本文是美国普·惠发动机专家Allan J. Volponi 十年前（2014）年撰写的一篇关于发动机健康管理（EHM）的总结性论文。2014年，我的导师西安交通大学陈雪峰教授正主持国家973项目“航空发动机运行安全基础研究”，要求我们一定要深入学习这篇论文，并时刻保持温故知新。虽然发动机健康管理技术在这十年取得了长足的发展和进步，但这篇文章的指导意义依然存在，十年后回头再读依然感触良多，遂总结分享供从事本领域的学者参考。
该文内容涵盖：气路分析、振动监测、滑油监测、碎屑监测、叶片监测、控制诊断、机载模型、信息融合、寿命管理与预测。西安交通大学航发所几乎涵盖上述全部研究方向。
该文主要观点：
（1）成本（运营、维护）是EHM底层驱动力；
（2）信息是EHM系统价值的核心载体、充分挖掘可用信息的潜力是未来诊断预测系统发展的核心考量；
（3）由于不同应用场景对发动机健康管理系统的需求差异显著，不存在普适性解决方案；
（4）气路分析的本质是系统级退化到部件级故障的逆向推理；
（5）气路分析的核心价值在于追踪单台发动机全生命周期性能变化、评估特定发动机相对于设计标准或机队平均水平的性能偏移；
（6）新型专用传感（碎屑监测、滑油监测、叶尖间隙、叶端定时等）为EHM注入了新的生命力；
（7）机械故障（轴承、齿轮、叶片）占比显著、振动监视非常重要；
（8）寿命预测模型的本质是关键部件失效机理的实时仿真模型；
（9）发动机实时动态模型是决定系统效能的基础性环节；
（10）智能发动机的愿景是将EHM从单纯维护工具升级为具备自适应控制能力的系统。
整理：刘金鑫@XJTU
文章大约2.5万字，欢迎关注。
（以下为原文）
摘要：发动机故障诊断的实践与燃气涡轮发动机的发展历史同样悠久。过去六七十年间，随着燃气涡轮发动机在形态与复杂度层面的持续演进，其监测与分析手段也逐步迈向高精度化。尽管本文所述内容对地面燃机与航空发动机均具有适用性，但论述重心将聚焦于航空发动机领域。早期诊断技术以机械完整性监测为核心，采用经验性方法为主；随着传感器技术突破、电子监测系统升级、发动机建模精度提升以及分析方法的创新迭代，诊断技术获得了显著发展。推动这一进程的核心动因在于经济性考虑——燃料成本攀升、发动机采购价格、备件供应、维护检修开支等因素共同推高了发动机的生命周期成本。故障诊断技术被视为降低运营风险决策偏差的有效手段，对保障飞行安全具有深远意义。具体体现在航空领域飞行中停机（IFSD）的预防，以及地面应用中的停机风险管控，同时通过优化计划外发动机移除（UERs）、零件寿命管理、维护检修流程及机队/发电厂物流体系，显著降低整体经济影响。本文系统梳理了相关技术方法的发展脉络，分析其演进路径，并展望未来发展趋势。
1. 引言
1.1 成本效益
发动机全寿命周期成本（以及与之相关的安全性问题）始终是驱动燃气涡轮发动机诊断技术发展的核心动力。尽管成本本身是一个复杂的话题，但为简化分析，我们可将其划分为两大范畴：运营成本与维护成本。以全球商用航空领域为例，仅机队维护活动每年支出预估达500亿美元，预计到2020年将攀升至653亿美元。美国国防部数据显示，1992-1993财年发动机维护支出约11亿美元。若将这一数字扩展至全球所有军用航空发动机机队及陆海动力装置、发电站、输油泵站等领域，其规模将远超天文数字。通过优化维护物流体系、减少非计划事件（及其连锁反应）、提升运行效率，可显著降低这些成本，而诊断技术在其中发挥着关键作用。
本文所述"诊断技术"采用广义定义，既包含故障检测与识别，也涵盖发动机系统/子系统在失效前的性能退化监测。从运营成本控制角度，诊断技术可通过避免非计划事件（如发动机空中停车、因子系统故障导致的大规模停场维修、引发发动机更换或更严重后果的航空器损毁等），以及识别导致燃油消耗增加的局部故障（如引气泄漏、主动间隙控制异常、可变几何作动器故障等），从而减少航班延误与取消（航空领域）等衍生问题。在维护管理层面，诊断技术可优化维护物流、维修排程、备件库存及大修范围，全面降低单台发动机乃至整个机队的全寿命周期成本。
与之密切相关的"预测技术"近年来备受关注，其核心在于预判发动机及其附件的未来健康状态。具体而言，燃气涡轮发动机的预测技术聚焦于部件硬性失效或性能退化问题的预测。故障预测需结合具体发动机故障诊断结果，根据故障对部件的影响程度来预测损伤状态或失效率。预测模型需构建未来工况的演变路径，既包括快速劣化过程（如突发性故障），也涵盖缓慢退化过程（如磨损失效）。例如，通过计算寿命件剩余使用寿命（需可能结合故障前兆检测），或对无前兆的寿命件（如涡轮盘、隔圈、轴类零件）进行有效循环计数预测，所有预测方法均需设定预测周期并评估置信度。
上述技术体系的价值已在全球航空产业链中得到验证。商业航空公司、发电厂运营商、军方用户、发动机原始设备制造商（OEM）及独立维修企业，均通过机载/地面监测、健康状态追踪、故障诊断及机队健康管理等方式应用诊断技术。部分功能实现于机载系统，部分依托地面支持，部分则需天地协同。
故障诊断技术对OEM的角色已从传统维护支持向主动价值创造发展。以罗尔斯·罗伊斯公司前身布里斯托尔西德利公司提出的"按小时计费"（Power by the Hour）概念为例，主流OEM通过机队管理计划（FMP）向航司提供"按飞行小时付费"的全包服务：航司预付固定费用即可获得发动机及附件更换保障，既可精准控制运营成本，又免除了备件库存压力。OEM通过长期维护协议实现稳定收益，同时基于实时健康监测优化维护策略，形成多方共赢的商业模式。
（译注：这种"按飞行小时计费"的服务收费商业模式，本质上就是发动机供应商对发动机的检测维护负责，并决定什么时候更换部件，如果发生故障导致的任务延误由供应商赔偿，事实证明大量的部件并未到寿就更换，因此供应商要实现利益最大化，就需要把传统的计划性维护变成视情维护，这就需要发展故障诊断与健康管理技术。）
1.2 信息源
信息是任何健康管理系统的核心要素。这一概念在医疗实践中可找到合理类比：当患者出现病症（或常规体检时），医生会通过视诊观察、各类传感器（血压计、心电图、体温计、血液分析、X光、核磁共振、CT扫描等）采集数据，将观测值与正常基准对比，识别异常症状并与已知疾病匹配以形成诊断结论。这些医疗信息多源于长期经验积累，通过数百年试错与实验验证逐步完善。燃气轮机诊断技术虽不及医学诊断历史悠久，但其核心同样在于信息处理——这些信息源自观测/测量、物理与经验模型，以及用于估算无法直接获取健康指标的分析方法。
信息既是诊断技术的使能要素，也是最大挑战。现代燃气轮机包含众多部件与子系统，潜在健康因素远超可获取信息量，形成显著的信息不对称。单纯增加物理传感器无法解决问题：每个新增传感器都会引入自身可靠性问题（如漂移、偏差、精度衰减），同时带来重量增加与维护成本上升。因此，诊断系统的传感器配置需在信息增益与综合成本间取得平衡。
（译注：传感器本身的故障、故障诊断系统的虚警均被计入EHM系统的平均无故障工作时间MTBF，也就是传感器越多、故障诊断虚警率越高，EHM发生错误的概率就越高，EHM的平均无故障工作间隔时间就越短）
值得关注的是，信息来源具有多样性，部分与物理传感器无直接关联：
（1）约束条件：燃气轮机随使用时间推移必然发生性能衰退，这一客观规律为诊断问题划定了边界，有效缩减未知变量范围；
（2）领域知识：物理定律揭示的参数间内在关联（如燃油流量增加而排气温度异常下降时，更可能指向测量系统故障而非发动机本体问题）；
（3）假设条件：多参数突变通常归因于单一子系统故障（如引气阀卡滞），而非所有传感器同时失效，这种工程经验显著降低诊断复杂度；
（4）反向推理：未观测到特定征兆可排除部分故障可能。
本文将贯穿探讨诊断系统如何通过约束条件挖掘、领域知识融合、假设条件应用及信息融合技术，在有限传感器配置下最大限度获取有效信息，推动航空发动机诊断技术的持续演进。
1.3 发动机健康管理 (EHM)
我们以"EHM"这一广泛使用的缩略语作为本节收尾。三四十年前，该缩写代表"发动机健康监测"（Engine Health Monitoring），如今已演变为"发动机健康管理"（Engine Health Management），前者侧重被动观测，后者强调主动干预，二者实为相辅相成。发动机健康监测的实践始于1970年代商用大涵道比涡扇发动机的普及——这类模块化设计的大型设备高昂的维修成本，催生了模块级性能健康追踪技术的研发，旨在缩减维护范围与总体成本。1980年代初全权限数字发动机控制（FADEC）系统的出现，使得原本用于控制功能的机载传感器数据，同时成为诊断系统的信息源。随着低成本计算、高速通信及先进传感技术的持续突破，EHM系统现已广泛应用于军民领域。
