优化诊断

基于ACARS的飞机发动机故障诊断系统优化

摘要

飞机发动机是民机核心动力系统，对之实施有效的诊断和监控，是保障民机

安全性、可靠性和经济性的重要技术途径。在发动机故障诊断研究领域，目标主

体经常被抽象为一个典型复杂机械系统，由于该系统结构的复杂性、模型的严重

非线性、诊断方法的多样性、测量综合误差对故障诊断的干扰影响等原因，造成

了发动机故障诊断建模的复杂与困难。本文在研究地空数据链(ACARS和机载飞

行数据记录设备(DFDR/QAR)中发动机状态数据译码的基础上，围绕航空发动机

故障智能诊断与状态监控中若干关键的问题展开研究，本文的主要研究内容和创

新点如下：

（1）ACARS所提供的实时信息量无法支撑发动机故障模型的在线训练和实

时诊断，而快速存取记录器(QAR)中的数据，有信息完备和记录频率高的特点，

因此，在基于智能算法的建模过程中，用ACARS与QAR数据共同构建样本空

间。分析了两种数据源中数据帧结构可归类的特点，针对机载总线中发动机参数

底层数据编码特征，提出了基于译码函数的发动机参数译码算法，译码过程具有

较好的实时性和通用性，译码输出为发动机故障诊断和性能监控建模提供了基础

数据支撑。

（2）对样本数据进行预处理和多源融合。气路参数的预处理包括气路数据

的平滑和时间配准。通过采用移动平均平滑法，提高数据和样本可用性。并且进

行多源参数处理时，采用的采样频率不一，多条路径得到的观测数据与征兆数据

不同步，采用三次样条插值方法进行帧数据重绘工作，得到拟合输入点分布的插

值样条。

（3）通过优化改进的极限学习机(ExtremeLearningMachine,ELM)算法来对航

空发动机故障诊断进行研究。ELM是一个扩展的单隐层前馈神经网络，它具有

计算逼近任意类型的隐藏节点的能力，不需要调整网络的隐藏层。因此，在应用

过程中可以大大缩短训练时间。而且极限学习机不但能够得到最小的训练误差，

另一方面还能够得到权值的最小值，这意味着它与传统的神经网络相比可以得到

更好的泛化性能。

（4）使用费舍尔判别分析法和云模型理论，将从子空间中提取出的特征输

入到极限学习机模型中来诊断航空发动机故障，进一步确定相应的故障类型，最

后根据实际数据分析这个故障模型。

（5）测试结果是满意的，实验验证了所提出的方法可以对航空发动机工作

故障进行有效的分类。通过对比测试表明，这种结合遗传算法的极限学习机可以

超越原始算法。因此，改进算法更适应航空发动机的健康状况预测，具有较高的

诊断精度和噪声免疫。

关键词：基于ACARS；飞机发动机；故障；诊断

Optimizationofaircraftenginefaultdiagnosissystem

badonACARS

abstract

ectivediagnosis

andmonitoringofaircraftengineisanimportanttechnicalwaytoensurethesafety,

earchfieldofenginefaultdiagnosis,

the

thecomplexityofthesystemstructure,theriousnonlinearityofthemodel,the

diversityofdiagnosismethods,andtheinterferenceeffectofcomprehensive

measurementerroronfaultdiagnosis,themodelingofenginefaultdiagnosisis

ntherearchofenginestatedatadecodinginground

toairdatalink(ACARS)andairborneflightdatarecordingequipment(DFDR/

QAR),thispaperfocusonsomekeyissuesinaeroenginefaultintelligentdiagnosis

nrearchcontentsandinnovationsofthispaperareasfollows:

(1)Thereal-timeinformationprovidedbyACARScannotsupporttheon-line

r,thedatainQARhas

tore,

intheprocessofmodelingbadonintelligentalgorithm,ACARSandQARdataare

peranalyzestheclassifiablecharacteristics

attheunderlyingdata

codingcharacteristicsofengineparametersinairbornebus,anengineparameter

odingprocess

odingoutputprovidesbasicdatasupportforenginefaultdiagnosisandperformancemonitoringmodeling.

(2)

preprocessingofgaspathparametersincludessmoothingofgaspathdataandtime

gmovingaveragesmoothingmethod,theavailabilityofdataand

ulti-sourceparameterprocessing,thesampling

frequencyisdifferent,theobrvationdataobtainedfrommultiplepathsisnot

icsplineinterpolationmethodisudto

redrawtheframedata,andtheinterpolationsplinefittingthedistributionofinputpointsisobtained.

(3)Byoptimizingtheimprovedextremelearningmachine(ELM)algorithm,the

nextendedsinglehiddenlayer

feedforwardneuralnetwork,whichcanbeudtoapproximateanytypeofneural

litytohidenodesdoesnotneedtoadjustthehiddenlayerofthe

ore,thetrainingtimecanbegreatlyshortenedintheapplication

er,theextremelearningmachinecannotonlygetthe

minimumtrainingerror,butalsogettheminimumweight,Thismeansthatitcangetbettergeneralizationperformancethanthetraditionalneuralnetwork.

(4)UsingFisherdiscriminantanalysisandcloudmodeltheory,thefeatures

extractedfromsubspaceareinputtothelimitFinally,accordingtotheactualdata,thecorrespondingfaulttypesaredeterminedAnalyzethefailuremodel.

(5)Thetestresultsaresatisfactory,andtheexperimentalresultsshowthatthe

parison

testshowsthatthixtremelearningmachinecombinedwithgeneticalgorithmcan

,Theimprovedalgorithmismoresuitablefor

aero-enginehealthprediction,andhashigherdiagnosticaccuracyandnoiimmunity.

