障诊断的步骤分为三步，一是根据发动机故障诊断系统的输入数据和输出数据确定BP网络的结构，构建BP网络的初始化模型；二是利用发动机的故障样本和目标输出故障类型样本训练BP神经网络，获得对所有故障样本的最佳拟合故障分类模型；三是利用训练好的BP网络故障诊断模型对诊断数据（测试样本）进行故障诊断，确定诊断数据的故障类型。
3.2基于SVM的气路故障诊断
SVM（支持向量机）是新的智能算法，是一种适合高维、小样本数据分类的学习器，可以使有限高维数据达到高水平泛化，具有很好的推广和学习能力，广泛应用于各种工程问题。
SVM算法的基本原理解决的是两类样本正确划分的问题，即两类支持向量机分类机。利用SVM算法进行发动机气路故障诊断，本质上是利用SVM算法建立一个给定输入为发动机的故障数据以及预测输出为故障类型的SVM故障诊断模型。基于SVM的发动机气路故障诊断方法分为构建、训练和故障诊断三个阶段。
一是构建阶段，根据航空发动机的故障数据和故障类型之间的关系，构建合适的SVM初始模型；二是训练阶段，给定发动机的故障样本和目标故障类型标签对SVM进行训练，找到训练样本中的支持向量，建立SVM故障诊断模型；三是故障诊断阶段，将待诊断的故障样本输入到训练好的SVM故障诊断模型中进行分类，模型输出为测试样本的故障类型。
3.3基于模糊推理的气路故障诊断
模糊逻辑提供了表达和处理模糊概念的机制，由于具有处理不确定性信息的能力，模糊理论和模糊逻辑为解决故障诊断的问题提供了重要的理论方法和现实工具。在许多故障诊断问题中，故障诊断的机理非常适合用模糊规则来描述。对此，有研究人员讨论了采用模糊逻辑进行气路故障诊断，该方法的最大特点是其模糊规则库可以直接利用专家知识构造，因而能充分利用和有效处理专家的知识和经验，而且一个适当设计的模糊逻辑系统可以在任意精度上逼近气路故障模式与可测参数之间的非线性函数关系。模糊诊断方法的不足之处在于，要建立正确的模糊规则和隶属函数是非常困难的，而且需要花费很长的时间。
3.4基于信息融合的故障诊断方法
信息处理技术的发展和新型传感器不断的应用，使得监测数据越来越多，用于状态监测与故障诊断的有用信息以各种形式存在于信息载体中，包括制造、试车台测量系统、机载测量系统、维修历史记录和专家经验等。在工程实践中，发动机维修工程师通常要对气路参数趋势、振动数据、孔探信息及机组报告等各种可用信息进行综合，来判断可能存在的故障。所以，对发动机进行融合诊断，可以提高诊断的准确性。
结束语：
智能诊断是信息网络时代中先进科学技术在航空领域中不断地渗透而衍生出的一种新型故障诊断技术，也是未来发动机部件故障诊断的重要发展趋势，其不仅对于航空发动机运行过程中微末的异常数据极度敏感，能够快速帮助工作人员识别气路异常，同时还具有较高的正确率，大幅度减少航空飞行中的安全事故，并且可以达到视情维修、减小维修成本的目的。对于维护飞机稳定飞行有着非常重要的意义。
参考文献：
[1]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.
[2]陈泉杉，陈文会，任鹏.航空发动机气路故障的智能诊断方法研究[J].内燃机与配件，2020.
[3]孔祥兴，范满意.航空发动机气路故障特征提取方法研究[J].航空动力，2019.
[4]黄登峰.航空发动机气路部件故障融合诊断方法的分析[J].中国战略新兴产业，2018.