由于不同应用场景对发动机健康管理系统的需求差异显著，不存在普适性解决方案，必须针对具体应用进行定制化设计。EHM系统可视为由功能模块构成的工具箱，通过组合构建满足用户需求的定制化架构。典型架构包含机载模块与地面模块两大组成部分：（1）机载模块通过传感器实时采集数据，执行基础故障隔离与预测，支撑机载维护作业；（2）地面模块则进行长期性能退化趋势分析，为机队管理者提供维护规划依据。本文后续将深入探讨各类监测系统与分析方法的演进历程，解析其如何逐步发展为现代EHM系统的核心要素，并展望这些系统的技术增强方向。
（译注：笔者对发动机诊断的理解是三个层面，（1）底层机理，例如数字孪生模型、信号处理算法、寿命预测模型等；（2）在线技术（机载模块），气路监视、振动监视、碎屑监视、叶片监视、容错控制等；（3）离线技术（地面模块），例如长期趋势分析、地面智能维护技术、机队维修规划。下图展示三个层面的逻辑，笔者所在团队也正式从这三个方面开展研究的。）
2. 历史视角
2.1 发动机健康监测（EHM）
发动机状态监测与诊断实践与燃气涡轮发动机的发展历史同样悠久。早期通过监测排气温度（EGT）、转子转速及整机振动幅值等基础参数，以警示异常工况，但难以定位故障根源。随着燃气涡轮发动机复杂度提升及维护成本增加，监测系统逐步扩展。受可靠性与经济性驱动，发动机控制需求催生了更多传感器（主要分布于燃气通道），最初这些参数仅限驾驶舱机组人员监测，稳定巡航时通过记录仪表数据（典型参数包括N1/N2转速、EGT、燃油流量、振动水平及滑油系统温压等），航后提交飞行记录单供航司动力工程师进行趋势分析。
20世纪70年代，宽体客机开始配备电子化状态监测硬件，通过机载综合数据系统（Aircraft Integrated Data System, AIDS，后更名为机载信息管理系统，Airplane Information Management System, AIMS）实现起飞与巡航阶段关键参数的自动采集。该系统可监测飞行参数（高度、马赫数、总温、环境压力等）及发动机特性参数（N1/N2、EGT、燃油流量、振动等），后期扩展至燃烧室压力、高压压气机进出口参数及发动机压力比等。早期参数配置需要航司与制造商逐机型协商，硬件加装及信号调理依赖定制化方案。尽管缺乏统一标准，各系统均具备参数超限记录功能：巡航时持续捕捉稳态数据并计算时间均值，起飞阶段记录关键参数（如最大EGT），航后通过快速存取记录器（Quick Access Recorder, QAR）下载数据至地面站进行趋势分析、EGT裕度跟踪等，支撑机队级健康管理与维修决策。
80年代数字技术革新推动AIMS升级，发动机全权限数字控制（Full Authority Digital Engine Control, FADEC）取代液压机械控制系统，ARINC数据总线实现更广泛的参数传输。CPU性能与存储容量提升使实时分析与存储成为可能，机载通信寻址报告系统（Aircraft Communications Addressing and Reporting System, ACARS）逐步替代QAR，实现飞行中数据传输以支持地面快速响应。系统计算能力增强催生飞机状态监控功能（Aircraft Condition Monitoring Function, ACMF）报告，通过特征系统数据识别潜在故障，助力预防性维护。自诞生以来，ACMF报告类型不断扩展，涵盖起飞、爬升、巡航、气路/机械建议、起动摘要等十大类，尽管仍需人工分析结合多源信息决策，但相较70-80年代依赖地面工程师拼接健康画像的模式，已实现质的飞跃。
为辅助分析，气路分析（GPA）方法于70年代初引入。该方法利用通用传感器数据追踪整机及核心部件（风扇、压气机、涡轮等）性能退化，其数据需求与早期AIMS兼容，适用于单轴至三轴、涡喷/涡扇等多种构型。四十余年来，GPA通过持续研究扩展能力，至今仍是健康管理核心技术之一。
2.2 气路分析：早期总结
气路分析是一种基于发动机气路测量参数（如温度、压力、转速、流量等）变化量，数学化分离并评估发动机性能偏移至部件级的诊断方法。该技术自上世纪七十年代起已发展成为成熟的发动机诊断手段，在军民领域应用四十余年。其核心原理是通过观测气路参数变化，识别物理故障（如外来物损伤、叶片腐蚀、密封件磨损、喷嘴堵塞等）对发动机热力学性能的影响，并建立部件性能参数与测量参数间的数学映射关系。
该方法的优势在于无需特殊传感器，主要依托发动机控制系统已有的BOM传感器实现基础诊断功能。当然，诊断精度与结果置信度仍取决于传感器配置方案，部分系统通过增设专用气路传感器提升性能退化监测能力。诊断系统通过分析可观测参数变化检测物理故障，气路分析的核心假设在于：发动机性能由其部件状态决定，且各部件状态可通过独立性能参数（如压气机的绝热效率与流量能力、涡轮的绝热效率与有效喷管面积）数学表征。当气路测量参数异常时，系统通过反推相关部件性能参数变化，进而定位潜在物理故障源。此方法框架如图1所示，其技术本质是通过参数关联实现从系统级性能退化到部件级故障的逆向推理。
图1 气路分析的原理
☆物理硬件故障 ←→ 组件性能降级 ←→ 可测量参数变化
☆动态关联词：导致 | Results in、引发 | Producing、允许修正 | Permits Correction of、支持隔离诊断 | Allows Fault Isolation of
☆左框｜物理硬件故障：侵蚀 | Erosion、腐蚀 | Corrosion、结垢 | Fouling、磨损密封 | Worn Seals、外来物损伤（FOD） | Foreign Object Damage (FOD)、堵塞喷嘴 | Plugged Nozzles
☆中框｜降级组件性能：效率下降 | Reduced Efficiency、流量能力下降 | Lower Flow Capacity、喷嘴面积变化 | Altered Nozzle Area
☆右框｜可测量参数变化:速度波动 | Speed Variation、温度异常 | Temperature Abnormalities、压力偏移 | Pressure Deviations、燃料流量变化 | Fuel Flow Alterations、功率输出异常 | Power Output Irregularities
气路分析方法可称为相对发动机性能诊断，即通过评估发动机性能变化而非绝对性能水平来实现监测。其核心价值在于：（1）能够追踪单台发动机的全生命周期性能变化（例如从装机初始状态到当前状态的对比），（2）或评估特定发动机相对于设计标准或机队平均水平的性能偏移。无论基准点如何选定，该方法均可提取对维护计划、后勤保障及成本控制具有指导价值的关键信息。
要实现性能特性的变化推断，需满足两个基本条件：（1）一是能够观测气路各参数相对于基准点的可识别变化；（2）二是建立参数变化间的数学关联模型。该方法的理论基础在于：发动机物理故障（如叶片侵蚀、腐蚀、间隙变化、积碳等）会引发部件性能改变（通过效率、流量能力等参数表征），进而导致可测量参数（温度、压力、转速等）的异常波动。通过建立逆向数学关系，可从参数异常反推部件性能偏移量，从而定位潜在故障源。典型气路参数集合如图2所示，涵盖温度、压力、转速等关键监测指标。
图2 气路测量（图中为5站位系统，0无穷远处，1进气道进口；2风扇进口；3燃烧室进口；4涡轮进口；5喷管喉部；15风扇外涵出口；25高压压气机进口；45低压涡轮进口，P代表压力，N代表转速，T代表温度，Wf代表主燃油流量）
如前所述，气路分析关注性能变化量，其依赖数据源自观测参数相对于预设基准的变化。基准通常采用所谓标称发动机状态（如生产标准、用户翻新发动机队列平均值或装机初始状态）。无论采用何种基准形式，均需通过发动机"模型"进行经验性归一化处理以匹配特定基准选择。在气路分析（GPA）早期阶段，该模型仅为不同功率水平（如EPR或修正风扇转速N1c2）下参数值的表格化呈现，数据基于标准大气条件（ISA）下的特定高度与马赫数，并通过插值匹配实际观测功率水平。进行数据对比前，需将观测数据修正至基准大气条件，并消除高度-马赫数（雷诺数指数）及安装效应的影响，最终实现参数级δ值计算。
