馬 敏， 王 濤

(中國民航大學(xué)電子信息與自動化學(xué)院，天津300300)

1 引 言

航空飛機因機械故障引發(fā)的重大事故中，大約有40%是由于發(fā)動機故障導(dǎo)致的，而其中由于發(fā)動機磨損失效導(dǎo)致的事故占80%以上[1]。通過實時監(jiān)測發(fā)動機的磨損狀態(tài)，可在故障初期及時發(fā)現(xiàn)問題，較大程度地避免災(zāi)難性事故的發(fā)生。

發(fā)動機零部件表面脫落的磨粒進(jìn)入潤滑系統(tǒng)，滑油中磨粒的變化能夠較為準(zhǔn)確地反映發(fā)動機磨損情況[2]。目前，國內(nèi)外針對于航空發(fā)動機滑油檢測的方法一般分為在線監(jiān)測和離線檢測兩種[3]。在線監(jiān)測技術(shù)一般是利用在航空發(fā)動機上安裝信號式油濾或磁性螺堵，對滑油中的磨損物含量進(jìn)行在線監(jiān)測，當(dāng)其超過設(shè)定指標(biāo)時報警，待發(fā)動機停車后進(jìn)行深入的檢查[4]。離線檢測技術(shù)效果更佳，即定期對所監(jiān)測的發(fā)動機進(jìn)行滑油取樣，對采集到的油樣進(jìn)行離線分析，離線檢測的主要方法有鐵譜分析法、光譜分析法、磁塞分析法等[6]。鐵譜分析法是20世紀(jì)70年代發(fā)明的一種新的機械磨損檢測方法，既能讀出微粒的相對濃度，也能對微粒的物理性能作出進(jìn)一步分析[7]；光譜分析法是根據(jù)物質(zhì)的光譜來鑒別物質(zhì)，確定其化學(xué)組成和相對含量的方法，能夠檢測5 μm以下的磨粒，可靠性高[8]；磁塞檢測法是在飛機、輪船和其它工業(yè)部門中長期采用的一種檢測方法，該方法主要檢測10 μm以上的大磨粒[9]。

近年來,隨著模式識別和人工智能技術(shù)的發(fā)展，模糊數(shù)學(xué)、灰色系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論等理論和方法在發(fā)動機滑油檢測中得到了應(yīng)用，并取得了一定的成果[6～8]。然而由于磨粒的多樣性和復(fù)雜性,單一的神經(jīng)網(wǎng)絡(luò)受到一定的局限，不能同時提取數(shù)據(jù)的多維特征和多尺度特征，從而不能全面反映滑油管道內(nèi)的磨粒狀態(tài)，難以獲得理想的診斷效果[9]。針對上述缺陷，本文提出了一種基于CNN-MSLSTM網(wǎng)絡(luò)的滑油在線監(jiān)測方法，提取原始測量數(shù)據(jù)在空間維度和時間維度的高級特征。該方法學(xué)習(xí)能力強、可靠性高，能夠較為準(zhǔn)確地監(jiān)測航空發(fā)動機的磨損狀態(tài)，分析發(fā)動機的工作狀況。

2 航空發(fā)動機滑油在線監(jiān)測需求分析

航空發(fā)動機各零部件之間相互接觸，在摩擦副的運動過程中產(chǎn)生摩擦，進(jìn)而產(chǎn)生零部件的磨損。關(guān)于航空發(fā)動機磨損發(fā)展與狀態(tài)監(jiān)測的理想表示如圖1所示。

圖1 航空發(fā)動機磨損發(fā)展與狀態(tài)監(jiān)測的理想表示Fig.1 An ideal representation of aeroengine wear development and condition monitoring

由圖(1)可知，航空發(fā)動機滑油監(jiān)測主要監(jiān)控滑油管道內(nèi)金屬元素濃度及其增長率。通過提取ECT(Electric Capacitance Tomography的簡稱，電容層析成像)監(jiān)測滑油數(shù)據(jù)的有效特征[10]，得到磨粒濃度及其增長率的變化信息，及時了解發(fā)動機動態(tài)磨損變化情況，起到在線預(yù)警的作用。某型號航空發(fā)動機磨損狀態(tài)診斷判別表如表1所示,該發(fā)動機磨損狀態(tài)Fe元素界限值如表2所示。

3 深度學(xué)習(xí)理論基礎(chǔ)

3.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)可在復(fù)雜的環(huán)境和背景下處理問題，利用權(quán)值共享的特性，將數(shù)據(jù)的局部特征集成到多層感知器中，對故障的識別與診斷具有良好的性能[11～15]。典型的卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層和全連接層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

