多工况下航空发动机的故障模式分类

韩光洁，田 晨，缑林峰，邵 冬，罗 斌，徐甜甜，林 川

1(大连理工大学 软件学院，辽宁 大连 116620)

2(西北工业大学 动力与能源学院，西安 710072)

3(中国航空发动机研究院，北京 101304)

4(东北大学 软件学院，沈阳 110819)

E-mail：hanguangjie@gmail.com

1 引 言

航空发动机作为飞机的“心脏”，是飞机最重要的部件，它的高可靠性对于获得理想的飞行效率至关重要.随着航空发动机性能的改进，其内部结构更加复杂.航空发动机的很多零部件需要在高温、高压、高转速和高负荷等严苛条件下可靠运行，这导致零部件发生故障的频率越来越高.在多工况下，航空发动机的不同部件会出现不同程度的性能衰退，进而导致不同的故障.维修费用已经成为航空维修领域中不可忽视的重要因素，减少不必要和不准确的维修工作能够有效地促进航空产业的发展.航空发动机的故障预测和健康管理(Prognostic and Health Management，PHM)是确保设备可靠运行，降低维护成本的有效手段.同时，对于避免设备使用后发生灾难性事故具有重要意义[1].

发动机故障诊断的方法可分为两类：基于物理模型的方法[2]和基于数据驱动的方法[3，4].基于物理模型的方法使用一些物理模型和数学方法建立退化模型来估计当前的健康状况和预测未来的健康状况.Li等人提出了一种基于模型的最小二乘参数估计故障诊断系统[5].所采用的超级电容器电路模型为二阶模型，具有较高的精度.但是，基于物理模型的方法难以获得精确且适用的物理模型，并且需要关于物理系统的先验知识.基于数据驱动的方法使用数据挖掘和机器学习技术，直接从收集的状态监测数据中学习机械行为.然后，利用学习到的知识来评估健康状况，获取退化趋势，并对设备的故障进行诊断.Jin等人基于Kolmogorov-Smirnov检验、自组织图和无味卡尔曼滤波器(Unscented Kalman Filter，UKF)提出了一种轴承故障预测方法[6].该方法分为两步，第1步是通过学习历史数据来检测轴承的退化过程，第2步是借助退化模型和UKF预测对轴承进行诊断.

随着深度学习的兴起，典型的深度神经网络(Deep Neural Network，DNN)，如卷积神经网络[7-9](Convolution Neural Network，CNN)、深度信念网络[10，11](Deep Belief Network，DBN)、堆叠降噪自编码器[12](Stacked Denoising Auto Encoder，SDAE)等，被广泛应用于工业应用中.因为它们能够从大数据中自动学习数据的内在特征，解决了传统神经网络泛化能力不足、容易产生局部最优解等问题，削弱了监测数据中的个体差异和明显的数据噪声.Dongzhu等人提出一种结合卷积神经网络和支持向量机的航空发动机轴承故障诊断方法[13].首先，利用短时傅立叶变换对时间序列信号进行时频分析，得到相应的时频图像.然后，使用卷积神经网络提取所获得的时频图像的特征，然后使用支持向量机对提取的特征进行分类和诊断.Wen 等人提出了一种使用振动图像和CNN的新的数据驱动型智能轴承故障诊断方法[14].该方法将信号转换为二维图像，消除了手工特征的影响.Wang 等人提出了一种基于对称点模式和CNN的轴承故障诊断新方法[15].首先，利用对称点模式技术将时域振动信号直接转换成极坐标下的雪花图像，使故障可视化，建立了各个运行状态的可视化对称点模式图样本库.然后，通过设计的CNN模型自动提取对称点模式图像的形状差异特征，以形成特征向量.最后，将形成的特征向量用作分类器的输入，以识别轴承故障状态.该方法不仅可以准确识别轴承状态，而且可以识别故障发生的相对位置.Li 等人提出了一种基于短时傅立叶变换(Short-Time Fourier Transform，STFT)和CNN的故障诊断方法[16].首先，对滚动轴承的振动信号进行STFT，将其频谱样本分为训练集和测试集.然后，将训练集输入到CNN中以进行学习和更新CNN的参数.最后，将具有更新参数的CNN模型应用于测试集中，以输出故障识别结果.该方法对不同类型的故障具有较高的识别精度.