此类分析通常采用稳态巡航数据，当发动机进入稳定工况后，系统采集10-60秒数据并进行时间平均处理，生成稳态气路参数向量存储于快速存取记录器（QAR）或通过机载通信寻址报告系统（ACARS）实时传输。飞行过程中通常进行1-2次数据捕获，通过GPA处理生成基线δ向量序列并绘制趋势图。早期趋势图（图3所示）因形似蠕虫轨迹得名"蠕虫图"，后随计算机技术进步升级为现代数据可视化形式。在绘制趋势图前需进行数据平滑处理以降低噪声干扰，常用滚动平均与统计方法优化信噪比。图3所示参数已为经处理的平滑数据。
该方法的核心价值在于通过参数偏离量化评估发动机性能退化，其技术本质是通过建立参数与健康状态的数学映射关系，实现从系统级异常到部件级故障的逆向推理。随着数据采集与处理技术的演进，现代GPA系统已整合多源信息融合技术，显著提升了故障检测的准确性与及时性。
图3 早期发动机监测的趋势图（因形似蠕虫轨迹得名"蠕虫图"）
当分析人员识别出可疑趋势时，会记录各参数相对于主趋势线的δ-δ偏移量（如图4所示）。随后将这些参数ΔΔ值与预置的参数偏移对照表（即指纹图谱）进行模式匹配。图5展示了分析中使用的简化版指纹图谱。以图4案例为例，系统判定高压涡轮模块存在异常性能，需安排热部件内窥镜检查。根据内窥镜观察到的损伤程度，最终决策是否在发动机返场前实施维修。
该方法的核心在于通过多参数协同分析实现故障溯源：首先建立参数偏离的量化评估体系，继而构建故障模式特征库，最终通过模式匹配实现故障定位。典型应用场景中，当监测到高压涡轮模块δ-δ偏移量超过阈值时，系统自动触发二级诊断流程，结合热成像与机械检测手段验证故障假设。
图 4 确定参数变化的幅度ΔΔ及方向
图5 简化版指纹图谱
☆第一级涡轮导向器面积（1st NGV AREA）增加2% → 发动机排气温度（EGT）增加3℃、燃油流量（FUEL FLOW）增加0.4%，高压转速N2下降0.7%、低压转速N1下降0.1%
☆高压涡轮模块性能损失（HPT MODULE PERFORMANCE LOSS）效率降低2% → 发动机排气温度（EGT）增加9℃、燃油流量（FUEL FLOW）增加1.1%，高压转速N2下降1.7%、低压转速N1下降0.3%
☆气流/风扇放气外排（FLOW, FAN BLEED OVERBOARD）增加2% → 发动机排气温度（EGT）增加2℃、燃油流量（FUEL FLOW）增加0.8%，高压转速N2下降0.1%、低压转速N1增加0.8%
☆风扇模块性能损失（FAN MODULE PERFORMANCE LOSS）效率降低2%、流量下降3% → 发动机排气温度（EGT）下降13℃、燃油流量（FUEL FLOW）减少0.7%，高压转速N2下降0.9%、低压转速N1增加2.2%
显然，前文所述的气路分析流程具有显著的劳动密集型特征，其诊断结论易受分析人员经验水平与主观判断的影响。这些弊端促使人们尝试通过自动化手段消除主观不确定性。20世纪70年代初，汉密尔顿标准公司的卢·厄本首次为该流程建立了数学框架。早期系统设计目标在于同时处理试车台与飞行实测数据快照，构建的灵活通用分析框架历经80-90年代持续演进（至今仍在发展）。下文将简要介绍该数学框架的核心原理。
2.3 气路分析：数学基础
如前所述，GPA的目标是通过发动机气路沿线采集的观测数据来推断引擎模块性能健康状态的变化。该数学技术基于气路参数间的空气热力学关系，能够从指定的发动机可测参数集（如温度、压力、转子转速等）中估算各独立模块及传感器的性能偏移量。为便于说明，我们将通过逐步简化方法构建模型。
构成模型状态的独立（发动机）变量记为xe，包含δ组件效率、流量能力及面积变化量（Δη, ΔFC, ΔA）。例如，可选择以下发动机故障参数建模：
（1）
测量向量（依赖参数）记为Z，由发动机气路各参数相对于参考值的百分比变化构成。典型示例如下：
（2）
采用百分比形式（而非工程单位）表达这些变化量主要出于便利性考量。这种处理方式使得数值具有统一量纲，有助于提升后续（逆向）估算过程的数值稳定性。尽管独立参数与依赖参数间本质上存在非线性关系，为简化模型我们采用线性近似方法。在特定发动机工况点，该关系体现为影响系数矩阵（ICs）。
影响系数矩阵由各独立参数与依赖参数间的偏导数构成。例如，风扇效率对N1的影响可表示为偏导数：（∂N1/N1）/（∂ηFAN/ηFAN）。该数值以百分比形式表征了风扇效率百分变化对N1的影响程度。基于线性近似，其关系式可表达为：
（3）
若在特定发动机工况下，对每个独立-依赖参数组合求取这些偏导数，即可生成发动机影响系数矩阵。该偏导数矩阵是在特定稳态发动机功率工况下进行评估的，此时需保持某些独立发动机功率设定参数（如EPR或修正N1）恒定。尽管存在多种生成此类矩阵的方法，但最典型的是通过扰动法使用发动机的非线性气动热力学模型来实现。
将原始发动机数据提炼为有意义的性能变化信息的过程需要多个中间步骤和计算。基本气路分析算法通常可分解为若干（通用）独立步骤：(1) 数据归一化，(2) 参考模型生成，(3) 性能偏移估计，(4) 基于前述计算的诊断建议。这些步骤对建立最终诊断特征同等重要。流程首步是对原始数据信息流进行归一化处理。由于进气环境条件变化引起的燃气路径参数波动，通常可通过数据归一化来消除。沿发动机燃气路径分布的各类参数（如流量、压力、温度、转速等）不仅随工况变化，也受发动机进气环境条件影响。由于进气温度/压力变化会导致燃气路径参数值产生连带变化，若不考虑环境因素，将难以表征燃气涡轮发动机参数间的气动热力学关系（即使在恒定工况下）。这通常通过修正发动机参数实现。修正参数P*（对应任意燃气路径参数P，如压力、温度、转速等）的表达式为：
（4）
式中无量纲参数θ和δ定义为：
（5）
指数a和b根据具体参数确定，详见文献。
需注意的是，为保持简洁性，本文省略了若干与输入数据归一化相关的附加考量。发动机引气修正、雷诺数效应校正、试车台关联或短舱效应修正（若数据分别采集于试车台或飞行状态）等处理也将应用于减小计算测量偏差的波动。现可构建简单关系式（图1右上流程）：
（6）
式中z为m×I维测量参数偏差向量，xe为ne×1维（发动机模块）故障偏差向量，He为m×ne维发动机故障（影响）系数矩阵，θ为m×1维随机向量，表征测量过程固有不可重复性。此简化公式假设观测参数偏差仅由模块性能偏移（加噪声）引起。后续将修正该公式以包含其他故障（如传感器故障）。
针对此问题设定，可考虑三种情形：
ne=m（未知数数量等于方程数量）
ne<m（未知数少于方程数量）
ne>m（未知数多于方程数量）
第一种情形（ne=m）中，矩阵He为方阵，若其秩适当，可通过求逆获得故障Δs估计值x^e：
(7)
第二种情形（ne<m）构成超定问题，可用最小二乘解：
(8)
其中Heᵀ表示矩阵转置。若已知测量不可重复性并可获得测量协方差矩阵cov(θ,θ)=R，则可生成加权最小二乘解：
(9)
后一解法中，故障评估通过按测量不可重复性倒数加权各测量影响来确定。因此，精确测量的故障估计权重高于低精度测量。这三种解法对应的矩阵：
（10）
构成逆影响系数集，表征各测量参数单位变化对发动机故障参数的影响程度。20世纪70年代，方程7-9被用于实现图1右下流程所需的气路评估。然而该方法存在诸多问题：测量误差（传感器漂移、偏差等）及模型不准确、未建模故障、数据归一化与修正不当引发的表观测量误差，常导致测量偏差的误差含量超出性能变化检测阈值。此时任何方法的结果都可能产生误导，因为测量误差会被误诊为发动机性能故障参数的组合偏移。为此需在基本公式中引入测量误差故障参数集，形成欠定方程组，对应ne>m情形。
解决方案是通过引入附加（表观）传感器（测量δ）故障向量xs修正基本公式：
(11)
扩展基本公式(6)如下：
(12)
式中x=[xe…xs]ᵀ为模块性能偏差与测量误差偏差的拼接向量。矩阵H被划分为发动机故障影响系数矩阵He（m×ne）和传感器故障影响系数矩阵Hs（m×ns）。该方程将测量误差百分比变化与（修正后）测量δ量的百分比变化相关联。传感器故障IC矩阵可采用与发动机IC类似的方法计算。
虽然方程(12)形式与方程(6)相似，但此时未知数数量超过方程数量（信息不足），方程7-9的解法因逆运算不存在而不再适用。20世纪70年代末至80年代，经典解决方案是采用卡尔曼滤波简化版的最大后验解。简述最终结果如下：
(13)
式中x₀为模块性能与测量误差偏移的先验猜测（预测器）。单快照数据分析时通常取零；若分析时间序列快照，则先验猜测可为前次分析结果、零或二者组合。修正项通过当前数据点相对于先验信息的新息（即Hx₀预期值与实际测量Z的残差）提供更新，由增益矩阵D加权。增益矩阵D（卡尔曼增益矩阵）计算方式为：
