ELM在航空發(fā)動機(jī)氣路部件故障診斷的應(yīng)用研究

王小雷,　林學(xué)森,　楊欣毅

(1.中國人民解放軍91715部隊82分隊,廣東 廣州　510750;2.海軍航空工程學(xué)院 飛行器工程系,山東 煙臺　264001)

?

ELM在航空發(fā)動機(jī)氣路部件故障診斷的應(yīng)用研究

王小雷1,林學(xué)森2,楊欣毅2

(1.中國人民解放軍91715部隊82分隊,廣東 廣州510750;2.海軍航空工程學(xué)院 飛行器工程系,山東 煙臺264001)

摘要：針對航空發(fā)動機(jī)故障呈現(xiàn)復(fù)雜性、多樣性、非線性等特點,運用傳統(tǒng)的BP、ELman神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動機(jī)氣路部件故障診斷存在網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置復(fù)雜,迭代次數(shù)多,訓(xùn)練速度慢,泛化能力欠缺等問題。為此提出利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)法識別渦扇發(fā)動機(jī)氣路部件故障。該方法通過為輸入權(quán)和隱藏層偏置隨機(jī)賦值,利用MP逆求解輸出權(quán)值。以某型渦扇發(fā)動機(jī)為對象,進(jìn)行ELM、 BP、ELman氣路部件故障診斷比較研究,實驗結(jié)果驗證了利用ELM識別渦扇發(fā)動機(jī)氣路部件故障的精確性、快速性、穩(wěn)定性。

關(guān)鍵詞：航空發(fā)動機(jī); 氣路部件; 故障診斷; 極限學(xué)習(xí)機(jī)(ELM)

1引言

航空發(fā)動機(jī)氣路部件故障對飛機(jī)影響巨大,在飛行過程中,航空發(fā)動機(jī)氣路部件一旦發(fā)生故障,后果不堪設(shè)想,輕則對飛機(jī)的飛行性能造成一定的影響,重則有可能機(jī)毀人亡,造成重大損失,所以對航空發(fā)動機(jī)氣路故障診斷一直受到高度重視[1]。

目前,應(yīng)用比較廣泛的航空發(fā)動機(jī)氣路部件數(shù)據(jù)驅(qū)動的方法是神經(jīng)網(wǎng)絡(luò)法,而在神經(jīng)網(wǎng)絡(luò)中應(yīng)用較多的是BP神經(jīng)網(wǎng)絡(luò)和ELman神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和ELman神經(jīng)網(wǎng)絡(luò)等方法構(gòu)造信度函數(shù)矩陣,網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置復(fù)雜,迭代次數(shù)多,訓(xùn)練速度慢,泛化能力欠缺,容易產(chǎn)生局部最優(yōu)解,存在一定的隨機(jī)性和片面性,可信度較差。為了提高發(fā)動機(jī)氣路部件的安全性能和可靠性能,必須采用先進(jìn)的技術(shù)手段,來預(yù)防或者提前檢測航空發(fā)動機(jī)氣路部件的故障。針對發(fā)動機(jī)故障多樣性和復(fù)雜性等特點,本研究提出了一種基于極限學(xué)習(xí)機(jī)(ELM)[2]的航空發(fā)動機(jī)氣路部件故障診斷方法,極限學(xué)習(xí)機(jī)據(jù)有批處理,不迭代,訓(xùn)練和測試速度快的特點。

為了驗證ELM的優(yōu)越性,在本文中將分別利用ELM、BP和ELman三種方法對渦扇發(fā)動機(jī)氣路部件故障進(jìn)行診斷,并對診斷結(jié)果進(jìn)行分析。

