航空发动机气路静电监测信号特征值提取方法

李超役，孙见忠，关天阳，姜 衡，刘鹏鹏

(1.南京航空航天大学 民航学院，南京 211106; 2.南昌航空大学，南昌 330063;3.中国船舶工业系统 工程研究院, 北京 100036)



【机械制造与检测技术】

航空发动机气路静电监测信号特征值提取方法

李超役1，孙见忠1，关天阳2，姜 衡1，刘鹏鹏3

(1.南京航空航天大学 民航学院，南京 211106; 2.南昌航空大学，南昌 330063;3.中国船舶工业系统 工程研究院, 北京 100036)

采用符号化时间序列分析法对某型发动机尾气的静电监测信号进行分析，研究其特征值提取方法，并以此为依据判断发动机气路健康状态。利用气路静电传感器及相关系统采集发动机尾气静电信号，使用Matlab工具对采集到的实验数据进行符号化分析，研究了符号化序列的标准差、香农熵或范数等特征值的提取方法，据此来判断发动机气路的健康状态。

航空发动机；气路静电信号；符号化时间序列分析；香农熵

航空发动机的研究涉及到新型材料、制造工艺、先进机械设计技术和健康管理等多个领域。目前新一代航空发动机的设计不断进步、推重比更大、涡轮前温度更高，使得气路部件的工作环境更加恶劣，从而导致航空发动机的可靠性、安全性等问题日趋严重。发动机气路静电监测能够监测到传统监测技术难以监测到的气路部件故障，提供典型的气路部件故障早期预警信息，为发动机状态评估与剩余寿命预测提供信息[1]。气路静电监测技术是基于静电感应的原理对气路带电颗粒物进行监测，监测气路部件故障的直接产物，因此能够在故障发生的初期及时提供预警信息，实现对气路部件典型故障的实时在线监测以及诊断。

航空发动机静电监测技术的研究起源于20世纪70年代的美国空军技术研究所，该技术已应用在美国联合式战斗机F-35上，增强了其发动机的故障预测与健康管理能力[2-3]。国内积极跟踪并开展了相关研究，文振华等人对尾气静电监测技术原理展开研究，研究了气路静电监测传感器，并在气路静电监测模拟环境中进行了传感器可行性验证实验[4]。李耀华等在某型涡轴发动机上开展了地面台架实验，通过对获得静电信号的分析，证明了气路静电监测系统在地面试车台使用的可行性和有效性[5-6]。孙见忠等针对在线气路静电监测，提出了应用多元状态估计技术建立发动机尾气静电信号的基线模型，并通过某型发动机的实验数据验证了有效性[1]。刘鹏鹏等在某型涡喷发动机地面试验中开展了静电监测系统的验证研究，成功监测气路滑油泄露及燃烧室积碳故障[7]。国内在气路静电监测实验(包括模拟实验和地面台架实验)方面已开展了研究，但目前对获得静电信号的分析与特征提取方面研究不够深入，多数研究仍然以静电信号RMS(Root Mean Square)[1,6]、活动率水平(AL，Active Level)[7]以及正负事件率(P/NER，Positive/Negative Event Rate)等时域特征值为对象，无法进一步揭示静电信号所蕴含的丰富的气路状态信息。本文重点针对气路静电监测信号特征值提取方法开展研究，将符号化时间序列分析理论引进到静电信号分析中，分析研究相对熵、标准差及距离指标等特征值在静电信号分析中应用的可行性。

1 发动机气路静电监测技术原理

1.1 静电监测原理

静电监测技术原理的主要是静电感应原理，当电荷移动至静电传感器附近时，由于该电荷周围产生的电场，传感器表面也会有电场力的作用，其内部电子会重新分布，产生电流。而当移动电荷离开时，传感器内部又会达到新的平衡，恢复到原来的状态。

健康的航空发动机处于稳定工作状态时，其气路中的颗粒物主要为燃油燃烧产生的碳烟颗粒，气路总体静电荷水平保持相对稳定。而当发动机气路部件发生故障时(如燃烧室故障，热端部件的烧蚀、掉块，旋转部件的碰磨等)将会产生大量的异常颗粒，导致气路中总体静电荷水平上升，导致静电信号幅值变大。尾气静电监测系统可以监测到尾气中的异常颗粒，根据这些监测到的异常颗粒，判断是否发生故障，及时提供故障信息[8]。