(14)
其中P₀为n×n矩阵（n=ne+ns），称为状态协方差矩阵。其名称源于最大后验解的推导过程，该过程中状态向量x假设为服从均值μx、协方差P₀的正态分布随机变量。如文献[15]所述，该推导旨在最小化如下二次型：
(15)
此情形下，可将解视为广义加权最小二乘（WLSQ）解，其中P₀作为分析师预设的加权矩阵。鉴于模块性能偏移（x组成部分）本质上非随机，这种解读具有合理性，此时P₀选择成为优化解的关键参数。
尽管存在某些缺陷（后文将详述），该方法仍是1980年代初期至今性能诊断的基础，期间虽经多次修正扩展以弥补不足，但其核心框架沿用至今。需注意的是，此类方法虽能提供性能健康评估，但并非唯一方案且存在显著局限：（1）该解倾向于弱化底层参数的实际偏移量——例如当发生大范围测量偏差或模块故障（如外来物损伤FOD或内部物损伤DOD）时，诊断结果会将异常值部分归因于各模块性能偏移与测量误差的综合影响；（2）若系统未纳入关键子部件故障（如引气阀、可变几何作动器等），相关测量参数偏移将被错误归因于模块性能与测量噪声的组合效应，导致误诊。即便将此类附加故障参数纳入状态向量x，也无法解决根本问题，反而使本已欠定的方程组更加病态。事实上，单纯依赖数学手段无法彻底解决此类问题，必须引入额外信息。过去二十年间涌现的诸多改进方案，其有效性高度依赖于特定假设条件的满足。目前尚无普适最优方法，现行主流方案通过融合多种算法，在满足特定条件时调用相应方法实现诊断优化。关于当前工程实践中的算法融合策略，将在后续章节详述。
2.4 机载/离线应用
正如读者所能推断的，上述大部分分析（ACMF报告除外）主要基于地面稳态数据完成。这主要受限于20世纪70至90年代机载电子设备（AIMS和FADEC）的计算与存储能力——飞行硬件CPU性能通常比地面设备落后十年以上，这是由于环境适应性（温度、振动、辐射）和适航认证限制所致。相较于现代技术，这极大制约了当时的机载诊断能力。
传感器配置也相对有限。基础气路传感器因用于发动机控制而始终存在，随着时间推移，为满足发动机健康管理（EHM）需求，又逐步增加了若干相对廉价且可靠的气路传感器。这种技术路径解释了早期气路诊断的侧重性及其持久生命力。振动监测作为涡轮机械的另一关键领域，其传感器部署密度远低于气路传感器。虽然风扇和涡轮模块（偶尔包括主齿轮箱）会进行振动监测，但由于振动信号带宽（2-5千赫兹）远高于气路参数（5-20赫兹），早期受限于CPU处理能力，无法实现频域分析。机载仅能记录平均振动幅值并触发越限告警，唯有在新机试车或大修后返厂检测（test as received, TAR）等存储资源充足场景下，才能开展深度分析。
发动机滑油系统面临类似困境。主滑油温度（OT）、压力（OP）（后期增加滤芯压差监测）等关键参数通过阈值监控确保运行安全，而滑油量（OQ）测量因受发动机振动与飞行姿态影响可靠性较低。传统滑油成分分析依赖地面实验室的光谱油液分析程序（SOAP）。直到21世纪初，随着油液碎屑监测器（oil debris monitor，ODM）和油液状态传感器（oils condition Sensors, OCS）的出现，滑油监测技术才显著提升，但其普及应用仍是近年之事。
值得注意的是，现有诊断分析主要基于商业巡航阶段的稳态数据。尽管瞬态工况更易引发故障，但相关数据分析能力建设明显滞后——早期航空公司成功应用稳态GPA的案例虽激发了部分学者研究兴趣，但因前述技术限制未能形成规模。这一领域沉寂近三十年，直至计算机技术、建模方法与算法的成熟才焕发新生。关于瞬态诊断的深入探讨将在本文"未来趋势"章节展开。
下文将重点梳理1990年代末至今的技术进展，特别是GPA与机械系统诊断的突破，并剖析信息融合技术的应用潜力。
3. 当前实践
3.1 成本效益：视角的变化
正如本文引言中"成本效益"章节所述，诊断技术最初主要用于故障后分析或预防旋转部件/发动机子系统的潜在失效。传统上，发动机整体健康状态主要通过基于运行时间或飞行循环的定期维护来维持（所谓计划性维护）。过往数十年的监测实践与诊断技术发展，加之终端用户降低全寿命周期成本的强烈诉求，推动行业从计划性维护模式转向视情维护模式。以销售备件为主要利润来源的原始设备制造商（OEM）通过提供机队管理计划（fleet management program，FMPs）——即按固定飞行小时费率向航司收取费用并承担发动机维护责任——成功实现了商业模式转型。这种"按飞行小时计费"策略实质上是以备件利润换取服务收益，理论上引擎在翼时间越长，OEM获利越大（也就是维护由供应商包干，检修、维护、更换部件计划均有供应商承担，显然变计划性维护为视情维护会使得供应商收益更大）。在此背景下，诊断与预测技术成为OEM管控非计划事件风险的重要工具，此类事件可能导致罚款并直接影响利润。
发动机健康管理（EHM）系统通过三大价值主张推动业务升级：（1）开发具有市场竞争力的功能以增强终端客户吸引力；（2）降低终端用户的全寿命周期成本；（3）减少机队管理服务提供商的财务风险敞口。这些潜在收益驱动了1990年代中期至今学术界、政府机构与工业界在EHM领域的爆发式增长，催生了众多专注于诊断预测及相关领域的技术企业。这种创新浪潮不仅带来了改进现有气路与机械诊断系统的新算法，更催生了专为EHM设计的新型传感技术——包括进气/排气碎屑监测、油液碎屑与状态监测、叶尖间隙与叶片健康监测、高频振动监测及排放监测等。下文将简要探讨这些技术进展及其信号处理算法，揭示原始数据如何转化为有价值的EHM信息。
3.2 扩展气路分析
正如前文所述，确定模块性能偏移这一课题存在特定的数学难题 —— 当系统方程无法闭合时，数学上不存在唯一确定的解。提高估算精度的途径唯有通过引入更多有关发动机性能状态的信息。虽然可获取的信息种类繁多，但其中多数属于经验性知识，若不经大量工程处理难以直接转化为定量分析依据。此类信息主要包括以下几类：
（1）部件性能随时间呈现退化趋势而非改善，即效率与流量能力的增量趋向负值而非正值；
（2）飞机同型发动机参数间出现相似气路偏移现象时，可为仪表系统共性故障（如高度、马赫数、总温等传感器）提供佐证；
（3）非气路参数信息（如发动机振动、进/排气异物监测等）可为故障类型判定提供新的视角；
（4）特定发动机的实际测量数据具有不可重复性，可能与标称模型安装假设的固定方差存在差异。
上述列举并非穷尽所有可能。笔者认为，气路径分析（GPA）精度的根本性提升，关键在于尽可能挖掘此类辅助信息的应用价值。前文所述的卡尔曼滤波算法本质上是一种预测-校正机制，其通过优化预测值（降低对有限气路测量值的诊断依赖）来实现信息融合。采用约束卡尔曼滤波方法（针对第一条信息源）虽能带来边际改进，但效果有限。该信息综合利用问题的另一维度体现在时序数据分析——相较于孤立数据点，研究参数随时间的渐变或突变特征，为解决气路分析数学基础章节提及的模糊效应提供了部分解决方案。
3.3 渐进退化与突变劣化
发动机性能变化主要表现为两种形式：(a) 渐进式（长期）劣化或(b) 突变式（短期）劣化。这些变化可能体现为模块性能参数的改变，也可能是引气系统、冷却流量、可变几何机构等发动机子系统性能的波动。下文将阐述的方法论，其核心在于将前文所述的通用燃气路径分析（GPA）解决方案分解为以下四个步骤：
（1）通过GPA方法评估模块性能及测量参数偏差；
（2）解析测量参数δ时间序列以识别快速持续性异常；
（3）若在时间序列中检测到快速持续性异常，则建立单一故障假设，并基于此假设开展独立分析以确定根本故障；
（4）应用适配补偿逻辑协调第一步分析与第三步结果。
第三步建立的单一故障假设实质上是基于工程经验的启发式妥协——即多故障并发的概率极低。下文所述方法论通过融合这两类分析流程，实现了两者的协同运作：既保持算法自主性，又避免相互干扰。这可视为观测信息驱动的算法融合范例。图6通过测量参数δ的变化效应，形象展示了渐进式与突变式"劣化"的特征差异。
图6 渐进退化与突变劣化测量值随时间变化趋势图
横轴时间（自发动机安装起），标注时间节点：i / j / k，纵轴测量值 Δ，曲线说明：逐渐恶化曲线（Gradual Deterioration），从发动机安装开始持续上升，表征测量值随运行时间增长而逐步升高；故障事件曲线（Fault Events）在特定时间点发生突变，反映实际发生的突发性故障事件；底部参考线：基准测量值（Reference）
