全自動化發動機氣路狀態監控與故障診斷系統研發(1/2)

行政院國家科學委員會專題研究計畫 期中進度報告

全自動化發動機氣路狀態監控與故障診斷系統研發(1/2)

計畫類別： 個別型計畫

計畫編號： NSC92-2212-E-006-093-

執行期間： 92 年 08 月 01 日至 93 年 07 月 31 日 執行單位： 國立成功大學航空太空工程學系（所）

計畫主持人： 陸鵬舉

計畫參與人員： 徐自珍

報告類型： 精簡報告

處理方式： 本計畫可公開查詢

中 華 民 國 93 年 5 月 31 日

行政院國家科學委員會專題研究計畫成果報告

全自動化發動機氣路狀態監控與故障診斷系統研發(1/2) 計畫編號：NSC 92-2212-E-006-093

執行期限：92 年 8 月 1 日至 93 年 7 月 31 日

主 持 人：陸 鵬 舉 國立成功大學航空太空工程研究所 參與研究人員：徐 自 珍

一、中文摘要

本計畫第一年的研究主旨在於運用倒傳 遞 類 神 經 網 路 （ Back Propagation Neural Network, BPNN）發展出具有發動機氣路部件 多重故障（Multiple Faults）診斷能力的故障 診斷系統，以改善目前大多數類神經診斷系 統皆偏重於單一故障診斷的現象。本研究使 用普惠（Pratt & Whitney）公司 PW4000-94’

型 發 動 機 之 影 響 係 數 矩 陣 （ Influence Coefficient Matrix）產生網路訓練與測試所須 之故障樣本。結果顯示，BP 網路對於發動機 多重故障具有相當優良的診斷能力。然而有 些故障所對應的量測參數值明顯較其他故障 小，導致這些故障在與其他故障一同發生 時，所對應的網路輸入值與其他故障單獨發 生下的差異十分微小，造成網路因無法分辨 出其間的差異性而產生誤判，因此在研究時 必須經過篩選並排除此類故障。而在使用具 有 4 個輸入值的網路架構時，會出現部分故 障之間量測參數向量過於接近的現象，也就 是相同量測參數對應不同故障案例的矛盾情 況，因此本研究建議以具有 8 個輸入值的網 路架構進行發動機多重故障診斷，以確保診 斷之正確性。

關鍵字：航空發動機、氣路分析、多重故障 診斷、類神經網路

二、英文摘要

This first-year research presents the utilization of a back-propagation neural network (BPNN) as a fault diagnosis system for detecting multiple faults based on the measurements of gas-path variables of an engine. The influence coefficient matrix of Pratt

& Whitney PW4000-94” engine was employed to generate the fault patterns for training and testing a multi-layered neural network. In each generated pattern, due to multiple simultaneous faults, some of the faults may have dominant effects on the values of input variables; that is, unless the faults are present with comparable severity which generate measurement deltas with same order of magnitude, the network may classify the minor faults as less significant noise to the major faults. Thus, those unidentifiable fault patterns were deleted from the training process to avoid incorrect classifications.

Computer simulations were conducted to experiment two network structures, one with four input variables and the other one with eight input variables. Because some of the generated fault patterns with four input variables may contain contradictions in the input-output mapping relationship—similar input deltas map onto different output fault types, the network structure with eight input variables was adopted as the diagnosis system and recommended for multiple faults detection and isolation. The results of computer simulations have validated the effectiveness of the proposed diagnosis system for isolating multiple faults of engine gas-path with satisfactory accuracy.

Keywords：Engine, Gas-path Analysis, Multiple Faults Diagnosis, Artificial Neural Networks 三、前言

從先前的許多研究中發現[1-5]，目前利 用類神經網路進行發動機氣路部件故障診斷 [6-11] 這 套 技 術 尚 有 兩 個 主 要 問 題 有 待 克 服，這兩個問題分別是多重故障診斷(Multiple

Faults Diagnosis)及即時量測參數驗証（Real Time Sensor Data Validation）。而這兩個課題 也是本研究的主要工作目標。依照計畫設定 進度與欲達成目標，本團隊已於本年度計畫 中將多重故障分析予以完成。並預計於下年 度計畫完成即時量測參數驗証工作。

