基于LSTM的風(fēng)洞設(shè)備健康狀態(tài)評(píng)估方法研究

, , ,,,2

(1.北京航天測控技術(shù)有限公司，北京 100041; 2.北京市高速交通工具智能診斷與健康管理重點(diǎn)實(shí)驗(yàn)室，北京 100041)

0 引言

風(fēng)洞是開展空氣動(dòng)力學(xué)試驗(yàn)的基本設(shè)備之一，是航空、航天飛行器研制過程中不可缺少的重要環(huán)節(jié)。近年來，隨著我國大型運(yùn)載火箭、大飛機(jī)、登月工程等重大項(xiàng)目全面啟動(dòng)，風(fēng)洞試驗(yàn)作為航空航天技術(shù)研究的重要手段，其發(fā)揮作用也日益突出。風(fēng)洞試驗(yàn)時(shí)各相關(guān)設(shè)備處于正常的工作狀態(tài)，是保證試驗(yàn)安全、有效和可靠進(jìn)行的前提條件，同時(shí)也是確保試驗(yàn)數(shù)據(jù)真實(shí)、準(zhǔn)確和可信的重要基礎(chǔ)。風(fēng)洞系統(tǒng)組成復(fù)雜、精密設(shè)備和部件眾多，為滿足現(xiàn)代飛行器試驗(yàn)要求面臨著各種復(fù)雜的試驗(yàn)環(huán)境和工況，同時(shí)由于風(fēng)洞試驗(yàn)任務(wù)日益加重導(dǎo)致設(shè)備的使用頻率增大，這些都使得風(fēng)洞試驗(yàn)系統(tǒng)的可靠運(yùn)行和維修保障面臨很大的挑戰(zhàn)[1]。

構(gòu)建以健康狀態(tài)評(píng)估、監(jiān)測、預(yù)測、控制、管理等為核心功能的風(fēng)洞自主式維修保障系統(tǒng)已成為有效保障風(fēng)洞高效運(yùn)行的重要手段，在對(duì)試驗(yàn)設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測、性能在線測試、故障智能診斷的基礎(chǔ)上，可實(shí)現(xiàn)風(fēng)洞設(shè)備由“定時(shí)”、“事后”向“視情”的維修模式轉(zhuǎn)變，從而提高風(fēng)洞設(shè)備運(yùn)行效率、可靠性和和科學(xué)化管理[2]。這種“視情”維修模式的基礎(chǔ)就是依據(jù)設(shè)備的健康狀況決定維護(hù)、保養(yǎng)或維修措施，因此對(duì)設(shè)備健康狀況的評(píng)估成為關(guān)鍵技術(shù)之一。

健康度用于表示系統(tǒng)或設(shè)備運(yùn)行情況的健康程度，并采用規(guī)定到一定區(qū)間內(nèi)的數(shù)值表示出來。例如可采用百分制，即健康度范圍為0～100，健康度數(shù)值越接近100說明系統(tǒng)運(yùn)行越穩(wěn)定，而隨著健康度數(shù)值變小則說明系統(tǒng)在退化；當(dāng)健康度數(shù)值低于某一門限值時(shí)，系統(tǒng)將處于完全故障的狀態(tài)。健康度評(píng)估主要思想是：通過研究歷史數(shù)據(jù)的特點(diǎn)與變化規(guī)律，確定最佳數(shù)據(jù)的表現(xiàn)形式及其變化情況，通過當(dāng)前采集的數(shù)據(jù)與歷史最佳數(shù)據(jù)進(jìn)行比較，越相似則健康度越高。對(duì)復(fù)雜系統(tǒng)而言，可即分層次計(jì)算各個(gè)設(shè)備和子系統(tǒng)的健康度，再通過信息融合的方法確定全系統(tǒng)的綜合健康度。

國內(nèi)外經(jīng)常使用的評(píng)估方法主要包括模糊綜合評(píng)價(jià)法[3]、熵值法[4]、灰色綜合評(píng)價(jià)法[5]等。這些方法一般不能對(duì)傳感器采集的原始數(shù)據(jù)進(jìn)行處理，必須將原始數(shù)據(jù)轉(zhuǎn)換為特征值再進(jìn)行處理[6]。特征值提取本身就需要相應(yīng)工程領(lǐng)域?qū)＜裔槍?duì)不同的信號(hào)設(shè)計(jì)不同的特征提取算法，技術(shù)門檻很高，在工程應(yīng)用中有一定的局限性。