但是，这些研究大多数都需要使用不同算法将信号转换为图像，然后再进行故障诊断.在得到准确率较高的诊断模型的同时，也花费了大量时间用于信号转换.在本文研究中，旨在使用一维卷积神经网络(One-Dimensional Convolutional Neural Network，1D-CNN)解决这些缺点和局限性.

近年来，1D-CNN被用来处理具有时间依赖特性的振动信号，在准确度和时间方面表现出了良好的性能[17].振动信号可以直接输入模型中进行训练.Ince 等人提出了一种基于1D-CNN的电机故障诊断模型，该模型不仅避免了生成手工特征，而且获得了较高的故障诊断性能[18].Li 等人提出了一种将1D-CNN和随机森林相结合的故障诊断方法用于旋转机械齿轮箱[19].该方法使用1D-CNN从收集的多个传感器信号中提取特征，然后使用随机森林算法进行分类.Zhang 等人针对故障数据分布不均匀的问题提出了一种基于代价敏感学习的新型一维卷积神经网络模型，用于变压器故障分类[20].Wang等人使用1D-CNN和门控循环单元(Gated Recurrent Unit，GRU)提出了一种基于时间序列的混合故障诊断方法[21].首先，利用1D-CNN自动提取传感器序列数据的局部抽象特征.其次，使用GRU捕获全局特征以及序列的动态信息.该方法在迭代次数很小的情况下可以达到较高的精度.Guo等人使用1D-CNN模型从原始振动信号中自动学习特征并识别机器的健康状况[22].Wang等人提出了一种多注意力的1D-CNN来诊断轴承故障.该方法可以自适应地重新校准每层的特征，并可以增强故障脉冲特征的学习，忽略不相关的特征[23].

航空发动机数据由多个传感器获得的时间序列组成.基于目前的文献研究，1D-CNN适合处理时间序列，可以自动提取航空发动机的故障特征.在实现分类任务的同时，降低了模型的训练时间，这使其成为实现航空发动机故障模式分类的理想网络模型.

针对多工况下不同数据集的故障模式类别，本文使用无需其他特征融合算法的1D-CNN模型提出了一种航空发动机故障模式分类方法.首先，分别为具有单个故障模式的单一数据集和具有两个故障模式的混合数据集设置标签.针对不同工况下航空发动机的传感器测量值存在巨大差异问题，本文将数据按操作条件类别分别进行标准化处理.然后，将处理后的数据输入1D-CNN模型中训练，得到分类模型.

本文的后续内容安排如下：第2部分详细介绍了故障模式分类框架，第3部分是实验结果及分析，最后一部分是总结.

2 基于1D-CNN航空发动机故障模式分类

2.1 1D-CNN模型

CNN作为一种代表性的深度学习模型，已成功用于从噪声振动信号中提取缺陷特征以进行故障检测和诊断.CNN包括1D-CNN，二维卷积神经网络以及三维卷积神经网络.所有CNN都具有相同的特性，包括卷积操作、共享权重和池化操作.CNN在一定程度上具备了平移不变性和缩放不变性，并且减少了要训练参数的数量，提高了网络的训练效率.1D-CNN的基本结构包括输入层、卷积层、池化层、全连接层及输出层.其中卷积层由一组卷积核组成，卷积核就是一个权重矩阵.随着卷积核滑动，依次对目标输入进行局部的卷积操作.池化层可以提取卷积结果中最主要的特征.1D-CNN的输入为一维向量，内部结构也是一维的.一维卷积的操作示意图如图1所示，例如假设一维输入数据的维度为10，卷积核大小为4，步长为1，沿着箭头的方向在数据序列上滑动并进行卷积操作，则输出的维度为7.

