吳斌 丁華陽(yáng) 黃帥

摘要：為了提高發(fā)動(dòng)機(jī)氣路部件性能衰退故障的診斷精度，針對(duì)傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)在診斷時(shí)存在泛化能力欠缺、易產(chǎn)生局部最優(yōu)解等問(wèn)題，引入了深度置信網(wǎng)絡(luò)（DBN）對(duì)發(fā)動(dòng)機(jī)部件性能衰退故障進(jìn)行診斷研究。以渦扇發(fā)動(dòng)機(jī)為對(duì)象，從診斷精度、計(jì)算時(shí)間、抗噪能力3個(gè)方面綜合比較分析了DBN算法與核極限學(xué)習(xí)機(jī)（KELM）算法。結(jié)果表明，DBN算法在低、中、高水平噪聲下的診斷精度分別為89.44%、88.38%和86.59%，診斷精度和抗噪聲能力明顯優(yōu)于KELM算法，且診斷速度更快。

關(guān)鍵詞：深度置信網(wǎng)絡(luò);航空發(fā)動(dòng)機(jī);氣路部件;故障診斷

0 引言

壓氣機(jī)、渦輪等氣路部件的性能對(duì)于航空發(fā)動(dòng)機(jī)具有重要影響。氣路部件性能衰退故障會(huì)嚴(yán)重影響發(fā)動(dòng)機(jī)性能，甚至?xí)鸢l(fā)動(dòng)機(jī)的超溫、超轉(zhuǎn)故障。因此，對(duì)發(fā)動(dòng)機(jī)氣動(dòng)熱力參數(shù)進(jìn)行分析，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)氣路部件的狀態(tài)和故障識(shí)別，有利于早期發(fā)現(xiàn)設(shè)備異常，迅速查明故障原因，從而達(dá)到視情維修，保障發(fā)動(dòng)機(jī)安全、可靠工作的目的[1-2]。

目前發(fā)動(dòng)機(jī)氣路部件故障診斷技術(shù)主要分為三大類：基于模型的故障診斷技術(shù)、基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)和基于知識(shí)規(guī)則的故障診斷技術(shù)。其中，基于模型和數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法研究和應(yīng)用最為廣泛，但基于模型的故障診斷方法需要精度較高的發(fā)動(dòng)機(jī)模型，因此在缺乏模型的條件下，采用基于數(shù)據(jù)驅(qū)動(dòng)的診斷技術(shù)更為實(shí)用。

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法以神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛，典型的包括基于梯度訓(xùn)練的BP、RBF等淺層神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)算法存在泛化能力欠缺、易產(chǎn)生局部最優(yōu)解等局限性。為有效解決該問(wèn)題，國(guó)內(nèi)外研究重點(diǎn)在于多層、多節(jié)點(diǎn)的復(fù)雜神經(jīng)網(wǎng)絡(luò)，其中以深度學(xué)習(xí)和深度置信網(wǎng)絡(luò)（DBN）的應(yīng)用最為廣泛[3]。

本文引入DBN對(duì)發(fā)動(dòng)機(jī)氣路故障診斷進(jìn)行研究，給出了神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)過(guò)程，并與已有的核極限學(xué)習(xí)機(jī)（KELM）進(jìn)行比較，對(duì)比驗(yàn)證DBN在發(fā)動(dòng)機(jī)氣路故障診斷中的有效性。

1 深度置信網(wǎng)絡(luò)原理

DBN一般包含多層結(jié)構(gòu)，如果對(duì)多層節(jié)點(diǎn)同時(shí)進(jìn)行訓(xùn)練會(huì)導(dǎo)致復(fù)雜度非常高，因此一般采用Wake-Sleep算法，該算法主要分為2個(gè)步驟：

（1）自底向上的無(wú)監(jiān)督學(xué)習(xí)（Wake階段），該階段首先將訓(xùn)練數(shù)據(jù)進(jìn)行特征和類標(biāo)簽的分離，通過(guò)數(shù)據(jù)的特征和向上權(quán)重（認(rèn)知權(quán)重）產(chǎn)生每一層的抽象表示，并利用梯度下降法修改層間的下行權(quán)重（生成權(quán)重），再使用無(wú)標(biāo)簽的訓(xùn)練集對(duì)n-1層進(jìn)行訓(xùn)練，訓(xùn)練方法是貪婪無(wú)監(jiān)督的訓(xùn)練方法，將所得結(jié)果作為n層的輸入繼續(xù)訓(xùn)練，依此類推，從而得到各層的參數(shù)[4];

（2）自頂向下的監(jiān)督學(xué)習(xí)（Sleep階段），該階段的本質(zhì)就是利用帶有期望輸出的訓(xùn)練數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出和期望輸出之間的誤差自頂向下傳輸，在傳輸?shù)倪^(guò)程中對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，通過(guò)這種自頂向下的監(jiān)督學(xué)習(xí)，達(dá)到使權(quán)重矩陣全局最優(yōu)的目的。

