(中國(guó)飛行試驗(yàn)研究院 測(cè)試所，西安 710089)

0 引言

航空發(fā)動(dòng)機(jī)具有自動(dòng)化程度高，結(jié)構(gòu)復(fù)雜，專業(yè)化程度高的特點(diǎn)。在整個(gè)飛機(jī)系統(tǒng)中，如果發(fā)動(dòng)機(jī)出現(xiàn)故障而無(wú)法正常工作，將直接影響飛機(jī)的安全運(yùn)行，造成巨大的經(jīng)濟(jì)損失甚至損壞飛機(jī)。死亡的嚴(yán)重后果[1-2]。然而，由于航空發(fā)動(dòng)機(jī)結(jié)構(gòu)復(fù)雜，難以確保長(zhǎng)期安全可靠運(yùn)行，隨著發(fā)動(dòng)機(jī)工作時(shí)間的增加，發(fā)動(dòng)機(jī)故障不可避免地會(huì)因老化，環(huán)境和變載荷而發(fā)生[3-4]。因此，我們需要研究一種能夠有效預(yù)測(cè)發(fā)動(dòng)機(jī)剩余壽命、準(zhǔn)確預(yù)測(cè)發(fā)動(dòng)機(jī)故障時(shí)間、及時(shí)實(shí)施維護(hù)、最終防止災(zāi)難性故障的方法[5-6]。

航空發(fā)動(dòng)機(jī)維護(hù)已經(jīng)從過(guò)去的“基于預(yù)防”的維護(hù)思想轉(zhuǎn)變?yōu)椤耙钥煽啃詾橹行摹钡木S護(hù)理念，并且還從簡(jiǎn)單的定期維護(hù)到狀態(tài)監(jiān)控，基于狀態(tài)的維護(hù)和生命存儲(chǔ)部件監(jiān)控相應(yīng)的維護(hù)方法，定時(shí)維護(hù)的組合。20世紀(jì)70年代開(kāi)發(fā)了發(fā)動(dòng)機(jī)健康管理技術(shù)，如發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)，故障診斷和壽命預(yù)測(cè)，以實(shí)現(xiàn)先進(jìn)的維護(hù)理念[7-8]。對(duì)于發(fā)動(dòng)機(jī)用戶，全面了解發(fā)動(dòng)機(jī)性能，快速準(zhǔn)確地隔離和識(shí)別故障，可以更好地更換計(jì)劃[9]，確定發(fā)動(dòng)機(jī)維修的范圍和深度，大大降低運(yùn)行和維護(hù)成本，有效避免重大事故的發(fā)生[10]。

目前，國(guó)外已開(kāi)發(fā)出一些發(fā)動(dòng)機(jī)健康管理系統(tǒng)，其主要功能包括趨勢(shì)分析，故障診斷，壽命預(yù)測(cè)，維護(hù)計(jì)劃和管理。自1985年以來(lái)，美國(guó)空軍一直使用集成發(fā)動(dòng)機(jī)管理系統(tǒng)(CEMS)來(lái)管理其發(fā)動(dòng)機(jī)機(jī)隊(duì)。目前，CEMSIV已被全面的發(fā)動(dòng)機(jī)趨勢(shì)和診斷系統(tǒng)(CETADS)取代[11]。美國(guó)科學(xué)監(jiān)測(cè)公司為該系統(tǒng)開(kāi)發(fā)了一個(gè)強(qiáng)大的數(shù)據(jù)分析和處理模塊，稱為基于狀態(tài)的智能狀態(tài)發(fā)動(dòng)機(jī)管理系統(tǒng)(ICEMS)，具有以下功能：數(shù)據(jù)驗(yàn)證和監(jiān)測(cè)趨勢(shì);報(bào)警，檢測(cè)和隔離;故障預(yù)測(cè);部件壽命評(píng)估;運(yùn)營(yíng)和維護(hù)計(jì)劃管理[12-13]。

在國(guó)內(nèi)民用航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)領(lǐng)域，20世紀(jì)90年代，中國(guó)民航學(xué)院，北京航空航天大學(xué)和北京飛機(jī)維修工程公司AMECO開(kāi)發(fā)了發(fā)動(dòng)機(jī)監(jiān)測(cè)和診斷EMD(發(fā)動(dòng)機(jī)監(jiān)測(cè)與診斷)系統(tǒng)[14]。