深度學(xué)習(xí)(Deep Learning)是人工智能和模式識(shí)別領(lǐng)域的一種新興方法，具備強(qiáng)大的自動(dòng)特征提取能力，在圖像識(shí)別、語音識(shí)別等方面已經(jīng)取得了輝煌的成果[7]。其中深度置信網(wǎng)絡(luò)(DBNs ，deep belief networks)和卷積網(wǎng)絡(luò)(CNNs ，convolutional neural networks)已在系統(tǒng)故障檢測、多傳感器信號(hào)故障診斷等方面開展了應(yīng)用研究[8]。遞歸神經(jīng)網(wǎng)絡(luò)(RNN，recurrent neural network)作為深度學(xué)習(xí)(Deep Learning)的另一種經(jīng)典模型[9]，除了具備強(qiáng)大原始數(shù)據(jù)特征提取能力之外，還因其具備時(shí)域記憶功能，具備處理時(shí)序信號(hào)天然優(yōu)勢，特別是長短時(shí)記憶模型(LSTM，long-short term memory)在解決RNN梯度退化、梯度爆炸等問題后在自然語言處理、圖像內(nèi)容表達(dá)等領(lǐng)域取得突出效果。

本文提出了一種基于LSTM風(fēng)洞設(shè)備健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法，可通過無監(jiān)督方式學(xué)習(xí)正常工作狀態(tài)下數(shù)據(jù)，建立正常狀態(tài)特征空間，在獲取實(shí)時(shí)監(jiān)測數(shù)據(jù)后與正常狀態(tài)空間的偏差程度計(jì)算健康度值，實(shí)現(xiàn)對(duì)設(shè)備健康程度的實(shí)時(shí)評(píng)估。

1 LSTM模型概述

LSTM是深度學(xué)習(xí)中最適用于序列學(xué)習(xí)和識(shí)別的模型，已成功應(yīng)用于機(jī)器翻譯、語義表達(dá)、行為識(shí)別等方面，展現(xiàn)了其在序列數(shù)據(jù)處理方面的優(yōu)勢。

基于LSTM的編解碼器(LSTM Encoder-Decoder)模型已在異常檢測中開始應(yīng)用[10]，其基本思路是：利用正常數(shù)據(jù)擬合一個(gè)LSTM編碼和解碼網(wǎng)絡(luò)模型，異常數(shù)據(jù)通過該網(wǎng)絡(luò)模型編碼和解碼時(shí)會(huì)出現(xiàn)很大的誤差，從而觸發(fā)異常告警?；贚STM的編解碼器網(wǎng)絡(luò)也是本文采用的基礎(chǔ)模型。

1.1 LSTM單元

LSTM單元是包含1個(gè)細(xì)胞單元和3個(gè)不同類型的門，分別是：傳入門i，決定讓多少新的信息加入到細(xì)胞單元狀態(tài)中來；遺忘門f，決定丟棄哪些信息；傳出門o，決定輸出哪些值。

LSTM有多種變體和擴(kuò)展形式，本文采用的模型描述如下：

(1)

ct=ftct-1+itgt

(2)

αt=ottanh(ct)

(3)

1.2 編碼和解碼

LSTM編碼器采用定長的表達(dá)矢量存儲(chǔ)對(duì)輸入時(shí)間序列的編碼，而解碼器用這個(gè)表達(dá)矢量重構(gòu)出時(shí)間序列，原理示意見圖1所示。

圖1 LSTM編解碼器原理

重構(gòu)錯(cuò)誤定義為：

(4)

模型訓(xùn)練優(yōu)化目標(biāo)函數(shù)為：

(5)

其中:u為單個(gè)訓(xùn)練樣本，U是訓(xùn)練樣本的集合。

2 健康度的評(píng)估方法

隨著工作時(shí)間的逐漸增加,系統(tǒng)或設(shè)備將經(jīng)歷從開始的正常運(yùn)行，到由于輕微故障引起的異常運(yùn)行，再到強(qiáng)故障引起的功能失效的過程。因此，系統(tǒng)或設(shè)備的健康狀態(tài)一般從正常狀態(tài)到功能不斷退化直至最終失效。

