吳倩,李 靜,吳曉舟,王華偉

(南京航空航天大學(xué) 民航學(xué)院，南京 211100)

基于深度信念網(wǎng)絡(luò)的民航發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)

(南京航空航天大學(xué) 民航學(xué)院，南京 211100)

民航飛機(jī)發(fā)動(dòng)機(jī)設(shè)備構(gòu)造精密、復(fù)雜，其監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)中蘊(yùn)含了豐富的故障信息；傳統(tǒng)發(fā)動(dòng)機(jī)狀態(tài)診斷依靠數(shù)據(jù)統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)模型，但其在深入理解與歸類信號(hào)特性方面的表現(xiàn)難以盡如人意；此外近年興起了多層神經(jīng)網(wǎng)絡(luò)降維算法——深度學(xué)習(xí)理論，其通過模擬人腦分析過程建立由淺入深的算法模型，數(shù)據(jù)處理效果較好；將民航發(fā)動(dòng)機(jī)自身特點(diǎn)與深度學(xué)習(xí)理論有機(jī)結(jié)合提出了基于深度信念網(wǎng)絡(luò)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)方法；其優(yōu)勢(shì)在于克服了傳統(tǒng)方法人工提取數(shù)據(jù)特征的不確定性與狀態(tài)分類陷入局部最優(yōu)的缺陷，可對(duì)發(fā)動(dòng)機(jī)參數(shù)進(jìn)行自主學(xué)習(xí)與特征提??；實(shí)驗(yàn)結(jié)果表明該算法具有出色的特征提取能力與分類準(zhǔn)確率，能夠準(zhǔn)確識(shí)別發(fā)動(dòng)機(jī)的不同狀態(tài)。

發(fā)動(dòng)機(jī)狀態(tài)；深度學(xué)習(xí)理論；大數(shù)據(jù)處理

0 前言

航空發(fā)動(dòng)機(jī)是飛機(jī)的核心部件，其性能優(yōu)劣直接關(guān)系到飛機(jī)的整體狀態(tài)及運(yùn)行安全。發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)是識(shí)別發(fā)動(dòng)機(jī)現(xiàn)有性能與降低事故征兆的重要方法，然而其精密的構(gòu)造與復(fù)雜的設(shè)備參數(shù)為發(fā)動(dòng)機(jī)的狀態(tài)監(jiān)測(cè)與故障診斷帶來了極大的技術(shù)難度，因此基于多種性能參數(shù)的同步分析是解決發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)問題的有效途徑。

在目前眾多狀態(tài)監(jiān)測(cè)方法中，普遍應(yīng)用的支持向量機(jī)(support vector machine，SVM)及其改進(jìn)方法[ 1 ]取得了較好的研究成果，其他一些與神經(jīng)網(wǎng)絡(luò)相關(guān)的算法諸如BP算法[ 2 ]、模糊神經(jīng)網(wǎng)絡(luò)算法[ 3 ]等均以其出色的非線性映射能力在發(fā)動(dòng)機(jī)狀態(tài)分析中嶄露頭角。然而這些方法往往需要借助特定函數(shù)模型確定各性能參數(shù)所對(duì)應(yīng)的狀態(tài)及其在最終決策中的貢獻(xiàn)，存在參數(shù)選取與分類模糊度不確定性、局部極小和過度擬合等不足之處，無法完全準(zhǔn)確地反應(yīng)發(fā)動(dòng)機(jī)真實(shí)狀態(tài)；另一方面狀態(tài)監(jiān)測(cè)趨于復(fù)雜化，模型的適用條件易被忽視，導(dǎo)致操作困難，特征學(xué)習(xí)的智能性與可靠性也不能得到凸顯。

針對(duì)上述不足，借助衍生于神經(jīng)網(wǎng)絡(luò)的DBN算法可較為出色地完成對(duì)民航發(fā)動(dòng)機(jī)故障狀態(tài)的識(shí)別。相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，其優(yōu)勢(shì)在于：

(1)直接從發(fā)動(dòng)機(jī)原始數(shù)據(jù)提取參數(shù)特征進(jìn)行自主學(xué)習(xí)，避免了傳統(tǒng)方法的數(shù)據(jù)分析環(huán)節(jié)，降低了特征提取難度，擺脫了對(duì)機(jī)械經(jīng)驗(yàn)的依賴；