作為大數(shù)據(jù)時(shí)代的明星，深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界引起了廣泛的關(guān)注，并在許多傳統(tǒng)的識(shí)別任務(wù)中取得了顯著的成果?；诙鄠€(gè)隱藏層，深度學(xué)習(xí)可以很好地實(shí)現(xiàn)復(fù)雜高維函數(shù)的表示，因此具有強(qiáng)大的表示能力，并且具有其他算法在自動(dòng)特征提取中無(wú)法比擬的許多優(yōu)點(diǎn)[15-16]。堆疊自編碼網(wǎng)絡(luò)(SAE)是深度學(xué)習(xí)中最重要的模型之一，近年來(lái)，在故障診斷領(lǐng)域，SAE的應(yīng)用已經(jīng)完成了許多故障識(shí)別和分類任務(wù)。2015年，雷亞國(guó)等人。使用常見(jiàn)的SAE和降噪SAE來(lái)解決滾動(dòng)軸承和行星齒輪箱的故障診斷，并比較SAE與傳統(tǒng)模式識(shí)別方法之間的識(shí)別準(zhǔn)確性[17];2016年，邵海東等。通過(guò)人工魚(yú)群算法改進(jìn)了SAE的損失函數(shù)，優(yōu)化了網(wǎng)絡(luò)的關(guān)鍵結(jié)構(gòu)參數(shù)，有效地提高了齒輪箱和滾動(dòng)軸承故障的識(shí)別率。2017年，崔江等人用灰色。通過(guò)支持向量機(jī)分類支持相關(guān)優(yōu)化后的SAE提取特征，實(shí)現(xiàn)了航空發(fā)電機(jī)旋轉(zhuǎn)整流二極管的故障診斷。此外，SAE已應(yīng)用于變壓器，核電站和風(fēng)力渦輪機(jī)設(shè)備等復(fù)雜機(jī)電系統(tǒng)的故障診斷領(lǐng)域，并取得了良好的效果[18]。

因此研究了一種基于堆疊自編碼網(wǎng)絡(luò)的無(wú)監(jiān)督特征提取方法。以自編碼網(wǎng)絡(luò)為基本單元，采用逐層貪心訓(xùn)練算法構(gòu)建分層自編碼網(wǎng)絡(luò)模型。通過(guò)改善網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜性，增強(qiáng)了網(wǎng)絡(luò)的功能表達(dá)能力，使得網(wǎng)絡(luò)模型可以從輸入數(shù)據(jù)中獲得更好的效果。提出了特征表達(dá)式，特征的自動(dòng)提取，以及深度網(wǎng)絡(luò)特征提取的定性分析方法，提高了神經(jīng)網(wǎng)絡(luò)知識(shí)獲取過(guò)程的可解釋性，提升了預(yù)測(cè)準(zhǔn)確率。

1 自編碼神經(jīng)網(wǎng)絡(luò)

1.1 自編碼神經(jīng)網(wǎng)絡(luò)架構(gòu)

自編碼神經(jīng)網(wǎng)絡(luò)(auto-encoder,AE)是一個(gè)三層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成。網(wǎng)絡(luò)中不同層的神經(jīng)單元之間采用全連接的方式，同一層的神經(jīng)單元之間不存在相互連接。從結(jié)構(gòu)上看，自編碼神經(jīng)網(wǎng)絡(luò)可以認(rèn)為是一種特殊的多層感知機(jī)，其也是通過(guò)反向傳播的方式進(jìn)行訓(xùn)練學(xué)習(xí)，但不同點(diǎn)在于自編碼神經(jīng)網(wǎng)絡(luò)是為了重構(gòu)輸入數(shù)據(jù)，即自編碼神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)是使得網(wǎng)絡(luò)的輸出等于網(wǎng)絡(luò)的輸入。由于學(xué)習(xí)規(guī)則要求網(wǎng)絡(luò)的輸出等于輸入，自編碼神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)單元個(gè)數(shù)必須與輸出層的神經(jīng)單元個(gè)數(shù)相等，而其隱含層的神經(jīng)元個(gè)數(shù)可以是任意的[19-21]。因此，只要確定網(wǎng)絡(luò)輸入層和隱含層的神經(jīng)元個(gè)數(shù)，自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也就確定了。圖1為一個(gè)自編碼神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，該網(wǎng)絡(luò)的輸入層包含5個(gè)神經(jīng)元，隱含層包含3個(gè)神經(jīng)元。

