中国报告大厅网讯，航空发动机作为飞机的"心脏"，其安全可靠运行直接关系到整个航空运输系统的正常运转。航空发动机涡轮盘作为核心部件之一，长期工作在高温、高压及高速旋转的极端环境下，极易产生疲劳损伤、裂纹萌生等故障，严重威胁飞行安全。随着物联网技术在设备故障诊断领域的应用日益广泛，其通过实现多源异构数据的互联互通与融合分析，大幅提升了复杂系统的监测诊断水平。一项针对某型民用涡扇发动机一级高压涡轮盘的系统性研究，基于物联网技术构建了多源传感器数据采集网络，实现了涡轮盘应变、振动及转速等物理量的实时监测。实验结果表明，该方法使裂纹识别率达到94.2%，诊断准确率提升至88.4%，预警提前量达到24.2小时，特征提取时延降至83ms，显著优于传统单一振动监测方法。这些突破性进展为2026年及未来航空发动机涡轮盘智能运维技术的发展指明了方向。
一、航空发动机涡轮盘故障机理与监测需求
《2026-2031年中国航空发动机涡轮盘产业运行态势及投资规划深度研究报告》指出，航空发动机涡轮盘位于涡轮叶片与涡轮转子之间，其故障特征的形成与识别对确保涡轮机正常运转至关重要。在高温气流的长期冲击下，涡轮盘表面常出现烧蚀、点蚀等缺陷，导致表面粗糙度增大，局部硬度下降。同时，在高速旋转产生的强大离心力的作用下，涡轮盘还易产生塑性变形、低周疲劳、高周疲劳及蠕变断裂等故障。
以航空发动机涡轮盘低周疲劳断裂为例，其起始阶段表现为表面或近表面微小裂纹的萌生，主要分布在应力较为集中的槽底、孔边等结构缺口处;裂纹萌生后，在交变应力的驱动下不断扩展，当裂纹尺寸达到临界值时，即发生快速断裂。此外，涡轮盘局部温度异常升高，振动加速度幅值增大及频谱特性改变等也是重要的故障先兆信息。
为确保民航"安全第一，预防为主"的方针落到实处，迫切需要探索先进可靠的航空发动机涡轮盘故障诊断技术。研究基于物联网的航空发动机涡轮盘故障诊断方法，对于提升民航安全水平、保障人民群众生命财产安全具有重要意义。
二、航空发动机涡轮盘多源传感物联网架构
构建多源传感器数据采集网络是本方法的第一步，旨在获取航空发动机涡轮盘故障诊断所需的多源异构监测数据。首先，在涡轮盘关键部位布置高温应变片(测温范围-40℃~1200℃)、加速度传感器(耐温等级800℃以上，采样频率10kHz左右，量程覆盖0g~50g)及涡轮转速传感器(测速范围0~15000r/min)，实现涡轮盘应变、振动及转速等物理量的实时采集。考虑到航空发动机内部恶劣的高温环境，高温应变片的测温范围应不低于1200℃，加速度传感器的耐温等级应达到800℃以上。传感器布置密度根据涡轮盘结构复杂程度确定，通常在应力集中区域如槽底、孔边等处适当增加布点。
在传感器布置完成后，利用ZigBee、WIFI等短距离无线通信技术，构建分布式数据采集节点，实现传感器数据的就地采集与无线回传。单个节点覆盖半径与发射功率的关系可用Friis公式表示，根据实际场景设置发射功率，以满足数据无线回传的距离要求，同时兼顾节点的能耗水平。
最后，针对航空发动机涡轮盘故障诊断的需求，合理配置各传感器数据的同步采样频率与量程参数。至此，完成了面向涡轮盘故障诊断的多源异构传感器数据采集网络的构建，该网络能够持续产生反映涡轮盘工作状态的在线监测数据流，为后续故障特征提取与诊断决策奠定基础。
实验选取某型民用涡扇发动机的一级高压涡轮盘作为实验对象，该涡轮盘材料为GH4169高温合金，工作温度范围为600℃~750℃，额定转速为12000r/min。实验在航空发动机地面试车台上进行，通过在涡轮盘关键部位布置12个高温应变片、8个加速度传感器和2个涡轮转速传感器构建多源传感器网络。采用ZigBee无线通信技术(发射功率20mW，覆盖半径30m)实现数据采集。