表1 某型號航空發(fā)動機磨損狀態(tài)診斷判別表Tab.1 A certain type of aero-engine engine wearchange fault diagnosis discriminant

表2 某型號航空發(fā)動機磨損狀態(tài)Fe元素界限值表Tab.2 Fe element limit value table for acertain type of aeroengine wear

圖2 CNN結(jié)構(gòu)圖Fig.2 CNN structure diagram

3.2 長短期記憶(LSTM)網(wǎng)絡(luò)

長短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的梯度消失和梯度爆炸問題而提出的，對于處理時間序列的信號具有良好的性能。LSTM由輸入門、忘記門、輸出門和記憶單元組成[16]。

LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：x(t)表示當(dāng)前時刻的輸入；fg表示sigmoid激活函數(shù)；h(t-1)，h(t)分別表示LSTM前一時刻和當(dāng)前時刻的輸出；bi、bf、bo、bc分別表示輸入門、忘記門、輸出門和前一時刻的偏置；i(t)、g(t)、o(t)分別表示當(dāng)前時刻輸入門、忘記門、輸出門的輸出；C(t)表示新的記憶單元狀態(tài);yg(t)為前一時刻的輸入對目前的影響。

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM network structure

3.3 CNN-MSLSTM網(wǎng)絡(luò)模型

單一的CNN和LSTM只能獲取數(shù)據(jù)在空間維度或時間維度的一維特征，然而對ECT滑油監(jiān)測數(shù)據(jù)的特征提取時，不僅需要考慮同一時刻、不同傳感器之間的電容值，還需要考慮數(shù)據(jù)在時間維度上的變化，顯然單一的CNN和LSTM不能滿足滑油監(jiān)測需求。針對航空發(fā)動機滑油監(jiān)測需求及監(jiān)測數(shù)據(jù)特點，結(jié)合CNN和LSTM在提取數(shù)據(jù)特征時的優(yōu)勢，提出了一種雙通道網(wǎng)絡(luò)模型CNN-MSLSTM。

首先引入一個簡單的粗粒度過程來獲得多個尺度下的電容數(shù)據(jù)。測得的原始電容值數(shù)據(jù)為x={x1,x2,…,xn}， 共有n組電容值，其中每組xi均有66個電容值。對數(shù)據(jù)集構(gòu)造粗粒度信號y(S)， 對原始信號xi中的數(shù)據(jù)點進(jìn)行平均，同時增加長度為S(也稱為比例因子)的非重疊窗口。圖4顯示了數(shù)據(jù)在時間維度上的3尺度粗粒度過程。

圖4 電容數(shù)據(jù)粗粒度過程Fig.4 Capacitance data coarse-grained process

實際上，粗粒度操作是同時對原始信號進(jìn)行逐次平滑和下采樣，可視為一個簡單的通過移動平均線與非重疊窗口的低通濾波過程，對高頻擾動和隨機噪聲具有一定的濾波效果。粗粒度操作實現(xiàn)簡單，可以降低模型復(fù)雜度和計算成本。如圖4所示，對于不同尺度因子，我們可以得到多個濾波信號，每個濾波信號對應(yīng)于原始信號不同尺度的平滑表示。

圖5 CNN-MSLSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 CNN-MSLSTM network structure

樣本從左右兩個通道輸入神經(jīng)網(wǎng)絡(luò)。左邊的為CNN網(wǎng)絡(luò)，最后一層有n個神經(jīng)元的輸出，輸出維度為1×n的特征向量：

(1)

右通道為MSLSTM網(wǎng)絡(luò)，序列長度為n，融合的特征表達(dá)的輸出維度為m，輸出n×m維的特征向量：

(2)

通過Attention機制，將兩個通道的特征表達(dá)進(jìn)行融合，融合的特征表達(dá)具有時間和空間維度上的特征。

Attention層的結(jié)構(gòu)如圖6所示，特征融合的過程如式(3)～式(6)所示。

圖6 Attention層結(jié)構(gòu)Fig.6 Attention layer structure

(3)

(4)

(5)

fmap=[f1,f2,…,fn]

(6)

式中：Wa為n×m維的權(quán)值矩陣；ba為偏置項。

4 算例分析

4.1 構(gòu)造數(shù)據(jù)集

航空發(fā)動機滑油管道直徑只有大約10 mm，為了兼顧傳感器安裝工藝水平及測量的精度和實時性，選擇12電極的ECT系統(tǒng)采集電容數(shù)據(jù)，采用單電極激勵方式[17]。傳感器的結(jié)構(gòu)，激勵E1電極時靜電場內(nèi)的電場線分布，如圖7所示。