圖1 自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

自編碼神經(jīng)網(wǎng)絡(luò)包括兩個(gè)部分：編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)。其中編碼網(wǎng)絡(luò)用于將原始輸入數(shù)據(jù)投影到一個(gè)低維空間(當(dāng)隱含層神經(jīng)元個(gè)數(shù)少于輸入層神經(jīng)元個(gè)數(shù)時(shí))中，得到輸入數(shù)據(jù)的一種特征表達(dá)，而解碼網(wǎng)絡(luò)則用于將低維空間的特征表達(dá)重新投影回原始的數(shù)據(jù)空間，并最小化輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的差別，從而達(dá)到數(shù)據(jù)重構(gòu)的目的。對(duì)于給定的輸入數(shù)據(jù)集x={x1,x2,x3...xN}(N為數(shù)據(jù)集的樣本個(gè)數(shù))，其編碼過(guò)程為：

an=fθ(xn)=s(W(1)xn+b(1))

(1)

(2)

式中，θ′={W(2),b(2)}為解碼網(wǎng)絡(luò)的權(quán)值參數(shù)和偏置。式(1)和式(2)中，s()為神經(jīng)元的激活函數(shù)，如tanh或sigmoid。

通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行先編碼后解碼的過(guò)程，可以在網(wǎng)絡(luò)的輸出得到輸入數(shù)據(jù)的重構(gòu)表示，自編碼神經(jīng)網(wǎng)絡(luò)通過(guò)最小化重構(gòu)誤差[48]完成訓(xùn)練，其中重構(gòu)誤差用下面的代價(jià)函數(shù)來(lái)衡量：

(3)

從數(shù)據(jù)重構(gòu)的角度來(lái)看，對(duì)于一個(gè)訓(xùn)練好的自編碼神經(jīng)網(wǎng)絡(luò)而言，如果去掉網(wǎng)絡(luò)的解碼部分，對(duì)任意給定的新的輸入，利用網(wǎng)絡(luò)參數(shù)可以通過(guò)編碼計(jì)算，得到中間隱含層的激活值向量。一般可以認(rèn)為是對(duì)原輸入更好的表達(dá)向量，即提取的特征向量。自編碼神經(jīng)網(wǎng)絡(luò)的特征提取模型示意圖如圖2所示。

圖2 自編碼神經(jīng)網(wǎng)絡(luò)特征提取模型示意圖

1.2 稀疏自編碼神經(jīng)網(wǎng)絡(luò)

在學(xué)習(xí)過(guò)程中，SAE的參數(shù)通過(guò)最小化成本使用反向傳播來(lái)調(diào)整稀疏約束內(nèi)的函數(shù)。稀疏性約束在隱藏層上工作以限制其單位使它成為稀疏向量，其中大多數(shù)元素為零或接近于零。對(duì)于自動(dòng)編碼的網(wǎng)絡(luò)結(jié)構(gòu)，具有S形激活功能的神經(jīng)元處于活躍狀態(tài)如果輸出接近1則顯示狀態(tài)，如果輸出接近0則顯示非活動(dòng)狀態(tài)。因此，稀疏性約束被引入來(lái)限制大多數(shù)神經(jīng)元在大多數(shù)時(shí)候不活動(dòng)。

圖3 去噪自編碼神經(jīng)網(wǎng)絡(luò)的概念

隱藏單元j的激活由aj(x)表示，并且隱藏單元j的平均激活如下：

(4)

(5)

m訓(xùn)練樣例的訓(xùn)練集{x(1),y(1)..., (x(m),y(m)}表示，原始成本函數(shù)被定義為:

(6)

式(5)中的第一項(xiàng)是平均平方和誤差術(shù)語(yǔ)，第二項(xiàng)是正則化項(xiàng)或權(quán)重衰減項(xiàng)，這些往往會(huì)減少權(quán)重。這里，W和b與(1)和(2)中的相同，和λ是權(quán)重衰減參數(shù)。通過(guò)添加稀疏懲罰項(xiàng)，成本函數(shù)被修改為:

(7)

其中：β代表稀疏性懲罰項(xiàng)的權(quán)重。

1.3 去噪自編碼神經(jīng)網(wǎng)絡(luò)

