基于SDAE的航空發(fā)動機燃油流量基線模型構(gòu)建

黃 曦，卿新林 ，王奕首 ，殷 鍇，趙 奇

（1.廈門大學航空航天學院，福建廈門361102；2.中國航發(fā)商用航空發(fā)動機有限責任公司，上海200241）

0 引言

航空發(fā)動機工作在高溫、高壓、高速等極端條件下，容易產(chǎn)生故障，致使飛機迫降停飛，甚至誘發(fā)飛行事故、危及飛行安全[1]。NASA的統(tǒng)計資料表明:在民用領(lǐng)域，發(fā)動機故障占所有飛機機械故障中的1/3。全世界每年花費的310億美元維修費用中發(fā)動機日常維護占31%，翻修占27%[2]。為了在飛行過程中對航空發(fā)動機的健康狀態(tài)實時監(jiān)控，需要建立相應的參數(shù)基線。以往航空發(fā)動機的相關(guān)參數(shù)基線無法直接測量，一般由發(fā)動機生產(chǎn)商經(jīng)過大量試驗才能得到，屬于發(fā)動機生產(chǎn)商的機密信息。隨著大數(shù)據(jù)時代的到來，使用飛行數(shù)據(jù)建立基線模型的方法越來越普遍，需要根據(jù)基線值與實際值的偏差來判斷發(fā)動機的運行狀態(tài)，確定維修方案等。燃油流量是發(fā)動機重要參數(shù)之一，建立準確的燃油流量基線對于預防飛行事故的發(fā)生具有重要意義。

國內(nèi)外的專家學者對于發(fā)動機重要參數(shù)基線模型開展了大量研究工作，取得了不少成果。朱睿和劉志榮[3]利用線性擬合建立發(fā)動機整體及風扇、壓氣機、高壓渦輪和低壓渦輪4個單元體性能的健康曲線，用于判斷發(fā)動機整體及單元體的性能衰退情況；鐘詩勝[4]采用基于核函數(shù)的多元非線性回歸分析方法，對Rolls-Royce公司的發(fā)動機排氣溫度、燃油流量、高壓轉(zhuǎn)速和低壓轉(zhuǎn)速基線方程進行了求解；閆鋒[5]設計了以高斯函數(shù)為隱含層激勵函數(shù)、以線性函數(shù)為輸出層激勵函數(shù)的多輸入單輸出的RBF神經(jīng)網(wǎng)絡，建立了發(fā)動機燃油流量的健康基線來監(jiān)測巡航過程中發(fā)動機狀態(tài)參數(shù)的異常變化。但這些傳統(tǒng)的算法普遍存在診斷精度不高、魯棒性差等缺點。

目前常見的深度學習算法有自動編碼器（Autoencoder，AE）[6]、深度置信網(wǎng)絡（Deep Belief Network，DBN）[7]、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）[8]以及循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）[9]等。其中自編碼器在圖像識別[10]、語音識別[11]、自然語言處理[12]等領(lǐng)域已經(jīng)廣泛應用。堆疊降噪自動編碼器（Stacked Denoising Autoen-coders，SDAE）算法由Vincent在2010年提出[13]，是在自動編碼器和降噪自動編碼器（Denoising Autoencoder，DAE）[14]基礎(chǔ)上的改進算法，精度高、抗噪聲能力強。為了克服傳統(tǒng)機器學習算法在故障診斷領(lǐng)域的不足，本文采用SDAE建立了發(fā)動機的燃油流量的健康基線模型。

1 燃油流量基線模型構(gòu)建

1.1 總體流程

自動編碼器利用SDAE算法對燃油流量F建立基線模型的步驟如下:

（1）從真實的飛行數(shù)據(jù)中選取與F相關(guān)的參數(shù)作為輸入；

（2）對初始數(shù)據(jù)進行預處理及其參數(shù)的修正；（3）將預處理的數(shù)據(jù)按照7∶3∶3的比例來構(gòu)建訓練集、驗證集和測試集；