圖7 ECT電容傳感器Fig.7 ECT capacitive sensor

設(shè)計了基于ECT系統(tǒng)的航空發(fā)動機滑油監(jiān)測數(shù)據(jù)采集實驗。實驗用到的鐵屑和滑油如圖8所示，數(shù)據(jù)采集裝置如圖9所示。

圖8 實驗鐵屑和滑油Fig.8 Experimental iron filings and oil

圖9 ECT數(shù)據(jù)采集系統(tǒng)實驗臺Fig.9 ECT data acquisition system test bench

數(shù)據(jù)采集過程中，將滑油倒入ECT管道內(nèi)，利用循環(huán)泵使滑油流動起來，動態(tài)模擬各種磨損狀態(tài)下滑油在飛機滑油管道內(nèi)的流動狀態(tài)，按照表3的采集步驟，控制添加鐵屑的速率和濃度，利用數(shù)據(jù)采集設(shè)備采集數(shù)據(jù)。為了節(jié)約實驗材料，調(diào)整各個磨損狀態(tài)的采集順序，最后采集狀態(tài)3、6、9的電容值。

將歸一化的數(shù)據(jù)按時間軸和空間軸依次排列，組成二維矩陣的形式，每種磨損狀態(tài)標(biāo)簽對應(yīng)著一個二維矩陣，構(gòu)成一個9×66×2 000的數(shù)據(jù)集。

表3 數(shù)據(jù)采集實驗步驟Tab.3 Data acquisition experiment steps

4.2 網(wǎng)絡(luò)分類性能標(biāo)準(zhǔn)

發(fā)動機磨損狀態(tài)診斷問題是一個多分類問題，采用F1評分進(jìn)行性能評價比較，其定義為：

(7)

(8)

(9)

式中：TA為正確診斷為A類的樣本數(shù)；DA為診斷為A類的樣本數(shù)；ZA為真實的A類樣本數(shù)；PA為A類的診斷準(zhǔn)確率；RA為A類的召回率。在接下來的實驗中，將用該方法計算出網(wǎng)絡(luò)對于每一類(磨損狀態(tài))的F1得分。

4.3 CNN-MSLSTM和CNN、LSTM網(wǎng)絡(luò)性能比較分析

在本研究中，網(wǎng)絡(luò)的訓(xùn)練和測試都是在工作站(Intel Core (TM) 3.4 GHz處理器，64 GB RAM)和Ubuntu系統(tǒng)平臺上的NVIDIA GeForce 1080Ti GPU上進(jìn)行的。首先評估CNN-MSLSTM的性能，并與單一的、同一參數(shù)指標(biāo)的CNN和LSTM進(jìn)行對比分析。3尺度的CNN-MSLSTM、CNN和LSTM的結(jié)構(gòu)及參數(shù)設(shè)置如圖10所示。

圖10 各網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)Fig.10 Structure parameters of each network model

為了便于CNN操作，選取時間軸上66時刻的數(shù)據(jù)作為一個樣本。以訓(xùn)練集1為例，數(shù)據(jù)輸入的形式為(?，66,66)，“?”表示batchsize，取batchsize為128。

在CNN-MSLSTM模型中，CNN通道的輸入數(shù)據(jù)以空間軸為基準(zhǔn)，先通過第一個卷積層，其包含32個1×3的卷積核，激活函數(shù)為ReLU函數(shù)，張量的維度變?yōu)??,66,32)；之后經(jīng)過窗口為2的最大池化層，張量的維度變?yōu)??,32,32)；然后經(jīng)過第二個卷積層，含有16個1×3的卷積核，張量的維度變?yōu)??,30,16)；最后由Flatten將張量“壓平”，由全連接層輸出維度為21的張量。MSLSTM通道的輸入數(shù)據(jù)以時間軸為基準(zhǔn)，經(jīng)過一個維度為42的3尺度MSLSTM單元，得到3個維度為(?,42)的張量；經(jīng)過特征融合，由全連接層輸出維度為(?,21,50)的張量。將兩個通道的張量通過Attention機制進(jìn)行融合，張量的維度變?yōu)??,1,50)，再經(jīng)過維度為32的全連接層，并通過dropout技術(shù)防止過擬合，最后由softmax分類器輸出分類結(jié)果。CNN-MSLSTM對應(yīng)同一參數(shù)標(biāo)度的CNN和LSTM。