(2)建立多層神經(jīng)網(wǎng)絡(luò)疊加的深層模型，在海量數(shù)據(jù)中自適應(yīng)構(gòu)建數(shù)據(jù)間隱含聯(lián)系并逐層向上傳遞，使特征不斷迭代更新，避免陷入局部最優(yōu)；

(3)模型構(gòu)建簡單，參數(shù)設(shè)置少，通過較少的時(shí)間換取較高的狀態(tài)識(shí)別準(zhǔn)確度，面對(duì)復(fù)雜監(jiān)測(cè)任務(wù)時(shí)，可以出色地完成對(duì)發(fā)動(dòng)機(jī)狀態(tài)的監(jiān)測(cè)。

1 深度信念網(wǎng)絡(luò)算法

1.1 深度學(xué)習(xí)介紹

深度學(xué)習(xí)的概念由Hinton等人于2006年提出，起源于人工神經(jīng)網(wǎng)絡(luò)的研究[4]。其動(dòng)機(jī)在于模擬人腦的思維方式與學(xué)習(xí)機(jī)制與來處理各類型數(shù)據(jù)，構(gòu)建深層次神經(jīng)網(wǎng)絡(luò)完成特征學(xué)習(xí)過程，實(shí)現(xiàn)了從原始數(shù)據(jù)到特征識(shí)別的直接跳躍。深度學(xué)習(xí)已成為大數(shù)據(jù)分析的“利器”，其在圖像識(shí)別、文字處理、語音識(shí)別[ 5-7 ]等諸多領(lǐng)域均有廣泛的應(yīng)用，而算法的智能性、便捷性等優(yōu)勢(shì)將為越來越多行業(yè)的產(chǎn)品和服務(wù)產(chǎn)生深遠(yuǎn)影響。

1.2 DBN算法

深度信念網(wǎng)絡(luò)[8](deep belief network，DBN)是一種無監(jiān)督學(xué)習(xí)下的深度學(xué)習(xí)(Deep Learning)模型，由多層單層限制性波爾茲曼機(jī)(restricted boltzmann machine, RBM)堆疊而成。

圖1 DBN 的模型結(jié)構(gòu)

1.2.1 單層限制性波爾茲曼機(jī)

RBM由可視層(visible layer)與隱藏層(hidden layer)組成：分別用于輸入訓(xùn)練數(shù)據(jù)與特征檢測(cè)。層與層間通過權(quán)值(w)連接。其能量定義：

(1)

Wij為可視層節(jié)點(diǎn)i與隱含層節(jié)點(diǎn)j之間的連接權(quán)重；ai，bj分別為可視層、隱藏層的偏置值。(v,h)的聯(lián)合概率密度：

(2)

式中,歸一化因子Z：

(3)

由于隱藏層節(jié)點(diǎn)狀態(tài)與可視層節(jié)點(diǎn)的狀態(tài)相互獨(dú)立，可視層與隱藏層的邊緣概率密度：

(4)

(5)

根據(jù)可視層(v)構(gòu)建與之相鄰的隱藏層(h)，其中隱藏層第j個(gè)節(jié)點(diǎn)的激活概率為：

(6)

同理根據(jù)隱藏層(h)構(gòu)建接下來的可視層(v)，其中可視層第i個(gè)節(jié)點(diǎn)的激活概率為：

(7)

采用對(duì)比散度算法對(duì)重構(gòu)數(shù)據(jù)進(jìn)行近似采樣，得到各參數(shù)的更新規(guī)則為:

Δwij=η([vi,hj]data-[vi,hj]recon)

(8)

Δai=η([vi]data-[vi]recon)

(9)

Δbj=η([hj]data-[hj]recon)

(10)

其中:<·>data為訓(xùn)練樣本集在定義分布上的期望；<·>recon為重構(gòu)后的模型定義分布上的期望。如此訓(xùn)練后每層 RBM 就能較為準(zhǔn)確地提取上一層RBM的特征，并根據(jù)隱藏層的特征還原各可視層，進(jìn)而逐層向上傳遞信息。

1.2.2 深度信念網(wǎng)絡(luò)

DBN的運(yùn)算過程為多層RBM累加，原始數(shù)據(jù)作為低層 RBM可視層，所輸出的 RBM隱藏層亦為高一層 RBM 的可視層，通過逐層傳遞，自底向上的學(xué)習(xí)方式，使特征識(shí)別效果逐層優(yōu)化；其次，通過頂部設(shè)置NN網(wǎng)絡(luò)，接收 RBM 的輸出特征向量作為它的輸入特征向量,有監(jiān)督地將錯(cuò)誤信息自頂向下傳播至每一層 RBM,微調(diào)整個(gè)DBN 網(wǎng)絡(luò)，使DBN克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而容易陷入局部最優(yōu)和訓(xùn)練時(shí)間長等缺點(diǎn)。

