楊 浩

(1.青海民族大學 計算機學院，西寧 810007；2.火箭軍裝備部駐北京地區(qū)第八軍事代表室，北京 100192； 3.北京航天測控技術(shù)有限公司，北京 100041；4.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041；5.裝備全壽命周期狀態(tài)監(jiān)測與健康管理技術(shù)與應(yīng)用國家地方聯(lián)合工程研究中心，北京 100041)

0 引言

在發(fā)動機氣路等典型機電設(shè)備的故障診斷中，神經(jīng)網(wǎng)絡(luò)出色的非線性問題處理能力[1-2]，有利于幫助解決故障診斷與預測等領(lǐng)域的難點問題，因此得到了大量的應(yīng)用。此外，常見的故障診斷方法還包括專家系統(tǒng)[3]、模糊集、支持向量機等。其中支持向量機(Support vector machine，SVM) 在解決非線性、較高維、小樣本等方面有突出的優(yōu)點，但其參數(shù)的選取在一定程度上影響了其性能和實用性。目前復雜系統(tǒng)故障診斷預測領(lǐng)域中，所使用的機器學習算法大多為支持向量機、BP神經(jīng)網(wǎng)絡(luò)等淺層學習方法。隨著人工智能科學和大數(shù)據(jù)的發(fā)展，機器學習算法不斷豐富，學習深度不斷加深，性能不斷提高，將最新的機器深度學習成果應(yīng)用于故障診斷領(lǐng)域已經(jīng)成為一個熱點。深度學習方法例如深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)[5-6]、深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)[7-8]、遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)[9]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)等[10-11]，由于近幾年隨著大數(shù)據(jù)處理的廣泛應(yīng)用而剛成為研究熱點，但在發(fā)動機氣路故障診斷中應(yīng)用和研究還較少[12]。

DBN方法本質(zhì)上是有向圖模型，該方法的主要目的是通過在觀察數(shù)據(jù)的同時調(diào)整變量之間的權(quán)重來導出隱含變量的狀態(tài)。DBN模型是一種將無監(jiān)督和有監(jiān)督混合的深度結(jié)構(gòu)學習模型，好處是不需要大量標記的訓練數(shù)據(jù)、收斂速度快，不足是不容易進行局部收斂。RNN方法的基本特征是在其處理單元之間存在內(nèi)部反饋連接和前饋連接。內(nèi)部反饋連接可以保留隱藏層節(jié)點的狀態(tài)。網(wǎng)絡(luò)的輸出不僅取決于當前輸入，還取決于先前網(wǎng)絡(luò)的內(nèi)部狀態(tài)，因此具有更好的動態(tài)特性。CNN方法與DBN和RNN等方法相比具有自己的優(yōu)勢，可以為識別二維形狀提供多層感知器，對于平移、縮放、傾斜或其他形式的變形具有高度不變的特點，因此更適合于用于時間序列和語音信號的處理。

深度學習是一種新的基于特征表示的機器學習方法。深度學習模型包含多個隱藏層，可以通過對輸入數(shù)據(jù)進行自動學習來獲取隱藏的功能層中的特征信息。與傳統(tǒng)的診斷方法相比，深度學習具備從原始信息中提取更豐富的特征的能力，因此已經(jīng)成為基于機器學習的故障診斷研究的新方向。由于種種原因，深度學習在故障診斷方面的應(yīng)用基礎(chǔ)和成果，遠遠落后于圖像、語音處理等方面的成果。文獻[13]提出了基于深度神經(jīng)網(wǎng)絡(luò)(DNN)的衛(wèi)星電源故障診斷方法，該方法在初步訓練階段采用去噪自動編碼器(DAE)作為無監(jiān)督算法，在微調(diào)階段采用反向傳播(BP)算法作為監(jiān)督算法。文獻[14]提出了一種基于深度學習的航空發(fā)動機故障融合診斷方法，首先將航空發(fā)動機性能參數(shù)和故障類型樣本輸入深度置信網(wǎng)絡(luò)(DBN)模型，并提取樣本特征以輸出故障分類數(shù)據(jù)；然后將輸出數(shù)據(jù)代入決策融合的決策融合算法模型，得到航空發(fā)動機故障融合診斷結(jié)果。目前，基于CNN的診斷方法的研究結(jié)果很少，該方法作為一種重要的深度神經(jīng)網(wǎng)絡(luò)方法，是一種深度監(jiān)督和學習的機器學習模型，擅長挖掘局部數(shù)據(jù)特征，自適應(yīng)地提取全局訓練特征和分類。此外，CNN方法非常適合用于處理海量數(shù)據(jù)。通過了解海量數(shù)據(jù)的特征，可以識別海量數(shù)據(jù)中包含的信息。因此，使用CNN的診斷是基于深度學習的故障診斷方法研究發(fā)展方向之一。

