車暢暢，王華偉，倪曉梅，藺瑞管

（南京航空航天大學(xué)民航學(xué)院，南京 211106）

0 引言

航空發(fā)動(dòng)機(jī)故障診斷是確保飛機(jī)安全可靠運(yùn)行的必要手段。在目前的研究中，能夠采集到發(fā)動(dòng)機(jī)大量正常運(yùn)行狀態(tài)下的狀態(tài)參數(shù)。但是由于得到的故障案例相對(duì)較少，很難提取出通用特征用于表征故障規(guī)律。采用航空發(fā)動(dòng)機(jī)數(shù)值仿真技術(shù)能夠通過(guò)自定義設(shè)計(jì)參數(shù)和環(huán)境參數(shù)模擬部件故障，得到在故障下的飛行運(yùn)行狀態(tài)參數(shù)，并將其作為樣本用于故障診斷，輔助發(fā)動(dòng)機(jī)設(shè)計(jì)，提高自主研發(fā)效率和水平。20 世紀(jì)80 年代末以來(lái)，西方航空國(guó)家相繼制定并實(shí)施了多項(xiàng)航空發(fā)動(dòng)機(jī)仿真技術(shù)專項(xiàng)研究計(jì)劃，并開發(fā)了多個(gè)航空發(fā)動(dòng)機(jī)數(shù)值仿真系統(tǒng)。

美國(guó)NASA Glenn 研究中心基于MATLAB/Simu?link 和面向?qū)ο蠹夹g(shù)，開發(fā)了基于推進(jìn)系統(tǒng)數(shù)字仿真計(jì)劃的平臺(tái)，并且相繼建立了支撐發(fā)動(dòng)機(jī)控制系統(tǒng)的軍、民用通用推進(jìn)系統(tǒng)仿真模型；俄羅斯中央航空發(fā)動(dòng)機(jī)研究院研發(fā)了燃?xì)廨啓C(jī)計(jì)算仿真系統(tǒng)，實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)在不同工況下的真實(shí)工作過(guò)程以及在故障狀況下的主要參數(shù)的高精度模擬；歐洲通過(guò)開發(fā)統(tǒng)一的面向?qū)ο蟮耐七M(jìn)系統(tǒng)性能仿真軟件（Propulsion Object-oriented Simulation Software，PROOSIS），針對(duì)各類航空發(fā)動(dòng)機(jī)系統(tǒng)進(jìn)行建模，功能涵蓋發(fā)動(dòng)機(jī)全生命周期；北京航空航天大學(xué)數(shù)值仿真研究中心開發(fā)了航空發(fā)動(dòng)機(jī)數(shù)值仿真系統(tǒng)（Chinese Aeroengine Nu?merical Simulation Software，CANSS），初步實(shí)現(xiàn)了發(fā)動(dòng)機(jī)軟件模塊的開發(fā)和集成，并部分完成了航空發(fā)動(dòng)機(jī)整機(jī)及部件的模型計(jì)算和分析。在得到航空發(fā)動(dòng)機(jī)仿真數(shù)據(jù)的基礎(chǔ)上，可通過(guò)模型訓(xùn)練提取出數(shù)據(jù)通用特征，用于故障模式識(shí)別和故障分類。隨著人工智能技術(shù)的不斷發(fā)展，目前常用的數(shù)據(jù)特征提取技術(shù)包括傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法包括支持向量機(jī)、濾波器、隱馬爾可夫方法等，通過(guò)淺層網(wǎng)絡(luò)模型來(lái)挖掘輸入的狀態(tài)參數(shù)和對(duì)應(yīng)故障類型之間的線性映射關(guān)系，模型簡(jiǎn)單，訓(xùn)練速度較快。然而隨著數(shù)據(jù)集和故障種類的增加，為了準(zhǔn)確區(qū)分不同故障種類的數(shù)據(jù)，要求模型具有較強(qiáng)的非線性特征提取能力。作為機(jī)器學(xué)習(xí)方法的重要分支，深度學(xué)習(xí)模型通過(guò)多層的神經(jīng)網(wǎng)絡(luò)模型能夠提取出大數(shù)據(jù)中的非線性復(fù)雜特征，被廣泛應(yīng)用于語(yǔ)音識(shí)別、圖像識(shí)別、文本分類等方面，在故障診斷領(lǐng)域也有初步應(yīng)用。Che 等使用深度信念網(wǎng)絡(luò)模型和長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行飛機(jī)的故障診斷、剩余壽命預(yù)測(cè)和綜合健康管理；Zhu 等建立了一種用于滾動(dòng)軸承智能故障診斷的疊層剪枝稀疏去噪自編碼模型；Xue 等提出一種基于深卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的故障診斷方法，用于旋轉(zhuǎn)機(jī)械多故障診斷。

