Page 51 - 2024中国无损检测年度报告

影响较小的分量特征并进行融合；最后依据融 卷积神经网络所具有的强大特征提取功能，无需
合特征改进加权质心定位算法，实现区域定位 特征选取和参数筛选额外环节，另一方面将双树
和区域内的精确点定位。测试结果验证了该方 复小波变换与卷积神经网络相结合，发挥双树复
法的可行性和鲁棒性。 小波变换可进一步滤除数据集中可能存在的误差
3.12 基于 FBG 传感器的旋转压气机叶片全场动 和可对数据集实现多重分解的双重优势，既可扩
态应变场重建 充数据集，又实现数据增强。使用航空发动机气
路状态分类数据集对该方法进行测试，分类准确
提出了一种基于光纤光栅（FBG）传感器的
率达到 92%。
结构健康监测系统，在实验室规模旋转叶片上进
行应变监测，同时提出了一种旋转叶片的全场动
态应变重构方法。首先，利用 FBG 传感器对旋
转叶片动应变进行监测，使用 EWT 方法对原始
信号进行滤波；然后，探究了旋转叶片转速与信
图 16 基于卷积神经网络和双树复小波变换的发动机
号周期的关系；最后，使用 Kriging 方法重构叶
片的全场应变，利用未知位置的应变重构值与实 气路故障诊断方法
测值比较，相对误差为 7.4%，验证了该方法的 4.3 基于混合多模型的发动机气路故障诊断方法
有效性。 提出了一种基于混合多模型的发动机气路故
障诊断方法，通过融合状态监测与传感器故障诊
4 动力与电气系统状态监测
断结果提升诊断能力，其总体架构如图 17 所示。
动力与电气系统的状态监测对于提升飞行安
状态监测采用数据驱动方法首先识别故障模式，
全性和降低视情维护成本具有重要意义。团队探
并利用动态选择自适应模型策略以提供精确状态
索了基于数据驱动和机器学习相结合的发动机气
估计；传感器故障诊断则利用分布式多模型框架，
路故障诊断方法，同时针对飞机电气系统状态监
基于状态一致性分析测量差异，结合多阈值方法
测开展了深入研究。
实现故障检测与隔离。通过对故障判别指标进行
4.1 基于特征优化和支持向量机的发动机气路故
积分处理并定期清零积分值，有效容忍传感器微
障诊断
小偏移并消除长期累积误差对传感器故障诊断的
针对现有数据驱动的航空发动机故障诊断与 干扰。为支撑诊断精度，提出了一种基于多模型
预测算法易受飞行监控数据中冗余特征及噪声的 物理引导的发动机气路参数基线建模方法。多模
干扰，不能及时修正监测数据中不平衡样本分布 型结构包含了使用单一环境数据构建的基线模型
对模型泛化性能影响等问题，将特征增维（包括 和使用残差数据构建的补偿模型。多模型方法通
指数增维、对数增维、差分增维和组合增维）技 过补偿模型实时校正基线模型输出，其阶段性输
术与支持向量机模型有机结合，提出了基于特征 出为模型提供更清晰的预测路径，从而提升模型
优化和支持向量机的航空发动机气路故障诊断方 可解释性。以跨季节涡轴测试数据构建输出功率、
法，并建立相应模型。将涡桨发动机及涡扇发动 高压压气机出口压力及动力涡轮入口温度的基线
机航后数据输入模型，预测实际故障发生时刻， 模型，验证了多模型方法的有效性。
并将预测结果与实际结果进行比较，同时将该结
果与采用随机森林等其他 4 种故障诊断方法所得
结果进行对比，证明所提方法显著提高了故障检
测率和预测准确率。

4.2 基于卷积神经网络和双树复小波变换的发动
机气路状态分类
提出了基于卷积神经网络和双树复小波变换
的发动机气路性能状态分类诊断方法，系统架构
及其检测结果如图 16 所示。该方法一方面利用 图 17 基于混合多模型的发动机气路故障诊断方法

43