Keywords:BadonACARS;aircraftengine;fault;diagnosis

第一章绪论

1.1论文研究的背景和意义

鉴于航空流量的增加，可持续的航空运输将会成为一个严重的世界性的挑

战。继续扩大的世界航空网络要求所有飞机系统的设计要不断的进步，包括机体、

推进系统、机载系统、软件、硬件、通信、导航、制导与控制等等。作为航空飞

机的关键部件之一，发动机的可靠性直接影响到飞机的飞行安全。发动机在高速

运转条件下的运行会导致转子与定子之间的间隙逐渐变小，这就增加了摩擦碰撞

的可能性，随之而产生的偏差会使得航空发动机无法正常运作，最后导致灾难性

的后果。研究统计从1987年到2005年，全球商用喷气式飞机死亡案例有百分之

十一是由于发动机的系统或组件故障造成的。

航空发动机是一个相当复杂的非线性系统，它始终在高温、高压、高转速等

极端条件下工作，其各部件和子系统的性能随时间逐渐降低，因此状态监控是必

要的，在飞行安全方面也可以以此来减少预防性维护成本。为了满足越来越严格

的飞行要求，搞笑英语 设计师需要创新性的故障检测，识别和恢复方法来提高飞行性能的

可靠性、自我保护意识和自主性。因此，显而易见发动机的安全问题是一个需要

重点关注的问题。航空发动机系统是建立在高水平的安全规范之上，需要定期接

受维修拆卸、更换零件等。在维护期间，发动机在飞机飞行过程中的参数测量数

据将会被记录下来，建立一个长期的航空发动机检测库，以便预测可能发生的故

障便于发动机的维修。随之而问世的航空发动机预测与健康管理系统(Prognostics

andHealthManagement,PHM)综合了传感器技术、各种先进算法以及人工智能来

达到精确诊断航空发动机健康状况的目的。

PHM技术可以时刻检测航空发动机的运行状态，在航空发动机发生故障时

可以及时对订婚仪式流程及主持词 飞行员提供警报信息，避免造成人员和财产的损失。PHM技术正在

带领航空发动机维护模式的变革，并且对其他各类交通运输载运工具的安全保

障，乃至物流全球化保障着十分深远的意义。

飞机设计与制造水平的迅速提高，通信技术和其它任何有关技术的进步都迅

速反映在民航飞机的舒适性、可靠性和可维护性的增强上。在役的大型民机都已

经装载了完整的ACARS系统。它与其他的机载设备(如数据管理组件DMU)，飞

行数据接口组件(FDIU、飞机状态监控系统(CFDS)以及全球定位系统(GPS等)通

过数据交换连成一个统一的有机体，各种机载的电子设备采集飞机运行时本身的

在线状态数据、各子系统的运行状态、飞机外部环境信息等广播到ACARS,

ACARS通过卫星通信系统或甚高频地面工作站将数据传送到指定的地面数据控

制中心(ADCC)，由ADCC根据报文头的标志，再将数据通过SITA网或ADCC

网传送到指定的航空公司的ACARS地面工作站，使得地面和飞机之间的双向实

时数据传输成为可能，为飞机远程实时故障诊断和实时飞机状态监控提供了有效

的途径。

1.2国内外研究现状

1.2.1国内研究现状

故障诊断技术在我国的发展年限还比较短，兴起于20世纪70年代末期，兴

盛于80年代。很多高校和研究机构开展了状态监控和故障诊断的研究，在旋转

机械状态监控和故障诊断领域，取得了不少成果。

国内第一个飞机发动机故障诊断系统是由空军工程大学开发研制。在国内最

早开始的发动机故障诊断受到了模糊数学的极大影响，近年来，随着支持向量机

等新的数据挖掘方法的快速发展，越来越多的发动机故障诊断方法得到了开发。

我国民航机务维护的发展与民航机队规模和航班运营量相比表现出较大的

滞后性，维修采用定时维修而不是以监控设备技术状态为基础的视情维护。由于

经验的抽象性以及不连续性使得机务工作仍然停留在原先的“师徒”模式以及传

帮带的传统工作模式中。由于经验的不可存储以及无法共享，使得部分经验以及

数据随着专家的退体而趋向消亡，因此民航维修系统内的经验无法得到螺旋式的

上升，从而大大的制约了中国民航维修企业技术发展与进步，而智能型的故障诊

断是解决该问题的有效途径。

（1）南方航空公司的飞机远程诊断实时跟踪系统(ACRDRTS）南方航空公

司的飞机远程诊断实时跟踪系统(ACRDRTS)项目是一套飞机远程诊断和实时跟

踪系统。

（2）空客推荐使用的软件系统AIRMAN

AIRMAN是空客工程师设计和开发的用于提高飞机维护和运行的创新软

件。北京航天航空大学博士论文[8]中采用的是“基于元级控制”的方法并综合应用

专家系统、可靠性工程、人工神经网络等领域内的研究成果建立故障诊断模型，

在Oracle平台上开发A340故障诊断专家系统模型;文献[8]通过利用信息融合技

术和多Agent故障诊断方法与技术研究航天飞机的防热系统故障诊断，并研究如

何提高系统故障诊断的可靠度。

1.2.2国外研究综述

故障诊断技术的作用是对系统进行维护，随着现代化机械设备的发展趋势，

机械设备的维修策略也逐渐发展。维护策略的演变可以追溯到三代：纠正，预防

和预测性维护。纠正维护主要运用于二战时期，是在不起作用的时候把机器修好;