本文提出基于航空燃?xì)鉁u輪發(fā)動(dòng)機(jī)性能仿真軟件（Gas turbine Simulation Program，GSP）仿真和堆棧降噪自編碼器（Stacked Denoising Autoencoder，SDAE）的航空發(fā)動(dòng)機(jī)故障診斷方法，對(duì)模擬不同的部件故障進(jìn)行故障診斷，并與不同模型的正確率對(duì)比驗(yàn)證了模型的有效性。

1 GSP仿真與SDAE模型原理

1.1 GSP仿真

GSP 是歐洲國(guó)家航天實(shí)驗(yàn)室開發(fā)的面向?qū)ο笕細(xì)鉁u輪發(fā)動(dòng)機(jī)的性能數(shù)值仿真軟件。燃?xì)廨啓C(jī)仿真程序GSP基于組件的建模環(huán)境，靈活的面向?qū)ο篌w系結(jié)構(gòu)，允許用戶通過(guò)拖放界面在模型窗口中將發(fā)動(dòng)機(jī)部件模型特定排列來(lái)對(duì)任何燃?xì)廨啓C(jī)配置進(jìn)行穩(wěn)態(tài)和瞬態(tài)模擬。GSP 是一種性能預(yù)測(cè)工具，特別適用于飛行環(huán)境、安裝損失、某些發(fā)動(dòng)機(jī)故障（包括控制系統(tǒng)故障）和部件劣化影響分析等參數(shù)敏感性分析。分析的輸入基于模型配置，例如：可以指定燃料流量來(lái)計(jì)算產(chǎn)生的功率，或者當(dāng)燃料流量設(shè)置為狀態(tài)變量時(shí)，可以指定功率來(lái)計(jì)算相應(yīng)的燃料流量。通過(guò)運(yùn)行模擬，組件屬性窗口中的輸出數(shù)據(jù)集將顯示在1 個(gè)表中，該表可由內(nèi)置圖形工具可視化?？捎脭?shù)據(jù)包括氣體條件（溫度、壓力、質(zhì)量流量、面積、速度等）和氣體成分。仿真結(jié)果可以導(dǎo)出到制表符分隔的文件中，然后用于自定義分析。

1.2 堆棧降噪自編碼器（SDAE）

降噪自編碼是一種無(wú)監(jiān)督的數(shù)據(jù)維數(shù)壓縮和數(shù)據(jù)特征表達(dá)方法，由編碼器和解碼器組成，通過(guò)樣本重構(gòu)和誤差優(yōu)化提取出含噪聲的樣本隱藏特征，用于進(jìn)一步的故障診斷。降噪自編碼器的處理流程如圖1所示。

圖1 降噪自編碼器處理流程

（?|）代表將原始樣本轉(zhuǎn)化為含噪聲樣本?的過(guò)程，添加高斯白噪聲后的樣本可以表示為

式中：用于控制噪聲的大??；(0,1)為標(biāo)準(zhǔn)正態(tài)分布。

定義編碼器和解碼器為

式中：為權(quán)重；為偏置；和為激活函數(shù)。

自編碼器的目標(biāo)是通過(guò)反向傳播算法和隨機(jī)梯度下降方法找到1 組參數(shù)={,,,}，使得重構(gòu)后的樣本與原始樣本之間有最低的重構(gòu)誤差。損失函數(shù)定義為

式中：為和的組合；為正則化系數(shù)，用于控制權(quán)重的大小從而防止過(guò)擬合。

SDAE 就是在降噪自編碼器的基礎(chǔ)上，通過(guò)隱層堆疊實(shí)現(xiàn)樣本降維，并通過(guò)激活函數(shù)輸出分類結(jié)果。包含2個(gè)隱層的堆棧自編碼器模型如圖2所示。

