王 昆,郭迎清*,孫 浩,趙萬里,周啟凡,郭鵬飛

(1.西北工業(yè)大學(xué) 動力與能源學(xué)院,陜西 西安 710129; 2.西安現(xiàn)代控制技術(shù)研究所,陜西 西安 710065)

無人機(Unmanned Aerial Vehicle,UAV)作為航空領(lǐng)域的新秀,與傳統(tǒng)有人駕駛飛機相比具有生產(chǎn)周期短、機動性強、運行成本低和維護保養(yǎng)方便等獨特優(yōu)勢,在軍事領(lǐng)域具有廣泛應(yīng)用。早在越南戰(zhàn)爭時期,就出現(xiàn)了“烽火”-147型等軍用無人機,并執(zhí)行了多次偵察任務(wù),發(fā)揮了重要作用[1]。然而,由于無人機極高的飛行頻率和較短的在地維護時間等因素,其動力系統(tǒng)(即無人機發(fā)動機)相對于傳統(tǒng)航空發(fā)動機面臨著更大的考驗[2]。據(jù)美空軍統(tǒng)計,2000—2013年,無人機設(shè)備與動力裝置類的事故原因在總系統(tǒng)故障類事故中的占比超過85%,遠高于其余各類故障的總和。究其根本是由于無人機的市場有限,支持其運行的發(fā)動機又與一般飛機不同,因此缺少專門的發(fā)動機廠商投資研制無人機發(fā)動機,導(dǎo)致大多數(shù)的無人機不得不選用市場上已有的發(fā)動機,其必然會使發(fā)動機在運行過程中的安全性、可靠性大打折扣[2-3]。針對這一現(xiàn)狀,開展無人機發(fā)動機的故障預(yù)測與健康管理(Prognostics and Health Management,PHM)技術(shù)研究刻不容緩[4]。

PHM技術(shù)通過傳感器收集到的數(shù)據(jù)實現(xiàn)對發(fā)動機的狀態(tài)監(jiān)控、故障診斷、故障預(yù)測和維護決策等功能,從多個角度監(jiān)視分析發(fā)動機當前的性能狀態(tài)[5-6]。狀態(tài)監(jiān)控和故障診斷作為PHM中極重要的2項功能,目的在于保障在役發(fā)動機的正常工作,使其能為飛機的下一次飛行提供動力支持。而無人機由于在運行過程中缺少了飛行員的實時操控,僅依靠遠程的地面監(jiān)視和信息反饋,故障發(fā)生概率和異常處理難度都極大地增加。國內(nèi)外的許多學(xué)者基于狀態(tài)監(jiān)控結(jié)果并結(jié)合航空發(fā)動機的診斷方法在無人機發(fā)動機的故障診斷領(lǐng)域進行了相應(yīng)研究,主要可分為基于模型和基于數(shù)據(jù)驅(qū)動的方法[7]。

基于模型的方法是早期無人機發(fā)動機故障診斷的主要方法,尤其在機載實現(xiàn)方面具有明顯優(yōu)勢,目前基于卡爾曼濾波的故障診斷算法已發(fā)展得十分成熟,但往往因為發(fā)動機結(jié)構(gòu)復(fù)雜、各部件間關(guān)系緊密、耦合程度高等問題,導(dǎo)致很難建立精準的數(shù)學(xué)模型[8]。隨著無人機的數(shù)量及運行次數(shù)的增多,其飛行過程中產(chǎn)生的數(shù)據(jù)量較以往提高到了新的數(shù)量級,因此基于數(shù)據(jù)驅(qū)動的故障診斷方法在近些年逐漸成為研究熱點[9]。邱宗江等[10]在傳統(tǒng)主成分分析方法的基礎(chǔ)上結(jié)合方差敏感自適應(yīng)閾值的故障檢測方法和基于特征方向的故障診斷方法,實現(xiàn)了傳感器系統(tǒng)的故障檢測和診斷。李煒等[11]提出棧式降噪自編碼的故障診斷算法,實現(xiàn)了對無人機執(zhí)行系統(tǒng)的故障診斷。Guo等[12]采用混合故障診斷算法,將卷積神經(jīng)網(wǎng)絡(luò)與基于模型的算法相結(jié)合構(gòu)建診斷模型,在無人機的傳感器故障診斷領(lǐng)域取得了良好的效果。

