一种用于航空发动机性能诊断的新型分布式负载方法：双向发动机不对称性监测技术

《Aerospace Science and Technology》：A Novel Distributed Load Approach for Aeroengine Performance Diagnosis: Bilateral Engine Asymmetry Monitoring (BEAM)

　　埃尼斯·T·图尔古特
土耳其埃斯基谢希尔，埃斯基谢希尔技术大学，航空与航天学院，飞机结构与动力装置系

摘要
排气温度是反映发动机状态的关键热力学指标。不过，当其与燃油流量一同分析时，其诊断价值会更加显著。这两个参数之间的动态关系反映了与发动机健康状况相关的热平衡状况。在双引擎配置中，即便在相同的环境条件下，气体流动路径中的细微差异也会改变排气温度与燃油流量的关系，从而导致能量转换效率出现可测量的不对称性。由于两台发动机处于相同环境中，它们之间的差异为比较热力学性能提供了可控的评估框架，且不存在飞行间的差异影响。本研究以这一框架作为数字实验室，提出了一种基于快速访问记录器数据的多元监测方法，该方法适用于非平稳时间序列，可从宏观到微观三个层面进行数据解析。作为一种将静态原理应用于动态运行环境的新方法，研究还开发了新的BEAM方法，即将快速访问记录器参数视为分布式载荷问题，类比为在热载荷作用下的虚拟N1梁。由此衍生出了四种新的热能通量指标：质心偏移量、热惯性差值、燃油不对称度以及载荷不对称指数。对整个机队进行的分析显示，79.8%的航班中右侧发动机的热质心位置较高；而在这些航班中，存在明显右侧发动机热机械偏差特征的航班占比达到了68%。这一现象很可能是由飞机的非对称子系统结构所致，而非单纯因为发动机老化。不过这一结论仍属于基于物理原理的假设，因为辅助载荷无法从快速访问记录器数据中分离出来。那些质心偏向更高转速区域的发动机，其热惯性较低（皮尔逊相关系数≤?0.70，p＜0.001）。更为关键的是，运行不稳定性而非质心偏移才是导致燃油效率低下的原因，ΔI与燃油不对称度之间存在很强的正相关性（相关系数高达0.786）。这种分离表明质心偏移与燃油消耗的差异并无直接关联。总体而言，BEAM方法作为一种通过双向发动机监测来检测性能退化的机队级诊断框架，具有很大的应用潜力。此外，研究还确定了一个经验性的稳定性阈值（|ΔI|≈0.25×1011），超过该阈值后，两台发动机之间的燃油消耗差异会变得极为显著（最高可达50千克/小时）。

引言
在发动机故障发生之前预判其可能性的能力，对于飞行安全、维护计划以及高效资源管理而言至关重要。传统的监测系统大多基于阈值超限原则运作，只有当某个参数超出预设限度时才会触发警报。这种方法存在若干根本性局限。首先，各项参数通常被单独监测，因此无法了解它们之间的相互作用，这就可能导致由多种因素共同作用引发的复杂故障被忽视[1][2]。其次，这类方法一般无法反映参数距离极限的程度，也无法在超限发生之前提供有用的信息[3]。一旦超过阈值，发动机就已经处于临界状态，从异常出现到超限发生的这段诊断窗口实际上已经丧失。此外，这类静态参考框架隐含地假定发动机的基线性能不会随时间发生变化。然而，随着发动机部件的老化，运行参数的统计分布会逐渐发生变化，这意味着为正常状态下的发动机设定的固定阈值，在用于检测已老化的发动机故障时可能会变得越来越不可靠[4][5]。第三，预设的阈值只能捕捉那些已经被观察到并纳入系统中的故障模式，而那些超出已知范围的故障情况，包括参数行为的新组合，由于设计上的限制无法被检测到，从而遗漏了潜在风险[6][7]。正因如此，识别故障的前兆模式在异常检测中尤为重要。

然而，确定哪种参数行为属于故障前兆仍然是一个复杂的问题，主要是因为每次飞行的运行条件都有很大差异。为应对这一问题，学术界提出了多种时间序列分析方法、机器学习模型以及深度学习架构。但这些方法大多存在自身的方法论限制：有些方法的性能会随着数据维度的增加而下降，有些仅能分析较短的时间窗口，还有一些由于属于黑箱模型，无法为其输出结果提供基于物理原理的解释。近期出现的领域自适应框架，如艾哈迈德等人提出的基于扰动的ANN-BiGRU方法[8]，通过对抗策略使源数据和目标数据的特征分布保持一致，从而提升了跨领域的诊断性能。尽管这类方法能够实现较高的分类精度，但它们本质上依赖于带有标签的源领域数据，且属于黑箱分类器，因此难以从物理层面解释所检测到的故障在发动机运行状态中的具体位置和性质。

