通用航空訓(xùn)練飛行發(fā)動(dòng)機(jī)數(shù)據(jù)異常檢測(cè)初探

王翔

摘要： 大型運(yùn)輸機(jī)發(fā)動(dòng)機(jī)的健康管理研究較為廣泛，相對(duì)于運(yùn)輸航空，針對(duì)通用航空領(lǐng)域以訓(xùn)練飛行為主的小型教練機(jī)發(fā)動(dòng)機(jī)的異常檢測(cè)技術(shù)還不夠成熟。訓(xùn)練飛行具有飛行模式固定，起降頻次較高，信息數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，更適合引入深度學(xué)習(xí)對(duì)其進(jìn)行建模分析。本文歸納了當(dāng)前主流的幾種深度異常檢測(cè)模型，從原理、計(jì)算復(fù)雜度和優(yōu)缺點(diǎn)三個(gè)角度進(jìn)行分析。為通用航空訓(xùn)練飛行的教練機(jī)發(fā)動(dòng)機(jī)的異常檢測(cè)研究提供可行的研究思路。

Abstract： The research on health management of large transport aircraft engine is more extensive. Compared with transportation aviation， the anomaly detection technology of trainer aircraft engine focusing on training flight in the field of general aviation is not mature enough. Training flight has the characteristics of fixed flight mode， high takeoff and landing frequency and simple information data structure. It is more suitable to introduce deep learning for modeling and analysis. This paper summarizes several mainstream deep anomaly detection models， and analyzes them from the perspectives of principles， computational complexity， advantages and disadvantages. It provides a feasible research idea for the anomaly detection of the engines of training flight in general aviation.

關(guān)鍵詞： 異常檢測(cè);訓(xùn)練飛行;深度學(xué)習(xí)

Key words： anomaly detection;training flight;deep learning

中圖分類號(hào)：V216.7 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-957X（2022）03-0097-03

0 ?引言

中國(guó)民航事業(yè)正穩(wěn)中有序地高速發(fā)展，包括運(yùn)輸航空業(yè)和通用航空業(yè)。然而通用航空在安全管理水平上還處在相對(duì)較低的水平上，發(fā)動(dòng)機(jī)健康管理系統(tǒng)還沒有在通用航空范疇取得充分廣泛的應(yīng)用。

“十三五”期間與“十二五”期間相比，整個(gè)西南片區(qū)有通航企業(yè)63家，增長(zhǎng)70%。通用航空器243架，增長(zhǎng)108%。2020年全年共完成飛行59486小時(shí)，146205架次，增長(zhǎng)170%，345%。與之對(duì)比，僅僅是中國(guó)民用航空飛行學(xué)院這一家飛行培訓(xùn)院校，于2020年完成飛機(jī)教學(xué)27.34 萬小時(shí)，模擬機(jī)/訓(xùn)練器教學(xué)6.81萬小時(shí)的訓(xùn)練任務(wù)。由此可見，在當(dāng)下國(guó)內(nèi)通航業(yè)務(wù)中，訓(xùn)練飛行為主要代表業(yè)務(wù)，針對(duì)訓(xùn)練飛行的教練機(jī)發(fā)動(dòng)機(jī)進(jìn)行健康管理的研究，更具有適用性、經(jīng)濟(jì)性和代表性。

1 ?訓(xùn)練飛行特點(diǎn)

通常情況下，把飛機(jī)駕駛員分為：飛行學(xué)員、初級(jí)飛行員、商業(yè)飛行員、教員、航線運(yùn)輸飛行員，根據(jù)培訓(xùn)執(zhí)照的不同，航?？梢暻闆r安排相對(duì)應(yīng)的訓(xùn)練科目。表1是我國(guó)訓(xùn)練大綱規(guī)定的部分訓(xùn)練科目，由于國(guó)內(nèi)招生規(guī)模遠(yuǎn)大于國(guó)外，因此每架教練機(jī)承擔(dān)的飛行任務(wù)很高，航校采用固定訓(xùn)練科目來增加訓(xùn)練次數(shù)和提高訓(xùn)練效率。訓(xùn)練機(jī)的日常使用頻率更高，起落次數(shù)較多，且由于新學(xué)員對(duì)于飛機(jī)發(fā)動(dòng)機(jī)性能和機(jī)動(dòng)性能操縱缺乏經(jīng)驗(yàn)，使得飛機(jī)的安全，尤其是發(fā)動(dòng)機(jī)的安全在訓(xùn)練飛行過程中顯得格外重要。

基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)的異常檢測(cè)已廣泛運(yùn)用于大型商用發(fā)動(dòng)機(jī)的故障診斷當(dāng)中，而國(guó)內(nèi)針對(duì)通用航空發(fā)動(dòng)機(jī)的故障檢測(cè)，主要運(yùn)用專家知識(shí)為主，數(shù)據(jù)驅(qū)動(dòng)為輔的檢測(cè)方法，有著滯后性的缺點(diǎn)。

2 ?數(shù)據(jù)和案例

2.1 數(shù)據(jù)結(jié)構(gòu)