盡管大批量的飛行數(shù)據(jù)能夠更準確、更全面地反映發(fā)動機運行狀態(tài),提高故障診斷精度,但同樣帶來了數(shù)據(jù)存儲零散、故障異常分析過程不規(guī)范、故障異常分析結(jié)果管理不統(tǒng)一等亟待完善的問題,降低了設(shè)備管理效率。相關(guān)的從業(yè)設(shè)計人員根據(jù)各個領(lǐng)域的需求和目的提出了實現(xiàn)特定功能的軟件平臺,以期解決該問題,以便操作人員對設(shè)備運行狀態(tài)進行監(jiān)視與數(shù)據(jù)管理[13]。黎凱等[14]構(gòu)建了高空臺試驗設(shè)備管控平臺,平臺內(nèi)集成了數(shù)據(jù)實時傳輸、數(shù)據(jù)庫構(gòu)建、基線建模等關(guān)鍵技術(shù),結(jié)合了物聯(lián)網(wǎng)思想,設(shè)計了從采集信息至應(yīng)用服務(wù)的平臺總體架構(gòu),提高了對高空臺試驗設(shè)備智能化管控水平。劉靈霞等[15]提出了一種基于Oracle平臺的發(fā)動機實驗數(shù)據(jù)庫系統(tǒng),規(guī)范試驗數(shù)據(jù)管理的同時通過登錄權(quán)限、資源控制方式等手段保障系統(tǒng)的安全性。洪利等[16]提出了一款航空發(fā)動機健康監(jiān)視大數(shù)據(jù)平臺,利用海量發(fā)動機運行數(shù)據(jù)實現(xiàn)了對航空發(fā)動機的狀態(tài)監(jiān)視、趨勢判斷和壽命預(yù)測等功能。

本文借鑒了國內(nèi)外目前發(fā)展較為成熟的故障診斷算法和平臺構(gòu)建技術(shù),設(shè)計了發(fā)動機故障信息綜合研究平臺并對平臺內(nèi)集成的幾項關(guān)鍵技術(shù)展開研究,輔助技術(shù)人員快速分析發(fā)動機狀態(tài),形成較為全面的發(fā)動機狀態(tài)分析和故障判讀結(jié)果,同時針對多型號、多批次的發(fā)動機數(shù)據(jù)實現(xiàn)有效的數(shù)據(jù)積累,供設(shè)計人員整理發(fā)動機狀態(tài)、進行故障預(yù)測和數(shù)據(jù)挖潛。

1 平臺總體架構(gòu)

為自動化實現(xiàn)從飛行數(shù)據(jù)文件輸入至分析報告生成的全過程分析計算及結(jié)果展示,降低相關(guān)技術(shù)人員的操作難度,對發(fā)動機故障信息綜合研究平臺的總體實施架構(gòu)進行設(shè)計,如圖1所示,主要涉及數(shù)據(jù)來源、數(shù)據(jù)庫、平臺功能實現(xiàn)和分析報告4部分內(nèi)容。

數(shù)據(jù)來源主要包含發(fā)動機模型模擬數(shù)據(jù)和實際飛行數(shù)據(jù)2部分。其中發(fā)動機模型模擬數(shù)據(jù)主要用于數(shù)據(jù)庫、發(fā)動機故障信息綜合研究平臺的整體架構(gòu)設(shè)計及測試驗證,實際應(yīng)用可針對實際運行數(shù)據(jù)格式及傳輸形式進行相應(yīng)的接口處理,完成發(fā)動機故障自動識別及分析。

數(shù)據(jù)庫主要包含飛行數(shù)據(jù)和分析數(shù)據(jù)2部分內(nèi)容。其中飛行數(shù)據(jù)是從數(shù)據(jù)來源端直接獲取的數(shù)據(jù),分析數(shù)據(jù)包含用于故障診斷、參數(shù)分析等功能的模型參數(shù)及分析報告結(jié)果數(shù)據(jù)。

平臺功能實現(xiàn)主要實現(xiàn)飛行管理、異常檢測和故障診斷三大功能。其中涉及的一些算法或模型參數(shù)需要從數(shù)據(jù)庫的分析數(shù)據(jù)中獲取,運用這些算法或模型得到的輸出作為分析結(jié)果又保存到數(shù)據(jù)庫中,供后續(xù)查詢。

分析報告包含了故障檢測、異常檢測、參數(shù)趨勢等結(jié)果的綜合展示。一方面,當傳入一次模擬或運行數(shù)據(jù),發(fā)動機故障信息綜合研究平臺會自動生成此次運行數(shù)據(jù)的分析報告,另一方面操作人員也可查詢過往的分析報告。

為了提高發(fā)動機故障信息綜合研究平臺的管理性和操作性,根據(jù)平臺要實現(xiàn)的不同功能模塊對體系架構(gòu)進行設(shè)計,如圖2所示,主要包含表現(xiàn)層、邏輯層和數(shù)據(jù)層3個層次。