2ELM的理論分析

誤差反向傳播神經(jīng)網(wǎng)絡(luò)[3](back-propagationneuralnetworks),簡稱BP神經(jīng)網(wǎng)絡(luò),它是一種反向傳遞并修正誤差的多層映射網(wǎng),它由輸入層、中間層和輸出層組成,中間層也就是隱層,可以使一層或多層。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩部分組成:正向傳播和反向傳播。當(dāng)正向傳播時,信息從輸入層經(jīng)隱單元層處理后傳向輸出層,每一層的神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到希望的輸出,則轉(zhuǎn)入反向傳播,將誤差信號沿原來的神經(jīng)元連接通路返回。返回過程中,逐一修改各層神經(jīng)元連接的權(quán)值。這種過程不斷迭代,最后使誤差信號達(dá)到允許的范圍之內(nèi)。

ELman神經(jīng)網(wǎng)絡(luò)[4]是一種典型的局部回歸網(wǎng)絡(luò)(globalfeedforwardlocalrecurrent),ELman神經(jīng)網(wǎng)絡(luò)一般分為四層:輸入層、中間層(隱含層)、承接層和輸出層,,其輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò),輸入層的單元僅起信號傳輸作用,輸出層單元起線性加權(quán)作用,隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù),承接層又稱為上下文層或狀態(tài)層,用來記憶隱含層單元前一時刻的輸出值,可以認(rèn)為是一個反饋。

在極限學(xué)習(xí)機(jī)(ELM)中,輸入權(quán)值和隱含層偏差被隨機(jī)初始化給定,輸出權(quán)值矩陣?yán)脧V義逆(MP)計算得到。相比傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò),ELM學(xué)習(xí)速度更快、精度更高、參數(shù)調(diào)整簡單,已經(jīng)得到不少學(xué)者的關(guān)注研究,但在實際應(yīng)用過程中,為了達(dá)到理想的誤差精度,ELM通常需要大量的隱含層節(jié)點。

(1)

式中:L為隱層節(jié)點個數(shù);wj=[ωj1,ωj2,…,ωjn]T為連接第j個隱層節(jié)點和輸入節(jié)點的權(quán)重向量;β=[βj1,βj1,…,βjm]T為連接第j個隱層節(jié)點和輸出節(jié)點的權(quán)重向量;bj是第j個隱層節(jié)點的偏置。式(1)可簡寫為

(2)

(3)

式中:H是隱含層神經(jīng)輸出矩陣,H的第i列是關(guān)于輸入x1,x2,…,xn的第i個神經(jīng)元的輸出。由于隱層輸入權(quán)值和閾值不需要調(diào)整可以任意賦值,當(dāng)給定ωi和bi后,訓(xùn)練單隱藏層前饋神經(jīng)網(wǎng)絡(luò)就等于求線性系統(tǒng)Hβ=T的最小二乘解β=H+T=(HTH)-1HTH,這里H+表示隱含層輸出矩陣{(xi,ti)|xi∈Rm,i=1,2,…,N}的MoorPenrose廣義逆。

ELM的學(xué)習(xí)算法為:給定一個訓(xùn)練樣{(xi,ti)|xi∈Rm,i=1,2,…,N},激活函數(shù)g(x),隱層神經(jīng)元L,具體步驟如下:

步驟一:隨機(jī)設(shè)定隱層的權(quán)值ωi和閾值bi,i=1,2,…,L。

步驟二:計算隱層輸出矩陣H。

步驟三:計算隱層矩陣H的逆矩陣。

步驟四:計算輸出層權(quán)值β:

(4)

其中:T=[t1,t2,…,tN]T。

3航空發(fā)動機(jī)氣路故障診斷

3.1渦扇發(fā)動機(jī)氣路部件故障診斷原理[5]

航空發(fā)動機(jī)氣路部件主要分為:低壓壓器機(jī)、高壓壓氣機(jī)、燃燒室、高壓渦輪、低壓渦輪和尾噴管等。

在這些部件之上,可以測量的參數(shù)有:低壓壓氣機(jī)轉(zhuǎn)速(低壓渦輪轉(zhuǎn)速)、高壓壓氣機(jī)轉(zhuǎn)速(高壓渦輪轉(zhuǎn)速)、高壓壓氣機(jī)后壓力、低壓渦輪后壓力、高壓壓氣機(jī)后溫度、低壓渦輪出口溫度、尾噴管出口溫度、耗油量等。一般將這些參數(shù)作為標(biāo)致航空發(fā)動機(jī)是否正常的重要參數(shù),在正常工作的情況下,這些參數(shù)都是穩(wěn)定在一定的值之內(nèi)的,當(dāng)這些參數(shù)超出正常工作的參數(shù)范圍時,則表明該部件出現(xiàn)故障,如圖1所示。

