论文推荐第4期 | 发动机气路故障诊断：数字孪生模型与传感序列成像驱动的新方法

题目：An enhanced digital twin-driven fault detection and isolation method based on sensor series imaging mechanism for gas turbine engine

时间：2024年9月

期刊：《Applied Thermal Engineering》

作者：西安交通大学博士生金泽熙，刘金鑫教授等

简介：论文提出了一种综合利用数字发动机模型、传感序列成像机制和卷积神经网络的气路故障检测与隔离方法，以提高诊断算法的精度及对不同发动机个体的适用性。其中，数字发动机模型用于生成与物理发动机之间的气路参数残差，对气路故障信息进行降维；传感序列成像机制将气路残差转化为多通道图像，结合故障标签构建故障数据集；卷积神经网络对所构建的数据集进行网络参数学习，实现对发动机气路部件的故障诊断。

原文链接：https://doi.org/10.1016/j.applthermaleng.2024.124308

引用本文：Z. Jin, J. Liu, M. Xu, H. Miao, Z. Song, An enhanced digital twin-driven fault detection and isolation method based on sensor series imaging mechanism for gas turbine engine, Appl. Therm. Eng. 257 (2024), https://doi.org/10.1016/j.applthermaleng.2024.124308.

摘要：视情维护在确保发动机的安全性和可靠性方面起着至关重要的作用。具体地，故障检测与隔离能够提高维护效率，降低维护成本。传统诊断方法基于物理发动机运行数据而构建，缺乏对跨不同发动机个体的强适用性与高诊断精度的综合考虑。本文提出了一种增强型数字孪生驱动的故障检测与隔离方法（Enhanced digital twin-driven fault detection and isolation method，EDDFDI），该方法结合了数字发动机模型、传感序列成像机制和卷积神经网络。数字发动机模型用于映射物理发动机的运行状态，其与物理发动机之间的输出残差被转换为多通道图像，用于训练卷积神经网络。使用来自目标物理发动机的无故障数据对网络参数进行微调，以进一步增强对不同发动机个体的诊断性能。通过实际地面试验数据验证了数字发动机模型，采用对比实验验证了所提诊断方法的性能。诊断网络在发动机个体A的运行数据上训练，并用其他发动机的无故障数据进行微调，表现出高诊断准确率和高故障隔离率。与仅利用物理发动机数据训练的网络相比，准确率从68.25%提升至97.95%，故障隔离率从85.91%提升至99.26%，虚警率从4.41%降低至0.34%。结果表明，所提方法在不同发动机个体上具有更好的故障诊断能力。

关键词：燃气轮机，故障检测与隔离，数字孪生，多传感序列成像，卷积神经网络

一、方法内涵

所提气路故障检测与隔离方法包括三部分：数字发动机模型、传感序列成像机制和卷积神经网络。采用部件级建模方法，构建了数字发动机模型，根据物理发动机的输入参数，计算数字发动机的气路参数值；将发动机输入参数、物理发动机与数字发动机之间的气路参数残差转化为多通道图像，作为表征物理发动机的气路故障特征数据；使用气路特征数据训练卷积神经网络，将其作为物理发动机的气路诊断模型；使用来自目标物理发动机的无故障数据对已训练的网络参数进行微调，用于目标物理发动机的气路故障诊断。

下图1 给出发动机气路故障检测与隔离框架。数字发动机接收与物理发动机相同的输入参数，确保数字域与物理域的输入信息保持同步，数字发动机实时映射物理引擎的运行状态。当气路部件发生故障时，物理发动机与数字发动机的输出残差会发生变化，这些偏差即可作为故障诊断的数据信息。本方法采集物理发动机与数字发动机的运行数据，构建了包含大气条件、发动机输入参数及气路参数的综合数据库，并基于该数据库设计了针对发动机气路部件的故障诊断方法。

图1 发动机气路故障检测与隔离框架

下图2 给出诊断模型的构建与微调框架，诊断模型采用卷积神经网络，通过源自物理发动机A和数字发动机的数据集进行训练网络参数。由于不同发动机之间存在个体差异，可能影响训练完成的网络在应用于其他引擎时的诊断精度，因此采用发动机B的运行数据对网络进行微调，本文使用发动机B的无故障数据对诊断模型进行全参数微调。

图2 诊断模型的构建与微调框架

下图3 给出传感序列成像算法，以时间序列格式存储发动机的输入数据及输出残差（数据格式16×100），采用分段聚合近似方法对序列数据进行降维（数据格式16×100），进一步采用格拉姆角和场将时序信号转化为二维图像（数据格式16×10×10）。每个气路故障样本为16通道的伪图像，各通道代表一个传感器的数据信息。

图3 传感序列成像算法

下图4(a)-(h) 的8幅小图给出不同气路故障模式对应的气路二维图像，不同故障类型对应的图像特征存在显著差异，这些差异特征可为故障诊断提供有效数据信息。(a)发动机无故障对应的风扇后总温残差ΔTt25；(b)风扇故障对应的风扇后总温残差ΔTt25；(c)发动机无故障对应的高压转子转速残差ΔNH；(d)高压压气机故障对应的高压转子转速残差ΔNH；(e)发动机无故障对应的低压涡轮后总温残差ΔTt6；(f)高压涡轮故障对应的低压涡轮后总温残差ΔT6；(g)发动机无故障对应的低压涡轮后总压残差ΔPt6；(h) 低压涡轮故障对应的低压涡轮后总压残差ΔPt6。

