编辑推荐：
本研究解决了用于诊断目的的航空发动机上传感器鲁棒选择及其实际位置的问题。研究人员的目的是从压力和温度传感器的读数推断发动机部件的健康状态。该方法基于模型，其开发通过直接应用于GE CF6-80×101航空发动机进行了说明。该研究的创新之处在于其方法论，即使用高
本研究解决了用于诊断目的的航空发动机上传感器鲁棒选择及其实际位置的问题。研究人员的目的是从压力和温度传感器的读数推断发动机部件的健康状态。该方法基于模型，其开发通过直接应用于GE CF6-80×101航空发动机进行了说明。该研究的创新之处在于其方法论，即使用高保真航空发动机模型和张量代数公式（而非基于人工智能的方法）来解决逆诊断问题。通过Proosis软件建立的基线航空发动机模型有9个输入（8个健康参数加1个控制参数）和11个输出（热力学循环传感器读数）。该模型用于生成张量形式的发动机数据库以及作为诊断算法输入的代理模型。所提出的方法能够识别单独关键的传感器，以及可以移除单个传感器而不影响诊断精度的传感器子集。另一个结果是，如果选择了合适的传感器，多点诊断可用于传感器数量少于健康参数的情况。总体结论是，所提出的方法可用于通用航空发动机，尽管在本研究中是通过对特定航空发动机的应用来说明。
**论文解读：基于模型的航空发动机诊断中鲁棒传感器选择研究**
**1. 研究背景与问题**
航空发动机的预测性维护是研发热点，涉及复杂数学模型的直接与逆问题求解，且对航空运营安全与经济效益有重大影响。传感器选择与布局是诊断的关键，因为信息数量与质量直接影响算法性能。然而，现有文献对传感器选择问题研究不足：多数方法基于“已设计”的系统（传感器已固定），而非探讨传感器布局本身；且仅有的少数研究（如Liu等）针对特定故障模式或有限传感器数量，未考虑同时多部件退化的一般情况。此外，简单敏感性分析或线性化方法无法捕捉传感器子集间的复杂交互信息。因此，本研究旨在开发一种系统方法，以确定能够鲁棒且准确诊断航空发动机健康状态的最小传感器集合及其关键性分组。
**2. 研究内容与结论**
研究人员以GE CF6-80E1航空发动机为案例，采用高保真Proosis模型（包含893个非线性方程，涵盖部件图谱、真实气体性质、引气与叶片冷却、雷诺数效应等）生成张量形式数据库，并基于高阶奇异值分解（HOSVD）构建代理模型，以加速逆问题求解。诊断算法采用梯度法优化器（内点法）最小化测量输出与代理模型预测输出之间的欧几里得范数。通过分层分析（从11个传感器逐步移除），识别出三类传感器：①必须保留的临界传感器（P13t、P45t、T5t、NL）；②成组关键传感器（P3t与T3t不能同时移除；T45t、NH、Wf中最多移除一个）；③可移除的非关键传感器（P25t、T25t）。此外，在传感器数量少于健康参数（欠定情况）下，采用多点诊断（三个不同工况快照）可恢复诊断精度。研究还发现，数据库密度存在最优折中：中等密度数据库（约459,000点）在精度与计算成本间表现最佳，高密度数据库（3,520,000点）虽计算成本增加10倍但精度提升有限。该研究发表于《Aerospace》。
**3. 主要技术方法**
- **高保真航空发动机建模**：使用Proosis软件构建GE CF6-80E1双转子无齿轮混排涡扇发动机模型，包含9个输入（8个健康参数：η
fan, Γ
fan, η
LPC, Γ
LPC, η
HPT, Γ
HPT, η
LPT, Γ
LPT；1个控制参数T4t）和11个输出（传感器读数：P13t, P25t, P3t, P45t, T25t, T3t, T45t, T5t, NL, NH, Wf）。模型验证基于Igie等提供的公开数据。
- **张量分解与代理模型**：将Proosis模型生成的数据库组织为10维张量（1维输出+9维输入），采用HOSVD将张量分解为核心张量与模态矩阵，再对模态矩阵进行三次样条插值以加密数据，构建连续代理模型。验证表明94.67%的计算相对误差小于0.01%。
- **逆问题诊断算法**：基于内点法（MATLAB fmincon）求解约束最小化问题，目标是最小化测量输出与代理模型预测输出的欧几里得范数，同时满足输入参数边界约束。迭代过程中使用拉丁超立方采样选取初始候选点。
- **分层传感器选择策略**：从参考场景（9输入11输出）开始，逐步移除传感器，仅保留诊断性能可接受的子集，以此识别关键传感器及分组。
**4. 研究结果**
**4.1 参考场景SC0（9输入11输出）**：过定系统，平均全局误差0.0051，最大0.0238，89.76%案例误差<0.01。风扇效率η
fan预测误差最大（均值0.0030，最大0.0191），控制参数T4t预测最精确。
**4.2 场景SC1（9输入10输出，移除1个传感器）**：移除P13t、P45t、T5t或NL导致诊断精度显著下降；移除P25t、P3t、T25t、T3t、T45t、NH或Wf则影响不大。
**4.3 场景SC2（9输入9输出，移除2个传感器）**：对非关键传感器对进一步分析，发现P3t与T3t不能同时移除；T45t、NH、Wf中最多移除一个，同时移除任意两个会导致误差不可接受。
**4.4 场景SC3（9输入8输出，多点诊断）**：在欠定情况下，采用三个不同T4t快照（共24个输出，11个输入），76%的传感器子集仍失败，但4个子集（如移除P25t、T25t、P3t或T3t等组合）获得可接受诊断误差。
**4.5 噪声考量**：添加3σ=0.5%高斯噪声后，诊断性能严重下降，但采用三点快照的多点诊断可显著改善，适用于地面诊断策略。
**5. 讨论与结论**
**讨论**：传感器分类为三类：①必须保留的临界传感器（P13t、P45t、T5t、NL），分别对应风扇出口、涡轮间截面、低压涡轮出口和风扇转速，缺失会导致对应流道信息完全丢失；②成组关键传感器：P3t与T3t（冷段压缩信息）不能同时移除；T45t、NH、Wf（热段与高压涡轮相关）最多移除一个；③非关键传感器：P25t与T25t（低压压气机信息）可完全移除，因为系统可通过其他传感器重构其信息。该方法揭示了传统敏感性分析无法得到的隐式变量关系。
**结论**：总体而言，并非所有压力温度传感器同等重要，具体取决于发动机热力循环特性。对于GE CF6-80E1案例，P13t、P45t、T5t、NL必保留；P3t与T3t不可同时移除；T45t、NH、Wf中最多移除一个；P25t与T25t可移除。在合理选择传感器前提下，多点诊断技术可处理欠定情况。数据库密度存在最优折中，建议通过监控分解特征模态生成数据库以平衡精度与成本。未来工作方向包括：噪声对传感器选择的影响、模型代数方法与AI方法的系统比较，以及实时飞行诊断应用。
