1.航空工业西飞西飞设计院 2.中国飞行试验研究院测试技术研究所
1引言
航空发动机作为飞行器的直接动力来源，与环控系统、燃油系统、操纵系统等子系统之间的依存度较高。尤其在拥有自动飞控系统的飞行器中，如果发动机出现故障不能正常工作，往往直接影响供电系统和飞控系统的运行，从而造成巨大的经济损失，甚至会导致机毁人亡的严重后果[1-3]。因此，对航空发动机的运行状态进行监测，对可能发生的故障给予报警并准确确定故障原因是十分必要的。同时，研究航空发动机状态监测技术有利于减少非计划维修时间，提高发动机维修效率与使用经济性，是保证航空发动机安全高效运行的重要手段[4-6]。
对航空发动机的运行状态进行监测，首先必须通过传感器获取各种航空发动机运行状态信息，包括振动、温度、油液、声学、强度、压力、电气参数、表面状态、无损检测、工况指标等，并把这些信息转换为电信号或其他物理量信号，然后将这些信号输入到信号处理系统中进行处理，以得到能反映发动机运行状态的有用信息。其中，振动是航空发动机中普遍存在的一种现象，是航空发动机自身动态特性（如固有频率、振型、传递函数等）的外在体现，包含丰富状态信息，具有明确物理意义[7]。振动信号能够迅速直接地反映出航空发动机的运行状态，不需要使航空发动机停机或者对其进行拆卸，便于实现在线及离线监测。同时，振动信号便于测量，振动信号的分析理论丰富而完备，包括时域分析方法、频谱分析方法、时频分析方法、图形分析法等，目前已广泛地应用于旋转机械、往复机械、流体机械、转轴、轴承、齿轮等的状态监测。
振动监测技术以振动信号作为信息源，通过振动数据的变化特征来判别设备的运行状态，是目前设备监测中最常用的技术，而振动监测系统是振动监测技术工业应用的重要载体和手段。随着信号处理理论、电子技术、计算机和网络技术、数据库和软件技术等的不断发展，当前工业应用中的振动监测系统具有更加强大的监测能力。譬如，计算机网络化的高效数据采集分析能够对设备进行实时监测，传感器和电子技术保证了对设备振动信息的全方位获取，系统借助信号处理理论可深度分析振动信号特征并在数据库中存取海量数据[8-9]，软件技术则保证了监测系统运行的稳定性和功能的完备性。可见，振动监测系统能够满足航空发动机的监测需求，提高航空发动机的可靠性和维修性，保障航空发动机的安全运行。
报警技术是振动监测系统的核心技术之一，报警信号是对监测对象状态的直接评估，通过划分不同报警等级，可表征当前状态的严重程度。当监测对象在设定条件下发生报警时，意味着航空发动机运行状态恶化并且可能发生某种故障[10]。尽管报警信息在多数情况下不能直接指出故障源，只是指示一种现象，但维修人员可根据所指现象进行分析，缩小检测范围，进行有目的地检查或维修，从而防止故障的发生。因此从预防事故的角度来讲，航空发动机运行状态的报警比故障诊断更为重要和有效，状态监测的误报、漏报等情况很大程度上与报警设置有直接关系，报警的准确性一直是故障诊断可靠性中的一个关键问题。可靠的报警技术不仅可以确保航空发动机的安全，还可以降低航空发动机状态监测诊断的成本，对安全生产和国民经济都有重要意义。
随着科学技术的进步，作为振动监测系统核心技术之一的报警技术呈现以下发展趋势：与信号处理理论结合，寻找更加有效的报警监测指标，特别是故障特征对应的指标；与数据库和软件技术结合，保证报警信息处理的时效性，系统设计上增强报警信息的可读性；与智能信息处理技术结合，使系统的报警更具智能化，提高报警准确度和工业自动化水平。
2常用报警技术概述
振动监测系统中常用报警技术的报警方式是为监测对象设定一个或多个报警阈值，将输入的监测数据与阈值进行比较，并根据其相对大小输出报警结论。根据报警阈值的设定方法，可将报警技术分为两大类：
1）基于绝对标准的报警技术
基于绝对标准的报警技术是通过制定设备的振动标准，将监测数据直接与标准阈值相比较，以判断设备所处的状态。如国际标准化组织（ISO）的机械振动和冲击技术委员会TC108所制定的的ISO10816-3标准[7]（早期的ISO2372标准），是针对非旋转部件测量的振动速度均方根值，给出的一个通用振动烈度评定标准[8]。国际电工委员会（IEC）的技术委员会TC50也负责制定振动标准。各主要工业国家的标准化组织、商业组织、技术协会等也制定了许多专用和通用振动标准，例如美国全国标准化协会（ANSI），德国标准委员会（DNI），德国工程师协会（VDI），我国的全国机械振动与冲击标准化技术委员会（SCBTS/TC53）等。企业也会依据历史数据的统计或者技术人员的经验来设定绝对阈值，作为企业内部的振动标准。绝对标准的特点是不考虑运行环境和安装等人为因素的影响，因而有一定的局限性。
2）基于相对标准的报警技术
基于相对标准的报警技术是以设备正常状态下的监测指标作为基准值，将当前监测数据与基准值的比值是否超标作为报警依据。
期刊文章分类查询,尽在期刊图书馆相对标准的确定方法一般是基于经验或统计理论，如日本企业曾根据功率大小将设备分为小型（<10KW）、中型（10-100KW）及大型（>100KW），若设备正常运行时的平均振动幅值为X，则各型设备的注意值为2X，报警值为10X，这种相对报警标准称为2×10法则，适用于非精密设备上。报警技术中常用的3σ准则是一种基于统计学理论的相对标准，即对设备状态历史数据进行统计，得到均值X和标准差σ，按照正态分布的数据分布规律，设定区间[X-3σ，X+3σ]，若设备状态数据在区间之外，则发生报警。