2 深度信念網(wǎng)絡(luò)算法在航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)的應(yīng)用

2.1 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)參數(shù)提取

民機(jī)發(fā)動(dòng)機(jī)的故障狀態(tài)主要由發(fā)動(dòng)機(jī)的送修等級(jí)來評(píng)定，通過提取發(fā)動(dòng)機(jī)送修前的檢測(cè)數(shù)據(jù)評(píng)定發(fā)動(dòng)機(jī)的送修等級(jí)。其中發(fā)動(dòng)機(jī)動(dòng)低壓壓氣機(jī)(LPC)、低壓渦輪(LPT)、高壓壓氣機(jī)(HPC)、高壓渦輪(HPT)、 燃燒室 (COMB)等均對(duì)發(fā)動(dòng)機(jī)狀態(tài)造成不同程度的影響。鑒于其功能和結(jié)構(gòu)的復(fù)雜性與交叉性，同時(shí)提取發(fā)動(dòng)機(jī)排氣溫度偏差值 (DEGT)、高壓轉(zhuǎn)子轉(zhuǎn)速偏差值 (DN2)、燃油消耗量偏差值 (DWF)、低壓轉(zhuǎn)子振動(dòng)偏差值(ZVB1F)、高壓轉(zhuǎn)子振動(dòng)偏差值 (ZVB2R)等多種對(duì)發(fā)動(dòng)機(jī)狀態(tài)靈敏度高的參數(shù)進(jìn)行綜合分析，完成發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)。

2.2 深度信念網(wǎng)絡(luò)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)模型的建立

基于深度置信網(wǎng)絡(luò)(DBN)與自然網(wǎng)絡(luò)(NN)相結(jié)合的數(shù)學(xué)模型，提出一種直接從原始數(shù)據(jù)出發(fā)對(duì)民航發(fā)動(dòng)機(jī)故障狀態(tài)進(jìn)行自適應(yīng)分類識(shí)別的方法。

,..n

(11)

將發(fā)動(dòng)機(jī)的實(shí)際狀態(tài)抽象為模型的輸出層。根據(jù)實(shí)際發(fā)動(dòng)機(jī)故障情況，借助VC(一般檢查)、POH(性能恢復(fù))、OH(翻修)3個(gè)送修等級(jí)[9]判斷發(fā)動(dòng)機(jī)相關(guān)單元體和子系統(tǒng)的狀態(tài)。由發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)設(shè)置輸出層有3個(gè)神經(jīng)元，輸出[1 0 0],[0 1 0],[0 0 1] 分別表明所屬的狀態(tài)類別為VC、POH、OH。由此建立深度信念網(wǎng)絡(luò)的輸出層。

其次選取適當(dāng)?shù)腄BN網(wǎng)絡(luò)中間層層數(shù)與各層節(jié)點(diǎn)數(shù)，即可完成完整網(wǎng)絡(luò)模型的構(gòu)建。關(guān)于DBN網(wǎng)絡(luò)兩個(gè)隱含層節(jié)點(diǎn)數(shù)的確定，如果隱含層節(jié)點(diǎn)數(shù)過少，映射數(shù)目與精度不能得到保證，網(wǎng)絡(luò)未能達(dá)到理想訓(xùn)練效果；如果節(jié)點(diǎn)數(shù)過多，會(huì)使網(wǎng)絡(luò)魯棒性與泛化能力降低，且所需時(shí)間變長。在對(duì)航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)的實(shí)際操作中通過參考經(jīng)驗(yàn)公式與經(jīng)多次試驗(yàn)驗(yàn)證，選取隱含層數(shù)目N與恰當(dāng)?shù)碾[含層節(jié)點(diǎn)數(shù)。

通過RBM算法訓(xùn)練得到各層的連接權(quán)值，并將本層(h1)輸出參數(shù)(權(quán)值與偏移量)作為下一層(I2)輸入，根據(jù)層數(shù)重復(fù)上述步驟得到完整DBN網(wǎng)絡(luò)，在最終輸出層后設(shè)置NN網(wǎng)絡(luò)，對(duì)已分類特征進(jìn)行微調(diào)，進(jìn)一步提高準(zhǔn)確性。結(jié)束訓(xùn)練，通過已訓(xùn)練的DBN+NN網(wǎng)絡(luò)完成對(duì)原始數(shù)據(jù)特征的分類識(shí)別。