（4）將訓練集輸入到SDAE模型中，根據(jù)驗證集結(jié)果調(diào)整SDAE模型的超參數(shù)；

（5）將測試集輸入到近似最優(yōu)的SDAE模型中，來確定模型的擬合精度；

（6）將預處理的數(shù)據(jù)加上隨機高斯噪聲，重復第（4）、（5）步驟，檢驗SDAE模型的抗噪聲能力。

1.2 真實飛行數(shù)據(jù)的獲取

試驗數(shù)據(jù)選自某航空公司波音787客機的真實飛行數(shù)據(jù)，其部分參數(shù)的原始巡航數(shù)據(jù)見表1。

1.3 數(shù)據(jù)預處理及參數(shù)修正

考慮到飛行數(shù)據(jù)存在一些異常點和缺失點，建模前必須要對數(shù)據(jù)進行預處理。本文利用滑動中位數(shù)法對數(shù)據(jù)進行異常點去除，即建立1個滑動窗口，統(tǒng)計窗口內(nèi)數(shù)據(jù)的中位數(shù)，若窗口內(nèi)數(shù)據(jù)與中位數(shù)相差大于一定的閾值，則判定為異常點，對異常點和缺失數(shù)據(jù)點利用滑動窗口的均值補全。

表1 波音787客機部分飛行數(shù)據(jù)

在建模前需要將燃油流量、壓力、溫度和轉(zhuǎn)速修正到標準大氣壓海平面狀態(tài)下。在此引入溫度修正因子θ和壓力修正因子δ[15]

式中:H為飛行高度，根據(jù)θ和δ對參數(shù)進行修正。溫度修正公式為

式中:Tcor為修正后溫度；Traw為修正前溫度。

壓力修正公式為

式中:Pcor為修正后壓力；Praw為修正前壓力。

轉(zhuǎn)速修正公式為

式中:Ncor為修正后轉(zhuǎn)速；Nraw為修正前轉(zhuǎn)速。

燃油流量修正公式為

式中:Fcor為修正后燃油流量；Fraw為修正前燃油流量。

1.4 堆疊降噪自動編碼器

自動編碼器（Auto-Encoder，AE）是深度學習網(wǎng)絡中常見的基礎(chǔ)結(jié)構(gòu)，是1種無監(jiān)督的學習算法，主要用于學習輸入數(shù)據(jù)集壓縮的抽象表達?；镜腁E由1個3層神經(jīng)網(wǎng)絡構(gòu)成:1個輸入層，1個隱藏層和1個輸出層，如圖1所示。由輸入層（L1）到隱藏層（L2）的過程稱為編碼階段，由隱藏層（L2）到輸出層（L3）的過程稱為解碼階段。

圖1 AE網(wǎng)絡結(jié)構(gòu)

令f和g分別代表編碼函數(shù)與解碼函數(shù)。則有

式中:Sf、Sg分別代表編碼器和解碼器的激活函；Wf為編碼權(quán)重矩陣；Wg為解碼權(quán)重矩陣；bf、bg分別為編碼器和解碼器偏置向量。一般選擇sigmoid函數(shù)

且權(quán)重矩陣Wg通常取自編碼網(wǎng)絡的作用是將輸入樣本X壓縮到隱藏層Y，再在輸出端Z重建樣本。其目標是使輸出和輸入之間誤差盡量小。一般使用平方誤差

作為自動編碼器的損失函數(shù)。式中:d為輸入和輸出的維度。

對于樣本容量為N的訓練樣本，自動編碼器的風險函數(shù)為

最后通過隨機梯度下降算法最小化J（θ），求出參數(shù)空間θ。

DAE是在自動編碼器的基礎(chǔ)上為了防止過擬合問題而對輸入的數(shù)據(jù)（網(wǎng)絡的輸入層）加入噪聲，使學習得到的編碼器具有較強的魯棒性，從而增強模型的泛化能力，其結(jié)構(gòu)如圖2所示。對輸入數(shù)據(jù)加入噪聲的方法，一般為加入與輸入數(shù)據(jù)同分布的高斯噪聲，或以一定概率將輸入向量的分量置0。

圖2 DAE結(jié)構(gòu)

SDAE是多個降噪自動編碼器堆疊組成的1種深度網(wǎng)絡結(jié)構(gòu)，利用前1層編碼器的輸出作為當前層編碼器的輸入。為了解決深度網(wǎng)絡訓練過程中出現(xiàn)的梯度消失等問題，Hinton基于深度置信網(wǎng)絡提出了1種貪婪逐層訓練算法，即每次只訓練1層網(wǎng)絡，然后再將訓練好的網(wǎng)絡固定去訓練下1層[16]，如圖3所示。通過第1層DAE的學習得到的編碼輸出，再以此輸出通過相同的方法添加噪聲進行訓練得到第2層的編碼輸出，最后根據(jù)需要重復此過程。

