2021 年 12 月

第 42 卷 第 12 期

推 进 技 术

JOURNA L O F PRO PU L S ION TECHNO LOGY

Dec. 2021

Vol.42 No.12

基于试飞数据的航空发动机状态监测与故障诊断 *

潘鹏飞

（中国飞行试验研究院，陕西 西安 710089）

摘 要：为了实时监控航空发动机工作参数变化情况，快速及时地预测并诊断发动机故障，本文基

于实际试飞数据建立了航空发动机ANN-NARX 参数预测模型，考虑到建模样本量大、模型结构复杂、

训练时间长、输入输出延迟等因素，采用遗传算法对模型的最小数据样本需求和结构进行了改进优化，

并利用蒙特卡洛方法确立了参数预测模型的自适应告警门限，同时，基于构建奇偶空间残差模型实现了

航空发动机典型故障诊断。结果表明：实际试飞中只需有限架次试飞数据的训练学习，即可得到发动机

参数预测模型，高压转子转速、压气机出口压力、低压涡轮出口温度及滑油回油温度相对误差最大值分

别为1.0%，1.7%，0.2%和1.2%，综合模型建模误差和参数测量误差后的自适应告警门限有效降低了模

型预测结果的不确定性，在已有数据样本集上的典型故障识别率达到95.2%。

关键词：航空发动机；飞行试验；状态监测；神经网络；故障诊断

中图分类号：V231.3 文献标识码：A 文章编号：1001-4055（2021）12-2826-12

DOI：10.13675/j.cnki. tjjs. 200707

Flight Data Based Condition Monitoring and Fault

Diagnosis of Aero-Engine

PAN Peng-fei

（Chinese Flight Test Establishment，Xi’an 710089，China）

Abstract：During flying test life cycle，aircraft engine conditions change greatly and faults have been en⁃

countered frequently. There always exist urgent needs about monitoring parameters trending on-line，predicting

possible faulty condition and diagnosing the specific type when faulty condition encountered. The problem of con⁃

dition monitoring and fault diagnosis based on flight test data has been studied in this paper. ANN-NARX param⁃

eters predicting model of aero engines has been built based on actual flight test data. Considering large demands

on data samples，the complex and large design space of ANN model，consequently long training time and inputoutput time delaying，the model architectures and minimum sample demands have been optimized based on

evolving algorithms. The self-adapting thresholds of predicting model have been set using Monte-Carlo method.

The specific fault diagnosis has been realized by constructing parity space residual model. All models in this pa⁃

per have been tested through flight data and applied in actual flying test. The monitoring model could be built

based on limited flights in actual flying test. The maximum relative error of high-pressure spool speed，pressure

in compressor outlet，total temperature in low-pressure turbine outlet and temperature of all returned oil is

1.0%，1.7%，0.2% and 1.2%，respectively. The model predicting uncertainty could be greatly reduced using

adaptive thresholds by considering both modeling error and measurement uncertainty. The ratio of detecting and

* 收稿日期：2020-09-11；修订日期：2020-12-10。

通讯作者：潘鹏飞，硕士，高级工程师，研究领域为动力装置工作特性与性能特性试飞。

引用格式：潘鹏飞 . 基于试飞数据的航空发动机状态监测与故障诊断［J］. 推进技术，2021，42（12）：2826-2837. （PAN

Peng-fei. Flight Data Based Condition Monitoring and Fault Diagnosis of Aero-Engine［J］. Journal of Propulsion

Technology，2021，42（12）：2826-2837.）

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

diagnosing specific faulty type is 95.2% based on test samples，which have been encountered in actual flight

condition.

Key words：Aero engine；Flight test；Condition monitoring；Neural network；Fault diagnosis