盡管描述了上述過(guò)程，學(xué)習(xí)功能很好地提高了性能并且預(yù)測(cè)模型的泛化能力仍在繼續(xù)由于在現(xiàn)實(shí)世界數(shù)據(jù)中出現(xiàn)的噪音和異常值而面臨挑戰(zhàn)。為了強(qiáng)制隱藏層發(fā)現(xiàn)更強(qiáng)大的功能，可以重建來(lái)自損壞版本的輸入來(lái)訓(xùn)練自編碼神經(jīng)網(wǎng)絡(luò)，它是自編碼神經(jīng)網(wǎng)絡(luò)去噪的理念如圖4所示。

圖4 兩層堆疊稀疏自編碼神經(jīng)網(wǎng)絡(luò)和邏輯回歸

(8)

標(biāo)準(zhǔn)方法是通過(guò)將x元素的隨機(jī)分?jǐn)?shù)設(shè)置為零來(lái)將掩蔽噪聲應(yīng)用于原始數(shù)據(jù)。接下來(lái)，損壞的數(shù)據(jù)x通過(guò)一個(gè)基本的自編碼神經(jīng)網(wǎng)絡(luò)進(jìn)程并映射到一個(gè)隱藏表示:

(9)

從這個(gè)等式，我們重建:

z=gθ′(y)

(10)

在最后階段，訓(xùn)練參數(shù)以最小化平均重建誤差:

LH(x,z)=H(Bx‖Bz)

(11)

2 堆疊自編碼神經(jīng)網(wǎng)絡(luò)

作為一個(gè)典型的深度神經(jīng)網(wǎng)絡(luò)，堆疊自編碼神經(jīng)網(wǎng)絡(luò)由多層稀疏或去噪自編碼神經(jīng)網(wǎng)絡(luò)和邏輯回歸組成。堆疊自編碼神經(jīng)網(wǎng)絡(luò)的每一層的輸出都連接到后續(xù)層的輸入。兩層架構(gòu)堆疊稀疏自編碼神經(jīng)網(wǎng)絡(luò)如圖5所示。每個(gè)稀疏或者去噪自編碼神經(jīng)網(wǎng)絡(luò)生成輸入的表示(來(lái)自飛機(jī)發(fā)動(dòng)機(jī)傳感器的數(shù)據(jù))比前一層更抽象和更高維度，因?yàn)樗峭ㄟ^(guò)應(yīng)用額外的非線性變換來(lái)獲得的。將稀疏自編碼神經(jīng)網(wǎng)絡(luò)的最后一層的輸出輸入到BP神經(jīng)網(wǎng)絡(luò)中，然后獲得結(jié)果(發(fā)動(dòng)機(jī)壽命值)

圖5 堆疊自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

微調(diào)的過(guò)程主要集中在調(diào)整SAE網(wǎng)絡(luò)中的權(quán)重，從而獲得更好的預(yù)測(cè)性能。首先，前饋用于計(jì)算激活所有自編碼神經(jīng)網(wǎng)絡(luò)層。在下一步中，我們?cè)O(shè)置δ(nl)=-(△anlJ)*f1(znl)作為輸出層，在△J=θ(I-P)中，I是輸入標(biāo)簽，P是條件概率的向量。然后，對(duì)于圖層l=nl-1,nl-2,..., 3, 2，我們?cè)O(shè)定δ(l)=((W(1))Tδ(l+1))*f′(znl)，然后，所需的偏導(dǎo)數(shù)是:

△WlJ(W,b;x,y)=δ(l+1)(a(1))T,

△blJ(W,b;x,y)=δl+1

(12)

其中:W,b和a如式(1)和(2)所示。最后，使用批量梯度下降算法最小化整體成本函數(shù)。

3 系統(tǒng)軟件設(shè)計(jì)

基于堆疊自編碼網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)方法結(jié)合了堆疊自編碼網(wǎng)絡(luò)模型和BP分類模型，先通過(guò)堆疊自編碼網(wǎng)絡(luò)提取航空發(fā)動(dòng)機(jī)傳感器數(shù)據(jù)特征，再對(duì)提取特征進(jìn)行結(jié)果分類， 具體診斷流程如圖6所示，具體步驟如下：

1)通過(guò)多個(gè)傳感器采集航空發(fā)動(dòng)機(jī)狀態(tài)參數(shù)。

2)對(duì)每一組原始信號(hào)進(jìn)行預(yù)處理，以構(gòu)造足夠的訓(xùn)練數(shù)據(jù)集，提高網(wǎng)絡(luò)的訓(xùn)練效果。