如图所示，快速劣化事件发生在离散时间点i和j处。若聚焦于第一个事件附近的时间序列图（以某测量参数δ为例），理论上可观察到图7所示的典型特征。
图7 趋势与事件，测量值随时间变化趋势分析，左侧区域展示初始阶段的【逐渐恶化过程】，特征为测量值呈波动性上升趋势；右侧区域【延续并加剧恶化趋势】，特征为波动幅度与上升斜率同步增强；中间区域离散事件标记。
图中粉色阴影区域表示事件的观测表征，即模块的快速劣化或发动机子系统（如引气系统）故障（完全或部分）及仪表异常。黄色阴影部分则代表长期（渐进式）部件退化对测量参数δ的影响。需注意的是，该图中的每个数据点均对应稳态巡航飞行状态下的单次（平均）采样值，时间轴以飞行架次（即天数而非秒数）计量。因此，该图谱会随着每架次飞行逐步生成，需在数据处理过程中实时作出判断。本示意图中共有四个数据点落入粉色区域。第二步骤的事件检测需权衡虚警风险与延迟确认真实事件的风险，同时还需甄别异常离群点。这本质上属于持续性判定问题。所采用的检测方法需在抑制离群点导致的虚警的同时，降低因关键故障未及时识别而可能引发的后续飞行灾难性后果风险。这一广义的异常检测课题在过去数十年间吸引了大量研究。
当确认事件发生后，第三步骤需判定其性质。常用方法是假设单一故障发生，其理论依据在于：相较于短时间内发生多重故障的可能性，单一发动机相关部件（完全或部分）失效的概率更高。这一假设虽具局限性，却极具实用价值。通过该方法，可将原本欠定的估计问题转化为超定问题：基于故障模式与影响分析（FMEA）及历史数据建立的可观测发动机故障清单，计算各故障对应的热力学特征（即影响系数），进而与事件窗口期内各气路参数观测到的时序ΔΔ偏移进行模式匹配。与特征库最接近的故障即被判定为当前故障。
然而，实际操作远非表面般简单。核心挑战之一源于模糊性：由于预设的单故障清单规模庞大（远超测量参数数量），不同故障的特征可能在测量噪声带内高度相似。此时前述分析方法无法有效区分，因此需预先定义故障的模糊群组，任何隔离判定仅在该群组层级有效。以高压涡轮（HPT）叶片严重侵蚀导致叶尖间隙增大为例，其热力学特征与主动间隙控制（ACC，亦称涡轮机匣冷却TCC）失效产生的特征高度重叠。TCC系统在稳态运行时通过引气冷却机匣抑制热膨胀，若其控制阀故障将导致间隙失控，此时的δ特征与HPT叶片问题极为接近。由于两者严重程度差异显著——TCC故障将增加油耗、降低EGT裕度并加速寿命件消耗，而HPT故障可能引发叶片断裂事件——必须借助额外线索进行区分。本案例中，起飞数据（用于ACMF报告）及TCC仅在稳态运行生效的特性提供了关键鉴别依据：若燃油消耗异常升高且EGT裕度下降，则可判定为HPT故障；若参数与历史起飞点一致，则指向TCC故障。此例充分展现了信息融合技术的效能，以及当前诊断系统针对不同场景采用混合算法、融合物理知识与实测数据的演进趋势。
3.4 机械系统诊断
虽然气路诊断仍是支持发动机整体健康监测的重要课题，但它显然并非唯一需要关注的领域。如今发动机健康管理系统的范畴已扩展至机械系统与部件的监控，例如轴承、齿轮箱、润滑系统以及叶片健康状况。这一技术演进主要源于两大驱动因素：一方面，这类部件相关故障在发动机总故障中占比显著；另一方面，新型推进健康管理专用传感器的出现为零部件状态监测提供了必要的数据支撑。本节将简要介绍其中部分传感器及其应用方式。
3.4.1 振动
轴承退化（最终可能导致失效）源于旋转部件（例如滚珠、滚柱等）及其接触表面（即座圈）的意外快速且通常不对称的磨损。同样，齿轮退化表现为齿面磨损不均，常伴随可听的"咔嗒"声。监测轴承与齿轮退化的最常用方法是振动监测。通常通过在轴承附近及齿轮箱上安装单轴或多轴加速度计实现。理想情况下应将传感器尽可能靠近振动源安装，因其能提供"更清晰"的信号，但受传感器耐温限制等因素制约，实际中往往只能将加速度计安装在发动机机匣上。
加速度计的频率范围需综合多因素确定：首先是待测信号的属性（通常与发动机转速相关），其次是可能干扰信号的背景噪声，再次是信号用途——用于生成"高振动"警示还是进行实时机载分析以实现故障隔离。处理振动信号及其固有噪声的经典方法之一是时域同步平均法（TSA）：通过转速计等同步脉冲对信号采样后取平均值，该过程能逐步消除随机噪声。后续进行快速傅里叶变换（FFT）可检测异常振动峰，有助于定位轴承与齿轮系统的振动源。了解齿轮比有助于通过观察特定频率谐波处的峰值来判断齿面是否缺损。
3.4.2 润滑系统
用于监测润滑系统的传感器通常包括油量、温度、输送压力、碎屑及退化程度的测量。对特定部件（如润滑油滤清器的压降）的监测可预示即将发生的旁通状态及滤芯更换需求。油液碎屑监测（ODM）是一项相对较新的技术，最初应用于军用航空发动机，现已被证实是早期轴承退化检测的高效手段。通过监测润滑油中的金属碎屑，可在轴承失效前实现退化趋势的识别与跟踪。ODM技术的应用可替代定期检查积聚油流中铁磁性颗粒的磁屑探测器——仅当ODM提示存在异常碎屑时，才需对探测器进行人工检查。当前ODM传感器已具备检测非铁磁性颗粒的能力，从而拓展了传统磁屑探测器的监测范围。正如我们在气体路径诊断讨论中所见，信息融合能够提升检测能力与故障识别效果。实践证明，将ODM数据与振动信息相结合，同样有助于提高齿轮系统损伤检测的概率。
3.4.3 碎屑监测
另一种检测燃气涡轮发动机因叶片侵蚀、叶尖摩擦及燃烧异常导致的加速退化方法于20世纪70年代末问世，其原理是通过分析发动机气流中的颗粒物实现。该方法采用安装在发动机排气口下游的专用静电探头，并配合地面测试设备在试车时分析信号。静电排放监测系统（EEMS）通过监测发动机排气的带电颗粒，建立发动机功率范围内的信号基准曲线，随后即可通过检测带电碎屑浓度异常来发现叶片摩擦、密封件磨损、涂层剥落、燃烧室故障等问题。20世纪七八十年代的测试表明，这类设备能持续监测发动机并识别传统气体路径分析无法捕捉的早期故障征兆。这自然催生了适航级传感器的研发——该传感器可隐蔽安装于发动机尾喷管，并配备机载数据采集与信号调理电子设备，从而实现飞行中的连续监测。由Stewart Hughes有限公司研制的发动机状态监测系统（EDMS）传感器及电子设备于21世纪初部署于多型军机，以积累使用经验并完善技术。
排气颗粒监测的成功经验自然延伸至发动机进气系统的异物检测领域。航空发动机在滑行、起飞及飞行过程中易吸入各类异物，包括尘土、沙粒、跑道/甲板上的小型物体、火山灰，甚至飞鸟。这些异物的尺寸与数量若达到临界值，可能对涡轮机械造成损伤。因此，系统必须具备区分危害性与非危害性碎屑的能力，才能有效融入整体PHM体系。进气异物监测系统（IDMS）基于与EDMS相同原理，由发动机进气道内间距固定的两个同心环构成。双环设计不仅可实现异物检测，还能通过离散颗粒的运动轨迹计算其入射速度及动能，进而评估潜在损伤风险。正如读者可推测的，这类传感器的效能源于多源信息融合——综合IDMS、EDMS、振动数据与传统气体路径监测结果，不仅能区分长期退化效应与突发损伤事件，还可精准定位受影响的部件模块。
3.4.4 叶片健康：基于工况的寿命预测
许多发动机限寿部件（life-limited part, LLPs）需按固定周期接受检查，并必须在完全耗尽可用寿命前完成更换。若能通过精确追踪部件使用量的寿命算法，可使限寿部件在接近实际寿命极限时才进行更换。这种基于单机发动机寿命消耗的精准掌握，既能提升安全性，又可降低维护成本。部件寿命管理系统可作为机载EHM系统或地面EHM系统的组成部分，其中地面系统依赖发动机生成、压缩并下传的数据实现功能。
传统寿命计算方法通常以发动机运行时间或累积循环次数为基础，这些参数与各限寿部件的低周疲劳特性相关联。此类计算需假设每台发动机的使用模式均严格符合预期飞行剖面。为维持安全裕度，限寿部件的维护计划基于极为保守的发动机使用假设制定。然而实际运行中，发动机使用强度往往低于标准任务剖面。受限于缺乏单机实际使用数据，多数发动机的多数部件在仍保有大量剩余寿命时就被提前更换，造成价值损耗。通过实施精准追踪实际寿命消耗的方法，可显著缩小使用量不确定性分布区间，使计划维护节点更接近分布中心。此举既能大幅减少带余寿部件的报废量，又能维持甚至提升安全水平。
先进寿命评估技术采用经验证的部件设计工具衍生模型，可实现对部件寿命消耗的更精准追踪与剩余寿命预测。该算法通过监测压力、温度、转速等参数的时变特性驱动寿命计算模型——本质上是关键部件失效机理的实时仿真系统。基于特定机型预期的使用模式与实际使用数据的对比分析，寿命消耗估算可转化为剩余寿命预测。各建模部件的剩余寿命数据汇总至机队管理系统后，维护部门可根据实际使用状况精准安排大修计划。