1 引 言

航空发动机对于航空工业的发展起着关键性的

作用，目前已经成为“中国制造 2025”和“国防科技工

业 2025”的重点突破方向［1］

。航空发动机自身结构复

杂，工作过程呈现出强非线性特征，且长期工作在高

温、高速、强振动、大应力、工况交变的恶劣环境下，

在使用过程中存在盐雾环境导致流道和叶片腐蚀、

热应力和交变载荷导致叶尖间隙增大、外物吸入导

致叶片损伤、受烧蚀导致叶片变形弯曲、砂石等污染

环境导致压气机污垢等诸多情况，随着使用时间的

增长、使用循环数的增多，主要气路部件将不可避免

地发生性能蜕化的情况，从而导致整个航空发动机

的性能发生蜕化，给发动机的安全工作和可靠运行

带来隐患［2-4］。而在航空发动机定型试飞考核过程

中，发动机技术状态不完全成熟，且经常工作在包线

边界，使用环境基本覆盖了高寒、高盐、高湿等恶劣

条件，性能蜕化更为明显，极易发生喘振、超温、超转

等故障。

航空发动机常见的故障主要分为部件故障、稳

定性故障、振动故障、磨损故障四类。目前的研究成

果表明：在发动机总体故障中，气路故障约占比 90%

以上，其维护费用占发动机总体维护费用的 60%［5］，

常见的典型气路故障有喘振、超温、空中停车、转子

卡滞、转速摆动、转子偏摆过大、活门卡死、叶片疲劳

损伤等。国内外针对航空发动机气路状态监测及故

障诊断技术已开展了广泛的研究，总体上分为基于

部件模型和基于数据驱动两大类。在基于部件模型

的气路故障诊断领域，Borguet等［6］

采用部件性能分析

理论，建立了发动机各部件的残差模型，通过确定系

数对模型集进行定量评价，并进一步用于异常检测；

Elias 等［7］在 Matlab/Simulink 环境下开发了用于诊断

和预测燃气轮机部件健康状况的动态发动机模型，

引入了性能自适应理论，通过概率密度函数和剩余

使用寿命度量评估了诊断和预测的准确性；杨征山

等［8］

采用一种健康参数线性组合，通过迭代搜索方法

优化得到最优变换矩阵，对原健康参数进行线性组

合，然后采用卡尔曼滤波器对调整参数向量进行估

计，最后通过还原变换得到原健康参数的估计值；

ZHANG 等［9］针对具有非结构不确定性的非线性系

统，提出了一种利用滑模观测器技术估计执行器和

传感器故障的新方法，以单连杆柔性关节机器人系

统为例，说明了该方案在估计执行器和传感器故障

方面的有效性；Chang 等［10］

考虑到发动机动力学和建

模中不可避免的不确定性，采用基于未知输入观测

器的方法研究了航空发动机健康参数估计问题，通

过使用线性矩阵不等式创建了一个加权矩阵，以最

小化不确定性对估计的影响；陈煜等［11］针对涡喷发

动机在不等式约束条件下的部件性能估计问题，在

标准扩展卡尔曼滤波方法的基础上引入了最小均方

差和概率密度截断，提出了涡喷发动机健康状态的

带约束非线性滤波估计方法。但是由于部件模型的

故障诊断方法受制于模型准确度、部件特性、多状态

非线性耦合等因素，导致对发动机性能参数估计与

故障诊断会出现偏差。在基于数据驱动的发动机气

路故障诊断领域，Fast 等［12］

构建了燃气轮机多层神经

网络性能预测模型，使用发动机实际工作数据并利

用反向传播算法对网络进行训练，在外界大气条件

不同局部环境下可以较准确地预测燃气轮机的运行

和性能参数；Dawn 等［13］

提出了神经网络在实际应用

中可假定的统计特性，包括测量数据、与神经网络模

型相关的权值参数以及加载条件，利用贝叶斯框架

和约翰逊分布对不确定性进行处理；Sina 等［14］

提出了

一种基于神经网络的故障检测与隔离方案，用于检

测和隔离某型飞机喷气发动机高度非线性动力学中

的故障。国内也提出了多种基于融合技术的发动机

故障诊断算法。如强子健等［15］

采用二阶鲁棒滑模观

测 器 用 于 民 用 涡 扇 发 动 机 气 路 故 障 诊 断 ；顾 嘉 辉

等［16］

采用神经网络修正卡尔曼滤波算法进行了航空

发动机健康估计；李本威等［17］基于深度置信网络分

析了发动机气路部件性能衰退。基于数据驱动的故

障诊断方法虽不用考虑发动机部件特性、非线性耦

合等，但往往会受制于试验数据样本量有限、机载测

试参数偏少等限制因素，导致对发动机性能估计不

全面、对故障检测的漏诊等问题。

参加飞行试验的发动机故障频繁、技术状态变

化更快，导致对发动机状态监控和健康评估的需求

日益迫切，而传统的基于部件模型的方法目前难以

建立快速的发动机试飞趋势监控模型。本文在定型

试飞产生的海量数据的基础上，采用数据驱动的方

2827

推 进 技 术 2021 年

法开展发动机状态监测和故障诊断研究，避免了基

于部件模型法的缺点，所用数据样本库包含了表征

发动机工作状态的主要性能参数（机载参数和加装

参数），同时基本覆盖了发动机全包线内不同稳态

和过渡态的工作过程，满足了数据驱动方法对建模

样本量的苛刻需求。但同样存在以下问题：（1）建

模周期长、样本数据量过大、样本不均匀、数据冗余

等［18-19］，如何对数据样本库进行最优化 ，以快速得

到可以指导试飞初期工作的趋势监控模型；（2）如

何对模型结构进行最优化设计，以保证模型拟合的

准确性；（3）如何设计合理的故障检测阈值，在故障

告警发出前，提前识别出异常状态的发生，以及降