战后，人力资源的匿乏导致了机器的现代化和生产过程的自动化，使得越来越多

的工业依赖于机器，机器的故障对生产效率和生产质量的影响之重大。因此，人

们认为需要预防故障，并开始执行

行业的大修与时间间隔，以防止资产流失。这就是所谓的预防性维护;然而

由于机械的定期维修需要熟练的维修专家来执行维护，使得维护成本大幅增加。

为了使资产所有者的资产的利润效用最大化，并尽量减少维护成本，开始第三代

的维护策略。新的维修策略被称为预测维修，为了实现“及时”的维护，应对机械

进行连续监测，对其状态进行诊断，并对故障时间进行预测。这些需求导致了三

种不同的元素的整合:状态监测，诊断和预测。

美国空军的飞机发动机的技术从1948年为B-52轰炸机研发的TF33系统到

为F-22研发的FA119系统开始飞速发展起来。由于航空发动机工作环境的复杂

性导致发动机的维护和后勤工作异常艰巨，为了便于维护美国空军研制了发动机

综合趋势和诊断系统(ComprehensiveEngineTrendingandDiagnosticSystem

CETADS)。该系统可以预测即将发生的故障，并根据预测数据判断故障类型，

其涡轮发动机健康管理研究是VAATE智能引擎项目的延续。

直升机健康管理系统(HealthandUsageMonitoringSystem，HUMS)被用来解

决军方直升机在适航时候的故障诊断问题，随着第一台带有HUMS系统的直升

机在英国试飞，该系统己经被广泛应用于军方系统。从全球格局来看，美国是第

一个开始进行航空发动机故障研究的国家，1976年美国宇航局开始着手成立的

美国机械故障预防小组就是为了进行故障诊断技术的相关研究。

至今，以各种不同技术为基础的发动机状态监控与故障诊断系统大致可以分

为两类：一类为监视发动机健康状况的有限监控系统，如惠普公司研发的ECMII

和通用公司研发的ADEPT系统;另一类为可以准确诊断隔离故障的扩展的监控

系统，能够诊断和分析发动机性能的衰退趋势，例如惠普公司的TEAMIII系统、

通用公司的GEM系统。美国由于在故障诊断系统领域开始研究的早，其故障诊

断技术不但在航空发动机领域，并且在航天、核能等顶尖技术领域都处于领头羊

地位。

在航空发展和制造环境中，许多复杂的机械或电子系统被集成到一个飞行器

中，波音和空客这类公司正承担了集成的作用。许多承包商提供子系统，这些子

系统和组件特别是航空电子设备可以嵌入自己的基本诊断功能。如果每个子系统

供应商提供与其诊断系统专用的数据接口和算法诊断系统，集成商必须使其兼容

于其他子系统。在1999年，波音公司研发了一个基于状态的维修开放系统(Open

SystemArchitectureforConditionBadMaintenance，OSACBM)OSACBM定义了

一个故障诊断系统所需要的组件以及组件之间的接口和协议。传感器模块用于收

集传感器测量数据、控制信息和其他类型的原始数据，有能力接受其他层的数据。

信号处理模块将采集到的原始数据从传感器模块转换成其他标准形式，例如利用

快速傅里叶变换频率域的信号来过滤噪声。状态监测模块接受输出值与期望值或

操作限制来做比较，判别系统状况。健康评估模块进行故障诊断，诊断系统状况

是否在恶化。一旦系统的健康状况恶化，健康评估模块就会报告单一或复合故障

情况。预测模块用于监测系统将来的健康状况，并给出预计故障的时间。决策支

持模块会根据预测结果生成相对应的操作建议。演示模块用于与用户层接口。前

五个模块是至关重要的，是后两个模块的基础。

英国对航空发动机故障诊断技术的研究仅次于美国，从60年代末开始英国

的机器维护中心在ott博士的领导下对航空发动机诊断系统等方面做

出了大量的努力，并取得了很好的效果。如现在应用广泛的罗罗公司的

COMPASS系统。

1.3研究内容与拟研究解决的关键问题

1.3.1研究内容

本文在研究地空数据链(ACARS和机载飞行数据记录设备(DFDR/QAR)中发

动机状态数据译码的基础上，围绕航空发动机故障智能诊与状态监控中若干关键

的问题展开研究：

（1）针对发动机的复杂性决定了故障诊断方法的多样性，为这些不同气路

参数设计相应译码算法，实现对存储设备二进制原始数据的工程转译。对于

ACARS数据帧结构，根据ARINC-620协议，设计用于描述具体参数的类库，然

后设计对应译码函数。

（2）针对样本数据参差不齐，对样本数据进行预处理和多源融合。气路参

数的预处理包括气路数据的平滑和时间配准。通过采用移动平均平滑法，提高数

据和样本可用性。并且进行多源参数处理时，采用的采样频率不一，多条路径得

到的观测数据与征兆数据不同步，采用三次样条插值方法进行帧数据重绘工作，

得到拟合输入点分布的插值样条。

（3）为了解决航空发动机在状态监测方面的问题，通过优化改进的极限学

习机(ExtremeLearningMachine,ELM)算法来对航空发动机故障诊断进行研究。

ELM是一个扩展的单隐层前馈神经网络，它具有计算逼近任意类型的隐藏节点

的能力，不需要调整网络的隐藏层。因此，在应用过程中可以大大缩短训练时间。

而且极限学习机不但能够得到最小的训练误差，另一方面还能够得到权值的最小

值，这意味着它与传统的神经网络相比可以得到更好的泛化性能。

1.3.2拟研究解决的关键问题

（1）针对发动机的复杂性决定了故障诊断方法的多样性，为这些不同气路

参数设计相应译码算法，实现对存储设备二进制原始数据的工程转译。对于

ACARS数据帧结构，根据ARINC-620协议，设计用于描述具体参数的类库，然

后设计对应译码函数。

（2）针对样本数据参差不齐，对样本数据进行预处理和多源融合。气路参

数的预处理包括气路数据的平滑和时间配准。通过采用移动平均平滑法，提高数

据和样本可用性。并且进行多源参数处理时，采用的采样频率不一，多条路径得到的观测数据与征兆数据不同步，采用三次样条插值方法进行帧数据重绘工作，

得到拟合输入点分布的插值样条。

（3）为了解决航空发动机在状态监测方面的问题，通过优化改进的极限学

习机(ExtremeLearningMachine,ELM)算法来对航空发动机故障诊断进行研究。

ELM是一个扩展的单隐层前馈神经网络，它具有计算逼近任意类型的隐藏节点

的能力，不需要调整网络的隐藏层。因此，在应用过程中可以大大缩短训练时间。

而且极限学习机不但能够得到最小的训练误差，另一方面还能够得到权值的最小

值，这意味着它与传统的神经网络相比可以得到更好的泛化性能。

1.4工作内容安排

第一章绪论介绍本文的研究背景及意义，整理了国内外研究与应用现状;最

后，介绍本文的内容和研究工作安排。

第二章动机气路参数处理及多源信息融合。本章首先针对发动机地空数据链

(ACARS)和机载飞行数据记录设备(QAR)数据帧格式不同，分别设计译码程序。

然后研究多源数据融合，通过从多方面获得诊断对象信息，实现对发动机进行更

准确、更可靠的诊断。

第三章极限学习机的理论基础知识。首先，介绍了极限学习机学习算法理论;

然后，建立极限学习机算法模型;接着介绍了遗传算法，以及如何用遗传算法来

优化极限学习机的网络结构。

第四章航空发动机气路故障诊断算法研究。首先介绍了气路故障诊断方法的

理论基础，再分别使用BP算法、SVM算法、ELM算法、GA-ELM算法对气路

单一故障、复合故障进行诊断研究，并对比四种模型的优劣。

第五章发动机轴承故障。提出使用云模型优化的极限学习机模型，可以用于

做基于信号的故障处理，并将模型用于发动机轴承故障诊断。

第六章总结和展望

1.5本章小结

本章介绍本文的研究背景及意义。然后总结了故障诊断技术国内外研究与应用现状；最后，介绍本文的目的和研究工作安排。

第二章基于733发动机气路参数处理

2.1引言

目前733发动机状态监控主要手段有三种：气路性能监控，机械性能监控，

和无损探伤。气路性能监控是指通过气路的参数来判断发动机的状态。常用的气

路参数主要有EGT（涡轮出口温度），EPR（出口压力和进口压力比），N1（低

压转子转速），N2（高压转子转速），FF（燃油流量）。机械性能监控主要分为滑

油监控和振动值监控两种。滑油监控主要是监控滑油温度，滑油压力，滑油耗量，

对磁堵上面收集到的金属碎屑作光谱分析。振动监控是对低压转子和高压转子的

振动值进行监控。无损探伤是近些年出现的技术，主要是利用发动机间隙对发动

机的机构进行检查。

目前气路故障诊断技术所面临的困难主要有一下几个方面：1.民航发动机测

量的参数不够多，所以说诊断结果不够准确。2.大部分故障表现出来的参数偏差

很相似，如果没有细微的数据就很难判断。3.参数因为有噪声和其他飞行因素的

影响，导致输出结果有偏差。4.发动机的非线性和复杂性。

基于上述原因，本文拟在下面几个方面进行研究。一是将机械性能监控和无

损探伤所收集到的故障状态转换成气路参数的表征。比如说，发动机遭遇鸟击，

鸟击是飞机落地后目视检查的结果，但是在空中遭遇鸟击的瞬间发动机气路参数

会有细微的变化，这就需要计算或者收集鸟击时的发动机气路数据，把故障模式

和气路参数相对应。二是运用当前的ACARS或者无线QAR系统进行实时的气

路参数收集并对数据归类和处理。对各种诊断知识进行融合，气路参数很容易受

到外界因素影响，发动机在使用过程中外界环境也是随机变化的，直接采用测量

到的气路参数无法准确的判断发动机状态。要把这些知识统一起来，这些知识才

具备可用的价值。

2.2基于飞行数据的飞机状态监控系统

飞机状态监控系统在广义上，被定义为飞机各个子系统当前的状态识别、故

障诊断和排故反馈。在实际民航运行过程中，主要是指飞机性能和发动机的监控，

其中，由于发动机是飞机运行过程中唯一动力来源，对其可靠性、维修性、适应

性和经济性的要求很高，实施有效、精确的故障定位、故障诊断是业界的研究热

点。目前，孔探、红外、金属屑分析、气路参数分析等手段成为常用方法。其中，

基于飞行参数的发动机气路参数分析方法，由于诊断过程不需要发动机下翼或试

车台实验，诊断响应快，精度较高，因此在众多发动机厂商、航空公司、维修机

构中得到广泛应用。而以ACMS为主的飞机状态监控系统作为气路参数的机载

采集系统，研究其系统架构和数据格式，解决气路故障诊断过程中现有译码软件

的二次开发不支持的难点，对于开展基于气路参数的实时诊断、趋势预测有着重

要意义。研究ACMS系统及其数据处理协议，是解决发动机诊故障断及趋势预

测过程中底层数据支撑问题的基础。

2.2.1基于ACARS的飞机监控架构

以ACMS为主的机载状态监控系统包括了数据采集(DFDAU}、数据处理、

数据管理(DMU)和数据分发和数据存储等模块，以实时方式收集机载数据总线数

据，对发动机所处状态和飞机性能进行监控。系统采集到的各种数据的应用主要

有三种：

（1）以固定数据帧结构的二进制数据形式存储在飞行数据记录器(DFDR)

和快速存取记录器(QAR)中，经航后转录、译码和供故障定位、诊断和排故用;