3.5 信息融合的潜力
在全文论述中，我们已多次提及信息融合所能带来的分析优势。航空发动机数据来源多样，包括机载传感器实测数据、维护历史记录以及部件模型等。PHM系统的终极目标是从异构数据源中提取最大量的有效信息，从而获得关于发动机健康状态的全面诊断与预测知识。数据融合是指整合来自多个源的数据或信息，以实现比单一传感器（或信息源）单独使用时更高的精度与更精确的推论。其核心理念在于综合利用所有可用信息，以增强诊断可视化程度、提升诊断可靠性并减少误报警数量。现有的信息，我们已经提到过，包括以下内容。
3.5.1 发动机气路测量
此类测量包含部分级间压力、温度、转子转速、燃油流量等参数。气路分析（GPA）本身可视为一种信息融合形式——单独分析这些参数所提供的信息量远不及将其综合形成故障特征谱时的价值。
3.5.2滑油/燃油系统测量
此类测量涵盖滑油系统温度、压力、燃油温度及供油压力等参数。高级传感器可提供油液品质监测、油液碎屑监测及油量测量功能。
3.5.3 振动测量
大多数发动机均会执行某种形式的振动监测。此类监测通常针对低压转子以测量风扇和低压涡轮（LPT）振动，但也可能包含高压转子振动探头及特定轴承与齿轮箱振动测量。
3.5.4 结构评估传感器
此类传感器用于评估发动机结构完整性，典型示例包括：进气道碎屑监测器、排气道碎屑监测器、声学传感器、高带宽振动传感器、多轴振动传感器、叶尖间隙监测器等。（注：最新的还包括叶端定时测量系统等）
3.5.5 FADEC自检测试
发动机全权限数字控制系统FADEC会对信号条件与保真度执行多种性能测试。交叉通道校验可帮助判断主发动机传感器是否存在漂移、超限或失效问题。对引气阀、主动间隙控制及可变几何结构的检测可提供有关发动机本体及其子系统健康状态的独立信息。
3.5.6 机载发动机模型
嵌入FADEC或专用PHM硬件单元中的精确发动机模型可用于生成虚拟传感器测量值，以辅助检测故障仪表或确认发动机性能退化。为此开发了自调整机载实时模型（STORM）系统，该系统能够通过适配发动机测量套件观测到的动态变化，提供用于估算发动机模块退化的虚拟传感器。此类系统可视为针对全飞行流数据的广义化技术延伸——此前针对快照数据的类似方法中，机载模型作为参考基准，通过卡尔曼滤波观测器跟踪退化程度。尽管功能相似，但实时实现的实际方法与技术路径存在显著差异，具体细节将在未来趋势讨论中展开。
3.5.7 维护/分析历史
发动机主要模块的性能处置信息可作为先验知识，支持模块性能分析（MPA）程序中的性能变化识别与评估。
3.5.8 伴随发动机数据
对于多引擎飞机，可利用伴随发动机的数据对仪表问题与发动机事件进行额外独立验证。例如，常见的排气温度（EGT）偏差检查会将单台发动机的EGT差值与伴随发动机对比，以判断是否存在异常偏离。这种对比有助于区分特定发动机事件（或传感器问题）与可能影响双发Δ值的系统性问题（如总温误差或基础模型误差）。
3.5.9 反证法
这更多涉及推理方法而非实际信息来源。负面信息是指在假设存在特定故障场景的情况下，理论上应被感知却未实际出现的状况。用数学术语来说，这被称为反证法。例如，若主动间隙控制（ACC）未启用（即发生故障），则排气温度（EGT）理应升高。若未观测到EGT升高，则原假设可能不成立（即ACC必定正常工作）。此类信息最适合用于类似专家系统的架构，以统筹发动机数据的整体分析与处理。面对海量潜在信息，需确定如何为特定诊断目标进行信息融合。通常数据可在不同层面融合：
（1）传感器级融合：整合多个测量相同或相关参数的传感器（如排气温度传感器阵列）；
（2）特征级融合：综合独立分析方法得出的分析信息（如部件性能变化与事件检测）；
（3）决策级融合：组合诊断措施（如损伤评估、维护建议）。
适用的融合层级取决于诸多因素，包括可用传感器、模型、分析算法、数据监测记录特性（连续/离散数据）及计算平台。航空发动机诊断中，商用与军用系统对信息融合层级的需求存在差异。军用领域常采用专用PHM系统，配备独立发动机监控分析硬件和/或直接FADEC接口，实现飞行中实时机上数据采集分析。商用领域如前所述，多采用离散数据（每次飞行采集少量数据点，通常在起飞和巡航阶段），这些数据需下载至地面计算机系统进行后续分析与趋势预测。此外，先进传感器在军用环境更为普及，而商用领域出于成本考量，往往需极力精简传感器与数据采集硬件。已开发出通用系统，利用多源信息来提升诊断能力并减少潜在误报。
3.6 模型
模型是发动机诊断与预测策略的核心组成部分，涵盖基于物理原理、经验方法及混合模型等多种形式，既可表征完整发动机系统，也可针对特定部件（如作动系统、引气系统、泵、发电机等）。模型提供静态或动态信息，既可为被研究对象建立基准参考值（如标称性能），通过实测参数与基准值的残差（Δ特征）进行比较，又能推算未直接测量的关键参数（如飞行推力、单位推力油耗、喘振裕度等）。模型依托领域先验知识构建，是诊断预测系统的基石，因此所用模型的保真度至关重要——模型缺陷将直接导致EHM系统的诊断误差。（所以我们一直强调数字孪生模型是发动机健康管理与容错控制的基石）
基于物理的模型源于基本原理或由此推导而来，是当前EHM系统与性能诊断PHM研究的主流形式。发动机制造商对其专有发动机开发专属模型，同时学术界和中小企业也开发了通用（虚拟）发动机模型（如某推力等级的高涵道双转子涡扇发动机）用于研究。这类模型多为非线性部件驱动的热力学模型，但根据具体需求，常需采用低阶近似模型以避免收敛问题，并降低CPU与内存占用。状态变量模型（SVM）作为分段线性表征，因其相对较短的运算时间和低内存消耗，成为实时机载应用的优选模型。尽管在稳态点与母模型吻合度较高，但在瞬态过程中精度下降，通常需额外调校以匹配母模型输出。
由于发动机个体差异（源于制造或大修），将模型作为诊断预测基准时，需针对被监测特定发动机或用户机队平均水平进行校准，以确定跟踪性能衰退的基准参考值。模型初始化可通过多种方式实现，主要基于从发动机验收测试台架试验或服役初期/恢复服役阶段采集的实测数据推导的经验修正因子。这是EHM系统的核心要素，旨在消除发动机个体差异、传感器偏差及模型失真对诊断预测计算的干扰。下一节将针对具体应用深入探讨此议题。
4. 未来趋势
发动机健康管理可视为一系列能力的集合，从中提取基础模块即可构建满足个性化需求的定制化架构。机载系统与地面系统作为两种实施路径，并非竞争性EHM方案，而是构成整体集成健康管理系统中相辅相成的组成部分。机载单元通过传感器生成数据并执行基础故障隔离与预测，支持航线维护；地面系统则负责长期性能衰退趋势分析，为机队管理者提供规划决策依据（图8）。
图8 未来EHM的图景
在探讨未来PHM系统时，我们将重点关注三个相互关联的领域：新兴PHM专用传感器技术、信息融合与先进分析方法、智能发动机概念。这三个研究方向正推动着当前技术攻关，其终极目标是构建具备全自动自诊断与预测能力的未来系统。其中最具突破性的愿景在于：通过PHM系统自主实现部件或子系统剩余使用寿命的精准预测，从而准确预判故障发生时机，这一能力或将充分释放发动机健康管理的潜力，使设备在故障发生前即可获得维护窗口期。
4.1 PHM专用传感器
过去十年间，PHM专用新型传感器的研发显著加速。前文已提及多种传感器类型，包括油液碎片监测器（ODM）、油液状态监测器（OCM）、进气颗粒监测系统（IDMS）、排气颗粒监测系统（EDMS）、叶片健康监测（ECS）、叶尖定时与间隙测量、高频加速度计与声学传感器、排放监测传感器等。除这些专用传感器外，未来发动机及其EHM系统的发展对新型传感技术提出了更高要求，其中高温电子技术尤为关键。当前发动机已采用微处理电路与传感器的集成技术（即智能传感器），例如可实现独立校准的高精度压力传感器。但由于此类传感器需部署在相对温和的环境中（如FADEC系统内），实际应用中需通过管路将待测参数引至传感器，这增加了发动机的附加重量。为解决电子元件与传感元件深度集成的需求，亟需开发更坚固的封装技术与更高耐温性能的组件。
微机电系统（MEMS）技术为上述集成难题提供了潜在解决方案。该技术可实现信号处理电路与传感元件的集成化设计，具有微型化、低成本、高可靠性及低功耗等优势。例如，基于压阻式、压电式和电容式压力敏感元件的MEMS研究正在推进新型传感器的开发。绝缘体上硅（SOI）、碳化硅（SiC）及氮化碳化硅（SiCN）等新材料技术的研究，则为高温智能传感器的实现开辟了新路径。