圖1　故障判斷原理Fig.1　Diagram of fault decision

3.2渦扇發(fā)動機(jī)氣路部件故障診斷

為了研究采用極限學(xué)習(xí)機(jī)(ELM)判斷航空發(fā)動機(jī)氣路部件故障,本文將ELM與BP神經(jīng)網(wǎng)絡(luò)和ELman神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,并驗證極限學(xué)習(xí)機(jī)在航空發(fā)動機(jī)氣路部件故障診斷中的優(yōu)勢,利用航空發(fā)動機(jī)氣路部件模擬軟件GSP[6],選擇渦扇發(fā)動機(jī)氣路部件模型,選取10個指標(biāo)作為數(shù)據(jù)測量點,如表1所示。

表1　測量的參數(shù)Tab.1　Measurement Parameters

在測量這10個指標(biāo)時,選擇衰減步長為-0.001,衰減范圍為[-0.001,-0.05],分別生成風(fēng)扇(低壓壓氣機(jī))的流量衰減數(shù)據(jù)50組,效率衰減數(shù)據(jù)50組,壓比衰減數(shù)據(jù)50組;高壓壓氣機(jī)的流量衰減數(shù)據(jù)50組,效率衰減數(shù)據(jù)50組,壓比衰減數(shù)據(jù)50組;高壓渦輪的流量衰減數(shù)據(jù)50組,效率衰減數(shù)據(jù)50組;低壓渦輪的流量衰減數(shù)據(jù)50組,效率衰減數(shù)據(jù)50組,總共生成500組衰減數(shù)據(jù),也就是得到500組有衰減的情況下,這10個指標(biāo)的測量數(shù)據(jù)。然后,生成一組在沒有衰減情況下,這10個指標(biāo)的測量數(shù)據(jù),也就是得到10個正常的的測量數(shù)據(jù),與之前的500組衰減數(shù)據(jù)共同構(gòu)成501組訓(xùn)練數(shù)據(jù)。

將測量所得到的每一項數(shù)據(jù)進(jìn)行歸一化處理,如高壓壓氣機(jī)轉(zhuǎn)速NH,用高壓壓氣機(jī)測量轉(zhuǎn)速減去高壓壓氣機(jī)最小轉(zhuǎn)速所得的絕對值,除以高壓壓氣機(jī)最大轉(zhuǎn)速減去高壓壓氣機(jī)最小轉(zhuǎn)速,即

(5)

同理,分別對低壓壓氣機(jī)轉(zhuǎn)速NL,高壓壓氣機(jī)后壓力P3,低壓渦輪后壓力P6,高壓壓氣機(jī)后溫度T3,低壓渦輪出口溫度T6,尾噴管出口溫度T8,尾噴管出口壓力P8,發(fā)動機(jī)推力FN和耗油量Tsfc進(jìn)行歸一化處理。

經(jīng)過歸一化處理后得到一個501組這10個指標(biāo)的數(shù)據(jù),即歸一化后500組衰減數(shù)據(jù),1組正常數(shù)據(jù),將前500組數(shù)據(jù)中,同一種測量指標(biāo)中采用的相同衰減方式的標(biāo)上同一個序號,依次標(biāo)上1,2,3,4,5,6,7,8,9,10,作為訓(xùn)練數(shù)據(jù)。

通過實驗驗證得到ELM的測試精度與隱含層節(jié)點[7]的關(guān)系如圖2所示。

圖2　ELM的測試精度與隱含層節(jié)點的關(guān)系Fig.2　Testing accuracy varies with the number of ELM hidden nodes