2.2 分类框架

在使用神经网络的过程中，为了提高模型学习特征的能力，可以采用增加网络层数的方法.但随着网络层数的增加，网络模型需要训练的参数个数也会增加.CNN的权值共享和局部连接可以减少网络需要训练的参数，减小了程序运行所需的内存，并且大大降低了过拟合的风险.航空发动机的传感器数据一般是一维的时间序列数据[24，25]，本研究中的数据同样采用了上述标准.结合航空发动机已有数据集中的故障模式及数据子集的样本分布，本文提出了一种基于1D-CNN模型的故障模式分类方法，该方法将特征提取和分类任务合并到一个网络模型中，降低了模型的训练时间.

图1 一维卷积操作过程Fig.1 One-dimensional convolution operation process

基于1D-CNN的航空发动机故障模式分类方法可分为数据预处理、特征提取和分类识别3步.具体流程如图2所示.

图2 提出方法的框架图Fig.2 Framework of the proposed method

2.2.1 数据预处理

图2第一个虚线框为数据预处理过程，分为4个部分.首先为不同故障模式数据集设置标签.本文将具有一种故障模式的数据集称之为单一故障模式数据集；将具有两种故障模式的数据集称之为混合故障模式数据集.由于单一故障模式数据集中只有一种故障模式，将该数据集的标签置为‘0’，混合故障模式数据集的标签置为‘1’.

然后根据航空发动机的传感器测量值的变化，剔除随着飞行循环数的增加，测量值恒定不变的传感器.其中，一个飞行循环数指的是飞机一个起飞到降落的过程，一般用作发动机运行时间的单位.

不同的操作条件下各个传感器的值的范围也不同且差异明显，将这些数据直接输入到1D-CNN网络中将导致输入特征的权重不均衡，减慢了模型的学习和收敛速度.因此，在模型训练之前，本文根据操作条件将剔除传感器后的数据聚类.这里采用基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)方法，将相同运行条件下的数据划分到一个类中.因为DBSCAN相比于其他传统聚类方法，可以在具有噪声的空间数据库中发现任意形状的簇，且对噪声数据不敏感.

2.2.2 特征抽取

1D-CNN可以利用卷积操作自动地学习航空发动机数据的内部关系，提取出有效的特征，利用全连接网络将特征进行综合，从而得出故障模式分类结果.图2第2个虚线框为特征抽取过程.1D-CNN模型的特征抽取过程如下：

1)将处理后的数据输入1D-CNN网络模型，通过卷积层的卷积操作实现航空发动机退化特征的提取.一维卷积运算过程如公式(1)所示：

xlk=∑Nl-1i=1conv1D(wl-1ik，sl-1i)+blk

(1)

其中，xlk和blk分别为卷积层l第k个神经元的输入和偏置，wl-1ik为卷积层l-1第i个神经元与卷积层l第k个神经元之间的卷积核，sl-1i为卷积层l-1第i个神经元的输出，Nl-1为卷积层l-1的神经元个数.conv1D(·)为一维卷积运算.

为了增加1D-CNN模型的非线性，使用激活函数将卷积结果进行非线性激活操作.卷积层中每个神经元的最终输出表示为：

slk=f(xlk)

(2)

其中，本文选择修正线性单元(Rectified Linear Unit，ReLU)作为激活函数，公式如(3)所示.

f(x)=max(0，x)

(3)

2)通过池化层的池化操作降低传感器数据维度，实现高计算效率.池化操作可以通过多种池化函数来执行，常用的池化有平均池化、最大值池化.本文选择最大值池化，计算公式如(4)所示：

slk=max(k-1)H+1≤j≤kH(sl-1j)

(4)

其中，H为卷积核宽度.

——近日，针对中国医学学生的培养问题，以及“60万医学生仅10万从医”这样的新闻，浙江大学医学院康复研究中心主任陈作兵在《光明日报》上发文说

3)在若干层卷积和池化操作之后，得到局部特征.将局部特征输入全连接层进行综合得到全部特征.