图4 (a) 无故障,ΔTt25

图4 (b)风扇故障,ΔTt25

图4 (c) 无故障,ΔNH

图4 (d)压气机故障,ΔNH

图4 (e) 无故障,ΔTt6

图4 (f) 高压涡轮故障,ΔTt6

图4 (g) 无故障,ΔPt6

图4 (h)低压涡轮故障,ΔPt6

图4 不同气路故障模式对应的气路二维图像

二、实验验证

在综合考虑模型-发动机不匹配、传感器测量不确定性和发动机性能退化等因素的条件下，在任务剖面内，对发动机进行气路部件故障注入，获取故障数据，对所提方法进行了消融实验验证。表1为是否采用数字发动机模型及传感成像机制的消融实验方法设置。

表1 消融实验的方法设置

图5(a)-(d) 展示了由发动机A故障数据训练的网络，经发动机B的无故障数据进行参数微调后，在发动机B上的诊断结果。如图5(a)所示，仅基于物理数据的FDI方法（PDFDI）难以检测风扇和高压压气机故障。如图5(b)所示，当采用传感序列成像机制后（EPDFDI），可以检测到50%以上的风扇和高压压气机故障，但漏检和误检的比例仍然很高。发动机A与B之间的个体差异影响了仅依靠物理发动机运行数据而构建的诊断方法。从图5(c)可以看出，数字发动机模型的使用（DDFDI）可以大幅提高故障诊断的精度，但仍有14.28%的风扇故障被错误地检测为高压压气机故障。在图5(d)中，采用数字发动机模型和传感序列成像机制的方法（EDDFDI）具备更高的诊断准确率，无故障、风扇故障、高压压气机故障、高压涡轮故障和低压涡轮故障的诊断准确率分别为99.33%、94.01%、99.22%、99.31%和98.59%。

图5 (a)物理数据的FDI方法（PDFDI）

图5 (b)采用传感序列成像机制（EPDFDI）

图5 (c)采用数字发动机模型（DDFDI）

图5 (d)采用数字发动机模型和传感序列成像机制的方法（EDDFDI，本方法）

图5 由发动机A故障数据训练的网络在发动机B上的诊断结果

图6 对比了不同故障诊断方法在三台发动机个体上的故障诊断准确率。相较于未采用数字发动机的方法，基于数字孪生的诊断方法准确率均高于90%。而经参数微调后的EDDFDI方法在三台发动机上的诊断准确率均超过95%，在发动机B、C和D的测试中准确率分别为98.08%、96.83%和98.92%。

图6 发动机个体B、 C和 D 的故障诊断准确率

图7 对比了不同故障诊断方法在三台发动机个体上的故障隔离率。经微调的EDDFDI方法在三台发动机上的故障隔离率分别为99.21%、99.28%和99.31%。虽然仅基于物理引擎数据的方法在引擎C和D测试中隔离率可超过95%，但其诊断准确率仍显著低于数字孪生驱动的方法。

图7 发动机个体B、 C和 D 的故障隔离率

图8 对比了不同故障诊断方法在三台发动机个体上的虚警率。当直接使用物理发动机A训练的网络诊断其他发动机个体时，系统会产生较高的虚警率。采用数字发动机与参数微调对于降低虚警率具有关键作用，经微调的EDDFDI方法对应的虚警率保持在0.5%以下。

图8 发动机个体B、 C和 D 的虚警率

三、结论展望

论文提出了一种综合利用数字发动机模型、传感序列成像机制和卷积神经网络的气路故障检测与隔离方法，以提高诊断算法的精度及对不同发动机个体的适用性。未来的研究方向将聚焦解决诊断算法在无故障数据与故障数据之间的类不平衡问题、对发动机生命周期内退化过程的适应性以及低耗时算法的机载应用。

作者简介

金泽熙（第一作者），西安交通大学机械学院博士在读，主要研究方向为：发动机建模、容错控制与气路诊断。

刘金鑫（通讯作者），工学博士，教授，博导。现任西安交大机械学院航天所所长、航空动力系统与等离子体技术全国重点实验室研究部副部长、西安交通大学与航天六院校企产教融合示范平台负责人/校方总师。入选第五届中国科协“青年人才托举工程”（2019-2021），入选国家级青年人才支持计划（2021），获2020年陕西省技术发明一等奖（3/6）、2024年省部级技术发明一等奖（1/6），2024 年全国卓越工程师培养优秀校企导师组（1/6），2024 年中国机械行业产教融合研究生教育教学特等奖（1/10），2024西部联盟首届课程思政大赛特等奖等荣誉。研究领域包括：空天推进系统、容错控制、故障诊断、太空制造技术等。邮箱：jinxin.liu@xjtu.edu.cn