除了算法层面的限制之外，另一个更根本的挑战在于如何建立可靠的参考标准或真实值，以便对各种异常情况进行评估，因为每次飞行都面临着独特的运行条件。在这方面，一种常见的方法是利用同一架飞机上的两台发动机相互比较，以此作为参考。不过，学术界针对这种方法的研究成果层次不一，应用目的也各不相同。以下部分将从方法论的角度对这些研究进行综述。

在现有文献中，人们既采用了直接方法，也使用了间接方法来分析发动机间的快速访问记录器数据。在一些有限的研究中，人们会直接比较左右两侧发动机的测量数据，以量化其中的不对称性。而在其他研究中，发动机间的信息则通过基于模型的输入、特征构建或数据降维等方法以较为隐含的方式被纳入分析。从方法论的角度来看，这些方法可分为三大类。

有一类研究将每台发动机视为独立的系统，致力于分别为每台发动机建立独立的性能模型。在这种方法中，每台发动机的传感器数据会与其历史数据或理想的热力学模型进行对比。例如，李等人[9]使用慢特征分析方法，分别分析了B737飞机左右两侧发动机的相关参数，包括排气温度、N1参数以及燃油流量，并研究了每台发动机的数据变化规律。类似地，刘等人[10]则利用前馈神经网络来建模发动机动态，他们以四引擎飞机上的一台参考发动机的数据作为训练样本，进而预测了四台不同使用年限的发动机的性能参数，并分别计算了每台发动机的偏差百分比。

恩克尔曼等人[11]在比较物理模型与机器学习方法的研究中，分别分析了每台发动机的燃油流量偏差，以观察发动机大修后的影响。不过，这些分析并未将另一台发动机在相同飞行条件下的数据作为直接的不对称性指标，而是着眼于每台发动机与其基于理论值或机器学习模型构建的理想模型之间的差距。例如，张和徐[12]在利用粒子群优化算法和人工神经网络进行燃油消耗建模时，也将左右两侧的燃油流量视为输出层中的两个独立目标变量，并分别报告了每台发动机的误差率。

还有些研究将发动机数据视为整体飞行状态向量的一部分。崔等人[13]在利用马尔可夫转移场和多层长短期记忆网络检测气体流动异常时，虽然使用了左右两侧发动机的数据作为模型输入，但他们将这些数据视为多维时间序列向量，通过预测误差来识别异常，而非直接对比两侧数据。李等人[6]以及奥林和巴里[14]则分别采用高斯混合模型和局部异常概率算法来检测飞行数据中的异常值。尽管这些研究也将左右两侧发动机的数据纳入特征空间，但其分析重点仍是整体的飞行轨迹。

另一组研究则强调了同一架飞机上不同发动机之间数据的高度相关性。不过，这些研究通常将这种相关性作为数据集降维或模型简化的工具，而非用于故障诊断。例如，潘等人[15][16]在研究航空发动机运行可靠性时发现，左右两侧发动机的相关参数，如T3、N1和排气温度等，之间的皮尔逊相关系数超过了0.98。基于这种高度相似性，他们决定通过特征选择仅使用一台发动机的数据，以避免模型训练中的冗余。在他们开发的SAFE框架中，李等人[17]最初将左右两侧发动机的燃油流量等参数视为独立输入，用于分析着陆距离等安全事件。但在降维阶段，他们只保留那些相关系数超过0.99的参数组中的一个代表值，其余的则被舍弃。罗等人[18]也采用了类似的数据聚合方法，在巡航阶段的燃油流量建模中，他们用左右两侧发动机数值的算术平均值作为目标变量，从而将双引擎结构简化为单一的虚拟性能输出。虽然这些方法在各自的研究范畴内以及用于分析整体飞行趋势时具有很高的实用价值，但它们所体现出的高相关性也为未来的故障诊断研究带来了巨大潜力。如果将高相关性视为数据冗余并加以消除或平均，那么那些隐藏在相关性差异中的细微异常信息就有可能被忽视。尤其是平均处理方法，还可能掩盖某台发动机性能不佳的情况，而被另一台发动机的高性能所掩盖。

