溫海茹

摘要：隨著深度學習不斷的發(fā)展，航空發(fā)動機成為近年來的研究熱點，其壽命預(yù)測的研究也受到了研究學者的關(guān)注。本文主要介紹航空發(fā)動機的剩余使用壽命預(yù)測背景，數(shù)據(jù)獲取過程及基于深度學習的剩余使用壽命的預(yù)測方法，以及深度學習在航空發(fā)動方面預(yù)測的難點和發(fā)展趨勢。

關(guān)鍵詞：航空發(fā)動機;深度學習;剩余使用壽命預(yù)測

0 ?引言

隨著當代科學技術(shù)的發(fā)展，航空發(fā)動機等復(fù)雜系統(tǒng)設(shè)備的結(jié)構(gòu)和自動化程度日益復(fù)雜，其故障預(yù)測精度的要求也越來越高。發(fā)動機作為飛機的核心，其可靠性與安全性越來越重要，其次，發(fā)動機的維修保障也成為當前研究的熱點。預(yù)測與健康管理（Prognostics and health management，PHM）是剩余使用壽命預(yù)測的關(guān)鍵技術(shù)，在這幾年中取得了良好的進展并得到了廣泛的應(yīng)用[1]。其中剩余使用壽命預(yù)測一直是PHM的研究熱點和難點。壽命預(yù)測的實現(xiàn)依賴于壽命預(yù)測算法，基于物理模型預(yù)測的方法如卡爾曼濾波、粒子濾波方法的預(yù)測值會隨著測量值的更新而不斷變化，導致其長期預(yù)測效果不佳，不能很好的解決復(fù)雜設(shè)備的內(nèi)部結(jié)構(gòu)和失效機理。

目前深度學習在航空發(fā)動機方面的應(yīng)用與研究越來越多。深度學習體系結(jié)構(gòu)主要是對數(shù)據(jù)高層的抽象特征進行提取并建模，然后通過在模型結(jié)構(gòu)中堆疊多層的神經(jīng)網(wǎng)絡(luò)模塊來對提取到的數(shù)據(jù)進行分類或者回歸預(yù)測。目前比較常見的深度學習體系結(jié)構(gòu)有卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN），堆棧自編碼器（stacked autoencoder，SAE）、深度信念網(wǎng)絡(luò)（deep belief network，DBN）、深度玻爾茲曼機（deep boltzmann machine，DBM）和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）等，除此之外，長短時記憶網(wǎng)絡(luò)（Long short-term memory，LSTM）因其在時間序列方面能夠提取數(shù)據(jù)之間的時間依賴性，在壽命預(yù)測領(lǐng)域應(yīng)用比較廣泛。以上所述的深度學習算法在航空發(fā)動機領(lǐng)域研究使用的比較多，深度學習已成為航空發(fā)動機健康管理的有效工具。本文將系統(tǒng)闡述深度學習在航空發(fā)動機的剩余使用壽命預(yù)測領(lǐng)域的研究過程與方法。

1 ?獲取航空發(fā)動機退化數(shù)據(jù)

在使用深度學習模型進行航空發(fā)動機的壽命預(yù)測時，首先要監(jiān)測航空發(fā)動機的使用數(shù)據(jù)，利用不同的傳感器去監(jiān)測設(shè)備的發(fā)展動態(tài)，得到一系列時間數(shù)據(jù)。時間數(shù)據(jù)主要是性能退化數(shù)據(jù)，其具有樣本小，非線性強的特點。為了更好的提取航空發(fā)動機的退化參數(shù)，要對監(jiān)測到的退化時間序列進行數(shù)據(jù)預(yù)處理，剔除無用的數(shù)據(jù)。為了降低噪聲的干擾，對數(shù)據(jù)進行歸一化和濾波處理。航空發(fā)動機的故障發(fā)生的數(shù)據(jù)較少，因此要利用多故障，發(fā)生故障頻率較高的數(shù)據(jù)。

2 ?基于深度學習的剩余使用壽命預(yù)測方法

目前在航空發(fā)動機領(lǐng)域，根據(jù)深度學習的網(wǎng)絡(luò)結(jié)構(gòu)的不同，主要的深度學習算法有四種：DNN、DBN、CNN、RNN。