健康度評(píng)估的目的是量化計(jì)算系統(tǒng)或設(shè)備的退化程度。本文所采用的基本方法是：為正常狀態(tài)數(shù)據(jù)建立特征空間，通過度量測量數(shù)據(jù)與正常狀態(tài)樣本空間的差異程度來量化計(jì)算退化程度，再轉(zhuǎn)換為百分制健康度，如圖2所示。

圖2 基于LSTM的健康度評(píng)估流程

其中正常狀態(tài)數(shù)據(jù)樣本為ui∈U，i∈{1,2,…，N} ，U為正常狀態(tài)數(shù)據(jù)所構(gòu)成的樣本空間，N為正常狀態(tài)樣本數(shù)量；這里N用于訓(xùn)練基于LSTM的編解碼器E，其優(yōu)化目標(biāo)由式(5)定義；若ai∈A是樣本ui通過編解碼器E按式(3)計(jì)算的編碼隱藏狀態(tài)，將其定義為正常樣本特征向量，則A為正常狀態(tài)特征空間。

由以上定義可知，A為正常狀態(tài)下樣本的特征空間，是系統(tǒng)或設(shè)備正常工作狀態(tài)的一種表達(dá)，再定義σN為A的標(biāo)準(zhǔn)間距均值(Inner Average Distance)，用于量化A中個(gè)特征矢量分布范圍，其中:

(6)

設(shè)ut為時(shí)刻t采集的數(shù)據(jù)樣本，at樣本ut通過編解碼器E按式(3)計(jì)算的特征向量；定義σt為樣本至正常狀態(tài)空間的外部距離均值(Outer Average Distance)，用于表征at與正常狀態(tài)樣本特征空間A的距離，其物理含義為ut與正常狀態(tài)信號(hào)的差異程度，可用于反映此時(shí)刻系統(tǒng)或設(shè)備的退化程度，因此又可稱為樣本退化間距。

(7)

定義百分制健康度Ht使得σt度量形式符合PHM慣例和易于比較。

(8)

在對(duì)具體系統(tǒng)或設(shè)備進(jìn)行評(píng)估時(shí)，健康度Ht可反映健康程度(退化程度)的相對(duì)差異。在對(duì)設(shè)備或系統(tǒng)全生命周期狀態(tài)(涵蓋正常運(yùn)行、部分故障、完全失效等)進(jìn)行評(píng)估之后，可獲取完整的健康度Ht曲線，并能相應(yīng)的門限閾值，從而進(jìn)一步開展基于健康度Ht的故障分類、剩余可用壽命預(yù)估等應(yīng)用。

3 風(fēng)洞設(shè)備健康度評(píng)估應(yīng)用案例

基于LSTM的健康狀態(tài)評(píng)估模型在風(fēng)洞設(shè)備健康度評(píng)估中的應(yīng)用方法如圖3所示。其中，風(fēng)洞設(shè)備在運(yùn)行過程中監(jiān)測系統(tǒng)可獲取豐富參數(shù)數(shù)據(jù)來評(píng)價(jià)設(shè)備的運(yùn)行狀態(tài)，這些數(shù)據(jù)從不同層面、不同角度反映了設(shè)備的運(yùn)行狀況的好壞。盡管大數(shù)據(jù)分析需要充分利用各種數(shù)據(jù)，但綜合考慮數(shù)據(jù)處理效率，對(duì)于具體設(shè)備的健康度評(píng)估首先還是要根據(jù)相關(guān)性原則選擇用于評(píng)估的監(jiān)測數(shù)據(jù)，在采集正常狀態(tài)數(shù)據(jù)之后形成數(shù)據(jù)集合，用于后續(xù)模型的訓(xùn)練。

圖3 風(fēng)洞試驗(yàn)設(shè)備健康度評(píng)估方法

應(yīng)用方法時(shí)中模型訓(xùn)練和健康度實(shí)時(shí)評(píng)估是核心內(nèi)容，又可分為以下幾個(gè)步驟：1)根據(jù)選取的數(shù)據(jù)性質(zhì)，確定時(shí)間序列長度l；2)利用正常工作狀態(tài)樣本數(shù)據(jù)，訓(xùn)練基于LSTM的編解碼器E；3)構(gòu)建正常狀態(tài)數(shù)據(jù)樣本特征空間A，并計(jì)算標(biāo)準(zhǔn)間距差σN；4)將實(shí)時(shí)獲取的數(shù)據(jù)樣本輸入E進(jìn)行編碼，得到為樣本退化間距σt；5)計(jì)算該樣本健康度Ht。