圖2 堆棧降噪自編碼器

首先，將樣本輸入到層，通過(guò)降噪自編碼器編碼得到隱層特征，并通過(guò)解碼得到重構(gòu)樣本，計(jì)算重構(gòu)誤差并優(yōu)化模型參數(shù)后，得到訓(xùn)練好的降噪自編碼器；其次，將隱層作為輸入層，構(gòu)建第2 個(gè)降噪自編碼器，通過(guò)編碼、解碼、參數(shù)優(yōu)化等操作得到訓(xùn)練好的隱層；再次，在完成預(yù)訓(xùn)練后還可以通過(guò)反向傳播算法和隨機(jī)梯度下降法來(lái)反向微調(diào)所有隱層的參數(shù)；最后，通過(guò)Sotfmax 激活函數(shù)連接隱層和輸出層，并輸出分類結(jié)果。

2 基于GSP 仿真和SDAE 模型的航空發(fā)動(dòng)機(jī)故障診斷模型

在GSP 仿真和SDAE 模型的基礎(chǔ)上構(gòu)建了航空發(fā)動(dòng)機(jī)故障診斷模型，其故障診斷流程如圖3 所示。根據(jù)型號(hào)特點(diǎn)使用GSP構(gòu)建發(fā)動(dòng)機(jī)模型；通過(guò)故障注入方法改變部件設(shè)計(jì)參數(shù)從而人為設(shè)定發(fā)動(dòng)機(jī)的故障狀態(tài)，仿真得到對(duì)應(yīng)多種飛行狀態(tài)下的長(zhǎng)時(shí)間序列的狀態(tài)參數(shù)；將采集到的狀態(tài)參數(shù)數(shù)據(jù)和對(duì)應(yīng)的故障類型組成故障樣本，按照一定的比例分為訓(xùn)練集和測(cè)試集；將訓(xùn)練集帶入到SDAE 模型中進(jìn)行預(yù)訓(xùn)練和反向微調(diào)，并優(yōu)化模型參數(shù)；將測(cè)試集帶入到訓(xùn)練好的故障診斷模型中，得到最終的故障診斷結(jié)果。

圖3 航空發(fā)動(dòng)機(jī)故障診斷流程

3 實(shí)例驗(yàn)證

為了驗(yàn)證所提出方法的有效性，基于GSP仿真軟件構(gòu)建了渦輪發(fā)動(dòng)機(jī)模型，如圖4 所示。該模型包括進(jìn)氣道、壓氣機(jī)、燃燒室、渦輪、尾噴管5 大部件。通過(guò)設(shè)定部件的屬性來(lái)獲取航空發(fā)動(dòng)機(jī)運(yùn)行時(shí)的狀態(tài)參數(shù)，從而用于進(jìn)一步的狀態(tài)監(jiān)測(cè)和故障診斷。其中部件的屬性參數(shù)見表1。

圖4 渦輪發(fā)動(dòng)機(jī)模型

表1 部件屬性參數(shù)

通過(guò)進(jìn)氣道和壓氣機(jī)的故障注入得到不同故障下的發(fā)動(dòng)機(jī)狀態(tài)參數(shù)，通過(guò)調(diào)整屬性參數(shù)得到4 種故障類型，見表2。

表2 4種故障類型的定義

通過(guò)將燃燒室的燃油流量從0.5 kg/s 減小到0.1 kg/s，模擬發(fā)動(dòng)機(jī)的減速過(guò)程，從而得到故障對(duì)應(yīng)的運(yùn)行狀態(tài)參數(shù)。選取故障F1 的50 個(gè)監(jiān)測(cè)時(shí)間序列對(duì)應(yīng)的10 個(gè)狀態(tài)參數(shù)并進(jìn)行歸一化處理，各狀態(tài)參數(shù)如圖5 所示。從圖中可見，各狀態(tài)參數(shù)的變化規(guī)律各不相同。

圖5 歸一化處理后的狀態(tài)參數(shù)

由于原始長(zhǎng)時(shí)間序列狀態(tài)參數(shù)與故障類型之間具有弱映射關(guān)系，直接將樣本帶入到模型中很難訓(xùn)練出合適的模型用于故障診斷，本文從每組狀態(tài)參數(shù)的長(zhǎng)時(shí)間序列樣本中提取出曲線特征，并將特征疊加到一起構(gòu)成故障樣本。本文選用的13 個(gè)時(shí)域和頻域特征包括：最大值、最小值、平均值、峰值、絕對(duì)平均值、方差、標(biāo)準(zhǔn)差、峭度、偏度、均方根、波形因子、峰值因子和脈沖因子。4 種故障類型的13 種特征如圖6 所示。從圖中可見，不同故障之間的時(shí)頻域特征區(qū)別很小，很難直接提取出故障規(guī)律用于故障診斷。本文將時(shí)頻域特征組成故障樣本，將故障類型作為樣本標(biāo)簽，用于進(jìn)一步深度學(xué)習(xí)模型訓(xùn)練。