低故障诊断的误报、漏报等。这些问题在近年来的

文献中报道较少。

针对以上问题，本文采用基于人工神经网络的

ANN-NARX 方法建立了航空发动机全状态参数预测

模型，并利用遗传算法对模型结构进行最优化设计；

以试飞数据样本库每个样本点间的欧式距离为优化

函数，在确保建模样本最大化满足需求的情况下，以

模型预测误差最小化为目标，确定了建模的最小数

据样本库；同时设计了状态监控的蒙特卡洛自适应

告警门限，并通过构建奇偶空间残差模型实现了航

空发动机典型故障的智能诊断，结合在研发动机飞

行试验对研究结果进行了应用和推广，验证了状态

监控与故障诊断技术的有效性和可行性。

2 建模方法

2.1 发动机全状态趋势监控模型

2.1.1 ANN-NARX 模型

基于人工神经网络的 NARX（Nonlinear Auto Re⁃

gressive with eXogenous input）模型属于黑箱模型，是

数据驱动模型的一种，用于从航空发动机运行过程

中的数据实时辨识得到发动机模型。这种模型考虑

了神经网络在逼近拟合非线性函数上的优势，同时

还兼备 NARX 辨识方法的优点。本文以航空发动机

实际飞行试验数据为基础，结合人工神经网络技术

和 NARX 非线性系统结构建立某型涡扇发动机的全

状态趋势监控模型。

具有外部输入的非线性自回归 NARX 模型采用

输入延迟 u (t - k) 和输出延迟 y (t - m) 作为回归算

子［18］

，模型结构为

y͂(t) = Fnl

[ u (t),⋯,u (t - k),y (t - 1),⋯,y (t - m)]（1）

式中 Fnl

代表合适的非线性函数。采用神经网络

模型构建非线性辨识模型中的非线性函数，利用神

经 网 络 代 替 NARX 模 型 中 的 非 线 性 函 数 Fnl

，得 到

ANN-NARX 模型 Fnet

。

建立涡扇发动机模型用到的参数包括：气压高

度（Hp

）、飞行马赫数（Ma）、大气总温（TTB）、作战训练

信号（GSTR）、发动机油门杆角度（Φ）、高压转子转速

（nH）、低压转子转速（nL

）、低压涡轮出口总温（T6

）、低

压涡轮出口总压（p6

）、低压导叶角度（α1

）、高压导叶

角度（α2

）、高压压气机出口压力（p31）、主燃油总管压

力（pf

）、尾喷口喉部直径（D8

）、滑油回油温度（Tole）、发

动机振动值（B）。模型辨识采用的与工作环境和外

部输入相关的输入参数为：H（p t-1），…，H（p t-k），Ma

（t-1），…，Ma（t-k），TTB（t-1），…，TTB（t-k），Ф（t-1），

…，Ф（t-k），GSTR（t-1），…，GSTR（t-k）。与发动机工作

状态相关的输入输出信息见表 1。基于人工神经网

络的发动机 ANN-NARX 模型结构见图 1。

2.1.2 建模的最小数据样本

以数据样本库中各个样本点之间的欧式距离为

优化函数，在确保最大化样本点之间欧式距离的情

况下，以最小化模型的预测误差为目标，基于遗传算

法进行优化分析，确定出发动机趋势监控模型的最

小需求数据样本库。

对 于 试 验 数 据 样 本 库 中 的 任 意 两 点 Pi

=［Hp，i

，

Mai

，Φi

，nH，i

］T和 Pj

=［Hp，j

，Maj

，Φj

，nH，］j

T

，样本点 Pi与 Pj

之间的欧式距离 dij定义为

Table 1 Input and output parameter information of engine

nonlinear model

Input parameter

nH

（t-1），…，nH

（t-m）

nH

（t-1），…，nH

（t-m），nL

（t-1），…，nL

（t-m）

nH

（t-1），…，nH

（t-m），T（6 t-1），…，T（6 t-m）

nH

（t-1），…，nH

（t-m），p（6 t-1），…，p（6 t-m）

nH

（t-1），…，nH

（t-m），α（1 t-1），…，

α（1 t-m）

nH

（t-1），…，nH

（t-m），α（2 t-1），…，

α（2 t-m）

nH

（t-1），…，nH

（t-m），p31（t-1），…，

p31（t-m）

nH

（t-1），…，nH

（t-m），p（f t-1），…，p（f t-m）

nH

（t-1），…，nH

（t-m），D（8 t-1），…，D（8 t-m）

nH

（t-1），…，nH

（t-m），Tole（t-1），…，

Tole（t-m）

nH

（t-1），…，nH

（t-m），B（t-1），…，B（t-m）

Output parameter

nH

（t）

nL

（t）

T（6 t）

p（6 t）

α（1 t）

α（2 t）

p31（t）

p（f t）

D（8 t）

Tole（t）

B（t）

2828

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

dij = | Pi - Pj | = (Hp,i - Hp,j)

2

+ (Mai - Maj)

2

+ (ϕi - ϕj)

2

+ ( nH,i - nH,j)