（2）借助驾驶舱打印机(PRT)、控制显示部件(CDU)，将发动机状态数据等

重要信息通过机载总线传送到驾驶舱终端的显示屏等媒介中，可以被机组成员实

时感知。

（3）经ACARS系统中的甚高频调制解调模块发送至地面RGS接收站，并

经过地面解析中心解译报文后送至航空器运营人，完成机组飞行员和地面工程师

之间的通讯和数据交互WnACMS系统的主要结构如图2-1其中，飞行数据采集

部件(DFDAU)是核心部件，多数DFDAU的中央处理器采用双核芯并行架构，核

芯1(CPU1)中的数据主要是驱动机载数据记录设备，作为其数据源，实现飞机执

行飞行任务全过程数据测采集，并在航后供工程分析人员开展航线维护、维修诊

断和不安全事件调查用。核芯2(CPU2)为ACMS的数据管理组件(DMUdate

managementunit)提供数据，主要用于飞机性能分析和发动机状态监控，其内容

和数据格式的模版由用户定义和更新，称为监控报告。ACMS核心外围设备包括

驾驶舱打印机(CPRT}、机载装填器(ADL)、飞机通讯寻址和报告系统(ACARS和

驾驶舱控制显示部件(CDU)等，地面工程师在设备维护过程中通过机载装填器，

设置ACMS的监控程序、阂值和参数，并自定义上行/下行报文指令，包括所需

监控对象的报文频率和参数。QAR则并行接收来自两个核芯的数据，内容包括

常规飞行数据和各种监控报告。较之DFDR中的记录的参数更为完备，QAR数

据最重要的应用是通过航后的转录、译码，获取工程值，开展发动机故障诊断、

发动机性能监控、飞行品质监控的工作。

图2-1机载ACMS监控系统

2.2.2机载数据采集原理及总线结构

针对QAR和ACARS数据的译码，实质是机载系统对飞行参数编码和存储

过程的逆向工程，因此了解数据采集、编码原理和存储帧结构，是实现飞行数据

译码的基础。飞机在执行飞行任务过程中，各个部件的传感器、机载测量装置等

一系列设备采集飞机状态数据，包括环境参数、飞控、航向、姿态、动力、客舱、

燃油等，类型主要为离散量、模拟量和数字量。现代飞机引入了数据总线，因此

所采集的各路数据在进入飞行数据采集部件(DFDAU)之前，通过下述步骤实现

数转模：各类机载传感器负责将表征飞机运行状态特征物理量信号变换为电量信

号，再经过机载电子系统的A/D转换后成为数字量信号，最终该数字量信号以

ARINC-429规范为标准，编码为固定结构数据帧的二进制数据。

机载设备对于信号的A/D转换分为线性和非线性两类，图2.2为线性变换的

A/D转换过程原理。但飞行操控中很多物理过程对应的传感器采集是非线性的，

例如测量舵面偏转角度传感器，该传感器类型为同步器式转轴传感器，在偏转过

程中由舵面通过曲线连杆机构带动，属于非线性测量过程，同时，该传感器的电

量输出线性正比于传感器偏转角度，可见，总的测量输出为非线性过程与线性过

程的叠加，显然偏转角与传感器输出电量值是非线性关系，整个过程A/D转换

的原理如图2-2所示。

图2-2线性飞行数据A/D变换

图2-3非线性飞行数据A/D变换

AR1NC-429规范定义了机载数据总线的数据结构，飞行参数在进入飞行数

据采集部件(DFDAU)之前，都要通过上述步骤转遵循协议规范的数据帧格式。

总线数据与ACARS数据链系统之间的数据交互遵循AR1NC-724规范，DFDAU

将所需数据编码为符合AR1NC-724规范的数据帧，由数据管理组件(DMU)控制

ACARS数据链报文的传输。总线数据与飞行数据记录系统(QAR,DFDR)之间

遵循ARINC-717规范，DFDAU根据该规范将实时采集的工程值编码为符合要

求的数据帧，作为飞行数据记录系统的输入数据源。飞行数据记录系统记录的飞

行参数具有很高的完备性，包括:三向加速度数据、航向姿态数据、惯导系统信

号、发动机气路参数数据、系统时钟数据等，其译码方法不尽相同。

2.3基于数据帧结构的QAR与ACARS解译算法设计

气路参数属于飞行参数的一部分，表征了飞机从滑出、起飞、爬升、巡航、

下降、进近到降落滑入全过程发动机气路性能的状态。在航后的QAR数据和实

时的ACARS报文中，气路参数均按照一定的帧结构封装成可存储或地空传输的

数据格式，分析航空公司现有的上述两种数据的应用平台，可知由于平台开发都

是由商业机构完成，虽然QAR和ACARS的原始数据都可以无误的转译成地面

可用的工程值，但数据的输出结构完全不同，所得数据无法匹配成发动机气路诊

断的征兆数据。研究基于帧结构的气路参数译码算法，目的在于探讨现有的QAR

译码平台和ACARS应用平台输出的发动机气路参数工程值的融合应用问题，实

现QAR和、ACARS这两种不同类型数据在发动机诊断应用过程中的一致性。

2.3.1数据报文的解析

依据民航业基准，一般用ARINC-717协议发送相应报文，本将在该协议的

基础上实现译码，这个协议是以帧结构（frame）将参数集成到一起。ARINC-717

数据格式把所有数据帧分配为4个副帧（subframe），这4个副帧内有多个字

（word）表示相应的信息，过去常使用64或128个字，但是目前为了能够提供

更多的信息，已经高中物理知识 逐渐开始使用256或512个字。每个字包括首位的最低有效位

（LSB，LeastSignificantBit）和末位的最高有效位（MSB，MostSignificantBit），

总共12个字位。数据每副帧/秒的速度记录到相应的帧结构中，为了保证每个副

帧可识别的唯一性，需要一个能指示该帧开端的信息，即第一个字的同步字。为

规范数据通讯使用的是Teledyne标准同步字。图3-1给出了规范的64字帧结构。

每帧4秒钟

1副帧1秒钟

2副帧1秒钟

3副帧1秒钟

4副帧1秒钟

1

每一副帧记录64个数据字

64

每一副帧的2-63个字为数据或离散字

每一副帧的第64个

字用以传送资料及内部输入校正数据

信号

1

二进制

1八进制

23456789101112

110

0

0

1001007

0

1

1

每一副帧的第一个字为该副帧同步字

副帧

读出十进制

1

10

7

1

2

34

标号（0）

583

1464

26313512

每一位数据字的第一

位是最低有效位，第

12位是最高有效位

5

83

图2-464字记录规范帧结构

具体采用哪种译码方法取决于具体的帧结构，本文要实现的译码就是对于不

同机型的数据帧结构采用不同的译码函数。在有大量的数据后，将每次的译码结

果打包成译码库，这样在进行数据解析时，就能根据需要调取对应的库，从而实

现数据转录、译码，得到相应的数值。为此，本文以ARINC-717协议的研究为

根据上，设计与不同气路参数对应的数据译码算法，从而将以二进制的原始数据

翻译成诊断应用的工程值。飞行参数通过离散量、数字量和模拟量将信息存储于

帧结构，对于不同类型的数据指示的信息也不同，就发动机参数来说，离散量用

以表示状态信息，如发动机关车、ECAMcaution等；数字量使用较多占整个飞

行参数总量的95%，主要用以表示发动机高风扇转速等；模拟量使用很少，主要

是加速度计、各飞控操作面、侧杆位置、油门位置、刹车脚蹬位置和压力。需每

种类型设计相应的译码算法，下面以A733型飞机的帧结构为例，给出该帧结构

的参数译码过程，数据帧为256字：

（1）离散量数据帧译码

离散量是用二进制中的二值逻辑表示某一状态的正反两种情况。一般会将常

用的状态表示制成参数手册，如733型参数“右发关车（RENGFAIL）”，依据

手册知道：该数字储存于这列所有字符中的首位，值“0”代表“NORMAL”，

即说明发动机无异常情况；值“1”代表“FAIL”，即表示这个时候发动机已经

关车。

（2）数字量数据帧译码

BCD、BNR为数字量参数数据的两种格式，BNR编码把数据直接储存。规

范编码如表，其中，第29位为符号位，BIT1指示负（或左、下），BIT0则指示

+（或右、上），第28位为MSB位。译码时将二进制到十进制进行转化，乘以

相关系数，便可得到工程值。即：工程值=比例系数*（原码值+偏置值）

表2-1ARINC-429数据BNR规范编码

32P

31

30

29……11

DataPad

10SDI

9

8……1LABLE

SSM

BCD编码是二进制的一种特殊形式，因为它通常是用4个二进制位表示一

个十进制数，也有用不足4位的组构，例如常用的60进制表示的数，采用2位

标识。对BCD编码来说，就是根据不同的位数分组，转译成相应的工程值。

ARINC-429BCD规范编码如表3-2。

表2-2ARINC-429数据BCD规范编码

323…23P

SSM

CHAR1

22…19

18…15CHAR4

14…11CHAR5

109SDI

81LABLE

CHAR2CHAR3

两种编码的区别在于，是否进行位数分组用以表示十进制数据。对于采用固

定格式的时间、日期等采用BCD编码很方便。以日期“月”为例，它储存于256

字的第四个副帧，第8-11位表示“月”的个位，第12位表示“月”的十位，则

10010表示为110+2=12，即12月份。要想使得同一参考系下的数据能够进行

一致性处理，必须保证时间译码的准确性，这样也能使得不同诊断方法数据的统

一性。

（2）模拟量数据帧译码

模拟量主要是用以指示电压、同步角等，主要是将数据和工程值之间的关系

记录下来。对于线性相关的参数来说，可以通过某种线性表达式进行工程值和输

入的额转变，如“垂直加速度”与“电压信号”的关系如下：

G

'