圖2 發(fā)動機故障信息綜合研究平臺體系構(gòu)架總體設(shè)計思路

表現(xiàn)層實現(xiàn)高集成度、高效友好的人機交互接口,操作人員通過表現(xiàn)層端口實現(xiàn)對數(shù)據(jù)的查詢、記錄和對分析報表的查詢;邏輯層體現(xiàn)數(shù)據(jù)庫與用戶交互的具體功能,實現(xiàn)對數(shù)據(jù)的管理和分析,包括飛行數(shù)據(jù)管理、分析報告管理、統(tǒng)計分析管理和系統(tǒng)管理;數(shù)據(jù)層是依托于現(xiàn)有的運行數(shù)據(jù)和實時運行數(shù)據(jù)建立的分析數(shù)據(jù)庫,可在后續(xù)平臺運行過程中對數(shù)據(jù)進行調(diào)用。通過層次架構(gòu)之間的相互連接協(xié)同,實現(xiàn)操作人員對飛行數(shù)據(jù)的多角度監(jiān)控。

2 平臺功能

發(fā)動機故障信息綜合研究平臺集成了飛行數(shù)據(jù)狀態(tài)識別、故障診斷算法、基線模型等關(guān)鍵技術(shù),主要實現(xiàn)對發(fā)動機的飛行管理、異常檢測和故障診斷三大方面的功能。

飛行管理功能:對于多型號、多批次的發(fā)動機數(shù)據(jù),通過整合分析數(shù)據(jù)存儲格式及類型,采用由頂至底的層次存儲架構(gòu)建立發(fā)動機分析數(shù)據(jù)庫,保證對歷史數(shù)據(jù)的規(guī)范化存儲。具體實現(xiàn)以下功能:① 查看以及存儲歷史各架次飛行數(shù)據(jù);② 分析和利用歷史飛行數(shù)據(jù)。

異常檢測功能:根據(jù)發(fā)動機運行過程中的各項正常運轉(zhuǎn)指標,生成分析發(fā)動機狀態(tài)的異常判據(jù)表,將傳統(tǒng)以人工為主的異常識別工作轉(zhuǎn)變?yōu)樽詣踊陌l(fā)動機狀態(tài)感知過程,進而輔助設(shè)計人員快速了解發(fā)動機異常,提高狀態(tài)分析效率,保障飛行安全。

故障診斷功能:通過采用各類先進的故障診斷算法,結(jié)合飛行穩(wěn)態(tài)數(shù)據(jù)識別技術(shù),從啟動狀態(tài)、穩(wěn)態(tài),短期、長期,單型號和多型號等多個不同角度實現(xiàn)對發(fā)動機的故障檢測與識別。

各部分詳細功能通過平臺邏輯層實現(xiàn),具體細分如圖3所示,包括:

圖3 發(fā)動機故障信息綜合研究平臺具體細分功能

① 飛行數(shù)據(jù)管理:包括飛行數(shù)據(jù)的存儲、查詢和刪除等基本功能,此外數(shù)據(jù)分析功能集成了遞歸結(jié)構(gòu)辨識和自回歸滑動平均2種針對發(fā)動機不同狀態(tài)的故障檢測方法和基于深度學(xué)習(xí)的故障識別方法。

② 分析報告管理:包括分析報告自動生成和查詢,分析報告以圖片的形式展示發(fā)動機參數(shù)分析結(jié)果、發(fā)動機故障檢測及識別分析結(jié)果等,防止人為修改。

③ 統(tǒng)計分析管理:包括發(fā)動機工作情況、發(fā)動機參數(shù)趨勢和發(fā)動機參數(shù)對比3部分功能。

④ 系統(tǒng)管理:包括發(fā)動機基線模型及故障診斷算法等模型的參數(shù)更新和軟件的使用說明。

3 平臺關(guān)鍵技術(shù)

3.1 飛行數(shù)據(jù)狀態(tài)識別技術(shù)

由于發(fā)動機的工況多變,過渡態(tài)與穩(wěn)態(tài)之間的參數(shù)變化差異巨大,單一的故障診斷算法很難在全飛行過程中取得較好的效果,因此采用飛行數(shù)據(jù)狀態(tài)識別技術(shù)對運行過程中的發(fā)動機狀態(tài)進行劃分是提高故障診斷準確性和可靠性的基礎(chǔ)[17]。圖4為飛行數(shù)據(jù)狀態(tài)識別技術(shù)的流程圖,將歷次的飛行數(shù)據(jù)進行數(shù)據(jù)預(yù)處理,如數(shù)據(jù)同步性處理、參數(shù)換算等。為準確判斷飛行數(shù)據(jù)狀態(tài),需要選取一定時間長度的數(shù)據(jù)樣本進行綜合分析,因此初始進行穩(wěn)態(tài)判斷時,需要數(shù)據(jù)積累到預(yù)設(shè)的閾值再進行狀態(tài)識別。