圖11為3種模型在50輪訓(xùn)練過程中，測試集整體的準(zhǔn)確率變化曲線。3種方法的測試精度經(jīng)過20次迭代后均達(dá)到穩(wěn)定(CNN、LSTM和CNN-MSLSTM的測量精度分別穩(wěn)定在93.5%、89.3%和98%左右)，未見過擬合，表明使用的訓(xùn)練集足夠大。此外，CNN-MSLSTM收斂到穩(wěn)定值的速度快于單一的CNN和LSTM，表明實踐中訓(xùn)練一個最優(yōu)的CNN-MSLSTM模型需要的時間更少，且樣本分類準(zhǔn)確率高于單一的網(wǎng)絡(luò)。

圖11 網(wǎng)絡(luò)訓(xùn)練和測試的準(zhǔn)確率變化曲線Fig.11 Accuracy curve of network training and testing

圖12為CNN，LSTM和CNN-MSLSTM對測試集的診斷性能比較。對于每一種磨損狀態(tài)，CNN-MSLSTM的F1得分總是高于單一的CNN和LSTM；表明CNN-MSLSTM模型能夠在不同尺度上學(xué)習(xí)原始測量數(shù)據(jù)在空間維度和時間維度上的區(qū)分性和魯棒性，而單一的CNN和LSTM網(wǎng)絡(luò)只能在單個尺度上提取單維度的特征，因此提出的CNN-MSLSTM可以提高航空發(fā)動機磨損狀態(tài)的診斷性能。

圖12 CNN，LSTM和CNN-MSLSTM對測試集診斷性能比較Fig.12 Comparison of diagnostic performance of CNN, LSTM and CNN-MSLSTM for test sets

針對航空發(fā)動機滑油在線監(jiān)測，3種模型都是離線訓(xùn)練，然后用于在線監(jiān)測。在狀態(tài)診斷應(yīng)用中，訓(xùn)練時間不會直接影響診斷系統(tǒng)的性能，而測試時間是診斷系統(tǒng)投入使用時所關(guān)注的重點。因此，網(wǎng)絡(luò)的測試時間應(yīng)滿足發(fā)動機磨損狀態(tài)的實時監(jiān)測需求。

由于3種模型都是使用訓(xùn)練集從頭開始訓(xùn)練，因此需要較多的訓(xùn)練時間。對單一的CNN和LSTM與3尺度的CNN-MSLSTM的訓(xùn)練時間和測試時間進(jìn)行了比較，結(jié)果在表4中給出。表4分別給出了計算50輪的訓(xùn)練時間和測試1個樣本的測試時間。在訓(xùn)練時間方面，CNN-MSLSTM比CNN和LSTM消耗更多的時間，可解釋為：由于多尺度和雙通道特征的融合，CNN-MSLSTM會引入更多的待訓(xùn)練參數(shù)，因此需要更多的訓(xùn)練時間。在網(wǎng)絡(luò)測試階段，3尺度的CNN-MSLSTM對一個測試樣本的最大花費時間僅為0.203 6 ms，略大于CNN和LSTM，能夠滿足航空發(fā)動機磨損狀態(tài)實時診斷監(jiān)測的要求。

表4 CNN，LSTM與CNN-MSLSTM的訓(xùn)練時間和測試時間對比Tab.4 Comparison of training time and test time between CNN, LSTM and CNN-MSLSTM

上述實驗結(jié)果表明：CNN-MSLSTM能夠融合單一的CNN和LSTM網(wǎng)絡(luò)在處理數(shù)據(jù)時的優(yōu)勢，從原始測量數(shù)據(jù)中提取到更多的有效特征，在準(zhǔn)確率和實時性方面均能夠滿足航空發(fā)動機磨損狀態(tài)的監(jiān)測需求。

5 結(jié) 論

針對海量、多維的ECT監(jiān)測數(shù)據(jù)，傳統(tǒng)的數(shù)據(jù)特征提取方法不僅耗時，而且誤差較大，起不到在線預(yù)警的作用。本文提出的CNN-MSLSTM網(wǎng)絡(luò)，能夠同時提取ECT監(jiān)測數(shù)據(jù)在空間維度和時間維度的特征，提高了發(fā)動機磨損狀態(tài)的診斷效率。CNN-MSLSTM滿足航空發(fā)動機磨損狀態(tài)監(jiān)測對于實時性和準(zhǔn)確性的需求，相比于單一的CNN和LSTM，具有更優(yōu)的性能。同時，本文介紹了一種適合于航空大數(shù)據(jù)的數(shù)據(jù)集構(gòu)造方式，通過選取不同的網(wǎng)絡(luò)參數(shù)以適應(yīng)不同的實際問題。本文的研究是以實驗室仿真為基礎(chǔ)，筆者將進(jìn)一步驗證CNN-MSLSTM網(wǎng)絡(luò)在航空發(fā)動機滑油系統(tǒng)上的實用性。