基于卷积神经网络的发动机气路故障诊断方法

2020-01-03杨浩

计算机测量与控制 2019年12期

杨浩

(1.青海民族大学计算机学院，西宁 810007；2.火箭军装备部驻北京地区第八军事代表室，北京 100192； 3.北京航天测控技术有限公司，北京 100041；4.北京市高速交通工具智能诊断与健康管理重点实验室，北京 100041；5.装备全寿命周期状态监测与健康管理技术与应用国家地方联合工程研究中心，北京 100041)

0 引言

在发动机气路等典型机电设备的故障诊断中，神经网络出色的非线性问题处理能力[1-2]，有利于帮助解决故障诊断与预测等领域的难点问题，因此得到了大量的应用。此外，常见的故障诊断方法还包括专家系统[3]、模糊集、支持向量机等。其中支持向量机(Support vector machine，SVM) 在解决非线性、较高维、小样本等方面有突出的优点，但其参数的选取在一定程度上影响了其性能和实用性。目前复杂系统故障诊断预测领域中，所使用的机器学习算法大多为支持向量机、BP神经网络等浅层学习方法。随着人工智能科学和大数据的发展，机器学习算法不断丰富，学习深度不断加深，性能不断提高，将最新的机器深度学习成果应用于故障诊断领域已经成为一个热点。深度学习方法例如深度神经网络(Deep Neural Network, DNN)[5-6]、深度置信网络(Deep Belief Network，DBN)[7-8]、递归神经网络(Recurrent Neural Network, RNN)[9]、卷积神经网络(Convolutional Neural Network, CNN)等[10-11]，由于近几年随着大数据处理的广泛应用而刚成为研究热点，但在发动机气路故障诊断中应用和研究还较少[12]。

DBN方法本质上是有向图模型，该方法的主要目的是通过在观察数据的同时调整变量之间的权重来导出隐含变量的状态。DBN模型是一种将无监督和有监督混合的深度结构学习模型，好处是不需要大量标记的训练数据、收敛速度快，不足是不容易进行局部收敛。RNN方法的基本特征是在其处理单元之间存在内部反馈连接和前馈连接。内部反馈连接可以保留隐藏层节点的状态。网络的输出不仅取决于当前输入，还取决于先前网络的内部状态，因此具有更好的动态特性。CNN方法与DBN和RNN等方法相比具有自己的优势，可以为识别二维形状提供多层感知器，对于平移、缩放、倾斜或其他形式的变形具有高度不变的特点，因此更适合于用于时间序列和语音信号的处理。

深度学习是一种新的基于特征表示的机器学习方法。深度学习模型包含多个隐藏层，可以通过对输入数据进行自动学习来获取隐藏的功能层中的特征信息。与传统的诊断方法相比，深度学习具备从原始信息中提取更丰富的特征的能力，因此已经成为基于机器学习的故障诊断研究的新方向。由于种种原因，深度学习在故障诊断方面的应用基础和成果，远远落后于图像、语音处理等方面的成果。文献[13]提出了基于深度神经网络(DNN)的卫星电源故障诊断方法，该方法在初步训练阶段采用去噪自动编码器(DAE)作为无监督算法，在微调阶段采用反向传播(BP)算法作为监督算法。文献[14]提出了一种基于深度学习的航空发动机故障融合诊断方法，首先将航空发动机性能参数和故障类型样本输入深度置信网络(DBN)模型，并提取样本特征以输出故障分类数据；然后将输出数据代入决策融合的决策融合算法模型，得到航空发动机故障融合诊断结果。目前，基于CNN的诊断方法的研究结果很少，该方法作为一种重要的深度神经网络方法，是一种深度监督和学习的机器学习模型，擅长挖掘局部数据特征，自适应地提取全局训练特征和分类。此外，CNN方法非常适合用于处理海量数据。通过了解海量数据的特征，可以识别海量数据中包含的信息。因此，使用CNN的诊断是基于深度学习的故障诊断方法研究发展方向之一。

基于CNN的诊断和预测技术研究目前还不多[15]，特别是在发动机故障诊断方面的应用较少。本文针对卷积神经网络故障诊断方法进行了研究，基于发动机试验仿真数据对提出的方法进行了验证，并与支持向量机等传统方法进行了比较，验证结果表明，提出的基于卷积神经网络的诊断方法具有较好的可行性和效果，可作为开展发动机PHM技术研究的参考。通过开展复杂装备基于CNN等深度学习的故障诊断研究，实现对地面测试与运行阶段海量数据的充分利用，可以为装备典型功能系统的多参数之间的综合分析诊断与评估提供依据，确保装备的稳定健康运行。

1 基于卷积神经网络的故障诊断方法

深度神经网络模型的构建如图1所示。这里采用基于DNN深度神经网络的CNN卷积神经网络，实现发动机气路诊断，适用于解决复杂设备在物理模型难以构建时的诊断模型构建问题。与传统的DNN算法相比，CNN可以解决DNN模型参数数量过多、容易过度拟合、容易陷入局部最优等问题。