基于CNN的診斷和預測技術(shù)研究目前還不多[15]，特別是在發(fā)動機故障診斷方面的應(yīng)用較少。本文針對卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法進行了研究，基于發(fā)動機試驗仿真數(shù)據(jù)對提出的方法進行了驗證，并與支持向量機等傳統(tǒng)方法進行了比較，驗證結(jié)果表明，提出的基于卷積神經(jīng)網(wǎng)絡(luò)的診斷方法具有較好的可行性和效果，可作為開展發(fā)動機PHM技術(shù)研究的參考。通過開展復雜裝備基于CNN等深度學習的故障診斷研究，實現(xiàn)對地面測試與運行階段海量數(shù)據(jù)的充分利用，可以為裝備典型功能系統(tǒng)的多參數(shù)之間的綜合分析診斷與評估提供依據(jù)，確保裝備的穩(wěn)定健康運行。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法

深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建如圖1所示。這里采用基于DNN深度神經(jīng)網(wǎng)絡(luò)的CNN卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)發(fā)動機氣路診斷，適用于解決復雜設(shè)備在物理模型難以構(gòu)建時的診斷模型構(gòu)建問題。與傳統(tǒng)的DNN算法相比，CNN可以解決DNN模型參數(shù)數(shù)量過多、容易過度擬合、容易陷入局部最優(yōu)等問題。

圖1 深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

CNN是一種特殊的深度神經(jīng)網(wǎng)絡(luò)模型，該方法的神經(jīng)元連接是非完全連接的，此外，同一層中某些神經(jīng)元之間的連接的權(quán)重是共享的(即相同的)。CNN在自學習、并行處理、容錯性等方面均具有較強的能力，能夠降低網(wǎng)絡(luò)模型的復雜性和權(quán)重的數(shù)量。

如圖2所示，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、采樣層、全連接層等。其中，卷積層主要負責提取對象的各種特征；采樣層主要實現(xiàn)對原始特征信息的抽象，目的是大幅減少訓練參數(shù)并減輕模型過擬合的程度。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

CNN的訓練算法分為兩個階段：前向傳播階段：該階段首先需要從樣本集中取樣并輸入網(wǎng)絡(luò)，然后再計算相應(yīng)的實際輸出。后向傳播階段：需要先計算真實結(jié)果與預期結(jié)果之間的差值，然后再根據(jù)最小化誤差的方法調(diào)整權(quán)重矩陣。

綜合第一階段和第二階段的CNN網(wǎng)絡(luò)訓練過程包括如下步驟：1)選擇訓練組，從樣本集中隨機選擇N個樣本作為訓練對象；2)將每個權(quán)重和閾值設(shè)置為接近0的隨機值，并初始化精度控制參數(shù)和學習速率；3)從訓練組中選擇一個輸入模式并將其添加到網(wǎng)絡(luò)中，給出其目標輸出向量，并計算中間層輸出向量和網(wǎng)絡(luò)的實際輸出向量；4)比較輸出向量中的元素與目標向量中的元素，以計算輸出誤差和中間層的隱藏單元的誤差；6)依次計算每個權(quán)重和閾值的調(diào)整量，并調(diào)整權(quán)重和閾值；7)重復進行多次訓練，判斷指標是否滿足精度要求，如果不滿足，則繼續(xù)從訓練組中選擇輸入模式并將其添加到網(wǎng)絡(luò)中進行迭代，否則訓練結(jié)束；8)在訓練結(jié)束時，將權(quán)重和閾值保存在文件中，此時可認為權(quán)重已經(jīng)穩(wěn)定并且已經(jīng)形成分類器。再次進行訓練時，就可以直接從文件導出權(quán)重和閾值以進行訓練而無需初始化。

