论文关键词：健康管理技术  故障诊断  故障预测  性能评估  状态监控  航空发动机

　　论文摘要：综述了航空发动机健康管理技术的最新进展，并指出了其发展趋势。

　　1引言

　　据国际民航组织统计，在1988—1993年的6年间，由于发动机起火、发动机叶片出现故障、发动机脱离机翼等而发生的飞行事故多达34起。及时地监测和诊断系统故障可以有效避免事故的发生，以保证飞机的飞行安全。

　　本文围绕发动机健康管理，从故障诊断、故障预测、性能评估和状态监控4个方面，阐述了航空发动机健康管理技术发展的现状和趋势。

　　2故障诊断技术

　　航空发动机故障诊断技术的发展经历了3个阶段。目前所处的智能诊断阶段，以知识处理为核心，信号处理、建模处理和知识处理相融合。随着计算机、人工智能技术的发展，各种诊断算法得到了深入研究和广泛应用。

　　2．1遗传算法

　　航空发动机结构复杂、工作条件多变，故障机理和故障原因复杂，故障与征兆之间没有明显关系，各类故障的特征参数也不完全相同。采用数学解析方法和试验方法有时无法解决某些问题。而遗传算法具有较高的并行处理信息和求解非线性问题的能力，能够解决在寻优过程中容易遇到的局部极小值问题。

　　基于遗传算法的故障诊断技术通常采用概率因果模型得到发动机故障征兆和故障成因之间的关系，然后通过在遗传过程中所采用的选择、交叉、变异等自然选择方式，实现对发动机故障的分类和诊断，可以缩短诊断时间、提高诊断效率、减少运算量，在复杂故障诊断中具有良好的应用前景。

　　2．2小波分析和支持向量机技术

　　小波分析是1种先进的非线性分析方法，是通过比较在分解小波后的不同频带内信号盒维数的大小及其变化，来反映信号的不规则度和复杂度，刻画信号的非平稳性。航空发动机在发生故障时，常出现非线性等动力学特性，振动信号具有非平稳性。因此，小波分析可以有效地解决航空发动机故障诊断中的振动问题。

　　支持向量机技术是专门针对小样本条件下的机器学习问题而建立的新型学习机制，能有效解决小样本、高维数据和非线性问题，可以消除由样本数目不足带来的过学习问题，克服了神经网络中的合理结构难以确定和存在局部极小点的缺陷，具有较强的泛化能力和抗干扰能力。航空发动机各类故障样本通常难以获得，属于小样本、非线性问题，因此，支持向量机技术在故障分类和状态识别中得到了有效应用引。

　　2．3粗糙集理论

　　在发动机故障诊断中，常常要处理高维的海量数据，同时会遇到先验性知识不能满足发动机诊断要求等问题。概率论和模糊集等方法对此无能为力；而粗糙集理论可以解决这些问题。

　　3故障预测技术

　　3．1神经网络预测技术

　　人工神经网络具有逼近任意非线性函数的能力和较强的泛化能力，在多变量预测领域显示出了巨大的潜力和突出的优势。如预测发动机复杂磨损的趋势，充分考虑多种因素(加油、补油、换油和非等间隔等)，在实施多变量预测方案时，采用神经网络建立多变量预测模型，能够解决非等间隔的受加油因素影响的油样分析数据的建模和预测问题。