豐贏政，趙東標，申珂楠，趙世超

(南京航空航天大學 機電學院，江蘇 南京 210016)

0 引言

起落架液壓收放系統(tǒng)是飛機的重要組成部分，其性能的好壞直接影響飛機的起降安全。從美國國家航空航天局(NASA)發(fā)布的報告中分析，起落架系統(tǒng)故障在所有飛機故障中占比較高，而與收放系統(tǒng)相關(guān)的故障占到起落架系統(tǒng)故障的35%左右[1]。從飛機液壓系統(tǒng)故障診斷的方法層面看，對故障的診斷大多數(shù)停留在依靠經(jīng)驗和地面試驗上[2]。目前隨著人工智能的成熟，神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用得到了飛速發(fā)展。林嘉琦等在航空發(fā)動機氣路故障診斷中運用深度信念網(wǎng)絡(luò)提升故障診斷的準確率[3]。金棋在直升機行星齒輪箱故障診斷中利用條件變分自編碼網(wǎng)絡(luò)(conditional variational autoencoder, CVAE)捕捉原始樣本的分布來生成大量有效樣本，以此提高故障診斷精度[4]。宋亞等在渦扇發(fā)動機剩余壽命預(yù)測中采用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(bidirectional long short-term memory, BLSTM)捕捉狀態(tài)監(jiān)測數(shù)據(jù)等時間序列與渦扇發(fā)動機壽命的復雜關(guān)系，提升預(yù)測精度[5]。

1 算法理論介紹

1.1 條件變分自編碼器

條件變分自編碼器的結(jié)構(gòu)如圖1所示。左半部分表示編碼結(jié)構(gòu)，右半部分表示解碼結(jié)構(gòu)。

圖1 條件變分自編碼器結(jié)構(gòu)

CVAE本質(zhì)上是通過編碼改變輸入數(shù)據(jù)集的分布，使之成為已知的分布函數(shù)，再從這個分布函數(shù)中隨機取樣本，通過解碼過程生成符合輸入數(shù)據(jù)集規(guī)律的新數(shù)據(jù)。通常，數(shù)據(jù)集x的分布是未知且復雜的，而任何復雜分布都可以通過已知的簡單分布映射得到。CVAE編碼的目的就是改變輸入數(shù)據(jù)集x的分布，使之盡可能地貼合已知分布，再從已知分布中采樣，通過解碼部分生成數(shù)據(jù)。在編碼與解碼的過程加入標簽y，可使模型根據(jù)標簽生成不同類別的數(shù)據(jù)。

輸入數(shù)據(jù)集x和標簽y通過編碼過程Q映射到隱變量z，其中編碼后產(chǎn)生的數(shù)據(jù)μ(x,y)和∑(x,y)分別代表隱變量z的均值和方差。假設(shè)使之貼合的已知分布為標準正態(tài)分布N(0,1)，通過計算隱變量z與標準正態(tài)分布N(0,1)的KL離散度，可知兩個分布之間的差異，并由此優(yōu)化編碼器。編碼器的損失函數(shù)如式(1)所示。

le=KL[N(μ(x,y),∑(x,y))‖N(0,1)]=

(1)

解碼部分將隱變量z和標簽y通過解碼過程P生成重構(gòu)數(shù)據(jù)f(z,y)，再計算f(z,y)與輸入x的平方差來優(yōu)化解碼器部分。其中z由式(2)獲得，解碼器損失函數(shù)如式(3)所示。

z=μ(x,y)+ε·∑(x,y)

(2)

ld=[x-f(z,y)]2

(3)

CVAE損失函數(shù)如式(4)所示。

li=le+ld

(4)

CVAE模型訓練完成后，可將模型的解碼部分作為生成模型，將N(0,1)中隨機采樣的數(shù)據(jù)與標簽y相組合來生成與訓練數(shù)據(jù)集類似的數(shù)據(jù)。