本文使用CNN主要用于數(shù)據(jù)的預處理，將發(fā)動機訓練層進行卷積化，每15條發(fā)動機數(shù)據(jù)作為一個window size的單位數(shù)據(jù)，如圖3所示。

圖3 基于CNN的數(shù)據(jù)預處理

模型訓練過程開始后選擇數(shù)據(jù)集，對數(shù)據(jù)集進行處理生成數(shù)據(jù)訓練文件，通過split操作進行文件切割，如圖4所示。使用線性回歸器進行參數(shù)網(wǎng)絡(luò)選擇，線性回歸器、參數(shù)網(wǎng)絡(luò)、回歸評估器共同支撐數(shù)據(jù)進行驗證訓練，最后生成預測結(jié)果，比對觀察值進行模型評估，如圖5所示。

圖4 數(shù)據(jù)分割與訓練示意

圖5 訓練模型優(yōu)化示意

2 基于卷積神經(jīng)網(wǎng)絡(luò)的氣路故障診斷軟件平臺

在CNN方法研究基礎(chǔ)上開發(fā)了基于CNN的氣路故障診斷軟件平臺，如圖6所示。

發(fā)動機氣路故障診斷屬于典型的復雜系統(tǒng)故障模式識別問題，其反應(yīng)故障狀態(tài)的特征維度較大，反映的信息較為豐富且復雜，因此通過單層的神經(jīng)網(wǎng)絡(luò)進行建立故障模式識別模型不足以達到有效的識別精度和識別效果，難以對特征值中反映的有效信息進行提取。采用深度學習方法可以在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對于數(shù)據(jù)中反映的特征信息進行多次的降維和重構(gòu)，達到對高階信息的提取和整合目的。

基于海量數(shù)據(jù)的發(fā)動機氣路故障診斷涉及到多維參數(shù)(如溫度、壓力、高度、馬赫數(shù)、高壓轉(zhuǎn)速、油門角度等)的處理。這也是發(fā)動機氣路故障診斷需要解決的技術(shù)難點。深度學習中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)有助于解決上述問題。該方法通過獲取空間內(nèi)部多維參數(shù)的信息，最大化挖掘出數(shù)據(jù)背后的規(guī)律，以實現(xiàn)較好的故障診斷效果。

CNN方法的應(yīng)用首先是進行卷積層CNN，并通過卷積+池化的方法提取出某個時間點特征之間的空間信息，具體包括：

1)卷積層：對整體數(shù)據(jù)做卷積，通過多個卷積核來提取不同角度的空間信息；

2)池化層：減少模型的參數(shù)維度，提高模型訓練的效率。

機器深度學習模型在構(gòu)建之后，需要輸入固定的數(shù)據(jù)維度和特征，這就導致不同設(shè)備可能由于輸入數(shù)據(jù)不同無法復用，當遇到新的設(shè)備或者部件需要故障診斷，就需要重新開發(fā)對應(yīng)的算法，雖然算法的總體核心結(jié)構(gòu)沒有差異，但是也需要針對模型接口進行重新定義、針對數(shù)據(jù)進行重新訓練，同時這也帶來了模型測試、驗證的復合問題，這也是基于海量數(shù)據(jù)的發(fā)動機氣路故障診斷的另一個技術(shù)難點。為解決該問題，擬從模型的開發(fā)效率、復用性、測試性、驗證性多個角度出發(fā)，搭建機器學習的診斷預測統(tǒng)一平臺，作為平臺算法的管理中心、開發(fā)中心和測試中心。