2

（2）

对于点 Pi的领域 dij范围内存在数据样本点，在建

模过程中将该部分样本点忽略。设欧式距离 dij条件

下的模型预测误差为 εij，则航空发动机全状态模型所

必须的最小数据样本库的问题可以转换成如下的数

学问题

ì

í

î

ïï

ïï

obj. max dij ∩ min εij

sub. i = 1,...,Nsample

j = 1,...,Nsample

（3）

最小数据样本库优化流程主要步骤为

（1）初 始 化 任 意 两 点 欧 式 距 离 dij，模 型 预 测 精

度 εij；

（2）比 较 距 离 及 模 型 预 测 精 度 ，若 满 足 停 止 准

则，转到步骤（5）；否则进入步骤（3）；

（3）基于遗传算法对距离 dij进行交叉、变异等操

作，输出优选后的距离 dij；

（4）按照 dij筛选原始数据样本库，将筛选后的数

据样本库导入发动机模型进行训练学习，输出模型

对应的预测误差，转到步骤（2）；

（5）优化过程停止，输出最优结果。

2.1.3 发动机趋势监控模型结构优化

为了对辨识模型的输入输出延迟进行描述，文

中采用遗传算法用两个十进制数分别代表输入输出

的延迟情况，这两个十进制数进入优化过程时转成

为二进制编码，由此确定出对应的输入输出参数向

量，如图 2 所示。

遗 传 算 法 优 化 的 核 心 内 容 在 于 目 标 函 数 的 确

立，本文的目标函数包含四个部分：（1）神经网络模

型预测结果与飞行试验结果之间的均方差，代表模

型精度；（2）神经网络隐含层神经元数目总和，代表

着神经网络的复杂程度；（3）神经网络神经元权重的

平方和，神经网络权重越接近于零，最终模型的拟合

和推广能力越好；（4）输入输出向量序列的维度，也

表征着神经网络的复杂程度。

2.2 预测模型的自适应告警门限

航空发动机飞行试验过程中，飞行状态受到大

气、湿度等条件的影响，同时发动机参数测试系统存

在传感器测量、数据转换、传感器性能衰退等误差

源，发动机测试参数具有不同的精度，表现为符合一

定的分布规律，如正态分布 gi(u) ~N (0，σ)。在将辨

识得到的航空发动机实时趋势监控模型实际应用到

飞行过程中时，必须要考虑在模型建模误差下限 ε min

Fig. 1 NARX model structure based on neural network

Fig. 2 Schematic diagram of input-output coding

conversion

2829

推 进 技 术 2021 年

和上限 ε max 基础上，补充考虑因参数测量不确定性导

致的模型误差容限下限 ε′

min 和上限 ε′

max，即

ε′

min + ε min ≤ y ≤ ε′

max + ε max （4）

本文通过蒙特卡洛策略［19］

对建模误差和参数扰

动对模型预测结果可能带来的扰动进行研究分析，

获得参数预测模型的自适应告警门限。

基于蒙特卡洛方法的自适应告警门限评定步骤

如下：

（1）建立航空发动机的试飞数据模型，本文采用

的是基于神经网络的某型涡扇发动机全状态实时趋

势监控模型 y = Fnet

( u1，u2，⋯，un)；

（2）建立该涡扇发动机实时趋势监控模型各输入

参数的不确定度分布的概率密度 gi(u)(i = 1，2，⋯n)；

（3）确定抽样样本容量 N，并对各输入参数的概

率密度分布进行抽样，产生满足指定概率密度函数

gi(u)(i = 1，2，⋯n)的随机数；

（4）计算各分量的样本值 y 1，y 2，⋯，yN，并求出对

应的样本均值 Yˉ =∑i = 1

N

yi N，计算此时的标准不确定

度 σ(Y) = ∑i = 1

N

( yk - Y)ˉ 2

(N - 1)；

（5）计算趋势监控模型的实时不确定度时，针对

每一时刻 t 重复步骤（2）～（4），即可得到实时趋势监

控过程中的参数误差容限。

2.3 发动机故障诊断技术

基于发动机奇偶空间故障残差模型，采用神经

网络方法建立了发动机故障分类识别模型，通过发

动机残差生成器提取发动机故障特征残差数据，并

将其分类后作为神经网络训练样本，采用神经网络

工具箱对样本进行迭代训练学习，待训练后的神经

网络仿真输出误差满足期望值后得到发动机故障分

类识别模型。

2.3.1 奇偶空间模型辨识

航空发动机时不变线性化模型可以表示为如下

形式

{x (k + 1) = Ax (k) + Bu (k)

y (k) = Cx (k) + Du (k) （5）

对于任意 s > 0，设定

ys(k) =

é

ë

ê

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

ú

y (k - s)

y (k - s + 1)

⋮

y (k)

,us(k) =

é

ë

ê

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

ú

u (k - s)

u (k - s + 1)

⋮

u (k)

Ho,s =

é

ë

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

C

CA

⋮

CAs

,Hu,s =

é

ë

ê

ê

ê

êê

ê

ù

û

ú

ú

ú

úú

ú

D 0 ⋯ 0

CB D ⋱ ⋮

⋮ ⋱ ⋱ 0

CAs - 1

B ⋯ CB D

（6）

将公式（6）代入公式（5），可得

ys(k) = Ho,s x (k - s) + Hu,sus(k) （7）

基于奇偶关系的残差生成技术的思想为：对于

任 意 的 s ≥ n，rank (Ho，s) ≤ n < rows(Ho，s) = (s + 1) m，

保证了对于 s ≥ n，至少存在一个行向量 vs( ≠ 0)，使得

vsHo，s = 0。因此，可以构造基于奇偶关系的残差生成

器如下

rs = vs( ys(k - s) - Hu,sus(k - s)) （8）

理想情况下，通过奇偶关系构造的残差序列 rs =

0，然而由于存在过程噪声等外界干扰因素，一般情

况下 rs ≠ 0，而是服从 N ( 0，Σres)的随机信号序列。

选择合适的数据段长度 N，选择历史时间跨度参

数 s，构建数据矩阵 Zk - s - 1，s，Uk，s，Yk，s，即

Uk,s =

é

ë

ê

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

ú

u (k) u (k + 1) ⋯ u (k + N - 1)

u (k + 1) u (k + 2) ⋯ u (k + N)