s3.3751.875Volts

（2.1）

而非线性关系参数，一般要通过比较复杂的关系式将输入量转换成工程值，

如“俯仰配平位置”与“同步角（S）”的关系如下：

工程值3.0055540.3447914S6.650687E4S

2

5.843118E6S

3

（2.2）

因此，通过分析我们知道对于模拟量译码就是找到输入量和与之对应的工程

值的关系，然后就可以用算法去实现。

2.3.2气路参数平滑处理

在故障诊断中单一诊断知识具有不确定性，对于发动机状态而言，很多因素

都可以导致其故障，这样用某一个参数来描述就不全面，不能真实地反映其性能。

只有对多个影响发动机状态的参数进行分析并对这一系列的参数进行建模，才可

以完善整个诊断系统，得到符合实情的发动机诊断。发动机气路参数的测量误差

对诊断的干扰也不可忽略，发动机故障诊断是依据各个传感器采集到的数据，这

是因为参数变化值很小，误差在相同数量级，在这种情况中，测量误差对输出的

准确性有很大的影响。还要综合考虑噪声和飞行状态对输出结果的影响。为提高

准确性，要先进行平滑处理，但要在减少误差的同时保证数据的有效性，再通过

信息融合技术，提高诊断的可靠性。

气路参数的平滑是为了减少测量误差，噪声以及飞行因素的影响。一般方法

有移动平均平滑法和指数平滑法。设测量是平稳随机序列。

y

k

x

k

e

k

这里

xk

（2.3）

是

k时刻的状态，

yk

是对应测量值，

ek

是测量噪声。那么，N点移

动平均平滑法和指数平滑法分别为：

k

x

y

k

y

k1





y

k



N1

N

（2.4）

（2.5）

k1







y

k

x

k1



x

这里



是平滑指数（0.1~0.3），

kx

是

x

K

估计值。

移动平均法不考虑权值的影响，把N个数据等同处理。事实上，越是最近

观测的数据值对真实值影响越大，反之则越小。指数平滑法满足这一需求，它以

最小化均方差（MSE）为目标，是非线性估计。从时间周期来看气路参数偏差值

趋势，长期上是线性的，而局部则是非线性的，指数平滑方法处理这部分非线性

数据很具有优势。虽然指数平滑算法效率高，但其不考虑期间斜率变化，使得可

靠性有所降低。为使模型更灵活，平滑结果很合理，本文考虑数据间的斜率变化

因素，提出基于权重分配的多参数类二次指数平滑模型。模型如下：

S

kn

1n



x

ki





kn





N1

i1

2

（2-6）

（2-7）

（2-8）

（2-9）

（2-10）

（2-11）

1

S

t





X

t





1





S

t



1

2

Delta

t

X

t

S

t



1

ST

t1



2



S

t



2



S

t



1

SK

t1





Delta

t



SK

t

SK

t1





Delta

t

12

S

t





s

t







1





S

t



在一个样本中，与其他点特征不同的点叫做离群点。离群点中可能会有一些

重要的信息，所以我们不能轻易忽略。航空发动机测量的气路参数偏差可以反映

测量部件或其他个体的故障可能性，这样的参数在该样本中就属于离群点，需要

特别关注。将气路参数偏差序列的N个数据按照时间先后顺序进行排列，可以

构成一个正态分布。根据

3



准则，对于第k个数据，若落在99.7%置信区间内，

就认为该突变点是由随机误差等因素产生。不在此区间的突变点就认为是发动机

故障状态的离群点，不进行平滑处理。当对数据进行平滑处理前，先判断该点是

否为离群点。前N个数据样本均值为：

1



kn

N

x

i1

n

ki

（2-12）

样本的标准方差为：

S

kn

1

n2

x







kikn

N1

i1

（2-13）

若序列中第k个数据在





kn

3S

kn

,



kn

3S

kn



，判定为非离群点数据，要对数

据进行平滑处理；若数据不在





kn

3S

kn

,



kn

3S

kn



内，则该数据为离群点，保留

原始数据不变。

2.3.3发动机气路参数解析实例

算法是以C++Builder开发环境为基础实现的。这里从某航空公司A733飞机

的QAR记录到的源数据和ACARSReport进行解析，原始数据如表。

表2-3某733型飞机某航段气路参数数据段

UTC时间

12:07:47

12:08:34

12:10:40

12:12:24

12:13:25

12:14:16

12:15:34

12:18:4012:20:24

EGT.1()

551

635

699

772

778

787

798

812825

FF.1(LBS/HR)

705

2355

6411

6169

6025

6076

6164

60116115

N1.1(%RPM)

21.072

62.041

72.552

77.264

89.224

92.995

102.021

107.522112.238

N1.2(%RPM)

21.50

61.963

72.240

74.986

88.540

91.244

101.563

104.630109.716

首先是QAR数据译码，先对快速存取记录器中初始数据进行转录，并把卡

内数据拷贝到计算机硬盘，根据不同机型的设计好的数据帧格式，调用与之对应

的函数公式；然后，依照飞行数据格式，选择气路参数种类，确定参数次序，并

将初始数据写进其中，运用相应的函数，得到相应的工程值；之后对数据进行平

滑处理，获取气路数据的数据段，如表2-3。可以看出，初始数据36335k，转录

后的数据49131k，消耗时间13秒，译码输出7325条，译码消耗时间20秒，误

差0.01%。

而对ACARS报文数据的分析，一般从数据链服务商得到的是封闭式的工程

数据包样的飞机数据报文，由于前期进行了译码，得到的是结构固定的工程值报

文，不能直接导入测评系统的矩阵化数据。本文利用厂家提供的小型ACARS测

试电脑(PATS)接收原始报文数据，进行译码算法，该平台由移动接收端和固定译

码端组成，硬件架构如图2-4和图2-5所示。

图2-4移动接收端

图2-5固定译码端

这里，高频收发机（IC-A24）作为PATS系统终端，使用飞机VHF通信来

实时接收传输过来的报文，同时对报文信号进行打包送到信号调制解调器端

（SDM-17A），利用RS-232口与ACARS测试系统的SDM-17A口进行ARINC618

格式的报文数据互联。内存设计有缓冲池，可储存临时数据。译码系统获取缓冲

池中原始报文数据，解析报文类型，调用相应的译码类库中所对应的类。便完成

了原始数据解析，并把得到工程值矩阵化和存储。如表2-4所示，给出了发动机

状态报（ENGCONReport）的解析译码输出，包括涡轮出口温度EGT(℃)、燃

油流量FF、风扇转速N1、核心机转速N2数值。

表2-4733发动机状态报文译码实例

UTC时间

12:07:47

12:08:34

12:10:40

12:12:24

12:13:25

12:14:1512:15:32

EGT.1()

551

635

698

772

778

787793

FF.1(LBS/HR)

705

2355

6411

6169

6025

60766045

N1.1(%RPM)

21.052

62.021

72.532

77.144

89.204

92.97597.304

N1.2(%RPM)