圖6 4種故障類型的曲線特征

將采集得到的時(shí)頻域特征作為基礎(chǔ)，通過(guò)添加隨機(jī)噪聲擴(kuò)充為包含4000 個(gè)故障樣本的數(shù)據(jù)集，并按照4∶1的比例分為訓(xùn)練集和測(cè)試集。構(gòu)建包括2個(gè)隱層的SDAE模型，其參數(shù)設(shè)置見3。

表3 不同故障類型參數(shù)設(shè)置

將訓(xùn)練集帶入到構(gòu)建好的SDAE 模型中進(jìn)行預(yù)訓(xùn)練，得到在編碼和解碼后重構(gòu)樣本與原始樣本之間的重構(gòu)誤差，用于衡量自編碼器訓(xùn)練效果。在預(yù)訓(xùn)練過(guò)程中2個(gè)隱層所組成的自編碼器1、2的重構(gòu)誤差變化如圖7、8 所示。從圖中可見，經(jīng)過(guò)50 個(gè)Epoch 的訓(xùn)練，重構(gòu)誤差逐漸減小到較小值。

圖7 自編碼器1的重構(gòu)誤差

在完成預(yù)訓(xùn)練后，計(jì)算預(yù)測(cè)結(jié)果與實(shí)際故障類型之間的交叉熵?fù)p失，并將其作為損失函數(shù)用于通過(guò)反向傳播算法和隨機(jī)梯度下降方法反向微調(diào)模型的參數(shù)。反向微調(diào)誤差隨著Epoch的變化如圖9所示。從圖中可見，誤差很快減小到較小值0.0048并保持穩(wěn)定。

圖9 反向微調(diào)誤差

圖8 自編碼器2的重構(gòu)誤差

為了驗(yàn)證本文提出方法的故障分類效果，構(gòu)建了深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和支持向量機(jī)（Support Vector Machine，SVM）模型用于對(duì)比試驗(yàn)。對(duì)比模型與SDAE 模型有相同的訓(xùn)練集和測(cè)試集。其中針對(duì)多層神經(jīng)網(wǎng)絡(luò)模型DBN 和ANN，其模型結(jié)構(gòu)與SDAE 的相同，傳統(tǒng)的SVM 模型也與SDAE 模型有相同的輸入和輸出層節(jié)點(diǎn)。模型的參數(shù)設(shè)置和診斷正確率見表4。從表中可見，SDAE 的故障診斷正確率為99.5%。在相似的網(wǎng)絡(luò)結(jié)構(gòu)下，與DBN和ANN模型相比，故障分類正確率分別提高了0.8%和6.9%；與經(jīng)典機(jī)器學(xué)習(xí)方法SVM相比提高了10.1%。

表4 對(duì)比模型的參數(shù)設(shè)置與故障診斷正確率

4 結(jié)論

（1）利用GSP仿真可以得到多種故障模式下的樣本，為故障診斷提供數(shù)據(jù)基礎(chǔ)；

（2）基于SDAE 的故障診斷模型能夠?qū)⒔翟牒徒稻S功能集成到1個(gè)模型中，提高了模型的訓(xùn)練效率；

（3）與其他模型相比，本文提出的SDAE 模型有較強(qiáng)的特征提取能力，能夠得到99.5%的故障診斷正確率，與深度信念網(wǎng)絡(luò)（DBN）、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及經(jīng)典機(jī)器學(xué)習(xí)方法支持向量機(jī)（SVM）相比，分別提高了0.8%、6.9%和10.1%。

本文利用GSP仿真得到故障數(shù)據(jù)集，并考慮到實(shí)際運(yùn)行環(huán)境中的噪聲干擾，使用SDAE 模型用于故障診斷，得到了較為準(zhǔn)確的故障診斷結(jié)果。接下來(lái)需要從多故障類型、長(zhǎng)時(shí)間序列、耦合故障模式等多方面綜合考慮，構(gòu)建更加精準(zhǔn)的、魯棒的、泛化的故障診斷模型。