⋮ ⋮ ⋱ ⋮

u (k + s) u (k + s + 1) ⋯ u (k + N + s - 1)

（9）

Yk,s =

é

ë

ê

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

ú

y (k) y (k + 1) ⋯ y (k + N - 1)

y (k + 1) y (k + 2) ⋯ y (k + N)

⋮ ⋮ ⋱ ⋮

y (k + s) y (k + s + 1) ⋯ y (k + N + s - 1)

（10）

Zk - s - 1,s = é

ë

ê ù

û

ú Uk - s - 1,s

Yk - s - 1,s

=

é

ë

ê

ê

ê

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

ú

ú

ú

u (k - s - 1) u (k - s) ⋯ u (k - s - 1 + N - 1)

y (k - s - 1) y (k - s) ⋯ y (k - s - 1 + N - 1)

⋮ ⋮ ⋱ ⋮

u (k - 1) u (k) ⋯ u (k - 1 + N - 1)

y (k - 1) y (k) ⋱ y (k - 1 + N - 1)

（11）

2830

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

利用构造的数据矩阵（11），（12），（13），构造奇

偶向量为

Ξ = é

ë

ê ù

û

ú Uk,s

Yk,s

ZT

k - s - 1,s

N - 1 （12）

对 Ξ 进行 SVD 分解，则有

Ξ = é

ë

ê ù

û

ú Uk,s

Yk,s

ZT

k - s - 1,s

N - 1 = [ U1 U2 ]

é

ë

ê ù

û

ú Σ1 0

0 Σ2

é

ë

ê ù

û

ú V T

1

V T

2

（13）

考 虑 到 Σ2 ≈ 0，选 取 ψ ⊥

s = U T

2。 令 Kd，s = ψ ⊥

s =

[ ψ ⊥

s，u ψ ⊥

s，y ]，称 ψ ⊥

s，y 为奇偶子空间。利用辨识得到的

子空间模型，可以构造系统工作参数残差序列为

rs(k) = ψ ⊥

s,y ys(k) + ψ ⊥

s,uus(k) = ψ ⊥

s

é

ë

ê

ê

ù

û

ú

ú

us(k)

ys(k) （14）

利用系统过程数据矩阵 Uk，s

，Yk，s，可以估计残差

的协方差信息矩阵 Σres 为

Σres = 1

N - 1 ψ ⊥

s

é

ë

ê ù

û

ú Uk,s

Yk,s

(ψ ⊥

s

é

ë

ê ù

û

ú Uk,s

Yk,s

)

