摘要
在航空发动机中，燃油和空气混合燃烧，为飞机提供飞行所需的推力。故燃油流量是一个关键的控制参数，直接决定着发动机的性能表现。燃油流量的调节是由燃油计量活门的开度控制的。在发动机运行过程中，由于燃油存在未经过滤的杂质以及器件老化等问题，燃油计量活门的运动可能受阻，导致无法为发动机提供预期燃油量。这种故障称为燃油计量活门的卡滞故障。针对目前该故障的智能诊断方法较为稀缺且效果不佳等问题，本文基于深度学习算法，提出以卷积神经网络为基础的卡滞故障诊断模型，实现对航空发动机全工况下燃油计量活门卡滞故障的智能诊断，主要研究内容如下： 针对航空发动机单工况下的燃油计量活门卡滞故障，提出基于一维卷积神经网络的故障诊断模型。由于燃油流速较快且计量活门阀芯与套筒间隙较小，因此燃油计量活门卡滞故障发生频率较低。为了获取卡滞故障数据，本文首先基于燃油计量活门卡滞故障的原理，提出了一种卡滞故障的模拟方法。其次利用获取的卡滞故障模拟数据，设计以一维卷积神经网络为核心的故障诊断模型，该模型在单工况下的燃油计量活门卡滞故障诊断试验中获得了较高的故障识别率。 针对全工况下卡滞故障数据分布差异性较大的问题，引入多头注意力机制，提出一种基于一维卷积神经网络和Transformer的联合架构，即CNTR模型。通过堆叠的多个一维卷积层处理原始故障序列数据，所提CNTR模型能够实时提取序列中的有效特征，并去除无用信息。进而，利用模型中编码器部分高效的特征提取能力，基于多头注意力机制精确定位卡滞故障信息段。将多个一维卷积层部分的输出信息进行特征提取，构建卡滞故障数据的全局信息。试验结果表明，所提模型在全工况下的燃油计量活门卡滞故障诊断中能够达到98.42%的识别率。 将迁移学习技术和所提出的CNTR模型相结合，对卡滞故障模拟方法的有效性进行验证。首先使用CWRU数据集预训练CNTR模型，学习故障的通用特征与模式，并基于卡滞故障模拟方法获取的故障数据对模型进行微调。其次利用卡滞故障原理方法获取的故障数据测试模型。试验验证了所提出的卡滞故障模拟方法的有效性，实现了现实中对航空发动机燃油计量活门卡滞故障的智能诊断，为该领域提供一种新的技术思路。
NETL