21.大一军训心得 50

62.963

74.240

79.986

89.840

94.24496.880

基准时间设定为报文时间，通过ACARS报文解析数据与快速存储记录器的

译码数据对比，便可以验证ACARS报文解析过程的正确性。通过比较得到，两

种方法的输出结果几乎没有差异，可见，ACARS报文译码分析方法能有效地对

原始报文数据进行处理，得到实时发动机气路参数值，为发动机故障诊断提供实

时数据源。

2.4多源信息融合研究

2.4.1多源数据可用性分析

在现有的诊断方法中，训练样本不光来源于QAR，ACARS收集到的数据，

还有其他途径得到的数据，如飞行记录本上记录的数据，维修记录里面的数据等

等。这里就出现了多源信息的问题，初始数据没用统一性，达不到建模要求。对

数据进行规范化处理就很必要，如图2-6所示，从而确保多信息源中数据表述的

一致性。

平滑处理多源数据

选择转换描述一致性

模型应用应用数据集

评估表示模式输出

知识

图2-6数据规范化图

上图中各子过程含义如下：

平滑处理过程：对各种来源的数据进行平滑处理，降低干扰因素。

数据转化过程：提取诊断所需的数据，并将其转化为需要的数据

模拟应用过程：在建模之后，分析新收集到的数据，获取发动机状态信息。

最后的评估：通过系统对输出的结果进行评估。

用于发动机故障诊断的信息源有：地空数据链（ACARS）系统，快速存取

记录器（QAR），飞行记录本，维修记录等。上面已经说明了QAR与ACARS

数据的收集以及数据的平滑算法。两种方式收集的信息存在很大的差别，QAR

收集数据的频率很高，可以收集到大量的数据，但是必须要等飞机飞行一段时间

后才能采集信息并进行译码；ACARS数据可以实时地进行传输，但在量上、数

据记录的频率都差于QAR。

此外，在飞行记录本上记录的数据以及卫星记录中的数据存在随意性，需要

用计算机语言重新描述转换，才能实现知识库数据的一致性。

多源信息的一致性是进行建模的基础。上述方法解决了不同知识来源的问

题。

2.4.2故障诊断研究中的多源信息融合问题

本文是先用航后发动机气路故障诊断知识建模，并通过发动机气路征兆数据

集驱动模型，要完成精确的故障诊断问题研究多源气路参数的融合应用问题；另

外，利用航后的发动机收集到的样本作为诊断方法也是多种方式与知识样本集合

而成的，因此，还要处理诊断知识样本的融合。如图3-5所示[28]，给出了发动

机诊断应用中的知识样本的融合框架。

预处理

单元体/发动机

诊断目标运行环境

发动机

气路状态传感器

观测数据集

数据层

融合

特征层

融合

决策层融合

诊断输出

图2-6故障知识样本融合框架

通过分析发动机故障诊断的方法，主要从两方面处理故障诊断知识信息融

合。一方面为决策层融合，主要工作为融合多种收集到的故障诊断知识，给出可

以充分展现民用航空发动机运行复杂状态的故障模式；另一方面是数据层融合，

主要工作为采集到多渠道数据，从而充分分析各个物理量，包括数据分级，系统

状态的判断，确定发动机故障模型，最后，给出故障的表征、故障的现象、故障

的后果和以及它们之间深层次的关系。

以模式识别为导向的诊断方法主要包括数据处理、模式识别和决策推理三个

层次。而根据数据融合I/O特征，可以细化成五类过程：信息输入/信息输出、

信息输入/特征输出、特征输入/特征输入、特征输入/决策输出和决策输入/决策

输出。本文用于故障诊断的研究主要为信息输入/信息输出、决策输入/决策输出

两种。

2.4.3气路数据时间配准

在得到多源气路参数进程中，由于差异化的数据帧采样频率，会出现不同步

问题。要想实现多源信息融合，需对数据同步处理。这样获取统一“时基”和一

致时间的过程，称为时间配准[29]。

多源数据只有以同一时间轴系为基准时，才可以进行信息融合，主要是实现

同一时间轴系的多源不同收集率数据重绘工作。本文利用三次样条插值方法[125]

实现数据帧重绘任务，主要过程是先找到一组中的控制点，然后在该控制点上进

行分段式的三次曲线描绘，获取拟合输入点分布的插值样条。原理如下：

设有

n1

个控制点，每个坐标如下：

P

k





x

k

,

y

k

,

z

k



k

0,1,2

n

（2.14）

一般采用下式拟合空间三次方程：

x



t



a

x

t

3

b

x

t

2

c

x

tdx



0t1



y



t



a

y

t

3

b

y

t

2

c

y

td

y

z



t



a

z

t

3

b

z

t

2

c

z

tdz

（2.15）

关于系数a,b,c,d取值，一般通过先找到每两个曲线的交点，然后在交点一

气路参数重绘时，鉴于在边界点空间位置上设定的控制点，这样其参数是固定的

的，那么，得到系数的主要部分便是合理的一阶导数值。在生成参数的各个离散

点，是核心机速度、涡轮出口温度温度和燃油流量等数据，在数据处理过程中以

高维数组进行保存。同时利用GPS时间数据确定时间轴上控制点位置。

p

0



p

k

p



1



p

k1

1



1t



p

k1

p

k1



21

p

'



1







1t



p

k2

p

k

2

p

'



0



（2.16）

至于切线，以连续4个控制点确定的每段样条曲线的终点位置为基准生成。

在用于生成样条曲线的4个点中，第1,4个点控制斜率，第2,3个点作为曲线段

端点。下面给出4个控制点的方法，这里假设

P



u



是控制点

p

k

和

p

k1

之间的三

次函数式如式（3-16）。

控制点

p

k

处斜率与弦

p

k1

p

k1

成正比，

p

k1

处斜率与弦

p

k

p

k2

成正比，而

t

可

以控制曲线与控制点间松紧程度，重绘曲线向量方程为：

P



u



u

3

u2



u1



a

k



b



1



k





c

k







d

k



（2.17）

P

'



u



3u2



2u1



a

k





b



10



k





c

k







d

k



（2.18）

这里，

u

是点

k

与点

k1

间相对偏移量，由

0u1

，便可代入边界条件得

到系数矩阵



a

k

,b

k

,c

k

,d

k

,



，求解矩阵方程为：

T



p

k



0



p



1



k

'

1









p

k



0



'





p

k1

3

解该方程得到：

001





a

k



b



111







k



010





c

k





210





d

k

（2.19）

1



p

k





a

k





221



b





3321



p





k1





k







c

k





0010



p

'

k







'



d

1000



p

k1





k



用多项式表示解结果：

（2.20）

p

k1



s2



u



32s



usup

k2



susu

3

2

3

p



u



p

k1



3u

3

2su

2

su



p

k



2s



u

3





s3



u

2

1







2





（2.21）

重绘过程时，以得到的数据集为控制点集，依据用以气路诊断的参数矩阵格

式存放数据。通过三次样条插值运算处理参数序列，来获取连续气路参数。利用

均方根误差（RMSE）评价算法性能。

RSME





OBSSIM

i

i

i1

n

2

n

（2.21）

其中，OBS为观测值，SIM为三次样条插值函数的拟合值，n为样本容量。

显然，要得到准确、有效的插值函数，就要求RMSE越小，遮掩估计值才能真

实地指示发动机运行状态和气路征兆。

本小节通过在同一时间轴参考系内进行不同采用率气路参数匹配，来处理同

时段内不同帧速率引起的参数时间不对准问题。关于气路参数空间对准，因在进

行译码时采用的是统一的单位，所以，不必考虑单位变换。

2.4.4发动机参数的数据层融合

x

1

x2

W

1

W2

∑

X

xN

WN

图2-7多路气路状态参数加权融合估计模型同

数据输入/数据输出融合主要是因为原始数据来源有实时、航后等多种，只

有对这些数据实现互相补充才能实现更好地实现故障诊断。依据时间基准方法，

先把快速记录存储器译码的数据、ACARS原始数据、SAGE诊断知识样本等投

入到同一时空参照系中，实现融合输入层数据一致性。

本文基于输出评价函数测量方差考虑权系数不同影响，实现多源气路参数数

据融合，即这里的自适应加权融合估计算法。设有输入参数为N路，如图3-6

所示，对个每个输入参数分配不同加权因子，通过动态自适应的方式找到使得总

均方误差最小的一组加权因子，得到最优输出。

22

，X

N

彼此独立，

,,



N

设

X

1

,X

2

，

方差分别为



1

2

,



2

，相应的加权因子分别





WX

，这里



W1

，这样

。那么，

X

为

W

1

,W

2

,,W

N

,

，无偏估计值为

X

ppp

p1

p1

NN

便可以得到估计值方差：

NNN



2

2

2





E



XX









W

p



XX

p







W

p

W

q



XX

p



XX

q





（3.23）





p1p1,q1pq

2





，X

N

相互独立，因此

E



因为

X

1

,X

2

，





XX

p



XX

q





0pq

，则

N



N

2

2



E





W

p



XX

p









W

p

2



2



p1



p12

（3.24）

由式（3-23）可知，总均方误差



2

是关于各加权因子的多元二次函数，必

有最小值，实际上就是在



W

p

1

的约束下，获取该二次函数极小值求。依照多

p1N

元函数求极值理论[30]，使得总均方误差最小的加权因子为：



2

N

1

W1







2



p1,2,



i1



i

p

,N

（2.22）

最小方误差为：



2min



N

1



1





2





i1



i

（2.23）

可见，噪声方差是使得总均方差变化的主要因素，在飞行过程中，出现噪声

是随机的。且发动机性能参数会发生缓慢变化，同时伴随的噪声也是如此。而且

飞机系统的改装升级、更换件、以及装配误差都会对噪声变化产生影响，这些因

素使得噪声方差出现实时不确定，下面进行深入研究。

由于各方面的原因使得，飞机在飞行时的噪声不满足各态历经性，为确保融

合精度，要对融合后的方差进行估计。本文通过小波变换减少信号缓变压制的影

响，并留有噪声从而计算噪声方差。一般而言，一个连续函数可以通过多项式进

行任意精度逼近，这样气路测量信号

x



t



的缓变部分

x

'