最后一类研究的理论基础可以这样阐述：两台发动机处于相同的大气环境、相同的飞行指令以及相同的环境噪声之下。因此，与其构建复杂的理论模型，不如将其中一台发动机作为另一台发动机的实时仿真模型或物理模型，这样可以有效排除外部干扰，便于异常检测。在这些研究中，“姊妹发动机”或“发动机间比较”等概念被作为主要研究焦点，其重要性甚至高于其他同类研究。因此，发动机之间的差异（即残差）可直接转化为健康状况的指标。例如，雅各布斯等人[19]专门研究了发动机间的差异，认为姊妹发动机彼此之间可以充当物理模型，同时能够自动过滤掉外部干扰。他们开发了一种名为“专家混合模型”的概率机器学习框架，该框架能够识别并去除可解释的变异，比如因部件老化而产生的不同程度的预期性能衰退，从而分离出无法测量的干扰因素和异常行为。通过这种方法，即使是在传统检测方法下无法察觉的微小异常，比如P30参数（即压缩机出口压力）和N2参数（即高压轴转速）的异常，也能在参照姊妹发动机的情况下被检测出来。同样，苗等人[20]在研究连续适航性管理系统时，也将双发动机差异监测作为核心技术，并指出两台发动机同时出现相同故障的概率在统计学上极低。基于这一观点，他们认为在正常运行条件下，发动机参数之间的差异，如ΔEGT，应当保持稳定。

有一些研究基于这样的假设：在正常运行条件下几乎完全相同的发动机行为，在出现异常状态时，如果通过比较发动机间的差异而非原始测量数据，就能显示出更为明显的差异特征。因此，这些研究计算了左右两侧发动机传感器数据之间的差异，并分析了由此产生的残差向量。例如，恒[21]指出，在巡航阶段，发动机间差异的稳定性比其绝对数值更具参考价值。他将ΔEGT、ΔN1和ΔFF等参数输入支持向量机分类器，用以检测故障。罗和中[22]则将类似的逻辑应用于深度学习架构，他们采用了堆叠去噪自编码器模型。在该研究中，模型输入为由15个性能参数的左右差异构成的高维向量，这些参数包括EGT和燃油流量。在发动机健康监测领域，也有研究间接利用发动机左右两侧的数据进行对比分析。Chang[23]研究了四引擎飞机的EGT偏差问题，但他们没有参照另一台发动机来计算这些偏差，而是采用了基于模糊逻辑的虚拟性能模型。在该框架下，只能通过后续分析阶段比较每台发动机相对于模型的残差值来推断发动机之间的不对称性。在进一步的研究中，Chang和Tan[24]提出使用灵敏度导数，即?EGT/?N1，来比较双引擎飞机的发动机效率。通过分析这些导数，作者表明其中一台发动机需要以更高的转速运转才能产生与另一台相同的推力。这种以一台发动机作为另一台发动机物理参考的原则并不仅限于涡轮动力平台。Miljkovi?[25]将类似的发动机间比较逻辑应用于活塞引擎双引擎飞机。他们指出，两台发动机在结构上完全相同且同步运转，因此在正常情况下，包括EGT、气缸盖温度、机油温度以及燃油流量在内的各项监测参数应几乎一致。与Miao等人[20]的推理一致，该作者明确表示，两台发动机同时出现相同故障的概率在统计上极低。该方法并非仅依赖固定阈值警报——这类警报为涵盖所有飞行阶段必须设置得足够保守，因而难以察觉细微的性能下降——而是根据健康发动机运行数据统计得出的接受区间，来评估发动机左右两侧的相对差异指标。一旦检测到不对称性，还会将每台发动机的标准化参数向量与代表不同工作状态的原型模式进行对比，从而确定更可能引发异常的发动机。因此，这项研究可视为将“姊妹发动机”原理应用于通用航空活塞引擎平台的早期典型案例。

对现有文献的全面分析表明，尽管人们普遍认可发动机间比较的诊断价值，但现有方法在数据处理方式上存在根本性的方法论局限。首先，大多数研究主要依赖于单变量分析。研究人员通常只关注某一参数的差异，如EGT、燃油流量或振动方面的差异，以此来判断是否存在不对称性。即便那些采用多变量技术的研究，也往往不会将这些参数整合到一个基于物理原理的模型中。相反，每个参数的左右差异都是单独计算的，然后作为特征向量的元素输入到机器学习算法中。在这种框架下，参数之间的热力学相互作用——例如，作为输入的燃油与作为输出的产生相同推力所需温度响应之间的能量转换关系——并未在统一的物理背景下得到分析。由于没有对参数进行物理层面的整合，因此无法以整体方式解决发动机能量转换效率方面的不对称性问题。其次，也是更为关键的一点，现有的差异监测方法通常将偏差的大小视为超出某个标量阈值的程度，或是时间序列上的均方根误差等均值误差指标。这些方法可能忽视了与偏差发生的具体工作状态相关的空间信息，无论是在怠速、巡航还是起飞阶段。从热力学角度来看，低功率状态下的偏差与高功率状态下的偏差对发动机高温部件的损伤影响程度截然不同，但在传统指标中二者对误差值的贡献是相同的。据目前所知，现有文献中尚无基于物理原理的方法能够根据发动机转速对偏差程度进行加权，也不存在针对不同发动机型号的专项分析方法。