图1 深度神经网络模型的构建

CNN是一种特殊的深度神经网络模型，该方法的神经元连接是非完全连接的，此外，同一层中某些神经元之间的连接的权重是共享的(即相同的)。CNN在自学习、并行处理、容错性等方面均具有较强的能力，能够降低网络模型的复杂性和权重的数量。

如图2所示，卷积神经网络结构包括卷积层、采样层、全连接层等。其中，卷积层主要负责提取对象的各种特征；采样层主要实现对原始特征信息的抽象，目的是大幅减少训练参数并减轻模型过拟合的程度。

图2 卷积神经网络结构图

CNN的训练算法分为两个阶段：前向传播阶段：该阶段首先需要从样本集中取样并输入网络，然后再计算相应的实际输出。后向传播阶段：需要先计算真实结果与预期结果之间的差值，然后再根据最小化误差的方法调整权重矩阵。

综合第一阶段和第二阶段的CNN网络训练过程包括如下步骤：1)选择训练组，从样本集中随机选择N个样本作为训练对象；2)将每个权重和阈值设置为接近0的随机值，并初始化精度控制参数和学习速率；3)从训练组中选择一个输入模式并将其添加到网络中，给出其目标输出向量，并计算中间层输出向量和网络的实际输出向量；4)比较输出向量中的元素与目标向量中的元素，以计算输出误差和中间层的隐藏单元的误差；6)依次计算每个权重和阈值的调整量，并调整权重和阈值；7)重复进行多次训练，判断指标是否满足精度要求，如果不满足，则继续从训练组中选择输入模式并将其添加到网络中进行迭代，否则训练结束；8)在训练结束时，将权重和阈值保存在文件中，此时可认为权重已经稳定并且已经形成分类器。再次进行训练时，就可以直接从文件导出权重和阈值以进行训练而无需初始化。

本文使用CNN主要用于数据的预处理，将发动机训练层进行卷积化，每15条发动机数据作为一个window size的单位数据，如图3所示。

图3 基于CNN的数据预处理

模型训练过程开始后选择数据集，对数据集进行处理生成数据训练文件，通过split操作进行文件切割，如图4所示。使用线性回归器进行参数网络选择，线性回归器、参数网络、回归评估器共同支撑数据进行验证训练，最后生成预测结果，比对观察值进行模型评估，如图5所示。

图4 数据分割与训练示意

图5 训练模型优化示意

2 基于卷积神经网络的气路故障诊断软件平台

在CNN方法研究基础上开发了基于CNN的气路故障诊断软件平台，如图6所示。

发动机气路故障诊断属于典型的复杂系统故障模式识别问题，其反应故障状态的特征维度较大，反映的信息较为丰富且复杂，因此通过单层的神经网络进行建立故障模式识别模型不足以达到有效的识别精度和识别效果，难以对特征值中反映的有效信息进行提取。采用深度学习方法可以在神经网络的基础上对于数据中反映的特征信息进行多次的降维和重构，达到对高阶信息的提取和整合目的。

基于海量数据的发动机气路故障诊断涉及到多维参数(如温度、压力、高度、马赫数、高压转速、油门角度等)的处理。这也是发动机气路故障诊断需要解决的技术难点。深度学习中的卷积神经网络(CNN)有助于解决上述问题。该方法通过获取空间内部多维参数的信息，最大化挖掘出数据背后的规律，以实现较好的故障诊断效果。

CNN方法的应用首先是进行卷积层CNN，并通过卷积+池化的方法提取出某个时间点特征之间的空间信息，具体包括：

1)卷积层：对整体数据做卷积，通过多个卷积核来提取不同角度的空间信息；

2)池化层：减少模型的参数维度，提高模型训练的效率。

机器深度学习模型在构建之后，需要输入固定的数据维度和特征，这就导致不同设备可能由于输入数据不同无法复用，当遇到新的设备或者部件需要故障诊断，就需要重新开发对应的算法，虽然算法的总体核心结构没有差异，但是也需要针对模型接口进行重新定义、针对数据进行重新训练，同时这也带来了模型测试、验证的复合问题，这也是基于海量数据的发动机气路故障诊断的另一个技术难点。为解决该问题，拟从模型的开发效率、复用性、测试性、验证性多个角度出发，搭建机器学习的诊断预测统一平台，作为平台算法的管理中心、开发中心和测试中心。

基于机器学习的诊断预测建模平台能够提供基础算法库、专业算法库、专业模板库、模型管理、在线建模等功能，用户能够基于自己以往的算法、专业算法、专业模板来对模型进行复用，极大的提高模型定制开发的效率。同时，平台提供模型训练、验证一体化功能，并提供后台GPU分布式集群，保证训练的速度，从算法开发、维护、复用、训练、验证全角度实现用户的算法需求，最终保证PHM系统的整体算法智能化。该平台基于TensorFlow架构，采用Python语言实现深度学习等算法，并通过API接口层调用TensorFlow核心功能实现相关实验和应用[16]。

本文的算法实现基于Python语言。Python是一种面向对象的解释型计算机编程语言，包含丰富强大的算法工具库，可快速实现各种深度神经网络方法，并通过TensorFlow平台实现集成和调用。