進行多重故障分析的主要原因，乃是因 為維修單位在進行維修時發現，部份的故障 現象是多種故障伴隨發生而得到的結果，然 而在相關文獻或現行所使用的故障診斷系統 中，診斷對象大多僅限於發動機的單一故 障，對於發動機多重故障的診斷，仍缺乏有 效而具體的解決方式；氣路參數線性系統分 析法[7-11]藉由熱力學關係式，由量測參數偏 差量反求性能等特性參數，在理論上而言雖 然可應用至多重故障的診斷之上，但實際上 卻有前面所提到的困難之處，導致其難以在 日常程序中經常地被使用。

本研究團隊自 1995 年起便開始著手研究 類神經網路在發動機故障診斷領域的應用，

結果證實類神經網路在發動機單一故障診斷 方面，的確具有相當優良的成效[1-2]；因此，

本研究希望以類神經網路在發動機單一故障 診斷的研究成果為基礎，將其應用擴展至多 重故障的診斷之上，發展出一套更符合實際 需求的診斷工具。

四、研究內容 4-1 類神經網路

類神經網路種類繁多，各有其適合應用 的領域，其中以倒傳遞網路最被廣泛地運用 在診斷、預測…等領域[12-14]，故本研究選 擇以倒傳遞類神經網路來處理發動機氣路多 重故障診斷的問題。倒傳遞類神經網路屬一 監督式學習網路，此網路的學習方式，係將 輸出層輸出訊號與訓練樣本進行比較，並把 誤差訊號逐層逆向傳遞至每一隱藏層，並以 此作為修正連結權值的依據。在架構上，倒 傳遞網路屬於訊息向前傳遞的多層網路，其 結構包含了輸入層、隱藏層及輸出層；隱藏 層是網路運算的主要區域，其層數與結構型 態為決定網路能力與特性的主要因素，在本 研究中採用的是單層隱藏層的網路結構。

[15-18]

4-2 故障樣本來源

一般而言，用來訓練、測試類神經網路 所需的故障樣本，其來源有兩種，分別為真 實故障樣本與模擬故障樣本。真實故障樣可 藉由長期蒐集維修紀錄累積而成，例如故障 指紋圖(Finger Print Chart)或故障案例記錄本 (Case History Book)；然而一般故障指紋圖與 故障案例記錄本所收錄的，絕大多數為發動 機單一部件發生故障時的案例，鮮少有關於 發動機多重故障部份的紀錄，因此以此法雖 可產生單一部件故障的樣本，但對於多重故 障樣本而言，則無法藉由此法產生。且依照 發動機的維修週期及拆換率來看，若要收集 到足夠的樣本來建立完整的發動機單一故障 資料庫，至少需 10 年以上的時間[6]。另外，

經由試車台進行大量的實驗，理論上而言也 是一種產生真實故障樣本的方式。然而發動 機的故障種類繁多，再加上多重故障組合具 多樣性，若要取得各式類別、不同損傷程度、

所有組合情況以及足夠數量的樣本供網路作 訓練與測試使用，則必須耗費大量的成本與 人力，即便如此，也並非所有的故障案例都 可經由試車台製造出來，因此這種方法的可 行性亦不高。至於模擬故障樣本方面，則是 以發動機數值模擬程式（Engine Simulation Code）去製造影響係數矩陣，或由發動機製 造商提供影響係數矩陣，再利用影響係數矩 陣去模擬產生發動機在發生各種不同種類故 障（例如各部件性能下降或幾何外型改變）、 不同損傷程度、不同故障組合情況下的量測 參數變化量。模擬出來的故障樣本類別齊 全、數量足夠，且無論實際上是否可能發生，

只要是理論上可能發生的單一故障或多重故 障樣本，皆可藉由此種方式產生。

本研究以普惠公司所提供之 PW4000-94’

型發動機在 9 千磅推力、0.8 馬赫、3 萬 5 千 英呎高度巡航狀態下的影響係數矩陣產生故 障樣本。

4-3 網路輸出入單元定義

在普惠公司所提供的影響係數矩陣中，

共包含八個量測參數的偏差量，其定義如表 (2.1)所示，分別是排氣溫度(T49C2)、燃油流

率(WF)、高壓渦輪轉速(N2C2)、低壓渦輪轉 速 (N1C1) 、 低 壓 壓 氣 機 (LPC) 壓 力 比 (P25C2) 、 低 壓 壓 氣 機 (LPC) 出 口 溫 度 (T25C2)、高壓壓氣機(HPC)出口溫度(T3C2) 以及高壓壓氣機(HPC)壓力比(P3C2)。