該訓(xùn)練方法流程圖如圖2所示。

圖2 DBN的訓(xùn)練模型

3 算例

為驗(yàn)證所提出方法的有效性，以民機(jī)發(fā)動(dòng)機(jī)為研究對(duì)象，通過對(duì)真實(shí)數(shù)據(jù)進(jìn)行了維修級(jí)別分析。選取CF6-80C2A5型發(fā)動(dòng)機(jī)維修數(shù)據(jù)[10]，分別用DBN+NN、深度學(xué)習(xí)算法、BP 神經(jīng)網(wǎng)絡(luò)、SVM算法進(jìn)行性能監(jiān)測(cè)，并將結(jié)果進(jìn)行了比較和分析。

3.1 實(shí)驗(yàn)數(shù)據(jù)選取及評(píng)測(cè)指標(biāo)

在此以A300飛機(jī)上的 CF6-80C2A5 型發(fā)動(dòng)機(jī)維修數(shù)據(jù)為例,采集某航空公1999-2004年期間該類型發(fā)動(dòng)機(jī)送修前的狀態(tài)參數(shù)及送修后的送修等級(jí)信息，構(gòu)建DBN+NN狀態(tài)監(jiān)測(cè)網(wǎng)絡(luò)，驗(yàn)證所提出算法的有效性。

在網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)(為DEGT、DN2、DWF、ZVB1F、ZVB2R共5個(gè)特征)、輸出層神經(jīng)元個(gè)數(shù)(為VC、POH、OH共3種狀態(tài))已知的前提下，通過實(shí)驗(yàn)驗(yàn)證完成隱層層數(shù)、各層節(jié)點(diǎn)數(shù)等參數(shù)的選取，建立與優(yōu)化對(duì)應(yīng)的DBN模型。

表1 優(yōu)化后DBN+NN網(wǎng)絡(luò)參數(shù)

其次根據(jù)歷史監(jiān)測(cè)數(shù)據(jù)建立網(wǎng)絡(luò)的訓(xùn)練樣本。數(shù)據(jù)總數(shù)為 250， 取前240個(gè)數(shù)據(jù)進(jìn)行建模,后10個(gè)數(shù)據(jù)進(jìn)行外推預(yù)測(cè)驗(yàn)證。采用準(zhǔn)確率(Precision)、運(yùn)行時(shí)間(Time)來評(píng)價(jià)算法的識(shí)別分析效果，其中準(zhǔn)確率(P)反應(yīng)算法對(duì)于數(shù)據(jù)識(shí)別的精度，運(yùn)行時(shí)間(T)反應(yīng)了算法的復(fù)雜程度。

3.2 PNN、DBN、BP、SUV算法對(duì)比實(shí)驗(yàn)

BP、SVM、PNN算法為另外3種常用神經(jīng)網(wǎng)絡(luò)方法，在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)領(lǐng)域與其他數(shù)據(jù)分類領(lǐng)域等有廣泛的應(yīng)用。在相同環(huán)境下借助DBN算法與BP、SVM、PNN算法對(duì)所采集數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，通過比較各算法的正確率驗(yàn)證本文提出算法的有效性。

通過對(duì)比分析可以看出，PNN算法的正確率較DBN算法而言存在明顯差距，DBN算法的分類準(zhǔn)確率總體比BP、SVM另外兩種算法高出5%左右。從算法設(shè)計(jì)上來說，DBN算法能較為準(zhǔn)確且直觀地識(shí)別數(shù)據(jù)的特征與進(jìn)行分類；就程序的靈活性而言，從運(yùn)行結(jié)果可以看出DBN算法靈活性較高，能夠較為容易地更改隱藏層節(jié)點(diǎn)數(shù)及迭代次數(shù)，從而能較為靈活地選擇出更符合要求的參數(shù)。

表2 各算法樣本及正確率

表3 不同算法的監(jiān)測(cè)診斷結(jié)果

圖3 不同算法的監(jiān)測(cè)診斷結(jié)果正確率

4 總結(jié)