1.2 航空发动机气路静电监测系统

航空发动机气路静电监测系统主要包括吸入颗粒物监测传感器(IDMS)和相应的信号处理单元、尾气颗粒物监测传感器(EDMS)，图1为示意图。IDMS主要实现对进气道外来物的持续监测，并且能够区分离散的大颗粒物及连续的细微颗粒物等。EDMS实现对气路典型故障(如叶片碰磨、热端部件烧蚀、燃烧系统故障等)颗粒物的直接监测，为气路部件健康状态评估与预测提供数据支持。综合IDMS和EDMS信息还可以实现对吸入外来物的危害性进行评估以及判断是否影响发动机正常运行。

图1 航空发动机气路静电监测系统示意图

本文研究分析的静电信号为EDMS传感器在某型涡喷发动机上采集的尾气静电监测信号。EDMS子系统包括棒状传感器探极、信号调理电路、数据采集卡、计算机、数据采集与处理软件等。

2 符号化时间序列分析方法

2.1 信号的符号化

时间序列符号化是将数值型时间序列变换为符号型时间序列的过程，是一个“粗粒化”过程，在保持时间序列中的大尺度特征之外，减少各种噪声的影响，提高存储和计算的效率。符号化时间序列分析主要有两步：首先将时间序列转化为符号序列，其次再对符号序列进行分析并提取特征信息[9-10]。

假设某一传感器得到的某一测量信号为

xn={x(1),x(2),…,x(i),…,x(n)}

(i=1,2,…,n)

(1)

通过符号化得到与其对应的符号序列为

sn={s(1),s(2),…,s(i),…,s(n)}

(i=1,2,…,n)

(2)

符号化过程把系统状态空间划分为q个单元，即将xn划分为q(q≥2)个不相交的区域，然后将每个区域内的值用一个特定的符号标记。这些符号组成的集合为S={0,1,2,…,q-1}，符号集S是有限个符号的集合，集合的大小为q，符号序列sn中的任一元素s(i)∈S。

符号化的关键在于对原始时间序列进行划分，不同的划分方法可以得到不同的分区。划分方法可以分为基于值域的符号化方法(例如，等区间的统一划分[10]，等概率的最大信息熵划分[11])和基于分布的符号化方法两类[12]。

信息熵H(q)的计算公式为

H(q)=-∑pilog2pi(i=0,1,…,q-1)

(4)

根据最大信息熵理论，若每个符号出现的概率相等，则信息熵达到最大。这种划分方法保证了每个符号出现的概率相等，使得信息熵达到最大值，保留了原始时间序列中尽可能多的信息。

2.2 符号序列编码及特征提取

原始时间序列转化为符号序列后，需要对其进行分析并提取特征信息。目前对符号序列进行特征提取的方法主要有两类，即基于统计分析的特征提取和基于模型的特征提取。

在基于统计分析方法中，为了提取符号序列中的特征信息需要对其进行编码。在编码过程中，首先需要选择一个标准长度L(L≥2)，将L个连续的符号组成一个字，每个字使用qL进制表示，再将每个字转化为十进制表示，这样符号序列就转化为编码序列。假设编码序列为

Scn={Sc(1),Sc(2),…,Sc(i),…,Sc(n-L+1)}

(6)

其中

Sc(i)=∑qL-ks(i+k-1) (k=1,2,…,L)

(7)

符号序列中所含有的特征信息可以通过对编码序列进行统计分析来提取。对编码序列的统计分析方法有很多种，最常见的方法有信息熵法[13]、标准差法[14]、相对距离法[15]等。

3 某型发动机静电监测数据符号化分析实例

3.1 台架静电监测实验

本次台架静电监测实验对象是某型航空涡喷发动机，试车台主要由推力台系统、燃油供应系统、电气控制系统、气路静电监测系统等组成(见图2)。尾气静电传感器探极固定于排气口处，且探极顶部位于排气管轴线上，尾气静电监测信号通过同轴电缆信号线传输进静电监测系统的信号采集和存储设备。

图2 气路静电监测台架实验方案

按照发动机地面试车程序，每次试车根据转速和功率的不同的可分为22个阶段，各个阶段持续时间不同，各个阶段之间的转换时间不超过15 s，一个完整试车持续时间约为62 min。尾气静电监测系统在每个阶段开始时采集静电信号，至转子转速降为零时为止[8]。