在風(fēng)洞設(shè)備中，軸流風(fēng)機(jī)用于維持風(fēng)洞氣體流動(dòng)能量，是動(dòng)力源和主要的旋轉(zhuǎn)機(jī)械。本文分別選取某型號(hào)軸流風(fēng)機(jī)轉(zhuǎn)子不平衡故障、某型號(hào)軸流風(fēng)機(jī)長軸軸承裂縫故障工況下健康度評(píng)估作為算例，驗(yàn)證和分析本文提出的方法。

3.1 某型號(hào)軸流風(fēng)機(jī)軸承裂縫故障

軸流風(fēng)機(jī)傳動(dòng)滾動(dòng)軸承是易發(fā)生故障的部件，而軸承裂縫是最常見的故障。本文利用風(fēng)洞故障試驗(yàn)室采集到的某型號(hào)軸流風(fēng)機(jī)長軸軸承正常狀態(tài)和裂縫故障工況下數(shù)據(jù)，驗(yàn)證本文提出的方法。

該數(shù)據(jù)集為單路振動(dòng)數(shù)據(jù)，由固定軸承上方機(jī)殼上的加速度傳感器以12 kHz的采樣頻率采集；正常狀態(tài)數(shù)據(jù)(F0)為102 400個(gè)樣本；裂縫內(nèi)圈裂痕深度分別為23 mm、32 mm、43 mm、56 mm等4種故障狀態(tài)數(shù)據(jù)(F1～4)分別為10 240個(gè)樣本。

利用數(shù)據(jù)集F0對(duì)LSTM編解碼器進(jìn)行訓(xùn)練，樣本時(shí)間序列為長度1 024的單通道數(shù)據(jù)；隱藏狀態(tài)位數(shù)(特征矢量長度)為128；采用SGD優(yōu)化算法。健康度評(píng)估結(jié)果采用各數(shù)據(jù)集計(jì)算結(jié)果均值結(jié)果如表1所示。

表1 軸承裂縫故障評(píng)估結(jié)果表

其故障退化間距和故障健康度曲線分別如圖4～5所示。

圖4 軸承裂縫故障退化間距σt

圖5 軸承裂縫故障健康度Ht

從以上結(jié)果可以看出，軸承裂縫故障退化間距σt和健康度Ht的評(píng)估結(jié)果與故障嚴(yán)重程度和人工評(píng)估結(jié)果一致，可作為該設(shè)備健康狀態(tài)評(píng)估的量化值。

3.2 某型軸流風(fēng)機(jī)轉(zhuǎn)子不平衡故障

轉(zhuǎn)子不平衡是指轉(zhuǎn)子在長期運(yùn)行中產(chǎn)生不均勻的磨損、腐蝕、變形、零件脫落、不均勻結(jié)垢等各種因素的影響, 使其質(zhì)量中心和旋轉(zhuǎn)中心線之間存在一定的偏心距，被認(rèn)為是引起機(jī)械設(shè)備振動(dòng)的主要原因之一。

本文選用某型軸流風(fēng)機(jī)進(jìn)行故障試驗(yàn)時(shí)采集的數(shù)據(jù)，工作狀態(tài)分別為4個(gè)正常狀態(tài)數(shù)據(jù)集合(F0～F3)和轉(zhuǎn)子零件脫落故障(F4)，測量參數(shù)為：電流、轉(zhuǎn)速、振動(dòng)頻率、輸入功率、空氣流量、空氣壓力數(shù)據(jù)，采樣頻率為12 kHz，每種工作狀態(tài)采集1 200萬條數(shù)據(jù)記錄，屬于較大規(guī)模數(shù)據(jù)集。

利用數(shù)據(jù)集F0對(duì)LSTM編解碼器進(jìn)行訓(xùn)練，樣本時(shí)間序列為長度1 024的6單通道數(shù)據(jù)；隱藏狀態(tài)位數(shù)(特征矢量長度)為512；采用Adam優(yōu)化算法。健康度評(píng)估結(jié)果采用各數(shù)據(jù)集計(jì)算結(jié)果均值結(jié)果如表2所示。