基于機器學習的診斷預測建模平臺能夠提供基礎(chǔ)算法庫、專業(yè)算法庫、專業(yè)模板庫、模型管理、在線建模等功能，用戶能夠基于自己以往的算法、專業(yè)算法、專業(yè)模板來對模型進行復用，極大的提高模型定制開發(fā)的效率。同時，平臺提供模型訓練、驗證一體化功能，并提供后臺GPU分布式集群，保證訓練的速度，從算法開發(fā)、維護、復用、訓練、驗證全角度實現(xiàn)用戶的算法需求，最終保證PHM系統(tǒng)的整體算法智能化。該平臺基于TensorFlow架構(gòu)，采用Python語言實現(xiàn)深度學習等算法，并通過API接口層調(diào)用TensorFlow核心功能實現(xiàn)相關(guān)實驗和應(yīng)用[16]。

本文的算法實現(xiàn)基于Python語言。Python是一種面向?qū)ο蟮慕忉屝陀嬎銠C編程語言，包含豐富強大的算法工具庫，可快速實現(xiàn)各種深度神經(jīng)網(wǎng)絡(luò)方法，并通過TensorFlow平臺實現(xiàn)集成和調(diào)用。

在方法層面，整體過程包括：數(shù)據(jù)集成、數(shù)據(jù)處理、特征工程、模型訓練、模型評估、模型保存等。重點選擇CNN、DNN等神經(jīng)網(wǎng)絡(luò)模型，選用故障檢測率(FDR)評價指標，實現(xiàn)對測試數(shù)據(jù)診斷效果的評估。

圖6 基于深度學習的發(fā)動機氣路故障診斷算法總體實現(xiàn)思路

復雜系統(tǒng)(發(fā)動機氣路)故障診斷算法平臺功能包括：診斷流程創(chuàng)建模塊、流程模版管理模塊、數(shù)據(jù)集設(shè)置管理模塊、算法模型編輯管理模塊、算法模型訓練模塊、算法性能評估模塊等。如圖7所示。

圖7 機器學習建模、機器學習訓練頁面示意圖

3 實驗和分析

3.1 實驗說明

該組仿真數(shù)據(jù)源于根據(jù)某型航空發(fā)動機氣路模型所生成的發(fā)動機氣路故障數(shù)據(jù)，數(shù)據(jù)描述的是發(fā)動機從啟動到穩(wěn)態(tài)，然后在穩(wěn)態(tài)期間進行故障注入，期間采集到的相關(guān)數(shù)據(jù)，如圖8所示。

圖8 航空發(fā)動機氣路故障仿真平臺

故障數(shù)據(jù)包含HPC效率突降(葉冠掉塊)、HPT效率突降(盤裂紋)、LPT效率突降(盤裂紋)等三類故障模式的注入。每種故障都設(shè)定了9種初始條件，仿真過程中油門桿以15°(慢車點)起步，經(jīng)過尋找初始平衡點并給定階躍輸入到20 s后模型到設(shè)定的目標穩(wěn)態(tài)工作點，40 s時加入3%氣路部件故障，故障程度經(jīng)過50 s按照斜坡發(fā)展至5%，然后平穩(wěn)至100 s仿真結(jié)束。

仿真模型每隔0.02 s采集輸出一次數(shù)據(jù)，持續(xù)100 s，主要包含以下發(fā)動機參數(shù)信息：

1)溫度；2)壓力；3)高度；4)馬赫數(shù)；5)高壓轉(zhuǎn)速；6)油門角度；7)ETA_Fc風扇內(nèi)涵效率；8)ETA_Fd風扇外涵效率；9)ETA_fb增壓級效率；10)ETA_cmp壓氣機效率；11)ETA_hpt高壓渦輪效率；12)ETA_lpt低壓渦輪效率；13)W13風扇外涵出口流量；14)W24風扇內(nèi)涵出口流量；15)W26增壓級出口流量；16)W3壓氣機出口流量；17)W45高壓渦輪出口流量；18)W5低壓渦輪出口流量；19)N1低壓轉(zhuǎn)速；20)P13風扇外涵進口總壓；21)P2風扇內(nèi)涵進口總壓；22)P24風扇內(nèi)涵出口總壓；23)P26增壓級出口總壓；24)P3壓氣機出口總壓；25)P45高壓渦輪出口總壓；等等。