以中國(guó)民航航空飛行學(xué)院的教練機(jī)CESSNA172R型飛機(jī)為研究對(duì)象，其搭載的發(fā)動(dòng)機(jī)健康管理系統(tǒng)為GARMIN1000系統(tǒng)，數(shù)據(jù)由飛機(jī)上傳感器產(chǎn)生，由GARMIN1000系統(tǒng)負(fù)責(zé)收集匯總。發(fā)動(dòng)機(jī)數(shù)據(jù)的收集，主要靠飛行結(jié)束后，以機(jī)載下載方式進(jìn)行讀取、保存、備份。與發(fā)動(dòng)機(jī)相關(guān)的參數(shù)共有12個(gè)，各參數(shù)含義如表2所示。訓(xùn)練飛行有著飛行模式固定，飛機(jī)頻率高，飛行數(shù)據(jù)豐富的特點(diǎn)，深度學(xué)習(xí)的手段能更高的提高發(fā)動(dòng)機(jī)故障異常檢測(cè)的效率，提高飛行安全。

2.2 典型案例

案例一：排氣溫度低故障

如圖1所示，某飛機(jī)發(fā)動(dòng)機(jī)4號(hào)缸排氣溫度（EGT）明顯低于其他3個(gè)氣缸;1、2、3缸隨發(fā)動(dòng)機(jī)轉(zhuǎn)速（RPM）變化，燃油流量（FFLOW）、排氣溫度（EGT）和氣缸頭溫度（CHT）都在正常范圍內(nèi)，但4號(hào)缸EGT低于正常值。通過該發(fā)動(dòng)機(jī)參數(shù)變化圖，初步判定4號(hào)缸排氣溫度異常是富油所致，單個(gè)氣缸富油原因可能是進(jìn)氣系統(tǒng)故障、噴嘴故障，燃油分配器故障，最后進(jìn)一步檢查確定是分配器故障。更換分配器后，故障得到排除。

案例二：發(fā)動(dòng)機(jī)滑油溫度高故障

某飛機(jī)換發(fā)后連續(xù)出現(xiàn)發(fā)動(dòng)機(jī)滑油溫度高故障，異常數(shù)據(jù)如圖2、圖3所示，滑油溫度最高312.04華氏度，超過24華氏度的總時(shí)間接近2000秒，滑油壓力57.57PSI，機(jī)械方面已更換滑油濾底座、恒溫旁通活門和滑油散熱器，電子方面已更換滑油溫度傳感器、檢查傳感器導(dǎo)線和更換GEA71組件，故障仍沒排除。

從實(shí)際案例中可以看出，經(jīng)驗(yàn)性故障診斷方法有其局限性，通過深度學(xué)習(xí)的方法能夠更及時(shí)的檢測(cè)出故障來源，提高排故效率。

3 ?深度異常檢測(cè)模型

3.1 有監(jiān)督深度異常檢測(cè)

有監(jiān)督異常檢測(cè)技術(shù)在性能上優(yōu)于無監(jiān)督異常檢測(cè)技術(shù)，這些技術(shù)使用標(biāo)記樣本，從一組帶注釋的數(shù)據(jù)實(shí)例（訓(xùn)練實(shí)例）中學(xué)習(xí)分離邊界，繼而使用學(xué)習(xí)后的模型將測(cè)試實(shí)例分為正常類或異常類，也稱為多類分類檢測(cè)技術(shù)。例如，元尼東珠、楊浩等人提出的基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法[1]。

有監(jiān)督深度異常檢測(cè)技術(shù)基本原理是，首先學(xué)習(xí)訓(xùn)練數(shù)據(jù)集中包含的多個(gè)正常類標(biāo)記的實(shí)例數(shù)據(jù)，該步驟也被稱為特征提取，其次通過學(xué)習(xí)歸納得到分類器來區(qū)分正常類和異常類。因此，有監(jiān)督深度異常檢測(cè)模型需要大量的訓(xùn)練樣本（數(shù)千或數(shù)百萬）才能有效地學(xué)習(xí)特征表示以區(qū)分各種類實(shí)例。由于缺乏可用的有效數(shù)據(jù)標(biāo)簽，有監(jiān)督深度異常檢測(cè)技術(shù)不如半監(jiān)督和無監(jiān)督方法易于實(shí)施。

輸入數(shù)據(jù)的維數(shù)直接影響到有監(jiān)督深度異常檢測(cè)的計(jì)算復(fù)雜度。數(shù)據(jù)維度越高，必然會(huì)引入更多的隱藏層以確保輸入特征的完整性，計(jì)算復(fù)雜度也隨著隱藏層的數(shù)量線性增加，需要更多的訓(xùn)練時(shí)間和計(jì)算算力，增加時(shí)間成本和經(jīng)濟(jì)成本。同時(shí)，選擇不同的反向傳播算法也會(huì)有不同的計(jì)算時(shí)間。合理的設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)和高效的反向傳播算法能為計(jì)算提高效率。