3.2 静电监测信号特征提取实例

3.2.1 原始信号的提取

图3所示为某次试车过程中采集的原始静电信号，实测静电信号幅值随试车阶段的变化而波动，这主要是由于各个试车阶段发动机转速和燃油消耗率不同，从而导致总体气路静电荷水平波动以及静电信号发生变化。本次试车实验中，静电信号采集频率为2 000 Hz，整个试车阶段持续时间为1 h左右。为提高信号处理速度，特别是为实现在线监测，选取整个试车阶段某一稳定状态的静电信号做进一步分析，首先进行符号化处理，然后再提取特征值。图4所示为某次试车过程中提取的某一稳定状态下的尾气静电信号。

图3 某次试车完整的原始静电信号

图4 某次试车中某稳定状态下的原始静电信号

3.2.2 静电信号的符号化

首先选取符号集的大小q，经过多次调试发现，q值的选择会影响符号化后各个编码出现的频率，对是否能够诊断故障以及判断故障的效果起着决定性的作用。如选择q=2为例，利用最大信息熵法，将作为参照的数据从小到大排序，确定分段点，所有数据将被划分为0,1这两个符号。

接下来要进行符号序列的编码，先要确定编码的标准长度L，但是不同的编码长度影响编码出现的频率分布。图5所示分别为q和L取值不同时经符号化处理后得到的编码频率分布图。表1给出了不同符号化策略下得到的编码频率的标准差与均值比值。选取发动机无故障状态下的静电信号作为参考信号，使其符号化处理并编码后获得各编码频率分布趋向于平均分布，同时考虑在线监测的计算速度，本文最终确定选择q=2，L=4。

图5 编码频率分布

符号集大小(q)编码长度(L)标准差/均值(编码频率)2316%2422%2530%3320%3429%3542%

3.2.3 信号特征值的提取

原始静电信号经符号化处理后可得到编码频率向量P，如果选择发动机无故障情况下某一稳定工况下的信号作为参照Pr，用特征值衡量待分析信号与参照信号的偏离程度，判断发动机的健康状态。下面分别介绍3类特征值的提取方法。

1) 相对熵。香农熵是通过计算编码序列的复杂度确定系统的运行状态，香农熵越大则表示编码序列复杂度大， 可以确定系统的不稳定性较大[13]。图6所示为70次试车得到的静电信号经过处理后得到的相对熵，计算式为

ΔH=H(P)-H(Pr)=∑pr,ilog2pr,i-∑pilog2pi

2) 标准差。标准差法通过计算编码序列的标准差衡量系统的运行状态，当系统运行正常时其编码序列的标准差较小，它会随着系统故障程度的加深而增大[14]。图7所示为70次试车测量得到的静电信号经过处理后的标准差，计算公式为

3) 距离指标。相对距离法通过统计编码序列中各编码出现的频率得到序列的频率向量，通过计算某一频率序列与系统正常状态下频率向量的相对距离表征故障严重程度[15]。图8所示为70次试车测量的得到的静电信号经过处理后的各距离指标，分别是欧式距离D1、夹角余弦距离D2、相关距离D3和曼哈顿距离D4，计算公式为

从图5～图7可以看出，特征值相对熵、标准差以及欧式距离和夹角距离能够反映发动机的健康状态，与实际情况符合良好，特别是这4个特征值能够区分出发生明显故障的几次试车，如开始几次试车出现的气路滑油泄露故障，通过特征值能够明显识别出，证明本研究所提出的静电监测信号处理方法有效。

图6 相对熵随试车次数的变化

图7 标准差随试车次数的变化

图8 各种距离指标随试车次数的变化

4 结束语

航空发动机尾气静电监测信号能够反映气路部件的健康状态，本文采用符号化时间序列分析法对某型发动机尾气静电信号进行了分析并提取其特征值。原始静电信号经符号化处理后得到编码序列的频率向量，提取其相对熵、标准差以及距离等作为信号特征值，据此判断发动机气路的健康状态。通过对某型涡喷发动机实验数据的分析，表明符号化时间序列分析法能够快速有效处理静电监测信号，特征值能够有效区分气路部件的健康状态。通过对本次台架实验数据的分析，得出当符号集大小q=2，编码标准长度L=5时，选取相对熵、标准差、欧式距离及夹角距离作为特征值均能较好表征气路健康状态，特别是能够明显区分出典型的气路滑油泄漏故障，初步证明本文所提方法有效。随着更多的典型故障样本数据的积累，后续研究将进一步比较分析这4种尾气静电信号特征值的适应性和有效性，为机载静电监测系统的工程应用提供借鉴。

[1] 孙见忠,左洪福,刘鹏鹏,等.航空发动机尾气静电信号基线模型分析及应用[J].航空动力学报,2013,28(3):531-540.