3.2 數(shù)據(jù)選取處理

選取HPC、HPT、LTP三類故障文件數(shù)據(jù)作為訓練集與驗證集，將故障注入產(chǎn)生的文件進行整理合并，合并后的文件分別定義數(shù)據(jù)標簽(正常、HPC效率突降(葉冠掉塊)，HPT效率突降(盤裂紋)，LPT效率突降(盤裂紋))。數(shù)據(jù)文件中前10 000的數(shù)據(jù)作為驗證數(shù)據(jù)集，10 000以后的數(shù)據(jù)為訓練數(shù)據(jù)集。

圖9 訓練數(shù)據(jù)樣本文件

圖10 驗證數(shù)據(jù)樣本文件

將數(shù)據(jù)輸入與合并，對輸入數(shù)據(jù)進行預處理，對于特征數(shù)據(jù)進行scale歸一化處理，對于標簽數(shù)據(jù)進行one-hot形式的編碼梳理。

3.3 深度學習模型搭建

在深度學習模型搭建過程中，主要實現(xiàn)目的是根據(jù)這些數(shù)據(jù)進行故障診斷，最終通過計算故障檢測率，以診斷正確性比率作為模型評價指標。故障注入標簽有3個故障模式，分別為HPC效率突降(葉冠掉塊)，HPT效率突降(盤裂紋)，LPT效率突降(盤裂紋)，因此模型搭建為四分類問題：0:正常；1:HPC故障；2HPT故障；3：LPT故障。

由于該問題屬于四分類問題，所以神經(jīng)網(wǎng)絡(luò)的最后一層有4個神經(jīng)元，并使用softmax作為其輸出層的激活函數(shù)。深度學習模型結(jié)構(gòu)如圖11所示。

圖11 深度學習模型圖卷積池化過程

課題采用訓練器為SGD(Stochastic Gradient Descent，隨機梯度下降)，損失函數(shù)使用的是交叉熵函數(shù)，評估標采取的acc(分類準確率)。深度學習模型圖訓練過程如表1所示。

表1 深度學習模型圖訓練過程

3.4 結(jié)果對比分析

3.4.1 基于SVM方法的氣路故障診斷

支持向量機作為一種機器學習方法，建立在統(tǒng)計學習和結(jié)構(gòu)風險最小原理的基礎(chǔ)上。支持向量機作為二元分類器。對線性可分和線性非可分數(shù)據(jù)的分類非常有效，對發(fā)動機數(shù)據(jù)擬合與預測有良好的適應(yīng)性。

通過SVM算法對模型生成發(fā)動機氣路故障訓練數(shù)據(jù)進行訓練，得到分類訓練模型。之后，將測試數(shù)據(jù)導入模型中進行計算，診斷發(fā)動機的運行狀態(tài)，并將其與實際狀態(tài)進行對比。其分類結(jié)果如表2所示。

表2 基于SVM的氣路診斷驗證統(tǒng)計結(jié)果

從表2可見，采用SVM算法對該組發(fā)動機試驗數(shù)據(jù)進行分類，其診斷的準確率僅為66.67%。

3.4.2 基于深度學習方法的氣路故障診斷

采用本課題構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過3個epochs(1個epoch表示過了1遍訓練集中的所有樣本)的循環(huán)學習，訓練集合上的準確率即可達到了較高的程度。訓練10個epochs之后，保存生成模型。在測試驗證集上，對于訓練得到的模型進行監(jiān)測，最終得到的故障檢測準確率指標接近100%，即全部測試數(shù)據(jù)識別診斷均為正確，可見基于CNN的深度學習能力，其分類能力能夠?qū)崿F(xiàn)較高的精度指標。由此可見，深度學習方法較傳統(tǒng)分類方法，在氣路故障診斷應(yīng)用上能夠得到較大的準確率提升。

表3 基于CNN的氣路診斷驗證統(tǒng)計結(jié)果

4 結(jié)論

本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動機氣路故障診斷方法，并實現(xiàn)了復雜系統(tǒng)故障診斷預測算法平臺。經(jīng)某發(fā)動機氣路試驗仿真數(shù)據(jù)實例驗證，提出的方法具有較好的可行性和效果，較傳統(tǒng)的支持向量機方法，在診斷的檢測率上有較大的提升，能夠充分利用深度學習的優(yōu)點，更準確地識別發(fā)動機氣路的健康狀況。