1.2 BLSTM神經(jīng)網(wǎng)絡(luò)

為了充分利用輸入數(shù)據(jù)的前后依賴關(guān)系，本文選用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(BLSTM)進行故障程度診斷。BLSTM是在長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的基礎(chǔ)上發(fā)展而來，由兩層方向相反的LSTM構(gòu)成。它既能避免傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)在處理時間序列上距離較遠節(jié)點時帶來的梯度消失或者梯度膨脹問題，又能解決LSTM捕捉不了時間序列的反向規(guī)律問題。LSTM神經(jīng)網(wǎng)絡(luò)的細胞結(jié)構(gòu)如圖2所示。

圖2 LSTM細胞結(jié)構(gòu)

LSTM細胞結(jié)構(gòu)相較與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)加入了忘記門、輸入門和輸出門，其公式如式(5)-式(10)所示。

ft=σ(Wfxt+Ufht-1+bf)

(5)

it=σ(Wixt+Uiht-1+bi)

(6)

(7)

(8)

ot=σ(Woxt+Uoht-1+bo)

(9)

ht=ot×tanh(Ct)

(10)

BLSTM展開結(jié)構(gòu)如圖3所示。BLSTM模型計算公式如式(11)-式(13)所示。

ht=LSTM(xt,ht-1)

(11)

(12)

(13)

圖3 BLSTM展開結(jié)構(gòu)

BLSTM的損失函數(shù)為

(14)

2 建模與仿真

圖4為某型飛機起落架液壓收放系統(tǒng)AMESim仿真模型[6]。該仿真模型包括收放作動模塊、鎖作動模塊和液壓源模塊。模型具體參數(shù)設(shè)置來自文獻[7-8]。選取收放作動筒內(nèi)泄漏進行不同故障程度仿真來驗證算法有效性。故障程度設(shè)置如表1所示。

圖4 某型飛機起落架液壓收放系統(tǒng)AMESim仿真模型

表1 故障程度設(shè)置

將仿真時長設(shè)置為40s，其中0～3s開始仿真，3～14s起落架收上，到位后上鎖，20s開始解鎖，解鎖后起落架立即放下，40s仿真停止。本文將作動筒有桿腔壓力作為故障程度識別數(shù)據(jù)。

如表1所示，根據(jù)故障程度劃分了多個分類區(qū)間。仿真時，每個分類區(qū)間等間距取100個數(shù)值。調(diào)整故障參數(shù)進行多次故障仿真，根據(jù)分類區(qū)間得到6組仿真數(shù)據(jù)，作為訓練集數(shù)據(jù)，每組數(shù)據(jù)作為一個類別。每個分類區(qū)間隨機取30個與訓練集不同的數(shù)值進行仿真，得到6組仿真數(shù)據(jù)，作為測試集數(shù)據(jù)。

3 CVAE-BLSTM故障程度診斷

3.1 數(shù)據(jù)預(yù)處理

將數(shù)據(jù)的采樣時間設(shè)為0.1s，即每條曲線采樣400個數(shù)據(jù)點。每個分類區(qū)間各取1條曲線組成如圖5所示。

圖5 不同故障程度有桿腔壓力曲線

從圖5可看出，10～14s曲線有一個小凸起，表明起落架收上到位后，有桿腔壓力達到最大值。而不同故障程度的作動筒內(nèi)泄漏到達的壓力最大值的時間不同，泄漏程度大的有更明顯的延時現(xiàn)象。14～21s壓力曲線有不同程度的下降，表明在換向閥中位時，出現(xiàn)高壓油腔向低壓油腔泄漏的現(xiàn)象，且泄漏程度越大，壓力下降得越快。25～33s壓力曲線接近于0，表明起落架放下到位。而這段時間也出現(xiàn)泄漏延時現(xiàn)象。本文將40s曲線作故障程度診斷模型的訓練數(shù)據(jù)，共400個數(shù)據(jù)點。

為了加快模型訓練速度和收斂速度，采用式(15)進行歸一化處理。

(15)