3)將各組樣本數(shù)據(jù)分別輸入到網(wǎng)絡(luò)模型中，利用逐層貪婪算法和BP反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4)堆疊自編碼網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后可以學(xué)習(xí)隱含在樣本數(shù)據(jù)中的知識(shí)，從而在其高層隱含層處獲得樣本數(shù)據(jù)的特征向量。

5)將所有的特征向量進(jìn)行合并，組合成為一個(gè)特征向量。

6)將合并的特征向量輸入到BP模型中，在模型輸出層得到預(yù)測(cè)的發(fā)動(dòng)機(jī)壽命值區(qū)間。

圖6 基于堆疊自編碼網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)過(guò)程

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)說(shuō)明

為檢驗(yàn)故障診斷方法的有效性，選擇驗(yàn)證案例的數(shù)據(jù)來(lái)源于2008年P(guān)HM國(guó)際會(huì)議預(yù)測(cè)挑戰(zhàn)競(jìng)賽，挑戰(zhàn)數(shù)據(jù)集包括多個(gè)多變量時(shí)間序列，這些時(shí)間序列是通過(guò)發(fā)動(dòng)機(jī)系統(tǒng)的動(dòng)態(tài)模擬收集的。該模型模擬了發(fā)動(dòng)機(jī)的5個(gè)旋轉(zhuǎn)部件(風(fēng)扇，低壓壓氣機(jī)，高壓壓氣機(jī)，高壓渦輪和低壓渦輪)中的任何一個(gè)部件損壞的情況，發(fā)動(dòng)機(jī)示意圖如圖7所示。 該數(shù)據(jù)集包含了45918(218個(gè)周期劣化)組數(shù)據(jù)用于訓(xùn)練，和29820組數(shù)據(jù)(218個(gè)周期劣化)用于測(cè)試。

圖7 渦扇發(fā)動(dòng)機(jī)示意圖

每個(gè)發(fā)動(dòng)機(jī)單元的每個(gè)循環(huán)的完整數(shù)據(jù)集包括單元ID，操作循環(huán)指數(shù)，操作狀態(tài)設(shè)置和典型的傳感器測(cè)量。 總共21個(gè)傳感器(如表1所示)安裝在飛機(jī)發(fā)動(dòng)機(jī)的不同部件中。

表1 飛機(jī)氣體的傳感器信號(hào)的描述渦輪發(fā)動(dòng)機(jī)

R：朗肯溫度標(biāo)度; psia：每平方英寸絕對(duì)磅;rpm：每分鐘轉(zhuǎn)數(shù); pps：每平方英寸的脈沖; lbm / s：磅每秒質(zhì)量。

數(shù)據(jù)組的每個(gè)劣化周期內(nèi)都包含了5類發(fā)動(dòng)機(jī)機(jī)操作狀態(tài)，包括了馬赫數(shù)、油門桿位置、大氣高度，我們提取了其中一個(gè)劣化周期內(nèi)相同操作狀態(tài)的數(shù)據(jù)如圖所示，我們從圖8中的21個(gè)傳感器參數(shù)數(shù)據(jù)可以看出，有些參數(shù)在劣化過(guò)程中變化不明顯，有些參數(shù)數(shù)據(jù)隨著發(fā)動(dòng)機(jī)狀態(tài)劣化變化趨勢(shì)明顯。僅憑人工分析，很難分析出發(fā)動(dòng)機(jī)壽命規(guī)律。

圖8 發(fā)動(dòng)機(jī)退化過(guò)程部分傳感器信號(hào)

4.2 結(jié)果分析

首先為了分析網(wǎng)絡(luò)各層的訓(xùn)練情況，做出代價(jià)函數(shù)的誤差曲線圖，如圖9所示。從圖中可以看出，第一隱含層的預(yù)訓(xùn)練在迭代至150步時(shí)，代價(jià)函數(shù)的誤差值趨于零且波動(dòng)性較小，可以說(shuō)明此時(shí)網(wǎng)絡(luò)達(dá)到收斂；同理，第二隱含層約在50步時(shí)達(dá)到收斂，輸出層約在100步時(shí)達(dá)到收斂，網(wǎng)絡(luò)微調(diào)過(guò)程則約在200步時(shí)達(dá)到收斂。結(jié)果表明網(wǎng)絡(luò)各層預(yù)訓(xùn)練及網(wǎng)絡(luò)微調(diào)的重構(gòu)誤差均達(dá)到收斂，說(shuō)明此時(shí)的網(wǎng)絡(luò)結(jié)構(gòu)及超參數(shù)的設(shè)置是較為合理的。

