目前，随着航空装备的快速发展，航空装备的故障诊断与健康管理技术也得到了大力的发展。因而，针对航空发动机气路系统和滑油系统，目前常用的故障诊断方法主要是结合性能参数，采用神经网络、贝叶斯等方法，完成了发动机的故障分类，从而完成故障诊断。首先以简便且经济良好的方法检测是否已发生结构损伤，然后根据检测结果，判定是否采用高效的测试与分析工作，对发动机的结构损伤开展全面的诊断。笔者通过研究发现，目前，常用的结构损伤识别方法是基于频率和振型参数相结合的损伤识别方法，主要是考虑频率变化与结构刚性的变化关系[1]。
本文以航空发动机风扇叶片为具体对象，采用有限元分析方法的重要建模基础，开展航空发动机的有限元模型分析，并根据所构建模型完成航空发动机内部关键部件的结构损伤仿真。
1监测参数与损伤诊断分析
可用来完成损伤识别的参数有很多，如结构的固有频率、振动信号等。以不同的损伤参数，则将会导致选取不同的方法完成相应的损伤诊断。
1.1结构损伤识别分析
针对航空发动机开展结构损伤识别分析，所监测的参数中结构振动参数包含了所需的大量的有用信息。依据结构振动参数开展航空故障结构损伤识别过程中，可以采用多种方法，比如最有效的就是对所获取到的振型参数前后变化进行比较，根据比较结果可以高效地实现结构损伤识别[2]。
1.2．基于模态参数的损伤诊断
用于损伤识别的物理量可以是全局量，如结构的固有频率．但用于损伤直接定位的物理量最好是局域量。围绕不同的损伤诊断的指标的选取便形成了不同的损伤诊断方法。
1.3结构损伤识别
结构损伤识别方法主要包括：
①基于频率的结构损伤识别频率是最易获取的模态参数，而且精度很高。②基于振型的结构损伤识别尽管结构振型的测试精度低于频率，但振型包含更多的损伤信息。其有多种途径：一足直接比较结构损伤前后的振型变化来识别损伤是否产生；二是由振型构造结构损伤的标识量，由标识量的变化或其取值的判断来识别损伤的产生；三是基于振型的正交化条件来识别损伤的产生。在第二种方法中，模态置信度判据MAC(ModalAssuranceCriterion)及其改进判据COMAC fCoordinate Modal Assurance Criterion)基于振型的第三类方法为利用所铡得的结构模态的正交化条件。
1.4结构损伤位置的识别
①基于频率的结构损伤位置的识别由于结构的任意一阶模态的频率变化平方均包含了相同的单元P的损伤程度的信息，则在两个振动模态i和f下，可以得到i阶和f阶频率因损伤而改变的频率变化平方比．显然它是仅与损伤位置有关的量。大量实验和数值分析指出低阶模态频率最适合进行损伤检测，高阶模态频率可以提高损伤检测灵敏度，但其不易从整体模态分析中获取，因此应用受到限制。但随着现代测试技术和模态分析技术的提高，高阶模态频率的测量质量会不断提高，利用频率指标识别损伤是最直接的方法。
②基于振型的结构损伤位置的识别基于振型的结构损伤位置的识别包括多种方法：一是基于MAC、COMAC准则的损伤位置识别；二是基于振型变化的结构损伤位置的识别；三是基于频率和振型的结构损伤位置的识别。
第一种方法利用前面提到的MAC、COMAC准则在不同自由度上的取值，不但能检测出损伤的产生．还能检测出结构的损伤位置。第二种方法定义结构损伤前后的振型相对变化量分别代表损伤前和损伤后第i阶振型在第，阶自由度上的值，当发生损伤时．受到影响的自由度上的RD值较大，这样，RD图形将在损伤区域内出现尖峰，损伤的位置便可辨识，峰值的大小可以反映损伤的程度。
第三种方法最具有发展前景．它的采用是由于对于频率来说，在结构的低应力区域，基于频率的损伤检测并不可靠，结构不同位置处相同程度的损伤．可能引起相同的频率变化；另外基于振型的结构损伤定位技术面临测量振型不完整和噪声影响的问题。所以自然将二者结合。同时应用频率和振型来对结构损伤进行定位，来弥补相互的不足。
结合方法很多，包括：特征参数法、柔度矩阵差值法、残余力向量法、单元模态能比法、局部频率变化率法等方法，各有优劣，选取具体指标时要根据研究或应用的对象而定。本文采用综合振型、频率的损伤识别指标向量对叶片模型损伤进行识别，取得了良好效果。
2．风扇叶片的损伤诊断
2.1损伤识别指标的选取
本文采用ANSYS软件对叶片建模。如图1，分别对完好和损伤模型进行模态分析，分别获得相应的模态参数(模态频率、模态振型)。首先利用振型指标的直观性，采用第一阶振型改变率作为结构损伤识别的指标，如图2，罔3。其次综合考虑可反映结构损伤的位置和程度信息两方而的因素，构造如下的频率损伤识别指标向量。
2.2数据分析通过ANSYS仿真后
依据某型号航空发动机，结合ANSYS仿真软件，建立正常和损伤的模型，获取相应的指标参数，并将获取到的指标数据进行分类，其中一部分作为BP神经网络的训练样本，另外一部分数据则用来进行测试，采用相同模型的BP神经网络对同一个部件的不同位置和不同程度的损伤（未训练过）进行了识别。结果表明，频率和振型相组合的指标参数使用的有效信息比较少，是更适用于工程实际且准确度较高的损伤识别方法。将以上指标数据的一部分作为BP神经网络的训练样本。用三种不同的识别指标．采用相同结构和算法的BP神经网络对同一个叶片的不同位置和不同程度的损伤(未训练过)进行了识别，其平均识别误差如表1所示。
表1各损伤识别指标神经网络平均识别误差
这三种损伤标识量对损伤识别的精确度是不同的。从高到低依次为：第一阶振型改变率、频率和振型组合损伤识别指标、频率损伤识别指标。但考虑到第一阶振型改变率和频率和振型组合损伤识别指标的识别误差在同一个量级上。且频率和振型组合损伤识别指标需要使用
的有效信息比较少，是更适用于工程实际的理想方法。
3结论
由本文在仿真情况下利用构造损伤指标对结构损伤进行预测的试验，可以看出模态参数对损伤预测的可行性。由于实际工程中。通过振动测试只能获得结构的低阶频率及不完备的实测振型．兼顾振型和频率的指标预测效果最好，也具有一定的工程实际意义。
参考文献：
[1]徐一鸣.基于模态分析的发动机叶片损伤诊断方法[J].科技信息（科学教研），2008（13）：507-508.
[2]孙姜燕，徐艳玲.飞机发动机故障的多参数预测模型[J].计算机工程与应用，2012，48（13）：240-243.
[3]鲍凯.基于结构动态特性分析的神经网络结构损伤诊断研究[D].西北工业大学，2003.
[4]赵文博.航空发动机传感器故障诊断及信号重构[D].南京航空航天大学，2011.
[5]施晓良.基于振动模态分析和神经网络技术的结构损伤辨识[D].西北工大大学，2005.