基于深度信念網(wǎng)絡(luò)的民航發(fā)動機狀態(tài)監(jiān)測

吳倩,李 靜,吳曉舟,王華偉

(南京航空航天大學 民航學院，南京 211100)

基于深度信念網(wǎng)絡(luò)的民航發(fā)動機狀態(tài)監(jiān)測

(南京航空航天大學 民航學院，南京 211100)

民航飛機發(fā)動機設(shè)備構(gòu)造精密、復(fù)雜，其監(jiān)測系統(tǒng)收集的數(shù)據(jù)中蘊含了豐富的故障信息；傳統(tǒng)發(fā)動機狀態(tài)診斷依靠數(shù)據(jù)統(tǒng)計分析和機器學習模型，但其在深入理解與歸類信號特性方面的表現(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——深度學習理論，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)動機自身特點與深度學習理論有機結(jié)合提出了基于深度信念網(wǎng)絡(luò)發(fā)動機狀態(tài)監(jiān)測方法；其優(yōu)勢在于克服了傳統(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，可對發(fā)動機參數(shù)進行自主學習與特征提??；實驗結(jié)果表明該算法具有出色的特征提取能力與分類準確率，能夠準確識別發(fā)動機的不同狀態(tài)。

發(fā)動機狀態(tài)；深度學習理論；大數(shù)據(jù)處理

0 前言

航空發(fā)動機是飛機的核心部件，其性能優(yōu)劣直接關(guān)系到飛機的整體狀態(tài)及運行安全。發(fā)動機狀態(tài)監(jiān)測是識別發(fā)動機現(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)動機的狀態(tài)監(jiān)測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)動機狀態(tài)監(jiān)測問題的有效途徑。

在目前眾多狀態(tài)監(jiān)測方法中，普遍應(yīng)用的支持向量機(support vector machine，SVM)及其改進方法[ 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)動機狀態(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)所對應(yīng)的狀態(tài)及其在最終決策中的貢獻，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，無法完全準確地反應(yīng)發(fā)動機真實狀態(tài)；另一方面狀態(tài)監(jiān)測趨于復(fù)雜化，模型的適用條件易被忽視，導致操作困難，特征學習的智能性與可靠性也不能得到凸顯。

針對上述不足，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民航發(fā)動機故障狀態(tài)的識別。相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，其優(yōu)勢在于：

(1)直接從發(fā)動機原始數(shù)據(jù)提取參數(shù)特征進行自主學習，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，擺脫了對機械經(jīng)驗的依賴；

(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，通過較少的時間換取較高的狀態(tài)識別準確度，面對復(fù)雜監(jiān)測任務(wù)時，可以出色地完成對發(fā)動機狀態(tài)的監(jiān)測。

1 深度信念網(wǎng)絡(luò)算法

1.1 深度學習介紹

深度學習的概念由Hinton等人于2006年提出，起源于人工神經(jīng)網(wǎng)絡(luò)的研究[4]。其動機在于模擬人腦的思維方式與學習機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)完成特征學習過程，實現(xiàn)了從原始數(shù)據(jù)到特征識別的直接跳躍。深度學習已成為大數(shù)據(jù)分析的“利器”，其在圖像識別、文字處理、語音識別[ 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)勢將為越來越多行業(yè)的產(chǎn)品和服務(wù)產(chǎn)生深遠影響。

1.2 DBN算法

深度信念網(wǎng)絡(luò)[8](deep belief network，DBN)是一種無監(jiān)督學習下的深度學習(Deep Learning)模型，由多層單層限制性波爾茲曼機(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

RBM由可視層(visible layer)與隱藏層(hidden layer)組成：分別用于輸入訓練數(shù)據(jù)與特征檢測。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i與隱含層節(jié)點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)點狀態(tài)與可視層節(jié)點的狀態(tài)相互獨立，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個節(jié)點的激活概率為：

(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個節(jié)點的激活概率為：

(7)

采用對比散度算法對重構(gòu)數(shù)據(jù)進行近似采樣，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。如此訓練后每層 RBM 就能較為準確地提取上一層RBM的特征，并根據(jù)隱藏層的特征還原各可視層，進而逐層向上傳遞信息。

1.2.2 深度信念網(wǎng)絡(luò)

DBN的運算過程為多層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，自底向上的學習方式，使特征識別效果逐層優(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)督地將錯誤信息自頂向下傳播至每一層 RBM,微調(diào)整個DBN 網(wǎng)絡(luò)，使DBN克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)因隨機初始化權(quán)值參數(shù)而容易陷入局部最優(yōu)和訓練時間長等缺點。

2 深度信念網(wǎng)絡(luò)算法在航空發(fā)動機狀態(tài)監(jiān)測的應(yīng)用

2.1 發(fā)動機狀態(tài)監(jiān)測參數(shù)提取

民機發(fā)動機的故障狀態(tài)主要由發(fā)動機的送修等級來評定，通過提取發(fā)動機送修前的檢測數(shù)據(jù)評定發(fā)動機的送修等級。其中發(fā)動機動低壓壓氣機(LPC)、低壓渦輪(LPT)、高壓壓氣機(HPC)、高壓渦輪(HPT)、 燃燒室 (COMB)等均對發(fā)動機狀態(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，同時提取發(fā)動機排氣溫度偏差值 (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)子振動偏差值(ZVB1F)、高壓轉(zhuǎn)子振動偏差值 (ZVB2R)等多種對發(fā)動機狀態(tài)靈敏度高的參數(shù)進行綜合分析，完成發(fā)動機狀態(tài)監(jiān)測。