T

（15）

2.3.2 检测阈值设计

辨识得到发动机子空间模型和残差的协方差矩

阵后，可以应用统计方法设计系统工作参数的检测

阈值。假定系统工作过程中的过程噪声和测量噪声

等服从正态分布，同时考虑到 Σres 的可逆性，可以应

用 T 2 统计检验以设计检测阈值 J，即

J = r T (k) Σ-1

res r(k) （16）

因此可得到残差序列的检测阈值 Jth 为

Jth = χ 2

α ((s + 1) m - n) （17）

式中 α 为给定的置信水平。

3 结果与讨论

3.1 发动机全状态趋势监控模型结果分析

3.1.1 ANN-NARX 模型结果验证

利用实际飞行试验数据对模型进行验证检查，

验证过程中利用 ANN-NARX 模型给出下一秒的参数

预测值，给出该数值与实际飞行试验数据对比结果，

给出了发动机典型参数高压转子转速、压气机出口

压力、低压涡轮出口总温以及滑油总回油温度的模

型推广能力检验结果，如图 3（a）～3（d）所示。模型

输出结果与试验数据趋势完全吻合，高压转子转速

nH，压气机出口压力 p31，低压涡轮出口总温 T6及滑油

总回油温度 Tole 预测相对误差最大值分别为 1.0%，

1.7%，0.2% 和 1.2%，对 应 的 时 间 点 分 别 为 729s，

2063s，393s 和 58s，辨识模型预测精度可以支撑发动

机参数实时监测的需求。

Fig. 3 ANN-NARX modeling results comparing with flight test data

2831

推 进 技 术 2021 年

3.1.2 最小样本数据的确定

以涡扇发动机飞行试验数据为基础，采用遗传

算法对该发动机模型的最小数据样本需求进行优化

分析，通过优化分析，得到了该发动机全状态模型的

最小数据样本，见图 4。可以看出，发动机模型的样

本需求从原始 12721 个样本点减少至 369 个样本点；

将最小数据样本优化技术应用在涡扇发动机实时趋

势模型辨识中，只需 5～6 架次试飞数据即可建立发

动机模型，大幅度节省了试飞辨识模型的周期，实现

了最小数据样本库包含最多数据特征信息，提高了

趋势监控模型在非样本点上的表现性能。同时，利

用得到的最小样本库可以快速建立趋势监控初始模

型，用于指导早期试飞工作的开展。随着发动机试

飞的不断深入，样本空间会有新增的数据特征信息，

利用新增数据信息对模型进行持续训练更新，以提

高所建模型对试飞发动机的匹配性程度和精准度。

当航空发动机技术状态发生变化，可基于模型的输

出结果有针对性地录取测试数据，大幅度降低试飞

架次需求，提高试飞效率。

3.1.3 模型结构优化结果及分析

经过优化选择得到最终的神经网络结构参数如

表 2。从优化后的结果可以看出，较好的神经网络结

构一般包含更多的数据点信息，如高压转速和低压

转速，而涡轮后温度的优化结果中输入参数的延迟

只有一项，且是距离当前数据点最远的位置，意味着

低压涡轮出口总温需要更多的数据点包含进来，将

在后续的工作中进行尝试解决。

采用遗传算法优化后得到的高压转子转速、低

压转子转速、低压涡轮出口总温结果如图 5（a）～5

（c）所示。采用这种方法获得模型精度可以满足实时

监控需求，同时由于采用更为合理的时间延迟信息，

神经网络结构简单，计算速度较快。

3.2 自适应告警门限设计结果

通过计算分析给出了涡扇发动机高压转子转速

nH，压气机出口压力 p31，低压涡轮出口总温 T6以及滑

油总回油温度 Tole模型检验结果及自适应告警门限，

如图 6（a）～6（d）所示，从图中可以看出，采用自适应

告警门限可以很好地考虑模型建模误差和参数测量

误差，从而降低模型预测结果的不确定性。实际实

时趋势监控过程中，当发动机实际工作参数超出了

Fig. 5 Identification results using optimized neural

network structure and minimum data samples

Fig. 4 Optimization results of minimum data samples for a

turbofan engine trend monitoring model

Table 2 Structural parameters of neural network

Input code

Output code

Number of hidden layer 1

Number of hidden layer 2

nH

0110110011

1100010001

13

15

nL

0001110000

1100000000

21

30

T6

1000000000

1110000101

13

15

2832

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

给定的上下限之后，即可认为发动机工作出现了异

常，此时试飞工程师可以提醒飞行员采取合适的措

施降低或消除严重故障的发生。

3.3 发动机故障诊断结果与分析

选取全部科研试飞过程中的试飞数据作为故障

检测样本，数据样本点分布见图 7，该发动机科研试

飞期间配装飞机，受飞机工作包线和实际试验条件

限制，低空大速度和高空大速度范围内未获取有效

的试验数据。同时考虑到模型的验证与推广需求，

建模过程中只选用了发动机正常作战状态下的工作

数据，利用训练状态数据、故障模拟试验数据、异常

工作状态数据等作为模型检验与验证数据样本。需

要说明的是，此处的故障模拟试验数据是指按照试

飞大纲规定的故障模拟试飞科目要求，通过在发动

机控制系统软件中注入指定故障实现代码，来获得

气路故障、传感器故障，如喘振故障、超温故障、转备

份控制、应急切加力、压力传感器故障、转速传感器

故障等，从而获得发动机在各种不同故障下的试验

数据。

选 择 发 动 机 故 障 检 测 模 型 输 入 参 数 为 飞 行 高

度、飞行马赫数、大气总温、油门杆角度；选择发动机

模型输出参数为发动机低压转子转速、高压转子转

速、压气机出口压力、低压涡轮出口总温。选择发动

机历史数据段长度为 10s，试飞数据采样率为 16Hz，

辨识用的数据长度为 2000 个数据点。

对公式（13）奇偶向量矩阵 Ξ 进行奇异值分解，

计算各个奇异值与最大奇异值之间的比率，如图 8 所

示。从图中可以看出，矩阵奇异值主要集中在前几

项，这些项构成了主导奇异空间。同时由于过程噪

Fig. 7 Distribution of detecting data samples in the flight

envelope

Fig. 8 Contribution rate of singular values

Fig. 6 Adaptive warning threshold distribution

2833

推 进 技 术 2021 年

声、测量噪声的影响，实际奇异值分解过程中很难获

得的公式（13）中 Σ2 ≈ 0 补空间，后续计算过程中选择

主导奇异值空间的维数为 300，对应的补空间维数

为 998。

根据辨识得到的发动机故障检测模型和残差协

方差信息，选择残差检测的 T 2 统计量自由度 988，确

定在置信水平 α = 0.95 条件下的发动机故障检测阈

值 Jth，68.3% = 1008.6，Jth，99.5% = 1106.3 以 及 Jth，99.7% =

1114.5。

利用该型发动机某架次实际飞行试验数据对奇

偶空间残差模型进行验证，前九项的残差分布 R1～R9

如图 9 所示。从图中可以看出，采用奇偶空间辨识方

Fig. 9 Distribution of the first nine residuals in the engine complement sparity space