[2] FISHER C.Data and information fusion for gas path debris monitoring[C]//Aerospace Conference,2001,IEEE Proceedings.IEEE Montana USA,2001(6):3017-3022.

[3] POWRIE H,NOVIS A.Gas path debris monitoring for F-35 Joint Strike Fighter propulsion system PHM[C]//Aerospace Conference.IEEE Montana USA,2006.

[4] 文振华,左洪福,王华,等.航空发动机气路静电监测传感器特性[J].传感器与微系统,2008,27(11):28-31.

[5] 李耀华,左洪福,刘鹏鹏.某型航空涡轮轴发动机尾气静电监测探索性实验[J].航空学报,2010,31(11):2174-2181.

[6] 孙见忠,左洪福,詹志娟,等.涡轴发动机尾气静电信号影响因素分析[J].航空学报,2012,32(3):412-420.

[7] LIU Pengpeng,ZUO Hongfu,SUN Jianzhong.The electrostatic sensor applied to the online monitoring experiments of combustor carbon deposition fault in aero-engine[J].IEEE Sensors,2013,99(9):1-11.

[8] 刘鹏鹏.航空发动机气路机械故障静电监测方法及系统研究[D].南京:南京航空航天大学,2013.

[9] 胡世杰.基于符号化时间序列分析的轴承故障诊断方法研究[D].南京:东南大学,2015.

[10]RAY A.Symbolic dynamic analysis of complex systems for anomaly detection.Signal Process[J].Signal Processing,2004,84(7):1115-1130.

[11]RAJAGOPALAN V，RAY A.Symbolic time series analysis via wavelet-based partitioning[J].Signal Processing,2006,86(11):3309-3320.

[12]DAW C S,FINNEY C E A,TRACY E R.A review of symbolic analysis of experimental data[J].Review of Scientific Instruments,2003,74:915-930.

[13]TANG X Z,TRACY E R,BOOZER A D,et al.Symbol sequence statistics in noisy chaotic signal reconstruction[J].Phys.Rev.E 51,1995,3871.

[14]BISHOP C M.Pattern Recognition and Machine Learning[M].New York,Springer，2006.

[15]ALAMDARI M M,SAMALI B,LI J.Damage Localization Based on Symbolic Time Series Analysis[J].Structural Control and Health Monitoring,2015,22(2):374-393.

[16]文莹, 闫雅慧. 基于自适应核主元分析的航空发动机异常监测[J].兵工自动化，2016(8):1-4.

(责任编辑 唐定国)

Feature Extraction Method for Aero-Engine Gas Path Electrostatic Monitoring Signal

LI Chao-yi1, SUN Jian-zhong1, GUAN Tian-yang2, JIANG Heng1, LIU Peng-peng3

(1.Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China; 2.Nanchang Hangkong University, Nanchang 330063, China;3.System Engineering Research Institute of China State Shipbuilding Corporation, Beijing 100036, China)

In this paper the symbolic time series analysis method is used for the analysis and feature extraction of the electrostatic monitoring signal, based on which, the engine gas path health status is assessed. This method involves a number of areas. Firstly the experiment data is collected using the developed gas path electrostatic monitoring system and the data is processed via the symbolic time series analysis method using Matlab tools. The features like the standard deviation, relative Shannon entropy and various distances are extracted to characterize the health state of the engine.

aero engine; gas path electrostatic monitoring signal; symbolic time series analysis; Shannon entropy

2017-02-25；

2017-03-20

国家自然科学基金项目(61403198);江苏省自然科学基金项目(BK20140827);航空基金项目(2014ZB52020)

李超役(1992—)，男，硕士研究生，主要从事航空器健康管理研究;孙见忠(1982—)，男，副教授，主要从事航空器健康管理与维修工程研究。

10.11809/scbgxb2017.06.025

format:LI Chao-yi, SUN Jian-zhong, GUAN Tian-yang,et al.Feature Extraction Method for Aero-Engine Gas Path Electrostatic Monitoring Signal[J].Journal of Ordnance Equipment Engineering,2017(6):112-116.

V231.25;TJ06

A

2096-2304(2017)06-0112-05

本文引用格式：李超役，孙见忠，关天阳，等.航空发动机气路静电监测信号特征值提取方法[J].兵器装备工程学报，2017(6):112-116.