三、航空发动机涡轮盘多维特征提取与融合技术
与第一步的数据采集不同，第二步的特征提取需要考虑航空发动机涡轮盘的结构特点与失效机理。在这一步中，每次遍历高温应变片、加速度传感器等传感器数据后，将产生一系列反映涡轮盘健康状态的特征指标。所以，加入一种基于失效物理的特征构建准则，以求得该指标集合中的敏感特征。
对于高温应变片数据，重点提取涡轮盘高温疲劳引起的应变响应特征，包括应变均值、应变幅值、应变循环数等，其中应变幅值覆盖0.1%~1%的疲劳寿命敏感区间;对于加速度传感器数据，重点提取涡轮盘裂纹扩展引起的振动响应特征，包括振动均方根值、峭度因子、裂纹扩展系数等，其中裂纹扩展系数的取值范围为(10⁻¹¹~10⁻⁸)m/cycle，反映了裂纹扩展速率的量级差异。在每个特征提取环节中，都要记下该环节得到的振动、应变等物理量变化规律，以便进行后续的趋势预测。
在提取出初始特征集后，采用经验模态分解方法对振动信号进行自适应分解，得到若干本征模函数。基于本征模函数瞬时频率的能量分布，构建故障敏感的小波包能量特征。设原始信号为x(t)，经验模态分解得到的第i个本征模函数为cᵢ(t)，则小波包能量特征定义为相应的小波变换系数积分。
其中，小波变换系数为cᵢ(t)的小波变换系数，a为尺度参数，b为时移参数。小波基函数选用Daubechies4小波，分解尺度选为4，可有效捕捉涡轮盘局部故障引起的瞬态冲击特征。
最后，将经验模态分解与小波包能量特征相结合，得到一组反映航空发动机涡轮盘健康退化过程的多维度、多尺度敏感特征，为后续的故障诊断与预测奠定基础。
四、航空发动机涡轮盘故障诊断决策模型
作为本方法的第三步，建立故障诊断决策模型旨在基于第二步提取的多维敏感特征，实现航空发动机涡轮盘裂纹扩展趋势的实时预测与故障等级的准确识别。首先，针对涡轮盘低周疲劳裂纹扩展特性，选择Paris公式作为裂纹扩展预测模型，通过拟合裂纹尺寸-循环数曲线确定Paris公式中的材料常数C和m，其取值范围通常为C=(1.0×10⁻¹¹~10⁻⁸)m/cycle，m=2.0~4.0。
Paris公式的微分形式为：da/dN=C(ΔK)ᵐ，其中，a为裂纹尺寸，单位为m;N为加载循环次数，单位为cycle;ΔK为应力强度因子幅值，单位为MPa·m¹/²。在涡轮盘运行过程中，通过跟踪Paris公式中da/dN的变化趋势，实时预估裂纹扩展速率，当da/dN增长到1×10⁻⁶m/cycle量级时，预示涡轮盘进入快速失稳断裂阶段，需要及时拆换，以免发生灾难性事故。
在完成裂纹扩展预测后，进一步采用模糊综合评判法对航空发动机涡轮盘故障等级进行诊断决策。首先，针对涡轮盘结构完整性评估指标，如裂纹尺寸、裂纹扩展速率、振动加速度幅值等，分别建立模糊隶属度函数，量化指标与故障等级的相关程度。以裂纹尺寸a为例，其隶属度函数可表示为分段函数形式。
其中，i=1，2，3，4分别表示"正常"、"预警"、"警戒"、"紧急"四个故障等级，aᵢ₁和aᵢ₂为相邻等级的裂纹尺寸临界值，通常取a₁₁=1.0mm，a₁₂=a₂₁=2.0mm，a₂₂=a₃₁=5.0mm，a₃₂=a₄₁=10.0mm，a₄₂=20.0mm。在构建各指标隶属度函数后，采用加权平均法计算涡轮盘状态的综合隶属度，权重系数可根据指标的重要程度进行赋值，裂纹尺寸的权重通常取0.4~0.6。最后，根据综合隶属度最大原则确定涡轮盘所属的故障等级，当隶属度之差小于0.1时，按从高到低的顺序给出前3种可能的故障等级。