Fig. 10 Residual distribution before and after transferring to training state and backup state

2834

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

法生成的工作参数残差隔离了外界输入条件之间的

联系，形成了独立的残差信号，而正是这种特性可以

实现有效的发动机故障检测，后续可以利用这部分

残差信号构建发动机常见故障特征库，从而实现发

动机典型故障的识别与分离。图 10（a）～图 10（c），

图 10（d）～图 10（f）分别给出了发动机训练状态和备

份状态之前和之后的残差分布情况，当发动机工作

状态发生变化时，可以看出残差的位置存在变动，然

而难以从量值上给出准确的判断。

实际使用中很难利用上述残差信号直接判断发

动机故障状态，这主要是由于试飞数据中存在扰动

信息，经奇异值分解得到的残差补空间具有很大的

维数，实际诊断时候需要将发动机工作参数信息在

补空间上进行展开，靠人力很难进行检测与决策，为

此需要将残差信号进行综合，考虑到若干服从正态

分布信号的平方和满足 χ2 分布，由此可以综合形成

独立的一个检测信号 J。基于奇偶空间残差模型的

故障检测结果见图 11，图中训练状态（即红色 GSTR信

号）和备份状态（即蓝色 GSBF信号）数据分别作为故障

数据信息，以对文中检测技术进行验证，从中可以看

出，若选择合适的检测阈值，可以实现较为可靠的故

障检测。

为了扩大网络训练样本，将发动机训练状态、故

障模拟状态等试验数据等视为故障数据，通过发动

机奇偶空间故障残差模型获得发动机奇偶空间故障

残差数据样本库，选取奇偶空间残差前 30 项残差作

为故障特征数据，并将该故障特征数据作为网络的

输入参数，然后将训练样本进行分类，其中训练状态

分类为 1，故障模拟状态分类为 2，即为网络输出目标

参数，通过神经网络训练学习后，建立神经网络故障

识别模型，具体实施流程见图 12。

为了验证故障分类识别模型的准确性，将涡扇

发动机鉴定试飞期间的训练状态、故障模拟状态等

试验数据视为故障数据，建立发动机典型故障库。

共计挑选出 896 次战斗转训练状态和 320 次故障模

拟 状 态 数 据 ，将 这 1216 次 故 障 库 数 据 按 照 70%，

15%，15% 的比例随机分配，其中 70% 的故障数据用

于神经网络故障分类识别模型的训练学习，15% 的故

障数据用于模型的测试，剩余的 15% 用于模型的验

证，故障识别分类的结果见图 13，最终的故障类型识

别率达到 95.23%。

由图 13 可知，发动机故障分类识别模型对训练

状态识别率较高，故障模拟状态识别率相对较低，原

Fig. 11 Fault detection based on odd-even space residual

model

Fig. 12 Flow chart of fault identification implementation

2835

推 进 技 术 2021 年

因是气路故障模拟代码注入到发动机控制系统控制

软件后，程序的运行会纳入到整个控制系统故障自

动处置逻辑的闭环回路中，只有气路故障对发动机

影响程度过大后才会在气路参数中体现出来，但控

制系统故障自动处置逻辑会在故障模拟程序触发后

就对异常趋势情况进行相应的处置，因此故障模拟

试验获得的故障数据特征信息尚不是特别明显，与

真实故障数据有一定的偏差，从而导致故障模拟状

态识别率相对较低。

4 结 论

本文基于实际试飞数据建立了航空发动机全状

态趋势实时趋势模型，确定了最小建模数据样本，设

计了参数预测的自适应告警门限，并开展了航空发

动机故障诊断技术研究，可以得到如下结论：

（1）对建立的参数预测 ANN-NARX 模型进行推

广能力检验，给出了发动机高压转子转速、压气机出

口压力、低压涡轮出口总温及滑油总回油温度等 4

个典型工作参数预测结果，参数预测结果与实际试

飞数据趋势基本吻合，预测相对误差最大值分别为

1.0%，1.7%，0.2% 和 1.2%，验证了所建模型的正确性

和准确性。

（2）采用遗传算法对最小数据样本和模型结构

进行了改进优化，模型样本需求从原始 12721 个样本

点减少至 369 个样本点，实际试飞中只需 5～6 架次

试飞数据的训练学习，即可得到发动机参数预测模

型，解决了建模数据样本过大、样本不均匀、建模周

期长等问题。

（3）将建模误差和发动机参数测量误差综合分

析，基于蒙特卡洛策略确立了发动机模型预测值的

自适应告警门限阈值，降低了模型预测结果的不确

定性，建立了发动机工作异常告警的基准，提升发动

机实时监控的质量和效率。

（4）通过构建奇偶空间残差模型实现了航空发

动机典型故障的智能诊断，以 896 次战斗转训练状态

和 320 次故障模拟状态数据作为故障训练样本，故障

类型识别率达到 95.2%。

参考文献

［ 1 ］ 陈 冰 . 面向智能制造的航空发动机协同设计与制造

［J］. 航空制造技术，2016，（5）：16-21.