DNN的方法主要由多個AE以及降噪自動編碼器（Denoising autoencoder，DAE）構(gòu)成。AE主要包括兩個部分：編碼器和解碼器，通過堆疊多層AE來實現(xiàn)數(shù)據(jù)的高層次特征提取，再利用前饋神經(jīng)網(wǎng)絡(luò)輸出RUL的值，實現(xiàn)壽命預(yù)測。DBN的方法主要由多個限制玻爾茲曼機（Restricted Boltzman machine，RBM）構(gòu)成，其中包括分類層和回歸層。此方法能夠完成對輸入數(shù)據(jù)特征提取，網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)通常由對比散度算法來確定，然后通過分類層或回歸層將前面得到的數(shù)據(jù)特征映射到輸出的標簽上，有助于DBN網(wǎng)絡(luò)參數(shù)的反向調(diào)整。此方法在發(fā)動機方面的壽命預(yù)測有巨大優(yōu)勢。ZHANG等[2]人對深度置信網(wǎng)絡(luò)進行了改進，提出一種多目標深度置信網(wǎng)絡(luò)的方法，每個網(wǎng)絡(luò)模型的輸出在整個網(wǎng)絡(luò)集合中占有一定的權(quán)重，同時實驗表明所提方法在預(yù)測NASA的航空發(fā)動機數(shù)據(jù)時表現(xiàn)出了強大的優(yōu)越性。但是DBN在長期預(yù)測方面性能比較差，所以要對DBN進行融合改進，才能達到預(yù)期的壽命預(yù)測精度。CNN的方法是通過多個濾波器去提取航空發(fā)動機退化過程中的隱含信息，得到高層特征。隨后通過池化找到最具有代表性的特征。CNN方法具有權(quán)重共享的特點，LI等人[3]提出一種深度卷積神經(jīng)網(wǎng)絡(luò)，利用時間窗的方法進行了樣本制備，導致有部分信息忽略，所以此方法只用卷積，沒有池化操作。它的特點是不需要人工提取特征，能夠自動融合多傳感器特征，適用于海量數(shù)據(jù)且優(yōu)化參數(shù)過程比較方便。RNN的方法主要思想就是將航空發(fā)動機中的監(jiān)測數(shù)據(jù)輸入作為RNN網(wǎng)絡(luò)的輸入，采用反向傳播（Back-propagation through time，BPTT）對模型參數(shù)進行訓練，進而實現(xiàn)航空設(shè)備的剩余壽命預(yù)測。RNN的內(nèi)部反饋連接刻揭示了航空發(fā)動機退化數(shù)據(jù)的前后依賴性。但是RNN在壽命預(yù)測過程中容易產(chǎn)生梯度消失和梯度爆炸。因此一些學者在此基礎(chǔ)上進行了改進，提出了長短期記憶網(wǎng)絡(luò)（Long short-term memory，LSTM）模型。LSTM設(shè)置的遺忘門，能夠解決梯度消失問題。為了研究航空發(fā)動機運行環(huán)境擾動而引起的不確定問題，ZHANG等[4]人對LSTM 的結(jié)構(gòu)進行了改進，研究了一種基于雙向LSTM的剩余壽命預(yù)測方法，將前向路徑與后向路徑獨立計算的結(jié)果進行串聯(lián)再輸出最終結(jié)果，此方法有效的平滑了航空發(fā)動機的退化軌跡，提高了剩余使用壽命預(yù)測精度。

這些基本的深度學習方法都能用在航空發(fā)動機等復(fù)雜系統(tǒng)設(shè)備的壽命預(yù)測研究上，而且不需要人工提取特征，具有非常強的特征提取能力和非線性函數(shù)表達能力。

基于深度學習的航空發(fā)動機壽命預(yù)測基本過程：

根據(jù)航空發(fā)動機退化數(shù)據(jù)非線性的特點，首先要對傳感器監(jiān)測到的數(shù)據(jù)進行數(shù)據(jù)篩選、數(shù)據(jù)預(yù)處理，降低噪聲的干擾，使數(shù)據(jù)更加清晰。然后搭建深度學習神經(jīng)網(wǎng)絡(luò)框架提取數(shù)據(jù)特征，神經(jīng)網(wǎng)絡(luò)架構(gòu)包括網(wǎng)絡(luò)層數(shù)的選擇，神經(jīng)元數(shù)量的選擇，學習率大小，權(quán)重參數(shù)的選擇優(yōu)化方法等。一般將數(shù)據(jù)分為訓練集和測試集，訓練集訓練網(wǎng)絡(luò)結(jié)構(gòu)，得到最優(yōu)模型。最后進行RUL預(yù)測，輸入測試集，神經(jīng)網(wǎng)絡(luò)自動輸出預(yù)測值，評價預(yù)測結(jié)果。深度學習基本預(yù)測航空發(fā)動機的流程示意圖如圖1所示。