故障诊断决策模型的建立过程充分结合了航空发动机涡轮盘的失效机理与退化规律，采用Paris公式与模糊综合评判法，实现了涡轮盘裂纹扩展趋势的定量预测与故障等级的智能诊断，可为涡轮盘的状态监测与维修决策提供可靠依据。
五、航空发动机涡轮盘诊断方法验证与性能评估
实验分三组进行：对照组采用传统的单一振动监测方法，实验组1和2分别采用提出的物联网诊断方法，其中实验组2在槽底预制长度为2.5mm的疲劳裂纹。每组实验持续运行100h，采样频率设置为10kHz，累计采集数据量约360GB。评价指标包括：裂纹识别率(预设目标值≥90%)、诊断准确率(预设目标值≥85%)、预警提前量(预设目标值≥20h)、特征提取时延(预设目标值≤100ms)。采用t检验和方差分析评估实验结果的统计显著性(显著性水平α=0.05)。
数据分析结果表明，基于物联网的故障诊断方法相比传统单一振动监测方法具有显著优势。在裂纹识别率方面，实验组1和实验组2分别达到93.6%和94.2%，不仅超过预设的90%目标值，而且显著高于对照组的82.5%(p=0.008<0.05)。诊断准确率同样呈现明显提升，实验组的87.9%和88.4%相较于对照组的78.3%提高了约10个百分点。在预警能力上，实验组可提前23.8~24.2小时发出故障预警信号，较好地满足了预设的20小时提前量指标，显著优于对照组的15.6小时(p=0.006<0.05)。特征提取时延也从对照组的135ms降低到了实验组的83ms左右，达到了实时监测的要求。
进一步分析表明，这些性能提升主要得益于两方面：首先是物联网环境中多源传感器网络的协同作用，高温应变片、加速度传感器和涡轮转速传感器提供的温度、应变、振动等多维数据极大丰富了特征提取的信息维度;其次是提出的基于Paris公式的裂纹扩展预测模型充分考虑了涡轮盘的失效物理机理，提高了故障诊断的准确性。
六、航空发动机涡轮盘智能诊断技术的产业价值
航空发动机涡轮盘行业现状分析指出，航空发动机涡轮盘智能诊断技术的突破，为航空发动机运维模式带来了革命性变革。从安全效益角度，94.2%的裂纹识别率和24.2小时的预警提前量，使潜在故障得以及早发现和处置，将灾难性事故风险降至最低。从经济效益角度，精准的故障等级识别和剩余寿命预测，实现了基于状态的维修决策，避免了过度维修和维修不足，显著降低了全生命周期运维成本。
从技术发展角度，物联网技术与航空发动机故障诊断的深度融合，代表了智能运维的发展方向。多源异构数据的实时采集、传输、处理和分析，构建了数字孪生涡轮盘的数据基础，为后续人工智能算法的应用提供了高质量数据支撑。未来，随着边缘计算、5G通信、数字孪生等技术的成熟，航空发动机涡轮盘诊断系统将向更高实时性、更高精度、更强自主决策能力方向演进。
总结
成功构建了基于物联网的航空发动机涡轮盘故障诊断方法，实现了多源数据采集、特征融合及智能诊断。实验验证了该方法在提高裂纹识别率、诊断准确率和预警提前量方面的有效性：裂纹识别率达到94.2%，诊断准确率提升至88.4%，预警提前量达到24.2小时，特征提取时延降至83ms，各项性能指标均显著优于传统方法。
航空发动机涡轮盘作为航空动力系统的核心部件，其健康状态直接关乎飞行安全。基于物联网的智能诊断技术，通过多源传感器网络的协同感知、多维特征的深度挖掘、以及基于失效物理的预测模型，实现了从被动维修向主动预防的转变。未来工作将进一步优化传感器网络布局，探索更先进的特征提取算法，并拓展该方法在更多型号航空发动机上的应用，以进一步提升航空发动机的安全性与可靠性，为2026年及未来航空发动机智能运维技术的发展提供坚实支撑。