圖4 飛行數(shù)據(jù)狀態(tài)識別技術(shù)流程圖

選取反映飛行數(shù)據(jù)狀態(tài)的參數(shù),如大氣總溫、總壓和轉(zhuǎn)子轉(zhuǎn)速,在確定的時間長度內(nèi),計算選取的穩(wěn)態(tài)識別參數(shù)的時間序列梯度值,并對該梯度值進行指數(shù)平滑處理,通過判斷指數(shù)平滑后的梯度值是否超出預(yù)設(shè)的閾值,進而判斷該時間段內(nèi)的數(shù)據(jù)是否為穩(wěn)態(tài)數(shù)據(jù)。若梯度值未超限,則判定為穩(wěn)態(tài)數(shù)據(jù),接著采用聚類算法判斷該穩(wěn)態(tài)數(shù)據(jù)隸屬于哪個典型工況,如慢車、巡航、最大狀態(tài)等,并將聚類結(jié)果傳輸?shù)椒治鰯?shù)據(jù)庫。若梯度值超限,則判定當前數(shù)據(jù)為過渡態(tài)數(shù)據(jù),并依據(jù)上一次穩(wěn)態(tài)數(shù)據(jù)與下一次穩(wěn)態(tài)數(shù)據(jù)之間的趨勢變化,識別該時間段內(nèi)的飛行數(shù)據(jù)是加速或減速過程數(shù)據(jù),并進行后續(xù)的加減速性能分析,同時將識別結(jié)果傳輸?shù)椒治鰯?shù)據(jù)庫。

3.2 基于數(shù)據(jù)驅(qū)動的飛行數(shù)據(jù)故障診斷技術(shù)

發(fā)動機故障信息綜合研究平臺利用處理后的穩(wěn)態(tài)和過渡態(tài)數(shù)據(jù),對平臺集成的各類基于數(shù)據(jù)驅(qū)動的故障診斷算法進行參數(shù)預(yù)訓(xùn)練。將預(yù)訓(xùn)練后的模型參數(shù)存儲在平臺上,便于技術(shù)人員進行后續(xù)的飛行數(shù)據(jù)故障檢驗,確保飛行過程中發(fā)動機的安全運行。發(fā)動機故障信息綜合研究平臺中涉及的故障診斷技術(shù)方法有:基于遞歸結(jié)構(gòu)識別的起動狀態(tài)故障檢測技術(shù)、基于自回歸滑動平均模型的穩(wěn)態(tài)故障檢測技術(shù)、基于參數(shù)趨勢分析的故障診斷技術(shù)、基于深度學(xué)習(xí)的智能故障識別技術(shù)。

3.2.1 基于遞歸結(jié)構(gòu)識別的起動狀態(tài)故障檢測技術(shù)

圖5 RESID模型單輪迭代流程圖

圖6為基于RESID算法的起動狀態(tài)故障檢測流程圖,首先確定所需檢測的因變量和模型的輸入量,并利用分析數(shù)據(jù)庫存儲的正常起動狀態(tài)數(shù)據(jù)訓(xùn)練RESID模型,得到故障檢測閾值。當傳感器的實時數(shù)據(jù)輸入后,利用RESID模型對實時數(shù)據(jù)進行回歸預(yù)測,通過比較擬合殘差與檢測閾值達到起動狀態(tài)故障檢測的目的。

圖6 基于RESID算法的起動狀態(tài)故障檢測流程圖

在上述基于RESID啟動狀態(tài)故障檢測算法原理的基礎(chǔ)上,平臺的具體實現(xiàn)方法及實踐流程如下。

① 對訓(xùn)練數(shù)據(jù)進行預(yù)處理。

② 根據(jù)訓(xùn)練數(shù)據(jù)集進行所有可以配對的RESID模型建模,輸入為n個傳感器數(shù)據(jù),輸出為被預(yù)測對象參數(shù)值,通常選擇能夠表征發(fā)動機性能的關(guān)鍵參數(shù)作為被預(yù)測量,如排氣溫度等。