式中：xi為數(shù)據(jù)曲線中第i個數(shù)據(jù)點；xmax和xmin為數(shù)據(jù)曲線中最大值和最小值；xnorm為xi歸一化后的值。

3.2 CVAE-BLSTM模型

CVAE-BLSTM模型結(jié)構(gòu)如圖6所示。

圖6 CVAE-BLSTM模型結(jié)構(gòu)

本文先用訓練集訓練CVAE模型，再截取CVAE的解碼器作為生成模型，與BLSTM相結(jié)合，混合成CVAE-BLSTM模型，并再次使用訓練集訓練。輸入帶標簽的原始數(shù)據(jù)后，CVAE生成模型將根據(jù)標簽生成n個與輸入標簽同一類型的偽數(shù)據(jù)，并將n個偽數(shù)據(jù)與原始數(shù)據(jù)一同輸入BLSTM訓練該模型，取BLSTM最后一個時間步輸出節(jié)點作為最終結(jié)果與輸入標簽相比較，更新網(wǎng)絡(luò)權(quán)值。

4 結(jié)果分析

4.1 模型參數(shù)設(shè)定

CVAE-BLSTM模型主要參數(shù)設(shè)置如表2所示。

表2 模型主要參數(shù)設(shè)置

4.2 與其他模型對比

將CVAE-BLSTM的測試集準確率與BP神經(jīng)網(wǎng)絡(luò)、CVAE-BP神經(jīng)網(wǎng)絡(luò)、CNN[9]模型、CVAE-CNN模型、LSTM[10]模型、CVAE-LSTM模型等其他算法進行比較，結(jié)果如表3所示。

表3 與其他模型對比

BP神經(jīng)網(wǎng)絡(luò)采用雙隱藏層，sigmoid激活函數(shù)；CNN訓練時將輸入數(shù)據(jù)reshape組成20×20二維數(shù)據(jù)，并采用兩個卷積層、兩個池化層和一個全連接層組成；LSTM模型參數(shù)與本文BLSTM中的LSTM單元設(shè)置相同。各CVAE混合模型的CVAE參數(shù)設(shè)置相同。

由表3對比結(jié)果可知，CNN、LSTM和BLSTM混合了CVAE生成模型后，測試集準確率有明顯上升，而對BP神經(jīng)網(wǎng)絡(luò)的提升不大，說明CVAE可以提升其他深度學習算法的泛化能力，但對傳統(tǒng)機器學習算法提升不明顯。CVAE-BLSTM模型與CVAE-LSTM模型的測試集準確率大于CVAE-CNN模型，說明循環(huán)神經(jīng)網(wǎng)絡(luò)比卷積神經(jīng)網(wǎng)絡(luò)更適合處理時間序列數(shù)據(jù)。本文所提的CVAE-BLSTM模型較CVAE-LSTM提升了4%，較BLSTM提升了10%，這得益于BLSTM模型對數(shù)據(jù)進行雙向?qū)W習能力和CVAE生成模型偽數(shù)據(jù)生成能力。這兩項能力增加了模型診斷的準確率與泛化能力，使模型具有高準確率和對未仿真故障參數(shù)帶的學習診斷能力。

5 結(jié)語

針對飛機起落架液壓收放系統(tǒng)故障樣本少，故障數(shù)據(jù)時域上的高相關(guān)性以及故障數(shù)據(jù)集樣本不足的問題，本文提出一種基于CVAE-BLSTM的混合模型來進行故障程度診斷。首先建立某型飛機起落架液壓收放系統(tǒng)AMESim仿真模型，植入故障，提取故障數(shù)據(jù)，其次利用故障樣本訓練CVAE生成模型，最后組成CVAE-BLSTM混合模型進行故障程度診斷。與其他算法相比，CVAE-BLSTM混合模型具有高準確率與強泛化能力，可對飛機起落架液壓收放系統(tǒng)故障程度進行有效診斷。