在方法层面，整体过程包括：数据集成、数据处理、特征工程、模型训练、模型评估、模型保存等。重点选择CNN、DNN等神经网络模型，选用故障检测率(FDR)评价指标，实现对测试数据诊断效果的评估。

图6 基于深度学习的发动机气路故障诊断算法总体实现思路

复杂系统(发动机气路)故障诊断算法平台功能包括：诊断流程创建模块、流程模版管理模块、数据集设置管理模块、算法模型编辑管理模块、算法模型训练模块、算法性能评估模块等。如图7所示。

图7 机器学习建模、机器学习训练页面示意图

3 实验和分析

3.1 实验说明

该组仿真数据源于根据某型航空发动机气路模型所生成的发动机气路故障数据，数据描述的是发动机从启动到稳态，然后在稳态期间进行故障注入，期间采集到的相关数据，如图8所示。

图8 航空发动机气路故障仿真平台

故障数据包含HPC效率突降(叶冠掉块)、HPT效率突降(盘裂纹)、LPT效率突降(盘裂纹)等三类故障模式的注入。每种故障都设定了9种初始条件，仿真过程中油门杆以15°(慢车点)起步，经过寻找初始平衡点并给定阶跃输入到20 s后模型到设定的目标稳态工作点，40 s时加入3%气路部件故障，故障程度经过50 s按照斜坡发展至5%，然后平稳至100 s仿真结束。

仿真模型每隔0.02 s采集输出一次数据，持续100 s，主要包含以下发动机参数信息：

1)温度；2)压力；3)高度；4)马赫数；5)高压转速；6)油门角度；7)ETA_Fc风扇内涵效率；8)ETA_Fd风扇外涵效率；9)ETA_fb增压级效率；10)ETA_cmp压气机效率；11)ETA_hpt高压涡轮效率；12)ETA_lpt低压涡轮效率；13)W13风扇外涵出口流量；14)W24风扇内涵出口流量；15)W26增压级出口流量；16)W3压气机出口流量；17)W45高压涡轮出口流量；18)W5低压涡轮出口流量；19)N1低压转速；20)P13风扇外涵进口总压；21)P2风扇内涵进口总压；22)P24风扇内涵出口总压；23)P26增压级出口总压；24)P3压气机出口总压；25)P45高压涡轮出口总压；等等。

3.2 数据选取处理

选取HPC、HPT、LTP三类故障文件数据作为训练集与验证集，将故障注入产生的文件进行整理合并，合并后的文件分别定义数据标签(正常、HPC效率突降(叶冠掉块)，HPT效率突降(盘裂纹)，LPT效率突降(盘裂纹))。数据文件中前10 000的数据作为验证数据集，10 000以后的数据为训练数据集。

图9 训练数据样本文件

图10 验证数据样本文件

将数据输入与合并，对输入数据进行预处理，对于特征数据进行scale归一化处理，对于标签数据进行one-hot形式的编码梳理。

3.3 深度学习模型搭建

在深度学习模型搭建过程中，主要实现目的是根据这些数据进行故障诊断，最终通过计算故障检测率，以诊断正确性比率作为模型评价指标。故障注入标签有3个故障模式，分别为HPC效率突降(叶冠掉块)，HPT效率突降(盘裂纹)，LPT效率突降(盘裂纹)，因此模型搭建为四分类问题：0:正常；1:HPC故障；2HPT故障；3：LPT故障。

由于该问题属于四分类问题，所以神经网络的最后一层有4个神经元，并使用softmax作为其输出层的激活函数。深度学习模型结构如图11所示。

图11 深度学习模型图卷积池化过程

课题采用训练器为SGD(Stochastic Gradient Descent，随机梯度下降)，损失函数使用的是交叉熵函数，评估标采取的acc(分类准确率)。深度学习模型图训练过程如表1所示。

表1 深度学习模型图训练过程

3.4 结果对比分析

3.4.1 基于SVM方法的气路故障诊断

支持向量机作为一种机器学习方法，建立在统计学习和结构风险最小原理的基础上。支持向量机作为二元分类器。对线性可分和线性非可分数据的分类非常有效，对发动机数据拟合与预测有良好的适应性。

通过SVM算法对模型生成发动机气路故障训练数据进行训练，得到分类训练模型。之后，将测试数据导入模型中进行计算，诊断发动机的运行状态，并将其与实际状态进行对比。其分类结果如表2所示。

表2 基于SVM的气路诊断验证统计结果

从表2可见，采用SVM算法对该组发动机试验数据进行分类，其诊断的准确率仅为66.67%。

3.4.2 基于深度学习方法的气路故障诊断

采用本课题构建的深度神经网络，经过3个epochs(1个epoch表示过了1遍训练集中的所有样本)的循环学习，训练集合上的准确率即可达到了较高的程度。训练10个epochs之后，保存生成模型。在测试验证集上，对于训练得到的模型进行监测，最终得到的故障检测准确率指标接近100%，即全部测试数据识别诊断均为正确，可见基于CNN的深度学习能力，其分类能力能够实现较高的精度指标。由此可见，深度学习方法较传统分类方法，在气路故障诊断应用上能够得到较大的准确率提升。