［ 2 ］ 郁 军，张永祥，张 献 . 基于模型的故障诊断技术

［M］. 北京：电子工业出版社，2017.

［ 3 ］ 范作民，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.

［ 4 ］ 尉询楷，冯 悦，刘 芳，等 . 军用航空发动机 PHM

发展策略及关键技术［J］. 航空动力学报，2011，26

（9）：2107-2115.

［ 5 ］ 宋 辉，李晓明，宋文波 . 航空发动机健康评估技术

综述［J］. 航空发动机，2011，37（2）：56-62.

［ 6 ］ Borguet S，Leonard O，Dewallef P. Regression-Based

Modeling of a Fleet of Gas Turbine for Performance

Trending［J］. Journal of Engineering for Gas Turbines

and Power，2016，138（2）.

［ 7 ］ Elias T，Nader M，Mohieddine B，et al. A Dynamic

Prognosis Scheme for Flexible Operation of Gas Turbine

［J］. Applied Energy，2016，（164）：686-701.

［ 8 ］ 杨征山，俞 刚，庄锡明，等 . 基于参数线性组合的

航空发动机气路健康参数估计［J］. 推进技术，2014，

35（3）： 408-412. （YANG Zheng-shan， YU Gang，

ZHUANG Xi-ming，et al. Gas Path Health Parameters

Estimation of Aircraft Engine Based on Linear Combina⁃

tion［J］. Journal of Propulsion Technology，2014，35

（3）：408-412.）

［ 9 ］ ZHANG J，Swain A K，Nguang S K. Robust Sliding

Model Observer Based Fault Estimation for Certain Class

of Uncertain Nonlinear Systems［J］. Asian Journal of

Control，2015，17（4）：1296-1309.

［10］ Chang X，Huang J，Lu F. Health Parameter Estimation

with Second-Order Sliding Mode Observer for a Turbofan

Engine［J］. Energies，2017，10（7）.

［11］ 陈 煜，鞠红飞，鲁 峰，等 . 涡喷发动机健康状态

的带约束非线性滤波估计［J］. 推进技术，2016，37

（4）：741-748. （CHEN Yu，JU Hong-fei，LU Feng，et

al. Nonlinear Filter with Inequality Constraints for Turbo⁃

jet Engine Health Estimation［J］. Journal of Propulsion

Technology，2016，37（4）：741-748.）

［12］ Fast M，Assadi M. Development and Multi-Utility of an

ANN Model for an Industrial Gas Turbine［J］. Applied

Energy，2009，（86）：29-37.

Fig. 13 Classification result of fault identification

2836

第 42 卷 第 12 期 基于试飞数据的航空发动机状态监测与故障诊断

［13］ Dawn A，Nam N K，Joo H C. Statistical Aspects in Neu⁃

ral Network for the Purpose of Prognostics［R］. AIAA

2014-0481.

［14］ Sina T S，Sadough V Z N，Khorasani K. Dynamic Neural

Network-Based Fault Diagnosis of Gas Turbine Engines

［J］. Neurocomputing，2014，125（3）：153-165.

［15］ 强子健，鲁 峰，常晓东，等 . 基于二阶滑膜观测器

的 民 用 涡 扇 发 动 机 气 路 故 障 诊 断［J］. 推 进 技 术 ，

2020，41（6）：1411-1419. （QIANG Zi-jian，LU Feng，

CHANG Xiao-dong，et al. Gas Path Fault Diagnosis

Based on Second-Order Robust Sliding Mode Observer

for Civil Turbofan Engine［J］. Journal of Propulsion Tech⁃

nology，2020，41（6）：1411-1419.）

［16］ 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 Jia-hui，HUANG Jin-quan，

LU Feng. Neural Network Corrected Kalman Filter Algo⁃

rithm for Aero-Engine Health Parameters Estimation［J］.

Journal of Propulsion Technology，2018，39（11）：2564-

2570.）

［17］ 李本威，林学森，杨欣毅，等 . 深度置信网络在发动

机气路部件性能衰退故障诊断中的应用研究［J］. 推

进 技 术 ，2016，37（11）：2173-2180. （LI Ben-wei，

LIN Xue-sen，YANG Xin-yi，et al. Research on Appli⁃

cation of Deep Belief Networks on Engine Gas Path Com⁃

ponent Performance Degradation Defect Diagnnostics［J］.

Journal of Propulsion Technology，2016，37（11）：2173-

2180.）

［18］ 马明明，潘鹏飞 . 航空发动机试飞关键参数趋势监控

的 实 现 及 应 用［J］. 航 空 发 动 机 ，2017，43（1）：79-

84.

［19］ 潘鹏飞，马明明，许艳芝 . 飞行试验数据驱动的涡扇

发动机模型辨识［J］. 燃气涡轮试验与研究，2016，29

（6）：21-25.

（编辑：朱立影）

2837