分析可知當(dāng)隱含層節(jié)點為35時,測試精度最高為94.03%,所以在故障診斷中選取ELM的隱含層節(jié)點為35個。

該數(shù)據(jù)均在MatlabR2013a環(huán)境下運行的,運行電腦處理器為AMDA6-3420MAPU,1.5GHz,內(nèi)存為4.00GB,64位操作系統(tǒng)。

利用501組訓(xùn)練數(shù)據(jù)分別對ELM、BP和ELman進(jìn)行訓(xùn)練,然后對50組測試數(shù)據(jù)進(jìn)行測試,分別訓(xùn)練和測試20次,得到結(jié)果如圖3所示。

圖3　訓(xùn)練時間比較圖Fig.3　Comparison of training time

由圖3分析可知,ELM的訓(xùn)練時間最短,且訓(xùn)練時間波動最小,為[0.000 0,0.405 6],BP的訓(xùn)練時間最長,訓(xùn)練時間的波動最大為[17.752 9,92.227 8],ELman的訓(xùn)練時間和波動在兩者之間,波動范圍為[9.188 5,24.320 6]。

圖4　測試精度比較圖Fig.4　Comparison of training testing accuracy

由圖4分析可知,ELM,BP,ELman這三種方法的測試精度非常接近,其中ELM和BP的測試精度最高,且最穩(wěn)定,波動范圍為[0.980 0,1.000 0]和[0.900 0,1.000 0],而ELman的波動范圍最大,為[0.720 0,0.980 0]。

圖5　測試時間比較圖Fig.5　Comparison of training testing time

由圖5分析可以明顯發(fā)現(xiàn),ELM的測試時間最短,波動最小,為[0.000 0,0.124 8],其次是ELman的測試時間較短,波動為[0.124 8,0.327 6],BP的測試時間最長,波動最大,為[0.234 0,0.468 0]。

將501組訓(xùn)練數(shù)據(jù)和50組測試數(shù)據(jù)分別用ELM,BP,ELman這三種方法進(jìn)行訓(xùn)練和測試,且采用三種方法各分別訓(xùn)練和測試20次,得到訓(xùn)練時間、測試精度和測試時間如表2所示。

分析可知,ELM的訓(xùn)練時間最短,平均訓(xùn)練時間為0.099 8秒,且訓(xùn)練時間波動最小,訓(xùn)練時間方差為0.007 0;BP的訓(xùn)練時間最長,訓(xùn)練時間為ELM的411倍,訓(xùn)練時間的波動最大,方差為ELM的41390倍;ELman的訓(xùn)練時間和波動在兩者之間,訓(xùn)練時間為ELM的212倍,方差為ELM的1 333倍。由此可得,ELM的訓(xùn)練時間最短且最穩(wěn)定。

表2　ELM、BP和ELman三種方法比較Tab.2　Performance comparison of ELM,BP and ELman

ELM,BP,ELman這三種方法的測試精度非常接近,其中BP和ELM的測試精度最高,且最穩(wěn)定。

分析可以發(fā)現(xiàn),ELM的測試時間最短,平均測試時間為0.042 9秒,測試時間方差為0.001 6;其次是ELman的測試時間較短0.179 4,為ELM的4倍,測試時間方差為0.001 6,與ELM相同;BP的測試時間最長,為0.269 1秒,為ELM的6倍,測試時間方差為0.002 5,為ELM的1.56倍。綜合可知ELM的測試時間最短且最穩(wěn)定。

4結(jié)論

通過應(yīng)用極限學(xué)習(xí)機(jī)對渦扇發(fā)動機(jī)氣路部件的故障診斷,并與應(yīng)用BP和ELman進(jìn)行渦扇發(fā)動機(jī)氣路部件故障診斷進(jìn)行比較,得出以下結(jié)論:

(1) 運用ELM法進(jìn)行故障訓(xùn)練時,能夠在保持方差低于BP和ELman的前提下,大大縮短訓(xùn)練時間,平均訓(xùn)練時間為BP的平均訓(xùn)練時間的1/411,為ELman的平均訓(xùn)練時間的1/212,有利于進(jìn)行大數(shù)據(jù)訓(xùn)練時提高精度并減少時間。

(2) 運用ELM法進(jìn)行故障診斷測試時,在保持比ELman精度高,與BP精度幾乎一樣的前提下,測試時間大大縮短了,為BP的1/6,為ELman的1/4,有利于在進(jìn)行大數(shù)據(jù)故障測試時節(jié)約大量時間,且能夠保持穩(wěn)定的精度。

(3) 運用ELM法進(jìn)行故障測試時,與BP、ELman比較,多次測試所得的方差,即訓(xùn)練時間方差、測試精度方差和測試時間方差均是最小,模型的穩(wěn)定性最好。

參考文獻(xiàn):

[1]李應(yīng)紅,尉詢楷.航空發(fā)動機(jī)的智能診斷、建模與預(yù)測方法[M].北京:科學(xué)出版社,2013.

LIYinghong,WEIXunkai.Intelligentdiagnosis,modelingandpredicationmethodforaeroengine[M].Beijing:SciencePress,2013.

[2]HUANGGuangbin,ZHUQinyu,SiewCheekheong.Extremelearningmachine:theoryandapplications[J].Neurocomputing,2006,70(1/2/3):489- 501.

[3]田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)[M].北京:科學(xué)出版社,2009.

TIANYubo.Technologyonmixneuralnetwork[M].Beijing:SciencePress,2009.

[4]任麗娜.基于Elman神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測模型研究[D].蘭州理工大學(xué),2007.

RENLina.MiddletermelectricpowerloadpredictionbasedonElmanneuralnetwork[D].Lanzhouuniversityofscienceandengineering,2007.

[5]范作民,孫春林,白杰.航空發(fā)動機(jī)故障診斷導(dǎo)論[M].北京:科學(xué)出版社,2004.

FANZuoming,SUNChunlin,Baijie.Introductiontoaeroenginefaultdiagnosis[M].Beijing:SciencePress,2004.[6]VisserWPJ,KogenhopO.Aqenerieapproachforgasturbineadaptivemodeling,[R],NLR-TP-2004-391.

[7]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機(jī)械工業(yè)出版社,2011.

ZHANGDefeng.ApplicationsanddesignofNeuralnetworkusingMatlab[M].Beijing:MechanicalIndustryPress,2011.

王小雷男(1989-),湖南萊陽人,學(xué)士,主要研究方向為發(fā)動機(jī)維修與故障診斷。

林學(xué)森男(1990-),山東濰坊人,博士研究生,主要研究方向為發(fā)動機(jī)狀態(tài)監(jiān)控與故障診斷。

中圖分類號：TP 183

文獻(xiàn)標(biāo)識碼：A

Research on ELM Application in Aeroengine gas Path Components Fault Diagnosis

WANG Xiaolei1,LIN Xuesen2,YANG Yinyi2

(1.ChinaPLA91715Forces,82Unit,Guangzhou510750China;2.NavalAeronauticalEngineeringInstitute,Yantai264001,China)

Abstract：The aeroengine gas path component faults have the characteristics of complexity,diversity and nonlinear.When applied traditional BP and ELman into aeroengine gas path components fault diagnosis,there exist some problems as complex setting of network parameters,multiple iterations,slow training speed and poor generation performance.In order to solve these problems,Extreme Learning Machine(Extreme Learning Machine,ELM)method was used to aeroengine gas path components fault diagnosis.This method randomly assigned input weights and biases and calculate output weights by Moore-penrose,pseudo- inverse.ELM,BP and ELman were studied and compared on a certain type of turbofan engine.The results verify the diagnostic accuracy,quickness and stability of ELM.

Key words：aircraft engine; gas path components; fault diagnosis; extreme learning machine(ELM)