而發動機因為廠牌、型號及製造年代的 不同，擁有的傳感器數量亦不相同；舊式發 動機如 JT8D、JT9D 僅有 5、6 個傳感器，而 新式發動機則可多達 20 餘個；為配合不同使 用者的需求，本研究發展出下列兩種診斷系 統：

(1)有限型診斷系統：此型診斷系統為配合舊 式發動機及傳感器個數較少的發動機所設 計，輸入層的單元個數為 4 個，分別代表 排氣溫度(T49C2)、燃油流率(WF)、高壓渦 輪轉速(N2C2)以及低壓渦輪轉速(N1C1)等 四個量測參數的偏差量；(圖(1))

(2)擴展型診斷系統：此型診斷系統可被新式 及傳感器個數較多的發動機所使用，輸入 層的單元個數為 8 個，除包含有限型診斷 系統所使用的 4 個之外，另增加低壓壓氣 機壓力比(P25C2)、低壓壓氣機出口溫度 (T25C2)、高壓壓氣機出口溫度(T3C2)以及 高壓壓氣機壓力比(P3C2)等四個量測參數 偏差量。(圖(2))

輸出單元即代表欲診斷的故障種類，本 研究所探討的故障種類為表(1)所列的八種。

4-4 訓練與測試樣本的選取

在本研究中，我們設定同一時間內至多 會有三種不同的故障同時出現，因此在訓練 樣本與測試樣本裡，必須包含單一故障樣 本、雙重故障樣本以及三重故障樣本。每一 種故障的損傷程度，皆設定在量測參數趨勢 改變量( 1% ~ 5% ) 以及 ( -1% ~ -5% ) 這兩 個區間內；為了確保訓練樣本在參數空間中 能均勻地分布，選取時採用等間距的方式來 避免取樣不均的問題發生，至於測試樣本則 不受此限，以隨機分布的方式來選取。有關 單一故障、雙重故障、三重故障的訓練樣本 與測試樣本總數，以及其損傷程度與故障組 合數，分別詳細列於表(2)、(3)中。

4-5 資料之正規化

資料正規化（Normalization）的目的是為

了避免訓練資料與測試資料各數值間階數

（Order）相差過大，導致數值小的參數重要 性被忽略，而影響網路訓練及診斷的正確 性。本研究所使用之正規化方法是將各網路 輸入單元參數分別除以該單元參數絕對值的 最大值，此一正規化方法之優點在於可縮小 不同參數間階數之差異，且仍能保持其變化 量的影響，不至於在正規化之後亦降低網路 對於輸入資料的靈敏度。

五、研究結果

5-1 診斷正確率之定義

本研究用來衡量網路學習結果優劣的標 準 為 推 論 值 與 目 標 值 之 間 的 誤 差 均 方 根

（Mean Square Error）及診斷正確率，有關誤 差值的定義在第二章 BP 網路理論分析中已 作過介紹，而至於本研究所採用的診斷正確 率，其定義如下：

正確率= [診斷正確樣本數/總樣本數]×100%

5-2 擴展型系統（8-Input）診斷結果

在擴展型診斷系統中使用的網路架構為 單層隱藏層、隱藏層單元數量為 21 個，輸入 單元數與輸出單元數同為 8 個，也就是 8-21-8 的網路架構，停止條件為訓練資料的均方根 誤差小於 10⁻⁸。經過迭代之後，訓練資料與 測試資料的診斷正確率皆可達到 100 %。由診 斷的結果顯示，擴展型系統（8-Input）對於 發動機多重故障具有相當優良的診斷能力。

5-3 有限型系統（4-Input）診斷結果

首先我們產生單一故障樣本提供給網路 進行訓練，所使用的網路架構為單層隱藏 層，隱藏層單元數量為 25 個，輸入單元數與 輸出單元數分別為 4 個與 8 個，形成一個 4-25-8 的網路架構；網路停止條件為訓練資 料的均方根誤差小於

10

訓練資料與測試資料的診斷正確率皆可達到

100 %

（

4-Input

當優良的診斷能力。接著加入雙重故障樣本 進行訓練時發現，網路學習效果並不理想，

誤差值停留在10⁻²左右，無法繼續向下收 斂，診斷正確率同樣不佳，僅有

50%

此一現象同樣無法隨我們調整網路的結構而 有所改善。然而有限型系統與擴展型系統的 差異僅在於量測參數的數量，也就是網路輸 入單元的個數，因此認為可能是有限型系統 所使用的量測參數過少，導致原本應分屬於 不同故障的樣本，其量測參數值向量過於相 近，使得網路因出現一對多（一組量測參數 對應多種故障案例）的矛盾現象而無法學習。