③ 選擇所有模型中預(yù)測均方估計誤差最小的模型,確定該模型。

④ 將確定的模型計算出的被預(yù)測參數(shù)值作為下一級迭代的建模用的新特征值。

⑤ 將步驟③、步驟④遞歸進行,直到達到最大遞歸次數(shù)或者最小均方誤差均大于上一步最小均方誤差,亦或本次遞歸模型中只有一組模型的均方誤差值小于上一步遞歸的最小均方誤差,至此遞歸結(jié)束,訓(xùn)練完成。

⑥ 將訓(xùn)練數(shù)據(jù)代入建好的RESID模型中,該模型利用選定的n個傳感器數(shù)據(jù)計算被預(yù)測參數(shù)。將預(yù)測值與輸入的真實數(shù)據(jù)相比較,得到絕對誤差值,選擇最大的絕對誤差值作為故障檢測所用的閾值。

⑦ 將待測數(shù)據(jù)代入建好的RESID模型中,該模型利用選定的n個傳感器數(shù)據(jù),計算被預(yù)測參數(shù)。將預(yù)測值與輸入的真實數(shù)據(jù)相比較,得到絕對誤差值,若絕對誤差值大于閾值,則認為此刻的數(shù)據(jù)存在異常,當異常存在的時間超過設(shè)定的閾值時,則認為故障發(fā)生。

3.2.2 基于自回歸滑動平均模型的穩(wěn)態(tài)故障檢測技術(shù)

自回歸滑動平均(Auto Regressive Moving Average,ARMA)算法是經(jīng)典的時間序列分析方法,該方法的主要特點是利用已建立的ARMA模型對系統(tǒng)未來的行為進行外推預(yù)測[19]。時間序列分析采用參數(shù)模型對所觀測到的有序的隨機數(shù)據(jù)進行分析與處理,它研究有序隨機數(shù)據(jù)序列的內(nèi)在關(guān)系與規(guī)律,不需要知道系統(tǒng)的輸入和動態(tài)過程特征,而是根據(jù)輸出數(shù)據(jù)序列內(nèi)在的規(guī)律性來研究系統(tǒng)的特征。其關(guān)注的不是測量值,而是短期內(nèi)將要產(chǎn)生的數(shù)據(jù)與剛剛產(chǎn)生過的數(shù)據(jù)的結(jié)構(gòu)相似性。這種時間序列模型的使用有一個重要的前提,即模型對象系統(tǒng)需要處于一個穩(wěn)定的狀態(tài)[20]。

圖7為ARMA模型的建立流程圖,主要包括序列平穩(wěn)性檢驗、模型識別、參數(shù)估計、模型定階、模型診斷與檢驗5個步驟,其中,所建ARMA模型的準確性主要依賴于序列的平穩(wěn)性檢驗及模型定階。ARMA作為線性模型,首先要保證其輸入序列的平穩(wěn)性,才可能訓(xùn)練出高精度模型,此外,還需求得序列的自相關(guān)函數(shù)(Autocorrelation Function,ACF)和偏相關(guān)函數(shù)(Partical Autocorrelation Function,PACF)的值確定模型階數(shù),保證模型能夠?qū)W習(xí)到序列的特征。

圖7 ARMA模型建立流程圖

采用基于時間序列分析的ARMA算法進行發(fā)動機穩(wěn)態(tài)故障檢測,重點關(guān)注單個傳感器參數(shù)值在時間塊上的行為,如圖8所示,通過建立ARMA模型對系統(tǒng)未來的行為進行預(yù)測。基于發(fā)動機試驗、試飛傳感器數(shù)據(jù)分別選取訓(xùn)練集和測試集,建立每一組監(jiān)測數(shù)據(jù)的ARMA模型并對其進行可靠性驗證,通過待測數(shù)據(jù)和預(yù)測數(shù)據(jù)的殘差與閾值的對比來進行發(fā)動機穩(wěn)態(tài)階段故障診斷。

圖8 基于時間序列分析的ARMA算法進行發(fā)動機穩(wěn)態(tài)故障檢測流程圖

在上述基于ARMA穩(wěn)態(tài)故障檢測算法原理基礎(chǔ)上,平臺的具體實現(xiàn)方法及實踐流程如下。

① 對數(shù)據(jù)進行預(yù)處理。

② 發(fā)動機故障診斷的測試數(shù)據(jù)包括溫度、壓力、轉(zhuǎn)速和流量等測量數(shù)據(jù)。針對每一路測試數(shù)據(jù),采用PACF和ACF來判定自回歸模型(Autoregressive Model,AR)和滑動平均模型(Moving Average Model,MA)所需的數(shù)據(jù)長度。