文章從深度學(xué)習(xí)理論出發(fā)，介紹了深度學(xué)習(xí)中常用的深度信念網(wǎng)絡(luò)(DBN)理論知識(shí)；并將深度學(xué)習(xí)理論與航空發(fā)動(dòng)機(jī)非線性數(shù)據(jù)特征結(jié)合，建立DBN網(wǎng)絡(luò)(無監(jiān)督性學(xué)習(xí)算法)與NN網(wǎng)絡(luò)(有監(jiān)督性學(xué)習(xí)算法)共同作用的發(fā)動(dòng)機(jī)狀態(tài)分類與識(shí)別的監(jiān)測(cè)方法。相比于傳統(tǒng)發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)方法，該法直接從原始數(shù)據(jù)出發(fā)進(jìn)行分析，擺脫對(duì)人工提取特征的依賴，具有自主識(shí)別特征、避免陷入局部最優(yōu)、分類準(zhǔn)確率高等諸多優(yōu)勢(shì)。以實(shí)際發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)數(shù)據(jù)為例對(duì)所提出算法進(jìn)行實(shí)際應(yīng)用驗(yàn)證，在與以往狀態(tài)分析方法對(duì)比后證明該方法兼具快速性、強(qiáng)魯棒性等特點(diǎn)，有較強(qiáng)的泛化能力，能夠獲得較高的狀態(tài)識(shí)別準(zhǔn)確率，具有廣闊應(yīng)用前景。

[1] Fei Chengwei, Bai Guangchen. 改進(jìn)FSVM在發(fā)動(dòng)機(jī)振動(dòng)故障融合分析中的應(yīng)用[J]. Issue:15, 2012, 31(15):171-174.

[2] 李訓(xùn)亮, 門 路, 周 山. GA-BP神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)中的應(yīng)用研究[J]. 計(jì)測(cè)技術(shù), 2011, 31(4):5-6.

[3] 劉玉兵, 張宗揚(yáng), 譚 華,等. 基于模糊神經(jīng)網(wǎng)絡(luò)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)警報(bào)系統(tǒng)的建立[J]. 潤滑與密封, 2009, 34(7):74-76.

[4] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[5] Ji S, Xu W, Yang M, et al. 3D convolutional neural networks for human action recognition [J]. Pattern Analysis and Machine Intelligence, IEEE Transactions, 2013, 35(1): 221-231.

[6] Sun Y, Wang X, Tang X. Deep learning face representation by joint identification-verification[J]. CoRR,2014: abs/1406. 4773.

[7] Karpathy A, Toderici G, Shetty S, et al. Large-scale video classification with convolutional neural networks[A].IEEE Conference on Computer Vision and Pattern Recognition (CVPR)[C]. Piscataway, NJ: IEEE,2014: 1725-1732.

[8] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006, 18(7): 1527-1554.

[9] 張海軍. 民航發(fā)動(dòng)機(jī)性能評(píng)估方法與視情維修決策模型研究[D]. 南京：南京航空航天大學(xué)， 2007.

[10] GE Transportation, CF6-80C2A5 Workscope Planning Guide[Z]. General Electric Company, 2001.

Civil Aviation Engine Health Condition Monitoring Based on DBN Deep Learning Theory

Wu Yuqian, Li Jing, Wu Xiaozhou, Wang Huawei

(School of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 211100，China)

Civil aircraft engine has precise and complicated structure. The data collected by monitoring systems contain abundant fault message. Traditional methods of monitoring engine’s health condition are based on data statistics and machine learning model. However, its performance on deep-understanding and classifying characteristics of massive data didn’t meet the requirement as we had expected. In addition, as the dimension reduction method of Neural Networks, deep learning, flourishing in recent years, builds up algorithm model which is able to process data effectively by simulating the structure of human brain. Combining the characteristics of engine with deep learning theory, the paper put forward a new method of monitoring engine’s health condition. The advantageous conditions of the method include overcoming the uncertainty of characteristic extraction and deficiency of partial response. It’s able to learn and classify the characteristics automatically. Result of the test shows that the method can not only extract characteristics from massive data, but also obtain high identification accuracy of different health conditions of engine.

engine health condition；deep learning theory；big data analysis

2016-12-12；

2017-02-21。

國家自然科學(xué)基金青年基金(71401073)。

吳瑀倩(1996-)，女，主要從事飛行器適航技術(shù)方向的研究。

王華偉(1974-)，女，博士，教授，主要從事復(fù)雜系統(tǒng)可靠性分析與建模等方向的研究。

1671-4598(2017)07-0028-04

10.16526/j.cnki.11-4762/tp.2017.07.007

V267

A