t



可通过M阶多项式表

示：

X

'



t



a

0

a

1

ta

m

t

m

（2.24）

设小波函数为





t





s,t



t



则有如下小波变换

1



t







s

s







（2.25）

W

X



s,





X



t







s,t



t



W

X

'



s,





W

n



s,





（2.26）

若





t



消失矩为

k



kM



，则

x



t



小波变换噪声成分为：

W

X



s,





W

n



s,





（2.27）

噪声估计值标准差如下：

1

Med



W

X



s,t

m





0.6745





（2.28）

因此，一把通过最近预定长度数据获取噪声方差，因其自适应性，便可计算

得到所需的一组加权因子，很好地解决了噪声不满足各态历经性的影响。为验证

两种融合算法的有效性，本文以733的气路数据为例，评估融合效果。对其全航

段飞行数据，主要对QAR译码数据、ACARS译码数据和DFDR数据表示的气

路参数进行验证。该过程中，取长度为2693的数据，以便覆盖整个飞行工程。

在融合之前先要实现时间配准，对ACARS报文进行三次样条曲线插值处理，结

果如图2-8所示。

DeltaFF

-5

-10

-15-20

2016-12-12

2016-12-16

DeltaFuelFlow(%)-CR-589978DeltaFuelFlow(%)-CR-573415

2017-01-09

2017-01-23

2017-02-06

2017-02-20

N2

97.5

95

92.5

90

87.585

2016-12-12

2016-12-16

2017-01-09

2017-01-23

2017-02-06

2017-02-20

CoreSpeed(%RPM).CR-569978CoreSpeed(%RPM).CR-573415

图2-8733飞机气路参数插值数据

实现时间配准后，计算气路参数方差，这里选用4阶消失矩的Daubechies

小波降低测量量缓变。假定用长度为L的数据，进行估计生牛排 的过程，即是采用宽

度为L的滑动窗口。一般而言，窗口宽度L越大，计算得到的方差就越稳定越

能实现精度评定。但是当L增大到一定程度后，使得计算复杂性很大，同时估

计方差与实际方差跟踪性精度也随之降低。所以，在确定数据长度时要很好地处

理好算法稳定性和方差跟踪能力的折中，进行综合考虑后，这里选用宽度为100

的滑动窗口，以EGT为例，由上文分析可知，多路数据源的融合效果取决于使

得均方差最小时的一组加权因子。同时我们知道要使融合效果好，就需要方差大

的信号尽可能取较小的加权因子，而方差小的就尽可能取较大的加权因子。依照

融合算法和约束条件，计算用于多源数据融合的ETG参数的加权因子如图3-8

所示。当计算出最优权值时，便确定了加权因子向量，从而便确定了EGT参数

的融合输入。如图2-9所示为某时序区域内气路参数的融合输出，这里通过加窗

和小波变换实现噪声的变化跟踪。

Zoom

1.0

D

e

l

t

a

N

1

.

%

(

C

R)

0.50

0.0

-0.50

01/01/17

01/06/1701/11/17

01/16/17DATE

01/21/1701/26/1701/31/17

图2-8ETG参数的各数据源融合权值

97.5

95

92.5

90

87.585

2016-12-12

2016-12-16

CoreSpeed(%RPM).CR-569978CoreSpeed(%RPM).CR-573415

2017-01-09

2017-01-23

2017-02-06

2017-02-20

图2-9某时序区域内气路参数的融合输出

依据输出结果，可以知道基于小波变换的自适应行加权融合算法具有很好的

跟踪效果，特别是对于经过平滑处理的信号。同时能很好地降低噪声不满足各态

历经性的影响，有效得到测量方差，实现较高精度的多数据源融合。本文的融合

算法的价值在于，对于各类气路参数，能有效降低因为收集噪声、纪录误差、译

码出错、数据重构误差等因素导致的数据误差，从而保证故障建模的精度和实时

诊断时气路征兆数据可用性，降低等量级噪声、数据误差给故障诊断识别的影响。

2.5故障诊断知识的决策层融合

由于大多航空公司的机队大、机型不一，在翼时间长，使得发动机故障模式

很复杂。一般可以通过气路参数诊断实现发动机故障诊断，但对于发动机的飞行

线路故障排除中，故障类型征兆量变化相似性很高，多种故障所导致的征兆量变

化很相似。但是利用具有相似性的气路征兆数据的故障辨识率和准确率较低，比

如高压涡轮效率下降和高压压气机效率下降导致的气路参数

N1

、

N2

、

EGT

和

EF

变化就很相似，它们线性相关系数[32]约为0.95。所以，有时用征兆数据

来进行故障诊断，准确率得不到保障。

为解决这类问题，研究了多种诊断专家知识，采用知识决策层融合[33]来处

理，使得具有不同故障模式的数据征兆突出，以便能很好地进行辨别，得到可信

度很高的故障诊断。决策输入/决策输出是决策层融合，利用已有局部决策实现

融合，以便使知识、过程表示精度更高。为此，本文实现一种可用于多种诊断决

策知识融合方案。如图3-10所示，给出了基于局部决策知识的全局决策的信息

传递图。

测量数据1

民

航

发

动机

测量数据2

测量数据n

诊

断

方

法库

知识库

局部决策知识1

局部决策知识2

局部决策知识n

决

策

层

融合

全局

决策知识

图2-10局部决策知识到全局决策知识的信息传递

实现很好融合的关键是处理好各个局部知识融合，在发动机故障诊断方面，

用到的诊断知识为：气路参数分析、振动监控、气动热力过程分析、滑油监视分

析等。通过局部诊断知识给出局部决策结果，采用线性规划法得到局部知识权值，

进行决策融合。为满足该需求，本文给出基于HWA算子的多属性决策融合算法：

先给出多属性决策算子HWA定义，设HWA：

R

n

R

：

HWA



,w



a

1

,a

2

,,a

n







w

j

b

j

j1n

这里，

w





w

1

,w

2

,



,w

n



为和HWA相关联的加权因子向量，

w

i





0,1

，

T

（2.29）

w

i1

n

i

1

；

b

j

为一组加权数据



n



1

a

1

,n



2

a

2

,



,n



n

a

n



里第j个最大元素，且









1

,



2

,



,



n



T

为数据



a

1

,a

2

,



,a

n



的加权向量，



i





0,1



1

i



n，



i1

m

i

1

n

为平衡因子。定义HWA为混加权平均算子，即为HWA算子。

，

利用HWA算子的具体融合工程如下：

步骤一：假定决策知识目标识别框架是

X





x

1

,x

2

,



,x

n



，

x

1

,x

2

,



,x

n

是

n

个

互相独立因素，可以指示

n

个不同模式识别目标。

U





u

1

,u

2

,



,u

n



显示目标属

性，

W





w

1

,w

2

,



,w

n



为属性权重向量，

w

i

0



i

1,2,,

m



，



w

i

1，

T

i1m

w

i

H

t

D





d

1

,d

2

,



,d

t



，对

，

H是已知的目标属性权重。对于有路的目标数据

应的权重向量是









1

,



2

,



,



t



，



k





0,1





k

1,2,,

t

，



k





k



a

ijA



k1

t

k

1。





k



k



k



k

aa

是模糊决策矩阵，

ijlij

，a

mij

，a

uij

为通过决策者给出的多路观

mn



测数据

d

k

D

，指定的

x

k

X

在属性

u

k

U

下的属性值。

步骤二：确定由决策者决定的风险态度



k

，一般以0.5为风险回避间风险追



k





k







a

ij

逐分界，但具体值由决策者决定。通过模糊决策矩阵

A



mn和三角模糊数

里对于左、右期望值集结的描述，获取期望决策矩阵

A



k



a

ij



k

a



a

R





1





a

L

1





1





a

l

a

m





a

u





2



mn

。这里，

（2.30）

步骤三：对期望决策矩阵

A



k



a

ij



k



mn

进行规范化处理，代价型属性为：



k

n



k

r

ij

a

ij

/



a

ij

i1



k

(2.31

利益型属性为：

rij



k

1

n



k





k



/



a

ij

a

ij

i1

(2.32)