表2 轉(zhuǎn)子不平衡故障評(píng)估結(jié)果表

其故障退化間距和故障健康度曲線分別如圖6、7所示。

圖6 轉(zhuǎn)子不平衡故障退化間距σt

圖7 轉(zhuǎn)子不平衡故障健康度Ht

從以上結(jié)果可以看出，F(xiàn)0～3這4個(gè)正常工作狀態(tài)的故障退化間距σt和健康度Ht的評(píng)估結(jié)果值相近，而當(dāng)出現(xiàn)轉(zhuǎn)子零件脫落導(dǎo)致不平衡故障發(fā)生時(shí)數(shù)值出現(xiàn)較大幅度惡化，與工作狀態(tài)和人工評(píng)估結(jié)果一致，可作為健康狀態(tài)評(píng)估的量化值。

4 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的風(fēng)洞設(shè)備健康狀態(tài)評(píng)估方法，利用正常工作狀態(tài)數(shù)據(jù)對(duì)LSTM編解碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，采用編碼器隱藏狀態(tài)作為特征向量，通過構(gòu)建特征空間表述正常狀態(tài)數(shù)據(jù)特性，通過計(jì)算采集信號(hào)的特征向量及退化間距，完成健康狀態(tài)的量化評(píng)估，并給出了百分制歸一化健康度計(jì)算方法。經(jīng)風(fēng)洞關(guān)鍵設(shè)備軸流風(fēng)機(jī)的兩種故障算例驗(yàn)證，該方法計(jì)算的健康度值與實(shí)際工作狀態(tài)一致，具有工程應(yīng)用價(jià)值。

該方法在工程應(yīng)用中還具有以下優(yōu)勢：1)無監(jiān)督訓(xùn)練方法只需獲取正常工作狀態(tài)數(shù)據(jù)，樣本獲取難度?。?)直接利用原始數(shù)據(jù)，故障特征由LSTM網(wǎng)絡(luò)自動(dòng)提取而無需人工干預(yù)，技術(shù)門檻大幅度降低；3)同時(shí)適應(yīng)于單傳感器或多路傳感器信號(hào)；4)模型具備普適性，可廣泛應(yīng)用到各種被測對(duì)象

的健康度評(píng)估當(dāng)中。

以LSTM為代表的深度學(xué)習(xí)方法可從各類型試驗(yàn)數(shù)據(jù)中挖掘高層次特征信息，后續(xù)將利用深度學(xué)習(xí)方法針對(duì)大型復(fù)雜系統(tǒng)在線故障實(shí)時(shí)診斷和預(yù)警進(jìn)行應(yīng)用研究，推廣其在工程中的實(shí)際應(yīng)用。

[1] 馬國輝. 4米×3米風(fēng)洞自主式維修保障系統(tǒng)信息化平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D]. 成都: 電子科技大學(xué), 2014.

[2] 郁文山,易 凡,蔄元臣,等. 基于RBR和PCA的2.4米風(fēng)洞故障診斷系統(tǒng)應(yīng)用研究[J]. 計(jì)算機(jī)測量與控制,2016, 24(7).

[3] 胡永宏,賀思輝. 綜合評(píng)價(jià)方法[M]. 北京:科學(xué)出版社, 2000.

[4] 張曉東. 系統(tǒng)工程[M]. 北京:科學(xué)出版社,2010.

[5] 王儼剴,廖明夫. 航空發(fā)動(dòng)機(jī)健康等級(jí)綜合評(píng)價(jià)方法[J]. 航空動(dòng)力學(xué)報(bào),2008,23(5):939-944

[6] 劉國良,王元道,周寶林,等. 集成系統(tǒng)健康管理中健康評(píng)估算法研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2009,41(3):15-17.

[7] Bengio, Yoshua, Hinton G E. Deep learning [J]. Nature, 2015,521(14539): 436-444.

[8] 吳 魁,王仙勇,孫 潔,等. 基于深度學(xué)習(xí)的故障檢測方法[J].計(jì)算機(jī)測量與控制，2017,25(10):43-47.

[9] Sepp Hochreiter, Jurgen Schmidhuber. Long short-term memory [J]. Neural computation 1997,9(8):1735-1780.

[10] Pankaj Malhotra, Anusha Ramakrishnan, Gaurangi Anand. LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection [C]. 2016, In Anomaly Detection Workshop at 33rd ICML.