③ 通過已知的各路參數(shù)(AR及MA階數(shù)),采用上述的ARMA模型對訓(xùn)練數(shù)據(jù)進行建模,求取參數(shù),輸入為時序傳感器數(shù)據(jù),輸出為下一時刻預(yù)測值。

④ 當有新的測試數(shù)據(jù)時,可以通過歷史時序數(shù)據(jù)計算出t時刻的預(yù)測參數(shù)。

⑤ 將預(yù)測值與數(shù)據(jù)作差,得到絕對誤差值,若絕對值誤差大于閾值,則認為此刻的數(shù)據(jù)存在異常,當異常存在一定的時間,則認為故障發(fā)生。

3.2.3 基于參數(shù)趨勢分析的故障檢測技術(shù)

趨勢分析或趨勢監(jiān)視是一種繪圖技術(shù),用于檢測物理過程或業(yè)務(wù)過程中的變化和異常情況,被廣泛使用在設(shè)備健康狀況的檢測和故障隔離中?？梢园掩厔莘治龌蜈厔荼O(jiān)視技術(shù)當作預(yù)測工具,通過提供在趨勢分析過程中發(fā)現(xiàn)的趨勢狀況來預(yù)測發(fā)動機的未來性能或即將發(fā)生的失效問題。

通過在對參數(shù)的長期觀察、研究,以及分析參數(shù)異常變化的基礎(chǔ)上,對發(fā)動機的未來工作狀況進行預(yù)測。對數(shù)據(jù)庫中的數(shù)據(jù)進行處理并與發(fā)動機的基線模型的輸出進行比較,計算得到參數(shù)偏差,繪制參數(shù)趨勢分析圖,如單參數(shù)趨勢分析圖、參數(shù)之間的趨勢分析圖等形式,對趨勢圖進行進一步分析后,給出維修建議。參數(shù)趨勢分析流程圖如圖9所示。

圖9 參數(shù)趨勢分析流程圖

獲取歷史飛行數(shù)據(jù),對其進行粗大誤差數(shù)據(jù)剔除、數(shù)據(jù)平滑等預(yù)處理,結(jié)合試驗的各飛行條件等信息,將被測參數(shù)乘以或除以修正系數(shù)得出海平面、標準大氣條件下該參數(shù)的換算變量,從而得到基線離散數(shù)據(jù)點。將得到的各離散數(shù)據(jù)點通過神經(jīng)網(wǎng)絡(luò)擬合等方法進行處理,獲得基線模型。

參數(shù)趨勢分析主要包含不穩(wěn)定模式分析和趨勢模式分析,不穩(wěn)定模式分析主要從局部來檢測數(shù)據(jù)中的非隨機、異常模式的數(shù)據(jù)點,趨勢模式分析主要從全局角度來評估發(fā)動機的健康狀態(tài)。其中不穩(wěn)定模型最常用的規(guī)則是Western Electric規(guī)則(或稱為區(qū)域規(guī)則)。這一規(guī)則把區(qū)域范圍劃分成3個不同的區(qū)域,如圖10所示:A區(qū)表示到中心線距離為2σ～3σ的區(qū)域;B區(qū)表示到中心線距離為1σ～2σ的區(qū)域;C區(qū)表示到中心線距離為0～σ的區(qū)域;σ為標準偏差值;UCL為控制上限;LCL為控制下限。

圖10 Western Electric規(guī)則(區(qū)域規(guī)則)分區(qū)

判斷數(shù)據(jù)點是否異常的4個基本區(qū)域規(guī)則包括:

① 任何單個數(shù)據(jù)點落在UCL和LCL的外部(也就是±3σ之外的區(qū)域)。

② 連續(xù)3個點中有2個點到中心線的距離超過2σ。

③ 連續(xù)5個數(shù)據(jù)點中有4個點到中心線的距離超過1σ。

④ 連續(xù)8個點在中心線的一側(cè)。

在上述基于參數(shù)趨勢分析的故障檢測算法原理基礎(chǔ)上,平臺的具體實現(xiàn)方法及實踐流程如下。

① 對當前飛行架次數(shù)據(jù)進行預(yù)處理。

② 利用狀態(tài)識別技術(shù)提取當前架次中的穩(wěn)態(tài)數(shù)據(jù)并進行工況劃分。

③ 依據(jù)工況劃分結(jié)果,結(jié)合各個工況下的歷史數(shù)據(jù)建立關(guān)鍵性能參數(shù)基線模型。

④ 繪制關(guān)鍵性能參數(shù)趨勢,判斷當前架次是否違反Western Electric規(guī)則,得出結(jié)論。

3.2.4 基于深度學(xué)習(xí)的智能故障識別技術(shù)