2.2 深度信念網(wǎng)絡(luò)發(fā)動機狀態(tài)監(jiān)測模型的建立

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)學模型，提出一種直接從原始數(shù)據(jù)出發(fā)對民航發(fā)動機故障狀態(tài)進行自適應(yīng)分類識別的方法。

,..n

(11)

將發(fā)動機的實際狀態(tài)抽象為模型的輸出層。根據(jù)實際發(fā)動機故障情況，借助VC(一般檢查)、POH(性能恢復(fù))、OH(翻修)3個送修等級[9]判斷發(fā)動機相關(guān)單元體和子系統(tǒng)的狀態(tài)。由發(fā)動機運行狀態(tài)設(shè)置輸出層有3個神經(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?shù)腄BN網(wǎng)絡(luò)中間層層數(shù)與各層節(jié)點數(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)兩個隱含層節(jié)點數(shù)的確定，如果隱含層節(jié)點數(shù)過少，映射數(shù)目與精度不能得到保證，網(wǎng)絡(luò)未能達到理想訓練效果；如果節(jié)點數(shù)過多，會使網(wǎng)絡(luò)魯棒性與泛化能力降低，且所需時間變長。在對航空發(fā)動機狀態(tài)監(jiān)測的實際操作中通過參考經(jīng)驗公式與經(jīng)多次試驗驗證，選取隱含層數(shù)目N與恰當?shù)碾[含層節(jié)點數(shù)。

通過RBM算法訓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)，對已分類特征進行微調(diào)，進一步提高準確性。結(jié)束訓練，通過已訓練的DBN+NN網(wǎng)絡(luò)完成對原始數(shù)據(jù)特征的分類識別。

該訓練方法流程圖如圖2所示。

圖2 DBN的訓練模型

3 算例

為驗證所提出方法的有效性，以民機發(fā)動機為研究對象，通過對真實數(shù)據(jù)進行了維修級別分析。選取CF6-80C2A5型發(fā)動機維修數(shù)據(jù)[10]，分別用DBN+NN、深度學習算法、BP 神經(jīng)網(wǎng)絡(luò)、SVM算法進行性能監(jiān)測，并將結(jié)果進行了比較和分析。

3.1 實驗數(shù)據(jù)選取及評測指標

在此以A300飛機上的 CF6-80C2A5 型發(fā)動機維修數(shù)據(jù)為例,采集某航空公1999-2004年期間該類型發(fā)動機送修前的狀態(tài)參數(shù)及送修后的送修等級信息，構(gòu)建DBN+NN狀態(tài)監(jiān)測網(wǎng)絡(luò)，驗證所提出算法的有效性。

在網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)(為DEGT、DN2、DWF、ZVB1F、ZVB2R共5個特征)、輸出層神經(jīng)元個數(shù)(為VC、POH、OH共3種狀態(tài))已知的前提下，通過實驗驗證完成隱層層數(shù)、各層節(jié)點數(shù)等參數(shù)的選取，建立與優(yōu)化對應(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)測數(shù)據(jù)建立網(wǎng)絡(luò)的訓練樣本。數(shù)據(jù)總數(shù)為 250， 取前240個數(shù)據(jù)進行建模,后10個數(shù)據(jù)進行外推預(yù)測驗證。采用準確率(Precision)、運行時間(Time)來評價算法的識別分析效果，其中準確率(P)反應(yīng)算法對于數(shù)據(jù)識別的精度，運行時間(T)反應(yīng)了算法的復(fù)雜程度。

3.2 PNN、DBN、BP、SUV算法對比實驗

BP、SVM、PNN算法為另外3種常用神經(jīng)網(wǎng)絡(luò)方法，在發(fā)動機狀態(tài)監(jiān)測領(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算法對所采集數(shù)據(jù)進行對比實驗，通過比較各算法的正確率驗證本文提出算法的有效性。

通過對比分析可以看出，PNN算法的正確率較DBN算法而言存在明顯差距，DBN算法的分類準確率總體比BP、SVM另外兩種算法高出5%左右。從算法設(shè)計上來說，DBN算法能較為準確且直觀地識別數(shù)據(jù)的特征與進行分類；就程序的靈活性而言，從運行結(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)測診斷結(jié)果

圖3 不同算法的監(jiān)測診斷結(jié)果正確率

4 總結(jié)

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

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

[2] 李訓亮, 門 路, 周 山. GA-BP神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機狀態(tài)監(jiān)測中的應(yīng)用研究[J]. 計測技術(shù), 2011, 31(4):5-6.

[3] 劉玉兵, 張宗揚, 譚 華,等. 基于模糊神經(jīng)網(wǎng)絡(luò)發(fā)動機狀態(tài)監(jiān)測警報系統(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)動機性能評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， 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