圖9 代價(jià)函數(shù)誤差曲線圖

下面利用所提方法對(duì)航空發(fā)動(dòng)機(jī)狀態(tài)數(shù)據(jù)進(jìn)行分析，首先給發(fā)動(dòng)機(jī)劣化數(shù)據(jù)打上壽命區(qū)間標(biāo)簽，再對(duì)其進(jìn)行特征提取，并實(shí)現(xiàn)壽命預(yù)測(cè)。首先是訓(xùn)練樣本的構(gòu)造：將每一個(gè)發(fā)動(dòng)機(jī)狀態(tài)參數(shù)的操作數(shù)歸一化，將歸一化的數(shù)據(jù)分類到10個(gè)區(qū)間范圍內(nèi)，構(gòu)成數(shù)據(jù)壽命標(biāo)簽，完成訓(xùn)練樣本的構(gòu)造。實(shí)驗(yàn)中，選用測(cè)試集數(shù)據(jù)用于測(cè)試。然后是網(wǎng)絡(luò)參數(shù)設(shè)置：將訓(xùn)練樣本輸入到深度網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并確定網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)，得到訓(xùn)練好的網(wǎng)絡(luò)模型結(jié)構(gòu)為24-125-75-10，即網(wǎng)絡(luò)共有4層，每層神經(jīng)元個(gè)數(shù)分別為24、125、75、10，其他網(wǎng)絡(luò)參數(shù)的設(shè)置見(jiàn)表2。最后，訓(xùn)練結(jié)束后可在第二隱含層處獲得提取的特征向量，并在輸出層得到分類結(jié)果。

表2 網(wǎng)絡(luò)參數(shù)設(shè)置表

為了使分類結(jié)果穩(wěn)定，分類測(cè)試共進(jìn)行50次，統(tǒng)計(jì)50次的誤判樣本個(gè)數(shù)，并取其平均值作為統(tǒng)計(jì)結(jié)果。同時(shí)為了對(duì)比說(shuō)明，采用相同的實(shí)驗(yàn)方法利用單層自編碼網(wǎng)絡(luò)對(duì)航空發(fā)動(dòng)機(jī)數(shù)據(jù)進(jìn)行特征提取，對(duì)比兩種方法的分類結(jié)果，如表3所示。

表3 分類結(jié)果對(duì)比表

表中結(jié)果顯示，與自編碼神經(jīng)網(wǎng)絡(luò)相比，利用堆疊自編碼神經(jīng)網(wǎng)絡(luò)提取的特征在訓(xùn)練樣本集和測(cè)試樣本集上均具有較高的分類正確率，這說(shuō)明在實(shí)際應(yīng)用中，堆疊自編碼神經(jīng)網(wǎng)絡(luò)提取的特征具有較好的可區(qū)分性，而且能夠減小工況干擾的影響。

5 結(jié)束語(yǔ)

文中，基于深度學(xué)習(xí)開(kāi)發(fā)了一種新的數(shù)據(jù)驅(qū)動(dòng)的發(fā)動(dòng)機(jī)剩余方法，該方法可以自己捕獲有效的非線性特征并減少人工干預(yù)?；诙询B自編碼神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，它不僅能夠?qū)Πl(fā)動(dòng)機(jī)退化過(guò)程進(jìn)行較好的建模，而且能夠充分挖掘數(shù)據(jù)內(nèi)部信息，提取有效特征，排除無(wú)關(guān)數(shù)據(jù)。將所提出的基于堆疊自編碼神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)航空發(fā)動(dòng)機(jī)剩余壽命方法應(yīng)用于2008 PHM數(shù)據(jù)挑戰(zhàn)數(shù)據(jù)集以證明所提出方法的有效性。實(shí)驗(yàn)結(jié)果顯示預(yù)測(cè)精度達(dá)到預(yù)期，并用單層自編碼神經(jīng)網(wǎng)絡(luò)和堆疊自編碼神經(jīng)網(wǎng)絡(luò)做了對(duì)比，對(duì)別結(jié)果顯示堆疊自編碼神經(jīng)網(wǎng)絡(luò)在特征提取過(guò)程中有更好的效果，預(yù)測(cè)準(zhǔn)確率更高。所研究的航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)方法有助于提高飛機(jī)發(fā)動(dòng)機(jī)的安全性，預(yù)測(cè)和管理飛機(jī)發(fā)動(dòng)機(jī)的健康狀況，降低維護(hù)成本。