傳統(tǒng)的單層神經(jīng)網(wǎng)絡(luò)往往受表達能力的限制,無法滿足復(fù)雜系統(tǒng)的各方面要求,對于航空發(fā)動機這一強非線性的復(fù)雜部件,為了針對其特性解決故障診斷的難題,可以考慮采用深度神經(jīng)網(wǎng)絡(luò)來提升模型的復(fù)雜度,提高診斷的準確率。

長短時記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)是一種改進的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN),相比于一般深度神經(jīng)網(wǎng)絡(luò),LSTM網(wǎng)絡(luò)在結(jié)構(gòu)上最顯著的特征在于其有多個神經(jīng)元以相似的環(huán)結(jié)構(gòu)進行連接,憑借內(nèi)部儲存和循環(huán)結(jié)構(gòu)來處理輸入的數(shù)據(jù),網(wǎng)絡(luò)模型中不僅包含網(wǎng)絡(luò)中隱藏層和隱藏層之間的權(quán)重連接,還包括同一隱藏層中神經(jīng)元內(nèi)各結(jié)構(gòu)之間的互連。LSTM網(wǎng)絡(luò)的結(jié)構(gòu)決定了其處理時序數(shù)據(jù)的優(yōu)越性,因此,常用于實現(xiàn)時序數(shù)據(jù)的故障診斷。LSTM網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖11所示。

圖11 LSTM網(wǎng)絡(luò)的結(jié)構(gòu)圖

基于LSTM網(wǎng)絡(luò)的故障識別網(wǎng)絡(luò)包含3種不同類型的神經(jīng)元,由1個輸入層、2個隱藏層和1個輸出層共4個網(wǎng)絡(luò)層來建立得到,其結(jié)構(gòu)圖如圖12所示,將傳感器特征向量作為輸入層參數(shù),輸出層輸出為隸屬于各個故障模式的概率向量,選擇概率最大對應(yīng)的模式類型為最終算法診斷的故障類型。

圖12 基于LSTM的故障識別網(wǎng)絡(luò)結(jié)構(gòu)圖

其中x為不同時刻的傳感器測量值向量,代表著當前時刻的系統(tǒng)狀態(tài),Ot為t時刻判斷出的故障類型。結(jié)構(gòu)圖中的A、B、C分別代表3種不同的神經(jīng)元網(wǎng)絡(luò),A為LSTM神經(jīng)元,B為全連接層,C為Softmax分類器。除了輸入層外,其余網(wǎng)絡(luò)層后都包含對應(yīng)的激活函數(shù),第1個隱藏層應(yīng)用的是sigmoid激活函數(shù)和tanh激活函數(shù),第2個隱藏層應(yīng)用的是ReLU函數(shù),輸出層應(yīng)用Softmax激活函數(shù)。

利用分析數(shù)據(jù)庫存儲的不同故障類型的數(shù)據(jù)及故障標志訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)模型,反饋計算不斷更新權(quán)值,最終得到最優(yōu)的網(wǎng)絡(luò)權(quán)值,整個訓(xùn)練過程以最小化交叉熵損失函數(shù)為目標,利用最優(yōu)的網(wǎng)絡(luò)權(quán)值對待測數(shù)據(jù)進行前饋計算,進而得到待測數(shù)據(jù)的預(yù)測故障類型標志,達到故障識別的目的?；贚STM深度學(xué)習(xí)網(wǎng)絡(luò)的智能故障識別流程圖如圖13所示。

圖13 基于LSTM深度學(xué)習(xí)網(wǎng)絡(luò)的智能故障識別流程圖

在上述基于深度學(xué)習(xí)的故障識別算法原理基礎(chǔ)上,具體實現(xiàn)方法及實踐流程如下。

① 選取帶有標簽的故障樣本數(shù)據(jù)進行預(yù)處理,主要可用于對氣路故障進行識別。

② 將帶有標簽的故障樣本數(shù)據(jù)以確定比例隨機劃分為訓(xùn)練集和驗證集,以觀察模型的泛化性能。

③ 將訓(xùn)練集中數(shù)據(jù)代入已搭建好的網(wǎng)絡(luò)結(jié)構(gòu)模型中,通過前向計算與反向優(yōu)化,通過優(yōu)化算法逐漸更新模型各項權(quán)值參數(shù)。