2.2.3 分类识别

利用2.2.2节得到的全部特征对航空发动机故障模式进行分类识别，得到故障模式分类结果.针对已有数据集中航空发动机的故障模式类别，本文使用sigmoid分类器.第i个输入样本判别为1的概率为：

p(y(i)=1|x(i)；θ)=11+e-θTx(i)

(5)

在模型训练过程中，采用反向传播算法以生成每一层的误差梯度，结合有标签的样本对整个1D-CNN模型进行参数的微调.

3 实验结果及分析

3.1 数据集介绍

为了说明所提方法的有效性，本文使用了涡扇发动机公开数据集.该数据集由美国国家航空航天局(National Aeronautics and Space Administration，NASA)创建，它模拟了涡轮风扇发动机的实际退化过程，称为C-MAPSS数据集.根据故障模式和运行条件，C-MAPSS数据集分为4个不同的子集，如表1所示.C-MAPSS数据集中发动机的故障模式有两种，其中单一故障模式数据集FD002只包含HPC退化，混合故障模式数据集FD004包含HPC退化和Fan退化.在每个子集中，提供训练集和测试集，分别记录了发动机编号、工作循环数、发动机的工况参数(飞行高度H、马赫数Ma和油门解算器角度TRA)和21个传感器测量值.在训练集中，故障的严重程度会不断增加，直到系统出现故障为止.

表1 C-MAPSS数据集组成Table 1 Composition of the C-MAPSS dataset

为了研究多工况下发动机故障模式类别，本文选择C-MAPSS数据集中的“train_FD002.txt”和“train_FD004.txt”作为研究的数据.

3.2 数据预处理

1)传感器参数选择

FD002和FD004数据集包含6种工况，由数据集得出6种工况的操作条件分布在如下附近范围：1)H=0kft，Ma=0，TRA=100；2)H=10kft，Ma=0.25，TRA=100；3)H=20kft，Ma=0.7，TRA=100；4)H=25kft，Ma=0.62，TRA=60；5)H=35kft，Ma=0.84，TRA=100；6)H=42kft，Ma=0.84，TRA=100.在不同的工况类别下，某些传感器测量值恒定不变.所以在发动机整个生命周期中，这些传感器测量值可被视为常数.为了模型更有效地学习发动机的退化特征，将测量值为常数的传感器剔除.最终，本文选择了15个传感器参数，分别为T24，T30，T50，P15，P30，Nf，Nc，Ps30，Phi，NRf，NRc，BPR，htBleed，W31，W32，这些传感器参数的具体含义见表2.

2)数据标准化处理

按照工况类型将剔除传感器参数的数据进行聚类后，将聚类后的数据分别进行标准化处理.本文采用Z-score标准化方法，具体公式如(6)所示：

s′k=sk-μpkσpk

(6)

其中，sk和s′k分别为第k个传感器处理前和处理后的数据，μpk和σpk分别为在工况p下第k个传感器的均值和标准差.

3.3 评估指标

为了评估性能并验证所提出方法的有效性，本文应用了3个常用的性能指标，即精确率、召回率和准确率.精确率表示正确分类的正例个数占预测为正例总数的比例.召回率表示正确分类的正例个数占真实正例总数的比例.

表2 传感器数据描述Table 2 Sensor data description

此外，还使用准确率(Accuracy)进行比较，用来说明模型对测试数据分类准确率情况，可以将其计算为：

Accuracy=TP+TNTP+TN+FP+FN

(7)

其中，TP表示样本真实类别为正，预测出的类别也为正，FP表示样本真实类别为负，预测出的类别却为正，FN表示样本真实类别为正，预测出的类别却为负，TN表示样本真实类别为负，预测出的类别也为负.

3.4 实验结果

1)网络参数

1D-CNN的网络结构由两个卷积层，一个最大池化层和一个完全连接层组成.其中，第1个卷积层的神经元个数为150，第2个卷积层的神经元个数为70.考虑到深度学习模型中的过度拟合问题，采用了dropout技术.在训练1D-CNN时，需要设置学习率控制参数的更新速度.表3给出了1D-CNN的超参数设置.