3 ?未來研究難點及發(fā)展趨勢

雖然有專家學者在這方面關(guān)注的比較多，但是剩余使用壽命預(yù)測還處于發(fā)展階段，還需要經(jīng)歷漫長的發(fā)展和成熟的過程。監(jiān)測信息處理和預(yù)測方法方面將來會受到較大的關(guān)注。

①航空發(fā)動機等復(fù)雜系統(tǒng)裝備的數(shù)據(jù)大多數(shù)都是非線性的。非線性理論發(fā)展具有一定的局限性，對非線性系統(tǒng)缺乏一般性的建模方法，相關(guān)壽命預(yù)測的研究課題已經(jīng)成為當前的研究熱點和難點。

②對于建立深度學習的航空發(fā)動機模型，也需要考慮發(fā)動機的環(huán)境干擾、數(shù)據(jù)樣本不全，模型參數(shù)時變的情況，這些因素會導致模型會有一定的誤差和不確定性。航空發(fā)動機等復(fù)雜系統(tǒng)設(shè)備在運行過程中會受到各種不確定因素的干擾，而且預(yù)測算法的靈敏度和算法模型的魯棒性往往是對立的兩面，所以需要考慮算法模型的策略設(shè)計，在一定靈敏度的條件下到達魯棒性最優(yōu)，對增強算法模型的抗干擾能力具有重要的實際意義。

③在實際的航空發(fā)動機復(fù)雜系統(tǒng)領(lǐng)域的數(shù)據(jù)往往具有滯后、強耦合、參數(shù)時變等非線性的特性，其完全適應(yīng)的數(shù)學模型不存在，不確定性和外界環(huán)境噪聲統(tǒng)計不理想等因素導致其剩余使用壽命預(yù)測十分復(fù)雜。任何單一的深度學習模型都不能很好的完全解決這些問題，因此有必要考慮混合深度學習模型來預(yù)測，這將會成為未來新的研究熱點。

④要實現(xiàn)對數(shù)據(jù)的實時監(jiān)測、信息處理和預(yù)測，就必須要脫離傳統(tǒng)方法所利用的平臺來計算，去探尋在軟硬件結(jié)合下的高校計算方法。

⑤深度學習方法能夠提取出監(jiān)測數(shù)據(jù)中所蘊含的有效信息，刻畫出特征信息與剩余壽命之間的非線性關(guān)系，在剩余壽命預(yù)測領(lǐng)域具有一定的普適性，但無法得到剩余壽命的解析概率分布，難以應(yīng)用于維修策略的安排和制定，因此，考慮多種深度學習算法融合是將來研究的方向。

4 ?結(jié)束語

本文結(jié)合航空發(fā)動機的剩余使用壽命預(yù)測方法的特點，以及航空發(fā)動機實際情況的數(shù)據(jù)復(fù)雜特點，重點概述了壽命預(yù)測的深度學習算法和深度學習在壽命預(yù)測領(lǐng)域的基本預(yù)測過程，以及航空發(fā)動機等復(fù)雜系統(tǒng)設(shè)備在未來壽命預(yù)測所遇到的挑戰(zhàn)及研究方向。

參考文獻：

[1]PECHT M ，JAAI R. A prognostics and health management roadmap for information and electronics-rich systems[J]. Microelectronics Reliability，2010 50（3）：317-323.

[2]ZHANG C，LIM P，QIN A K，et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics[J]. IEEE Transactions on Neural Networks & Learning Systems，2016，28（10） 2306-2318.

[3]LI X ， DING Q ， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks[J]. Reliability Engineering and System Safety，2018，172（C）：1-11.

[4]ZHANG Y Z，XIONG R，HE H W，et al. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries[J]. IEEE Transactions on Vehicular Technology，2018，67（7）：5695-5705.