上述两类报警技术因其标准制定简单，参考方便，在企业中的应用十分广泛，但随着网络化时代来临，这些传统报警技术无法适应监测系统新的特点，在数据处理量、个性化监测、多层级分布等方面已难以保证报警的准确性，因此报警技术需要向新的方向发展。
3智能信息化报警技术的发展
智能信息处理是人工智能技术与信息技术结合的产物，广泛地模拟人的智能来处理各种复杂信息，包括非结构化信息、海量信息、不完全信息、不确定信息、模糊信息、多媒体信息、时间空间信息、认知信息以及知识信息[12]。主要技术与方法有数学统计、模糊信息处理、粗糙集信息处理、神经网络信息处理、进化计算，还有基于信息与知识管理的大规模智能信息处理技术，如概念分析、分类、知识组织、知识检索、智能搜索等。
基于传统计算机的智能信息处理系统包括智能仪器系统、自动控制制导系统、自动故障诊断系统等，它的发展是由计算机科学和工业生产需求带动的，侧重对信息的快速处理并做出系统响应，是比较基础的智能信息处理方式。随着信息数量的飞速增长，出现了许多新型智能信息处理技术。人工神经网络是由神经元相互联接而成的自适应非线性动态系统，反映了人脑功能的若干基本特性，是对生物系统的某种模仿、简化和抽象，是一个具有全新计算结构模型的智能信息处理系统。近年来，支持向量机成为神经计算中一个崭新的研究热点，它在模式识别中具有优秀的分类能力，相比传统神经网络具有更强的逼近能力和泛化能力。而随着计算机科学的发展，在传统的数据计算之外，丰富的多媒体应用受到重视，产生了各种多媒体信息处理技术，包括图像处理技术、视频和音频处理技术等。在信息来源和处理层级不断增加的情况下，出现了信息融合技术，它对获取的多源信息（传感器、数据库、人工收集）进行协同处理，得到比各信息源单独处理更具意义（定性或定量、准确度、鲁棒性）的结论[13]。从总体上看，当前智能信息处理以计算机科学、信息科学、控制论、神经生理学等为基础，侧重对人的逻辑思维的模拟，未来将朝着灵感思维和形象思维的方向进一步发展。由于振动监测系统中的报警技术是以监测对象的信息提取与处理为基础的，因此智能化报警技术可以借鉴智能信息处理技术相关研究成果。
4结论
由于航空发动机类型和服役条件的不同，报警监测对象具有多样化的特点，而随着运行周期增长，航空发动机状态的动态迁移又导致状态划分依据发生改变。传统报警技术，其阈值设定由操作人员完成，无法满足航空发动机状态个性化报警和早期故障监测中动态报警的需求。为保证监测系统中的报警高效准确，报警技术的发展正与智能信息处理技术紧密结合起来，其主要方向有：（1）将报警计算中的手动设定阶段由软件算法实现，排除人工参与环节；（2）报警监测具有自适应特点，通过数据学习建立个体航空发动机的报警模型，在状态变化中自动更新阈值，使阈值设定和当前航空发动机状态相适应；（3）进行报警结论的逻辑推理，获得更高决策准确度的结论，该推理过程与人的思维模式相近。
参考文献
[1]任佳, 马宏军. 航空发动机MIMO系统的闭环辨识与故障诊断算法[J]. 测控技术, 2017(04):168-173.
[2]张赟, 杨栋, 斯彦刚, et al. 基于监督流形学习的航空发动机振动故障诊断方法[J]. 推进技术, 2017(05):192-199.
[3]崔建国, 刘宏伟, 陶书弘, et al. 基于ELM的航空发动机故障诊断方法[J]. 火力与指挥控制, 2018(4).
[4]殷锴, 钟诗胜, 那媛, et al. 基于BP神经网络的航空发动机故障检测技术研究[J]. 航空发动机, 2017(1).
[5]刘远航, 王铁楠, 郑丽. 航空发动机故障在线监测系统的研究[J]. 中国新技术新产品, 2018, No.375(17):54-55.
[6]张经璞. 航空发动机状态监控与典型故障分析[D].
[7]陈湃 . 民用航空发动机滚动轴承故障诊断技术研究[J]. 科技资讯, 2017.
[8]彭军, 郭晨阳, 张勇, et al. 基于深度学习的航空发动机部件故障诊断[J]. 系统仿真技术, 2018.
[9]逄珊, 杨欣毅, 张勇, et al. 应用深度核极限学习机的航空发动机部件故障诊断[J]. 推进技术, 2017(11):218-226.
[10]卢子元, 冯飞飞, 黄婷, et al. 某型航空发动机"PHA故障"报警的研究与排除[J]. 航空维修与工程, 2017(10).
[12]旷典, 付尧明, 房丽瑶. 大数据挖掘分析在航空发动机状态监控与故障诊断中的应用[J]. 西安航空学院学报, 2017(5).
[13]孙玮琢. 模糊推理和证据理论融合的航空发动机故障诊断研究[J]. 电子科学技术, 2017, 4(2).
论文作者:1肖娜 2孔祥伟
论文发表刊物:《科技尚品》2019年第3期
论文发表时间:2019/7/18
标签：航空发动机论文; 技术论文; 信息论文; 状态论文; 标准论文; 系统论文; 阈值论文; 《科技尚品》2019年第3期论文;