④ 通過訓(xùn)練過程中,訓(xùn)練集、驗證集經(jīng)過前向計算得到的各自的目標函數(shù)值,調(diào)整模型超參數(shù),確定模型。

⑤ 將待測故障數(shù)據(jù)進行第一步的特征向量預(yù)處理,將其作為輸入向量,借助訓(xùn)練好的網(wǎng)絡(luò)參數(shù)進行前向計算,進而得到輸出層結(jié)果,選取輸出層神經(jīng)元值最大對應(yīng)的故障模式作為最終的故障診斷結(jié)果。

3.3 發(fā)動機分析數(shù)據(jù)庫建立技術(shù)

通過整合分析現(xiàn)有數(shù)據(jù)存儲格式及類型,結(jié)合數(shù)據(jù)的具體利用情況,建立發(fā)動機分析數(shù)據(jù)庫整體存儲架構(gòu)。分析數(shù)據(jù)庫主要采用Microsoft Excel集成實現(xiàn),各型號、各批次發(fā)動機采用文件夾的形式進行層次劃分,具體數(shù)據(jù)以Excel表格的形式存儲在計算機中。

本文中的數(shù)據(jù)庫采用由頂至底的層次存儲架構(gòu),因此考慮到現(xiàn)有數(shù)據(jù)存儲格式和算法模型等對數(shù)據(jù)的調(diào)用頻率等因素,將數(shù)據(jù)庫劃分為飛行數(shù)據(jù)和分析數(shù)據(jù)2部分,其中飛行數(shù)據(jù)包含正常數(shù)據(jù)和故障數(shù)據(jù)2部分,分析數(shù)據(jù)分為模型結(jié)構(gòu)數(shù)據(jù)和分析結(jié)果數(shù)據(jù),具體劃分如圖14所示。

圖14 數(shù)據(jù)庫存儲結(jié)構(gòu)劃分圖

其中,針對一個發(fā)動機型號建立一個以發(fā)動機型號命名的數(shù)據(jù)存儲文件夾,在此文件夾下根據(jù)飛行日期建立子文件夾,每個批次文件夾下有飛行數(shù)據(jù)和分析數(shù)據(jù)兩個子文件夾,其中飛行數(shù)據(jù)字段名及順序確定,數(shù)據(jù)存儲采用Excel表格存儲,以飛行批次命名,便于后續(xù)的數(shù)據(jù)存儲與訪問。

3.4 發(fā)動機故障信息綜合研究平臺的集成開發(fā)技術(shù)

發(fā)動機故障信息綜合研究平臺基于MATLAB/GUI進行開發(fā),將各功能模塊交互界面獨立設(shè)計并集成在.m文件中,并通過在回調(diào)函數(shù)中集成各種算法、基線模型、數(shù)據(jù)交互等功能,實現(xiàn)數(shù)據(jù)的自動分析和結(jié)果展示,各功能子界面通過平臺主界面進行串接,保證系統(tǒng)功能的連續(xù)性和完整性,平臺交互界面如圖15所示。

圖15 發(fā)動機故障信息綜合研究平臺交互界面

平臺涉及MATLAB與Excel間的交互問題,MATLAB軟件內(nèi)含有支持數(shù)據(jù)交互的xlswrite、xlsread、readtable等接口函數(shù),能夠幫助使用者達到訪問Excel電子表格文件的目的。

4 結(jié)束語

本文通過構(gòu)建發(fā)動機故障信息綜合研究平臺并論述平臺內(nèi)部集成的各項關(guān)鍵技術(shù),解決了發(fā)動機故障定位難、監(jiān)控難、數(shù)據(jù)分析難的問題,為發(fā)動機的使用和維護提供數(shù)據(jù)支持,為發(fā)動機安全運行提供技術(shù)保障,具體可概括為以下3點:

① 通過在發(fā)動機故障信息綜合研究平臺內(nèi)集成各類故障診斷算法,自動化實現(xiàn)了從飛行數(shù)據(jù)文件輸入至分析報告生成的全過程分析計算和結(jié)果展示,有效提高了技術(shù)人員的數(shù)據(jù)分析效率和準確率。

② 構(gòu)建本地發(fā)動機分析數(shù)據(jù)庫,實現(xiàn)多型號、多批次的發(fā)動機數(shù)據(jù)對比和綜合分析,為將來的數(shù)據(jù)挖潛、故障預(yù)測等進一步研究提供數(shù)據(jù)支持。

③ 平臺涉及的各類算法均是基于數(shù)據(jù)驅(qū)動的,在應(yīng)用拓展時只需利用多次的飛行數(shù)據(jù)對模型參數(shù)重新訓(xùn)練更新即可,可操作性和實用性更強,具有一定的工程應(yīng)用價值。