圖3 SDAE結(jié)構(gòu)

通過無監(jiān)督訓練得到的SDAE只是得到的原始數(shù)據(jù)精煉、抽象的1種表達，稱為整個基線模型的預訓練階段，還不具備對基線的擬合能力。要想建立準確的健康基線，一般需要在SDAE頂端再添加1個回歸層（如線性回歸層），并結(jié)合少量有標注的訓練數(shù)據(jù)在損失函數(shù)的指導下對系統(tǒng)的參數(shù)進行微調(diào)，使得整個網(wǎng)絡能夠完成對發(fā)動機燃油流量基線的建立。

2 試驗及結(jié)果分析

2.1 模型建立

試驗共選取1300組數(shù)據(jù)用于建立基線模型，其中700組用作模型的訓練集，300組用作模型的驗證集，300組用作模型的測試集。令

利用深度學習開源框架Keras構(gòu)建BP（Back Propa-gation）神經(jīng)網(wǎng)絡和SDAE模型。針對2種模型分別選取一些不同的網(wǎng)絡結(jié)構(gòu)進行訓練，記錄驗證集的均方誤差（Mean Squared Error，MSE）隨著迭代次數(shù)的變化，從而確定較優(yōu)的網(wǎng)絡結(jié)構(gòu)和迭代次數(shù)。其中BP分別選取網(wǎng)絡結(jié)構(gòu)為 （9，10，1）、（9，15，1）、（9，20，1）、（9，10，10，1）、（9，15，15，1）、（9，10，20，1）進行驗證。驗證結(jié)果如圖4所示。從圖中可見，當BP網(wǎng)絡結(jié)構(gòu)為（9，10，1），迭代次數(shù)為750次時，驗證集的MSE最小。

圖4 BP模型驗證集的MSE

同理，分別選取結(jié)構(gòu)為（9，10，5，1）、（9，10，7，1）、（9，7，4，1）、（9，8，5，1）的 SDAE 模型進行驗證，其結(jié)果如圖 5所示。當 SDAE 模型結(jié)構(gòu)為（9，10，7，1），迭代次數(shù)為250次時，驗證集的MSE最小。

圖5 SDAE模型驗證集的MSE

2.2 模型結(jié)果對比

對訓練好的近似最優(yōu)的BP模型和SDAE模型在測試集上的MSE比較可知，BP的MSE為0.023，而SDAE的MSE為0.017?；贐P模型和SDAE模型的燃油流量預測曲線分別如圖6、7所示。從圖中可見，SDAE模型在波動聚集區(qū)間的預測效果明顯優(yōu)于BP模型的。

BP模型和SDAE模型的預測誤差百分比分別如圖8、9所示。從圖中可見，SDAE模型的預測誤差百分比小于BP模型的。

圖6 基于BP模型的燃油流量預測曲線

圖7 基于SDAE模型的燃油流量預測曲線

圖8 BP模型預測誤差百分比

圖9 SDAE模型預測誤差百分比

實際飛行數(shù)據(jù)中不可避免地存在噪聲，需要評估所建立模型的抗噪聲能力。本文對輸入數(shù)據(jù)加入不同等級的高斯噪聲，比較BP模型和SDAE模型在不同噪聲等級下的擬合精度。2種模型抗噪聲能力的比較如圖10所示。從圖中可見，隨著噪聲等級的增加，2種模型的MSE都在上升，但是SDAE模型的MSE上升的趨勢相對更平緩，因此判斷SDAE模型比BP模型有更好的抗噪聲能力。

圖10 BP模型和SDAE模型抗噪聲能力比較

3 結(jié)束語

本文首次將深度學習算法中的堆疊降噪自編碼用于發(fā)動機燃油流量基線模型的構(gòu)建。利用真實民航飛行數(shù)據(jù)對模型進行驗證，并將其與傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法在基線建立精度和抗噪聲能力上進行比較。試驗結(jié)果表明，基于SDAE的航空發(fā)動機燃油流量基線模型的精度和抗噪能力都優(yōu)于基于BP算法的基線模型的。