从而确定规范化矩阵

R



k



r

ij



k



mn

步骤四：通过HWA算子把范化矩阵

R



k



r

ij



k



mn

集合为综合决策矩阵

R



r

ij



mn

，这里，

r

ij



HWA

W,



r

ij



1



,r

ij



2



,



,r

ij



t





i



1,2,



,m,j



1,2,



,n

W



w

1

,w

2,

,w

m



为和HWA算子对应的向量，









1

,



2,

T

T



，

,



t

为对应输入的

权重向量。

步骤五：结合R和权重向量W得到目标框架内元素综合属性，排序比较，

分析方案

x

j



j1,2,,n



的最优性，得到待决策知识的综合识别目标。

这里对某CFM56-5B发动机进行融合决策，给出诊断结果。根据飞机飞行

路线故障排除情况，发动机风扇效率、低压气机效率、低压气机流量出现错误故

障的可能性很高，为能正确识别这些故障，需分离出显著性很高的气路参数征兆

数据，充分实现多属性决策的融合概念。取待识别目标模式的框架

X



x

1

,x

2

,x

3



，对应属性集为

U



u

1

,u

2

,u

3

,u

4

,u

5

,u

6

,u

7



，这里1，2，4是代价

型属性，3，5，6，7是效益型属性，在进行决策识别过程中，一般先根据先验

知识得到属性权重向量

H



w

1

0.1,0.1w

2

0.2,0.2w

3

0.5,w

5

0.5,0.1w

6

0.4,0.1w

4

w

6

,w

6

w

7

w

3

,w

7

w

5



输入是

D



d

1

,d

2

,d

3



，对应加权因子向量是







0.2,0.45,0.35

。根据上述属性

T

和设置，决策端通过模糊三角数运算，实现待识别框架内各元素判决，获取如下

多属性模糊决策矩阵（表2-6~表2-8）。



1



表2-6决策端利用第一路数据给出的模糊决策矩阵A

u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

[2.3，4.0，4.3]

[6.0，6.2，6.8]

[0.5，0.6，1.2]

[2.0，2.6，4.2]

[0.4，0.4，0.8]

[8.6，8.8，9.6]

[0.2，0.3，0.7]

x

2

[1.4，2.0，2.7]

[4.1，4.0，4.2]

[0.5，0.4，0.7]

[4.8，6.0，6.7]

[0.3，0.5，0.6]

[6.5，7.0，7.4]

[0.3，0.3，0.6]

x

3

[2.9，2.7，4.4]

[2.8，4.1，4.7]

[0.3，0.4，0.7]

[4.2，4.8，6.7]

[0.5，0.6，0.7]

[8.4，8.7，9.1]

[0.5，0.6，1.1]



2



表2-7决策端利用第一路数据给出的模糊决策矩阵A

u

1

u

2

u

3

u

4

x

1

[2.5，4.2，4.4]

[6.2，6.4，7.1]

[0.7，0.8，1.5]

[2.4，4.0，4.4]

x

2

[1.5，2.1，2.7]

[4.4，4.7，4.5]

[0.5，0.6，0.8]

[6.0，6.4，7.3]

x

3

[2.7，4.5，4.6]

[4.2，4.4，4.8]

[0.3，0.5，0.7]

[4.0，6.0，6.7]

u5

u

6

u

7

[0.5，0.8，1.0]

[8.4，9.2，9.7]

[0.3，0.4，0.7]

[0.5，0.8，0.8]

[6.6，7.1，7.4]

[0.2，0.7，0.9]

[0.6，0.8，1.1]

[8.4，8.8，9.4]

[0.6，0.7，0.8]



3



表2-8决策端利用第一路数据给出的模糊决策矩阵A

u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

[2.6，4.0，4.8]

[4.2，6.2，6.7]

[0.6，0.7，1.1]

[2.2，2.6，4.2]

[0.3，0.4，0.7]

[9.2，9.3，9.7]

[0.3，0.6，1.0]

x

2

[1.3，2.0，2.5]

[4.4，4.7，4.6]

[0.2，0.3，0.6]

[6.5，7.1，7.5]

[0.2，0.5，0.6]

[7.3，7.7，8.5]

[0.5，0.7，0.8]

x

3

[2.8，4.5，6.6]

[4.7，4.7，4.6]

[0.5，0.6，0.7]

[6.0，6.4，7.3]

[0.4，0.6，0.8]

[8.2，8.7，9.4]

[0.6，0.8，1.2]

决策端依照三种目标模式特性，给定风险态度指标相应是



1

0.745，



2

0.785

，



3

0.765

，得到通过转化的期望决策矩阵，如表2-9-表2-11：

表2-9期望决策矩阵

A



1



u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

4.4105

6.4135

0.8262

2.7625

0.4645

9.1370.4517

x

2

2.2198

4.4752

0.5145

6.3253

0.6018

7.12070.4018

x

3

2.8233

4.2498

0.389

6.0742

0.7145

8.70080.789

表2-10期望决策矩阵

A



2



u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

4.6073

6.6847

1.0755

4.0825

0.8363

9.30020.518土地转让协议书 5

x

2

2.361

4.9717

0.7577

6.7217

0.7577

7.2540.6362

x

3

4.8773

4.414

0.667

6.2572

0.9862

9.08250.8185

表2-11期望决策矩阵

A



3



u

1

u

2

u

3

u

4

x

1

4.349

6.3637

0.87482.8725

x

2

2.219

4.119

0.5137.1725

x

3

4.2135

4.1308

0.71656.7873

u5

u

6

u

7

0.413

9.5312

0.6078

0.4165

8.069

0.8048

0.743

9.0190.943

规范化期望决策矩阵

A



k



，得到规范化决策矩阵

R



k



如表2-11-表2-13所示：

表2-11规范化所得决策矩阵

R



1



u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

0.3397

0.2306

0.0756

0.4087

0.0425

0.82770.0413

x

2

0.533

0.2775

0.0616

0.1884

0.0717

0.81120.046

x

3

0.3853

0.3657

0.0365

0.239

0.0671

0.81820.0651

表2-12规范化所得决策矩阵

R



2



u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

0.3446

0.2353

0.0822

0.4101

0.0819

0.7810.0549

x

2

0.546

0.2601

0.0812

0.1926

0.0812

0.7680.0683

x

3

0.3502

0.3776

0.0567

0.271

0.0860

0.78550.0715

表2-13规范化所得决策矩阵

R



3



u

1

u

2

u

3

u

4

u

5

u

6

u

7

x

1

0.3553

0.2447

0.0767

0.42

0.0363

0.8360.0542

x

2

0.5757

0.2475

0.0523

0.1758

0.0425

0.82110.0821

T

x

3

0.3585

0.3663

0.0625

0.2762

0.0668

0.78840.0843

通过HWA算子，

w



0.2328,0.5341,0.2328



，生成复合决策矩阵R，如表

2-14所示：

表2-14复合决策矩阵

R

u

1

u

2

x

1

0.35490.2428

x

2

0.55350.2583

x

3

0.36390.3687

u3

u

4

u

5

u

6

u

7

0.0837

0.4013

0.0577

0.8122

0.0465

0.0685

0.1872

0.08

0.7936

0.066

0.0529

0.2664

0.0773

0.79370.0762

依照三角模糊数描述，利用

R

和权重向量W建立规划模型，实施故障模式

诊断，解该模型得到

W



0,0.172,0.202,0.405,0.12,0.12,0



，故障模式综合属性

值

F

x1

0.3179

，

F

x2

0.2299

，

F

x3

0.2784

，便可分析出最优决策识别目标为

F1，很准确地反映了实际故障情况。因此，通过多种诊断决策知识，能提高故障

诊断精确度，填补单信息源气路故障诊断的不足，得到更加合理的诊断结果。

2.6本章小结

本章首先针对发动机地空数据链（ACARS）和机载飞行数据记录设备（QAR）

数据帧格式不同，分别设计译码程序。然后研究多源数据融合，通过从多方面获

得诊断对象信息，实现对发动机进行更准确、更可靠的诊断。主要从数据层融合

和决策层融合提高诊断精度，设计了一种自适应加权融合估计算法，采用测量方

差作为融合输出评价函数，并进行了多源气路参数融合。