為了檢視發動機雙重故障樣本中是否有 上述情況發生，我們將故障樣本兩兩進行比 對，同時並計算出各故障樣本之間的參數向 量夾角，以作為判斷量測參數值是否過於接 近的參考依據。表

(4)

10

各故障樣本之間參數向量夾角小於

1.5

4

8

8

4

此一結論另可在我們將參數向量夾角小於

1.5

因此，有限型系統僅適用在發動機單一 故障診斷的應用之上，無法推展至多重故障 診斷的範疇。

六、結論

本研究以類神經網路在發動機單一故障 診斷的成果為基礎，成功地將其擴展至多重 故障診斷的應用之上，發展出一套更符合實 際需求的診斷工具，同時並獲得以下幾點結 論：

(1)

4

8

果 。

(2)

8-Input

(3)

（

4-Input

情況的存在，因此在量測參數的選擇上必 須多加斟酌。總體而言，充足且適當的量 測參數不啻為網路診斷成功與否的重要 關鍵。

七、參考文獻

[1]

, “

,”

,

86

.

[2] P. J. Lu, T. C. Hsu, J. Zhang, M.C. Zhang,

“An Evaluation of Engine Fault Diagnostics Using Artificial Neural Networks,” ASME Journal of Engineering for Gas Turbines and Power , Vol. 123, No.2, April, pp.340-346.

[3] Zedda, M., and Singh, R., "Fault Diagnosis of a Turbine Engine Using Neural Networks: a Quantitative Approach,". AIAA-98-3602 , 1998.

[4] Eustace, R., and Merrington, G., "Fault Diagnosis of Fleet Engines Using Neural Networks," ISABE 95-7085 , 1995, pp.926-936.

[5] Cifald, M. L., and Chokani, N., "Engine Monitoring Using Neural Networks,"

AIAA-98-3548 , 1998.

[6] B. D. MacIsaac, “Engine Performance and Health Monitoring Models Using Steady State and Transient Prediction Methods,” AGARD Lecture Series 183, May 1992, pp.9-1~9-21.

[7] Smetana, F. O., “Turbojet Engine Gas Path Analysis A Review,” AGARD Conference Proceedings, No. 165, 4-5 April, 1974.

[8]

,

, “

,”

, 1989

.

[9] Urban, L. A., “Gas Path Analysis Applied to Turbine Engine Condition Monitoring,” AIAA 72-1082 , 1972.

[10] Urban, L. A., and Volponi, Allan J.,

“Mathematical Methods of Relative Engine Performance Diagnostics,” Journal of Aerospace , Vol. 101, Technical Paper 922048, 1992, pp. 2025-2049.

[11] Doel, D. L., "TEMPER-A Gas Path Analysis Tool for Commercial Jet Engines,"

ASME Journal of Engineering for Gas Turbines and Power , Vol.116, No. 1, 1994, pp. 82-89.

[12]

,

,

,

,

, pp.5-6.

[13] Haykin, S., “Neural Networks, A Comprehensive Foundation,” Macmillan College Publishing Co. Inc., 1994, New York.

[14] Fausett, L., "Fundamentals of Neural Networks: Architectures, Algorithms and Applications," Prentice Hall, Englewood Cliffs, New Jersey, ISBN 0-13-334186-0, 1994.

[15] McClelland, J. and Rumelhart, D.,

“Learning Internal Representations by Error Propagation,” Parallel Distributed Processing, Vol. 1 and 2, MIT Press, Cambridge, MA, 1986.

[16] Fortuna, L., Graziani, S., Lo Presti, M. and Muscato, G., “Improving Back-Propagation Learning Using Auxiliary Neural Networks,”

International Joint Conference on Control , Vol.

55, No. 4, 1992, pp. 793-807.

[17] Naoki KAMIYAMA, Nobukazu IIJIMA, Akira TAGUCHI, “Tuning of Learning Rate and Momentum on Back Propagation,” Neural Networks, International Joint Conference on Neural Networks , 1991.

[18] Hsin H. C., Li C. C., Mingui Sun, and Robert J. Sclabassi, “An Adaptive Training Algorithm for Back Propagation Neural

Networks,” IEEE Transactions on System, Man, and Cybernetics, Vol. 25, No. 3, March 1995, pp.512-514.

表

(1)

8

表

(2)

表

(3)

表

(4) 10

1.5

圖

(1)

圖

(2)