表3 1D-CNN的超参数设置Table 3 Hyperparameter settings of 1D-CNN

由于本文解决的问题属于二分类问题，本文使用二分类交叉熵损失函数，如公式(8)所示：

Loss=-(yt*log(yp)+(1-yt)log(1-yp))

(8)

其中，yt为某个样本点的真实标签，yp为该样本点取yt=1的概率.

在训练模型过程中，分别从“train_FD002.txt”和“train_FD004.txt”两个数据集中随机选择70%的数据集作为训练集，30%的数据集作为测试集.将参数validation_split设置为0.2，即从训练集中使用将选择20%数据集作为验证集.

图3显示了在微调阶段的1D-CNN的分类精度变化.可以看到，随着Epoch的增加，1D-CNN模型的分类精度不断提高.当Epoch仅为100时，已获得95%的训练精度.当Epoch约为500时，几乎所有训练样本都将被1D-CNN模型有效识别.图4详细描述了Epoch对1D-CNN模型分类精度影响.可以看出，当Epoch达到200时，模型的分类效果趋于稳定.在Epoch达到600时分类准确率最高.因此，Epoch设置为600.

图3 训练过程中1D-CNN的分类精度变化Fig.3 Classification accuracy change of 1D-CNN in the training procedure

图4 Epoch对1D-CNN分类精度的影响Fig.4 Effect of epoch on the classification accuracy of 1D-CNN

2)方法对比

为了证明所用模型的有效性和优越性，本文将1D-CNN模型与典型的分类器模型进行对比，对比模型分别为长短期记忆网络(Long Short-Term Memory，LSTM)、双向长短期记忆网络(Bi-directional Long Short-Term Memory，BLSTM)和支持向量机(Support Vector Machine，SVM).SVM基于结构风险最小化原则，这样就避免了过学习问题，泛化能力强，分类速度快.SVM作为传统的机器学习方法，在训练模型之前一般需要进行特征选择.LSTM和BLSTM作为深度学习模型，可以自动学习数据的特征.LSTM解决了梯度反传过程中由于逐步缩减而产生的梯度消失的问题.但是LSTM网络只能捕获当前状态对前一状态的依赖性.BLSTM网络同时朝两个方向处理数据，捕获过去和未来的信息.因此，BLSTM模型的需要训练的参数也会增加.

表4 不同模型的分类结果对比Table 4 Comparison of classification results of different models

模型的分类对比结果如表4所示.其中，LSTM和BLSTM 的网络结构与1D-CNN类似，隐藏层为2层，第1个隐藏层的神经元个数为150，第2个隐藏层的神经元个数为70.SVM模型的内核函数采用高斯核函数.在精确率、召回率和准确率方面，深度学习模型LSTM、BLSTM和1D-CNN的分类效果比SVM好，且1D-CNN的性能优于LSTM和BLSTM模型.训练时间方面，在提高精度的同时，深度学习模型的训练时间也会增长.但是1D-CNN模型的训练时间相对较短，因为在优化参数过程中，LSTM和BLSTM优化参数的数目比1D-CNN模型的参数多.比较结果表明，1D-CNN对于航空发动机的故障模式分类是有效的.

1D-CNN在保证较高诊断精度的同时，大大缩短了整个网络的训练时间.因此，本文选择1D-CNN作为航空发动机故障模式分类的方法.

4 结 语

本文针对现有航空发动机数据集C-MAPSS中故障模式的类别和相关数据分布情况，在多工况下提出了一种基于1D-CNN的航空发动机故障模式分类方法.该方法可执行航空发动机特征提取和故障模式分类任务.此外，考虑到工况参数对传感器测量值的影响，将数据按照工况条件分别处理.通过对比典型的分类模型，验证了1D-CNN模型在航空发动机故障模式的分类问题中具有较高的分类精度，并且降低了网络的训练时间.

诊断航空发动机的故障模式对其后续维修有重要意义.未来，随着航空发动机研究的发展，对于航空发动机故障模式的研究会越来越多，本文提出的方法可以提供一个较好的研究基础.