热电偶与电阻温度探测器（RTD）仍是当前主流的温度传感装置，光学高温计虽在部分场景中应用，但普及度较低。辐射测温技术作为一种非侵入式方案，包含集成于发动机机匣内的传感头、传输红外信号的光纤束以及信号采集与调理电子单元。该技术可将温度测量范围扩展至2200°兰氏度，用于监测燃烧室燃气与涡轮叶片温度，从而为叶片健康评估提供关键数据。
面向未来发展，新型传感原理与技术需持续突破以满足EHM系统的进阶需求。主动燃烧控制以抑制燃烧振荡、排放监测以实时追踪氮氧化物与一氧化碳排放确保绿色运行、涡轮叶片叶尖间隙主动控制等，均是潜在应用方向。最终，每项新增传感器的部署需通过严谨的成本效益分析，因其不仅涉及传感器本体，更涵盖支撑电子设备与数据分析方法体系——后者负责将原始数据转化为维护决策与控制指令。
4.2 信息融合和分析方法
正如本文反复强调的，信息是EHM系统价值的核心载体。发动机传感器仅是信息获取的途径之一，而领域知识、启发式规则、约束条件、假设前提、分析模型及信息整合方法共同构成了完整的技术图景。充分挖掘所有可用信息的潜力至关重要——笔者认为，这一能力将是未来诊断预测系统演进的核心考量。请允许我们暂时脱离发动机具体语境，通过一个纯数学谜题来阐释这一理念。
4.2.1 The Impossible Problem
马丁·加德纳作为二十世纪著名数学家，以其《科学美国人》专栏文章及数学科普著作闻名。1979年他在该刊发表的《不可能问题》谜题至今仍被广泛讨论。尽管存在多种表述版本，其核心设定如下：
随机选取两个大于1且总和小于100的整数x和y。将两数之和(x+y)单独告知数学家S，两数之积(xy)单独告知数学家P。已知以下对话：
• P：我不知道x和y的值
• S：我早知道你无法确定
• P：现在我能确定了
• S：我也得到了答案
通过上述对话可唯一确定这两个数。
该谜题的命名恰如其分——看似信息极度匮乏却暗藏解题密钥。此例极端地展示了如何综合利用问题陈述中的所有信息要素：不仅包括显性事实，更涵盖隐含假设（如数学家具备完美逻辑推理能力与初等数论知识），以及负信息的运用。例如：
数学家P可将乘积分解为素因数（领域知识），若分解结果仅含两个素数则可直接得出答案；
数学家S需列举所有可能的和值分解组合（领域知识），若某组合存在两素数之和的可能性，则其初始断言不成立（基于负面信息与完美推理假设）。
正是这种融合领域知识、逻辑推演、负面信息及多维度信息整合的思维过程，最终导出唯一解。附录中提供了完整解题步骤。此案例揭示的关键启示在于：当各类信息源与分析方法充分协同时，对额外传感器的需求可被最小化。新增传感器仅在以下两种情形具有必要性：一是获取不可通过信息融合推导的独有信息，二是作为冗余校验以降低既有传感器及其他信息源的固有不确定性。
4.2.2 预测
正如前文所述，EHM系统所提供的功能既包括评估系统当前健康状态（诊断功能），也涵盖预测系统未来健康演变趋势及识别潜在问题（预测功能）。总体而言，预测算法的核心能力在于推算发动机健康状态接近预设限值的时间节点（例如被监测发动机的EGT裕度何时归零），其本质是对整机、关键部件或子系统未来状态的预判能力。在最高层级应用中，该技术可实现部件实际失效前的故障预测。针对限寿部件（LLPs，如转子盘），这转化为精确计算部件剩余使用寿命的能力，从而实现最小化浪费与风险的最优更换决策。这一目标的实现极具挑战性，需要现有分析方法、数学模型、先进传感系统及信息融合技术的突破性发展，以确保预测的准确性与可靠性。
随着机载计算平台运算速度的提升和存储容量的扩展，机载PHM功能的集成应用已成为必然趋势。军用联合攻击战斗机(JSF)[62]采用的自主后勤保障体系即为典型案例，该系统通过整合机载诊断与预测健康管理能力，成功实现了定期发动机检修的取消，转而依托视情健康评估机制。值得期待的是，未来系统将实现机载与地面系统的协同数据融合，充分发挥不同平台的数据分析优势，构建多维度的健康信息网络。
特别值得关注的领域是智能发动机概念的演进。在此框架下，PHM系统不仅能自主判定自身健康状态以支持航线维护与基地大修的物流管理，更能为发动机控制系统提供关键决策依据，从而实现运行效率提升、寿命延长与可靠性增强的综合目标。
4.3 智能发动机
支持增强机载PHM能力的论据之一，在于其能够缩短对潜在故障或性能退化的检测、识别及响应时间。然而也有观点认为，相较于仅在机上存储全部飞行数据并待飞机着陆数小时后进行分析（假设已建立高效数据基础设施实现离线传输），机载实时分析未必能显著节省时间——除非能在飞行过程中对机上信息进行有效利用。这种信息利用可体现为向飞行员发出需中止任务或改变发动机/飞机操作方式的故障预警，或通过FADEC实现全自动自主调节（无需人工干预）。此类概念已在所谓的"智能发动机"理念中得到探索。本文后续将重点探讨后一种技术路径。
将机载PHM系统与直接发动机控制相融合，既是充满前景的创想，也是极具挑战的课题。传统设计中，发动机控制律通常针对标称状态发动机制定，其设计冗余度与鲁棒性足以保障发动机在全寿命周期性能退化过程中仍能安全运行（尽管效率可能有所降低）。核心问题在于：若能全面掌握发动机的实时健康状态，我们是否应该（以及能否）采用差异化的控制策略？这对所需技术体系、系统复杂度、可靠性及适航认证等方面会产生何种影响？研究表明，模型预测控制（MPC）技术可为自适应控制策略提供解决方案，实现在已知发动机退化条件下平衡性能目标与在翼剩余寿命的综合优化。在结束本节讨论前，我们将结合MPC应用场景，重新审视前文关于机上模型应用的论述。
4.4 再谈模型
在前文"当前技术趋势"章节的结尾部分，我们简要探讨了机载模型的初始化问题，强调其与被监测（及控制）发动机实际安装状态的适配性至关重要。这种适配机制是缓解发动机个体差异、传感器偏差及基础模型失真影响的关键要素，这些因素都可能造成诊断与预测计算的偏差。在智能发动机与模型预测控制（MPC）的技术框架下，该问题更成为决定系统效能的基础性环节。
为说明未进行机载模型初始化可能引发的问题，我们选取某大型高涵道比发动机的一段飞行数据作为分析对象。图9展示了该次飞行的高度-马赫数剖面，包含爬升阶段与低空巡航阶段。系统采用分段线性状态变量发动机模型（SVM）与卡尔曼滤波观测器构建的复合架构，其设计原理类似于既有研究提出的退化跟踪方法。该系统称为自调整机载实时模型（Self-tuning onboard real-time model, STORM），能够根据发动机测量参数的变化进行自适应调整，并通过虚拟传感器实现对发动机模块退化的估算。卡尔曼滤波器的输出是一组健康参数调谐器，包含若干关键部件的热力学性能偏差量（主要为效率与流量参数），用于解析SVM输出与气体路径实际测量值之间的差异，并驱动模型参数修正以实现动态校准。这种机制最终生成可跟踪发动机退化过程的虚拟（模型生成）传感器数值。系统整体架构如图10所示。
图9 典型商用发动机的飞行剖面
图10 STORM 系统
当前存在一个隐含前提：分段线性状态变量发动机模型（SVM）能够如实反映被监测发动机的真实状态。然而发动机个体差异、传感器偏差以及模型失真（将三维发动机简化为0维模型）等因素极易打破这一假设，导致调谐参数吸收这些偏差，使其无法真实表征健康状态。解决问题的关键在于建立安装初始化流程，使模型校准独立于调谐过程，从而让卡尔曼滤波输出摆脱数学抽象性，真正实现发动机全寿命周期退化变化的精准追踪。
为此，业内已发展出一套经验性调校（初始化）流程：在发动机安装后的初始飞行阶段自主构建经验差分模型，并将其与物理模型融合形成混合表征系统。如图11所示的增强型STORM（eSTORM）架构表明，经验调校以加性偏置形式叠加于机载模型输出端。该方法的优势在于其普适性——无论采用何种物理模型（如SVM或更复杂的非线性部件级模型），均可通过这种初始化机制实现精准校准。
图11 eSTORM系统
实施经验性调校对图9所示飞行阶段中性能健康参数Δs（调谐参数）的影响如图所示。图12展示了未初始化系统中的健康参数状态。发动机模型与具体机型间的偏差导致调谐参数出现系统性偏移，并在飞行过程中持续波动，以此补偿差异并将发动机参数残差强制归零（即实现模型输出与发动机实测数据的匹配）。这种调谐参数的波动状态使其完全丧失了对真实退化过程的追踪能力，因而既无法有效支持EHM（发动机健康管理）应用，也不能作为智能发动机场景下模型预测控制（MPC）的有效输入。