DBN是在每一層堆積多個(gè)受限波爾茲曼機(jī)（RBM）形成一個(gè)多層的深度學(xué)習(xí)結(jié)構(gòu)，這些RBM能夠完成自底向上的非監(jiān)督學(xué)習(xí)。而在最上層，設(shè)置一個(gè)BP網(wǎng)絡(luò)用作深度學(xué)習(xí)中自頂向下的監(jiān)督學(xué)習(xí)。其中，RBM的訓(xùn)練一般采用對(duì)比散度算法[5]。

2 基于DBN的渦扇發(fā)動(dòng)機(jī)氣路故障診斷原理

航空發(fā)動(dòng)機(jī)的正常運(yùn)行離不開(kāi)各個(gè)部件的共同工作與相互作用。某型渦扇發(fā)動(dòng)機(jī)部件結(jié)構(gòu)示意圖如圖1所示，圖中數(shù)字為發(fā)動(dòng)機(jī)截面標(biāo)識(shí)。

隨著發(fā)動(dòng)機(jī)使用時(shí)間的增加，包括風(fēng)扇、壓氣機(jī)和渦輪在內(nèi)的各個(gè)氣路部件不可避免地由于腐蝕或積垢而性能退化[6]。

基于數(shù)據(jù)驅(qū)動(dòng)的發(fā)動(dòng)機(jī)故障模式識(shí)別，根據(jù)發(fā)動(dòng)機(jī)性能變化導(dǎo)致的測(cè)量參數(shù)變化來(lái)定位故障部件，為后續(xù)的設(shè)備維修提供參考依據(jù)。本文以渦扇發(fā)動(dòng)機(jī)為研究對(duì)象，利用DBN對(duì)其氣路故障模式進(jìn)行識(shí)別。渦扇發(fā)動(dòng)機(jī)8個(gè)健康參數(shù)為SE1（風(fēng)扇效率）、SW1（風(fēng)扇相對(duì)流量）、SE2（壓氣機(jī)效率）、SW2（壓氣機(jī)相對(duì)流量）、SE3（高壓渦輪效率）、SW3（高壓渦輪相對(duì)流量）、SE4（低壓渦輪效率）、SW4（低壓渦輪相對(duì)流量）。

本文共選取10個(gè)傳感器參數(shù)作為DBN的輸入數(shù)據(jù)，分別是NL（低壓轉(zhuǎn)速）、NH（高壓轉(zhuǎn)速）、T22（壓氣機(jī)進(jìn)口溫度）、P22（壓氣機(jī)進(jìn)口壓力）、T3（壓氣機(jī)出口溫度）、P3（壓氣機(jī)出口壓力）、T43（高壓渦輪出口溫度）、P43（高壓渦輪出口壓力）、T5（低壓渦輪出口溫度）、P5（低壓渦輪出口壓力）。

根據(jù)故障位置和退化程度，可將發(fā)動(dòng)機(jī)氣路部件故障分為13種模式[7]，每種模式對(duì)應(yīng)的健康參數(shù)變化情況如下：

Ⅰ：SE1=99.5%，SW1=99%;

Ⅱ：SE1=99%;

Ⅲ：SE2=99.3%，SW2=99%;

Ⅳ：SE2=99%;

Ⅴ：SW2=99%;

Ⅵ：SW3=101%;

Ⅶ：SE3=99%，SW3=99%;

Ⅷ：SE3=99%;

Ⅸ：SE4=99%;

Ⅹ：SE4=99.6%，SW4=99%;

Ⅺ：SW4=99%;

Ⅻ：SE4=99.4%，SW4=101%;

育：無(wú)故障模式。

將各個(gè)模式對(duì)應(yīng)的健康參數(shù)變化量注入某型渦扇發(fā)動(dòng)機(jī)的數(shù)學(xué)模型中，即可得到每種模式對(duì)應(yīng)的傳感器測(cè)量參數(shù)。將這些測(cè)量參數(shù)分別作為訓(xùn)練和測(cè)試樣本，首先使用訓(xùn)練樣本訓(xùn)練DBN，獲得深度神經(jīng)網(wǎng)絡(luò)模型。測(cè)試時(shí)，根據(jù)得到的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試樣本進(jìn)行分類，計(jì)算在不同噪聲情況下的分類準(zhǔn)確率、訓(xùn)練時(shí)間和測(cè)試時(shí)間，并就診斷精度和仿真時(shí)長(zhǎng)與核極限學(xué)習(xí)機(jī)（KELM）進(jìn)行比較。