本研究提出的双引擎不对称性监测（BEAM）方法正是为弥补这些缺陷而设计的，它通过两项核心创新为发动机健康监测提供了具有情境敏感性的评估指标。首先，与仅分析单个参数的不同，本研究将燃油流量（即能量输入）和EGT（即热响应）结合为一个综合参数，即热负荷，用Φ表示。这样一来，发动机间的不对称性就不只是通过温度或燃油流量的差异来评估，而是通过一个反映发动机所承受的总热负荷及其能量转换特性的多变量物理指标来进行判断。其次，该方法引入了基于机械原理的分布式载荷建模理念。综合热负荷被建模为随发动机转速N1变化的分布式载荷。在结构力学中，作用在梁上的分布式载荷可以通过其面积一阶矩来确定一个等效合力，该合力作用在载荷分布的质心位置；而面积二阶矩则用于描述载荷分布围绕该质心的离散程度，从而体现载荷分布对旋转或重新分配的抵抗能力。借助结构力学原理，该方法既可以计算载荷分布的热质心，也能确定其热惯性。通过这种建模方式，BEAM方法根据短力臂原理，对低转速状态下的运行偏差赋予较低的权重，而对于对发动机健康更为关键的 High转速状态下的不对称性，则具有更高的敏感度。这一特性使得该方法区别于现有文献中的统计差异监测方法，能够让发动机不对称性问题以物理问题的形式得到分析。

从另一个角度来看，该方法还衔接了基于定量加速响应的航空航天研究领域的多个研究方向。一方面，发动机健康与诊断研究在组件级退化建模及可靠性评估方面取得了显著进展[26][27][28][29]；另一方面，飞行性能与运行研究则为燃油流量建模、轨迹分析以及操作流程优化提供了宝贵的理论框架[30][31][32][33][34]。然而，这两个研究领域之间的融合至今仍大多未被探索。鉴于上述存在的不足与潜在贡献，本研究的目标可概括为以下几点：1.探讨双引擎的热机械行为是否可作为量化发动机间不对称性的基础，从而消除不同飞行任务之间的外部干扰因素；2.研究将N1从时间域转换为转速域后，是否能够实现发动机燃油消耗量及其对应的EGT响应在飞行工作状态空间中的精准定位；3.评估是否可以利用力学原理来诊断航空发动机性能的变化，并对高功率状态下的偏差给予更高的诊断权重；4.判断所提出的方法是否能够检测出左右引擎之间存在的全机范围的系统性偏差，以及这些不对称性指标是否与燃油消耗量的差异有关；5.在多个不同的诊断层面对该方法进行验证，必要时还需分析季节性（夏季/冬季）运行条件带来的差异。

**数据集描述与预处理**
本研究使用了某家运营单引擎B737-800机型的航空公司所记录的3,732次航班的快速访问记录器数据。该数据集包含约2400万行高分辨率时间序列数据，记录了飞机左引擎（1）和右引擎（2）的实时参数，数据更新频率为1赫兹。这些数据被整合为parquet格式，所有的分析工作都是在Python环境中完成的。在需要时，还会使用Seaborn库来生成图表。

**结果与讨论**
与传统方法不同，本研究的分析范围并不局限于发动机运行最为稳定的巡航阶段——在这一阶段，发动机的热应力与机械应力相对较低，相关信号也表现出稳态特性。仅分析这一阶段可能会掩盖那些对发动机健康至关重要的潜在不对称性，而这些不对称性往往只有在高功率运行状态或瞬态工况下才会显现出来。因此，为了充分展现BEAM方法的诊断潜力，本研究……

**结论**
本研究通过将结构力学中的分布式载荷概念应用于航空发动机热负荷分析，开发出一种全新的基于物理原理的分析方法。该框架能够对EGT、燃油流量以及转速N1这些作为发动机性能与健康状况关键指标的非稳态参数进行多变量分析。该方法的一个核心优势在于，它能够在相同工作条件下运行的左右引擎之间开展双向监测……

**手稿准备过程中的人工智能辅助技术声明**
在撰写本文的过程中，作者使用了Google AI Studio、Gemini、Claude以及Genspark等工具，用于编写Python代码、将手稿翻译成英文，以及提升文本的语言表达质量和可读性。在使用这些工具之后，作者对所有内容进行了仔细且全面的审核与修改，并对最终发表文章的内容负全责。

**CRediT作者贡献说明**
Enis T. Turgut：撰写——初稿撰写、可视化分析、结果验证、研究指导、软件开发、方法设计、实验研究、正式分析、数据整理、概念构建。

**利益冲突声明**
作者声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。