图13则呈现了实施经验初始化后同一飞行阶段的调谐参数表现。此时调谐参数波动显著降低且围绕零值收敛，使得能够有效捕捉发动机退化过程中产生的安装状态偏离，并为异常事件与故障（如异物撞击FOD、部件脱落DOD等）的检测提供更清晰的观测依据（如图14示意图所示）。
图12 STORM系统调节器
图13 eSTORM系统调节器
图14 经验调参对异常显化度的影响
建立一个良好的初始化模型作为基准，是机载PHM系统的关键要素，但绝非唯一要素。当前仍缺乏能够在全飞行阶段（包括过渡状态）实时运行的分析方法，以准确执行气路异常检测与故障识别。尽管相关研究早在20世纪80年代末已被提出，但过去数十年进展缓慢，即便近十年重新受到关注。这仍是性能诊断领域未来研究的重要挑战之一。
4.5 其它挑战
在讨论中，我们重点指出了EHM系统未来十年面临的多项挑战。此外尚有若干未被提及的关键领域值得关注，包括系统验证与确认、软件开发及适航认证。传统上，验证与确认工作通常起始于仿真试验，随后通过实际数据验证加以完善。由于EHM系统主要针对异常工况，而人工注入故障试验成本过高、实施频率极低，其真实数据验证在多数情况下仅能依赖机遇性获取。对于地面式EHM系统，可通过持续积累历史故障案例数据库，为新算法应用于新型发动机提供测试验证基础（其有效性需通过间接推理验证）。而对于机载系统，验证工作需综合运用仿真、台架试验与飞行试验相结合的方式，并贯穿发动机全寿命周期。总体而言，这是一个耗时漫长的过程，真正的系统验证需伴随发动机生命周期逐步完善。随着智能发动机技术趋势的推进，亟需建立更高效、更及时的验证与确认机制。
EHM系统软件开发正经历深刻变革。早期地面式系统被视为辅助地面分析人员的信息化工具，其软件分类等级较低，最终决策权仍由人工掌握。然而，随着EHM系统逐步承担起指导检查与视情维护决策的职能，其软件开发重要性显著提升。对于机载系统（尤其是具备与飞机控制系统深度交互能力的系统，如通过飞行员告警或直接FADEC交互实现控制），其软件被提升至最高安全等级——飞行关键级别。此类软件的认证要求极为严苛，这也使得智能方法的应用（如神经网络或任何涉及自适应机制的技术）这一新兴领域开始受到应有重视。
5. 总结
本文系统梳理了航空发动机健康管理系统（EHM）过去四十年的演进历程，剖析了其成本效益驱动逻辑、监测与数据采集技术、分析方法论的优劣势，并对未来研究方向进行了前瞻性探讨。
全文贯穿以下核心观点：首先，发动机维护（无论是计划性还是突发性）成本极其高昂，EHM的核心价值在于推动向全视情维护策略转型，通过降低维护成本与风险实现效益最大化。EHM的雏形是监测活动，我们追溯了气路性能监测、分析与报告体系从早期到现代的演进轨迹。
其次，我们强调信息质量是诊断与预测成功的关键——这不仅依赖传感器数据，更需融合领域知识、假设条件、约束规则及经验法则等要素。尤为重要的是，必须整合多源异构信息（即信息融合），在减少新增传感器需求的同时拓展诊断覆盖范围。最大化利用信息资源是EHM发展的核心命题，也是未来重要挑战。文中还探讨了PHM专用传感器对机械系统诊断的影响，并展望了下一代传感器的需求方向。
最后，我们聚焦"智能发动机"愿景。这一前瞻性概念将EHM从单纯的维护工具升级为具备自适应控制能力的系统 —— 基于实时健康状态评估实现发动机控制参数的动态调整。其技术特征包括：将分析功能前移至机载端，增强对退化与故障的容错能力；生成并下传诊断/预测信息以优化航线维护与大修流程。实现该愿景的核心在于构建高精度机载模型（如eSTORM经验建模方法所示），通过校准消除发动机个体差异。
无论最终形态如何，未来EHM系统必须在机载与地面能力间取得平衡，以实现成本效益与运行可靠性的双重提升。
（完）
6. 缩写词表
| 英文缩写 |
英文全称 |
中文翻译 |
ACARS |
Airborne Communications Addressing and Reporting System |
机载通信寻址和报告系统 |
ACMF |
Aircraft Condition Monitoring Function |
飞机状态监控功能 |
AIDS |
Airborne Integrated Data System |
机载综合数据系统 |
AIMS |
Airborne Integrated Monitoring System |
机载综合监控系统 |
ARINC |
Aeronautical Radio, Inc. |
航空无线电公司 |
BOM |
Bill of Material |
物料清单 |
C-MAPSS |
Commercial Modular Aero-Propulsion System Simulation |
商用模块化航空推进系统仿真 |
DPHM |
Diagnostics, Prognostics, Health Management |
诊断、预测与健康管理 |
DoD |
Department of Defense |
美国国防部 |
DOD |
Domestic Object Damage |
国内物体损坏 |
D&C |
Delays and Cancellations |
延误和取消 |
EDMS |
Exhaust Debris Monitoring System |
排气碎片监控系统 |
EHM |
Engine Health Monitoring/Management |
发动机健康监控/管理 |
eSTORM |
Enhanced STORM |
增强型STORM |
FADEC |
Full Authority Digital Engine Control |
全权限数字发动机控制 |
FMEA |
Failure Modes and Effects Analysis |
失效模式与影响分析 |
FMP |
Fleet Management Program |
舰队管理计划 |
FOD |
Foreign Object Damage |
外来物体损坏 |
GPA |
Gas Path Analysis |
气体路径分析 |
IC |
Influence Coefficient |
影响系数 |
IDMS |
Inlet Debris Monitoring System |
进气口碎片监控系统 |
IFSD |
In-Flight Shutdown |
在飞行中关闭 |
LLP |
Life-Limited Part |
寿命限制部件 |
MEMS |
Microelectromechanical Systems |
微机电系统 |
MPA |
Module Performance Analysis |
模块性能分析 |
MPC |
Model Predictive Control |
模型预测控制 |
OBIDICOTE |
Onboard Identification, Diagnosis, and Control of Gas Turbine Engines |
机载燃气轮机发动机的识别、诊断和控制 |
ODM |
Oil Debris Monitor |
油液碎片监控器 |
OEM |
Original Equipment Manufacturer |
原始设备制造商 |
PHM |
Prognostics/Propulsion Health Management |
预测/推进健康管理 |
QAR |
Quick Access Recorder |
快速存取记录器 |
RTD |
Resistance Temperature Device |
电阻温度装置 |
STORM |
Self-Tuning Onboard Real-Time Model |
自调整机载实时模型 |
SVM |
State Variable Model |
状态变量模型 |
TAR |
Test As Received |
按接收状态测试 |
TAT |
Total Air Temperature |
总空气温度 |
TCC |
Turbine Case Cooling |
涡轮机匣冷却 |
TSFC |
Thrust-Specific Fuel Consumption |
推力特定燃油消耗 |
UBL |
Usage-Based Lifing |
基于使用寿命周期 |
UER |
Unplanned Engine Removal |
非计划发动机拆卸 |