3 數(shù)字仿真驗(yàn)證

為了驗(yàn)證本文所研究的DBN模式分類器的泛化性能，在航空發(fā)動(dòng)機(jī)飛行包線內(nèi)選取了5個(gè)點(diǎn)作為訓(xùn)練點(diǎn)，選取3個(gè)點(diǎn)作為測(cè)試點(diǎn)。訓(xùn)練點(diǎn)的（H，Ma）為（0，0）（2，0.8）（8，0.7）（12，1.1）（5，1.3），測(cè)試點(diǎn)的（H，Ma）為（2，0.2）（4，0.8）（8，1），其中H為高度，單位為千米，Ma為馬赫數(shù)。

在不同包線點(diǎn)100%轉(zhuǎn)速條件下，對(duì)模型注入任意一種模式，得到連續(xù)100組故障數(shù)據(jù)，分別對(duì)其加入0.1%、1%和2%的高斯白噪聲，因此每種噪聲水平下共有100×13×5個(gè)訓(xùn)練樣本。采用同樣的方法處理測(cè)試數(shù)據(jù)，獲得不同程度噪聲下的測(cè)試數(shù)據(jù)（0.1%、1%和2%高斯噪聲分別對(duì)應(yīng)低、中、高水平噪聲）。

3個(gè)測(cè)試點(diǎn)在不同噪聲水平下的診斷精度如表1所示。

從表1可以看出，在不同的噪聲水平下，DBN的平均診斷精度都大于85%，優(yōu)于KELM，這表明DBN在大樣本、高維度的情況下仍然具備優(yōu)秀的故障診斷能力，能適應(yīng)航空發(fā)動(dòng)機(jī)不同的飛行條件，泛化性能有所提升。

DBN和KELM在不同模式下的診斷精度對(duì)比如圖2所示，3幅圖分別對(duì)應(yīng)（H，Ma）為（2，0.2）（4，0.8）（8，1）下的仿真結(jié)果，其中Total為13個(gè)模式的平均診斷精度。

由圖2可以看出，在不同工作點(diǎn)和故障模式下，DBN均表現(xiàn)出更優(yōu)秀的故障診斷能力。此外，DBN在不同噪聲水平下的平均訓(xùn)練時(shí)間為0.17 s，平均測(cè)試時(shí)間為0.016 s，快于KELM的2.1 s和0.04 s，體現(xiàn)了更出色的診斷速度和演算能力。

4 結(jié)語(yǔ)

本文將DBN和KELM算法應(yīng)用于渦扇發(fā)動(dòng)機(jī)氣路性能衰退故障的診斷，通過(guò)在不同工作點(diǎn)和不同噪聲水平下的綜合比較分析，得出以下結(jié)論：

（1）DBN算法的平均診斷精度大于85%，明顯優(yōu)于KELM，能夠應(yīng)用于航空發(fā)動(dòng)機(jī)不同工作條件下的氣路故障診斷。

（2）與KELM相比，DBN的診斷時(shí)間更短，抗噪聲能力更強(qiáng)，具有更快的診斷速度和更出色的計(jì)算能力。

[參考文獻(xiàn)]

[1] 李冬，李本威，孫濤，等.基于距離代價(jià)函數(shù)和信息熵的發(fā)動(dòng)機(jī)性能參數(shù)估計(jì)研究[J].推進(jìn)技術(shù)，2013，34（11）：1557-1566.

[2] 皮駿，黃江博.基于IPSO-Elman神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷[J].航空動(dòng)力學(xué)報(bào)，2017，32（12）：3031-3038.

[3] 王蕾，張寶昌.深度學(xué)習(xí)最新研究進(jìn)展綜述[J].中國(guó)科技論文在線精品論文，2015，8（6）：510-517.

[4] 張春霞，姬楠楠，王冠偉.受限玻爾茲曼機(jī)簡(jiǎn)介[J].工程數(shù)學(xué)學(xué)報(bào)，2013（2）：159-173.

[5] 安琪.基于深度置信網(wǎng)絡(luò)的入侵檢測(cè)研究[D].蘭州：蘭州大學(xué)，2016.

[6] LU F，CHEN Y，HUANG J Q，et al.An integrated nonlinear model-based approach to gas turbine engine sensor fault diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part G：Journal of Aerospace Engineering，2014，288（11）：2007-2021.

[7] HUANG J Q，F(xiàn)ENG M，LU F.Turbo-fan engine fault diagnosis based on adaptive particle filtering[J]. Journal of Aerospace Power，2014，29（6）：1498-1504.

收稿日期：2020-08-27

作者簡(jiǎn)介：吳斌（1985—），男，江蘇大豐人，博士，工程師，研究方向：航空發(fā)動(dòng)機(jī)數(shù)字電子控制系統(tǒng)。