因?yàn)槊總€(gè)測(cè)試實(shí)例都需要與預(yù)先計(jì)算的模型進(jìn)行比較，因此基于多類分類檢測(cè)技術(shù)在測(cè)試階段具有時(shí)間上的優(yōu)勢(shì)，并且在結(jié)果上，有監(jiān)督深度異常檢測(cè)模型比半監(jiān)督和無監(jiān)督模型更加精確。但多類有監(jiān)督深度學(xué)習(xí)技術(shù)需要對(duì)各種正常類和異常實(shí)例進(jìn)行精確的標(biāo)記，而這需要花費(fèi)大量的人力成本和時(shí)間成本。

3.2 半監(jiān)督深度異常檢測(cè)

半監(jiān)督（也稱單類分類）深度異常檢測(cè)技術(shù)假定所有訓(xùn)練實(shí)例僅具有正常類標(biāo)簽。例如，鞏小強(qiáng)、李沖等人提出了基于半監(jiān)督協(xié)同訓(xùn)練的航空發(fā)動(dòng)機(jī)故障診斷技術(shù)研

究[2]。半監(jiān)督深度異常檢測(cè)技術(shù)學(xué)習(xí)正常實(shí)例周圍的判別邊界，不屬于邊界內(nèi)的其他多數(shù)類的測(cè)試實(shí)例被標(biāo)記為異常。半監(jiān)督深度異常檢測(cè)方法依賴于以下判定方法將數(shù)據(jù)實(shí)例分為異常：①檢測(cè)樣本的接近度和連續(xù)性;②在樣本特征空間中相對(duì)接近的點(diǎn)更可能被判定為同一標(biāo)簽。③在深層神經(jīng)網(wǎng)絡(luò)層的隱藏層內(nèi)學(xué)習(xí)魯棒特征，并保留用于將正常數(shù)據(jù)點(diǎn)與異常數(shù)據(jù)點(diǎn)分離的判別屬性。

基于半監(jiān)督深度異常檢測(cè)方法的技術(shù)的計(jì)算復(fù)雜性類似于監(jiān)督深度異常檢測(cè)技術(shù)，后者主要取決于輸入數(shù)據(jù)的維數(shù)和用于代表性特征學(xué)習(xí)的隱藏層數(shù)。針對(duì)于標(biāo)記數(shù)據(jù)較少，或者數(shù)據(jù)缺失的問題，在半監(jiān)督學(xué)習(xí)模式下訓(xùn)練的生成對(duì)抗網(wǎng)絡(luò)（GAN）顯示出較大的優(yōu)勢(shì)，例如付強(qiáng)、王華偉等基于GANBP的航空發(fā)動(dòng)機(jī)性能退化預(yù)測(cè)模型[3]。使用標(biāo)記數(shù)據(jù)（通常是一類）可以比無監(jiān)督技術(shù)產(chǎn)生相當(dāng)大的性能改進(jìn)。但缺點(diǎn)是模型無法進(jìn)行錯(cuò)誤自修正，當(dāng)模型對(duì)異常值高度自信（但錯(cuò)誤）的預(yù)測(cè)可能會(huì)破壞整個(gè)分類結(jié)果。此外，在隱藏層內(nèi)提取的分層特征可能不代表較少的異常實(shí)例，因此容易出現(xiàn)過擬合問題。

3.3 混合深度異常檢測(cè)

混合深度異常檢測(cè)，采用兩步學(xué)習(xí)的方法，將在深度學(xué)習(xí)模型中學(xué)習(xí)到的代表性特征輸入到傳統(tǒng)算法中。例如，劉巖松、姜文鑫在基于神經(jīng)網(wǎng)絡(luò)的渦軸發(fā)動(dòng)機(jī)故障診斷仿真研究[4]中提出的基于徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)方法，胡超、楊妍等在基于QAPSO-SVM的航空發(fā)動(dòng)機(jī)故障診斷[5]中提出的支持向量機(jī)（SVM）分類器及其改進(jìn)方法。混合深度異常檢測(cè)模型的特點(diǎn)：①維度空間越為復(fù)雜，異常檢測(cè)模型也越為復(fù)雜，并且需要結(jié)合特征提取機(jī)和異常檢測(cè)機(jī)。②在深度神經(jīng)網(wǎng)絡(luò)的隱藏層內(nèi)提取魯棒特征的主要目的是為了提取出隱藏異常存在的不相關(guān)特征?；旌夏Ｐ偷挠?jì)算復(fù)雜性包括深層體系結(jié)構(gòu)的復(fù)雜性以及內(nèi)部使用的傳統(tǒng)算法的復(fù)雜性。此外，深層網(wǎng)絡(luò)結(jié)構(gòu)涉及在相當(dāng)大的空間中搜索優(yōu)化參數(shù)，這增加了在混合模型中使用深層網(wǎng)絡(luò)的計(jì)算復(fù)雜性。特別是在高維領(lǐng)域，混合模型更具可擴(kuò)展性和計(jì)算效率，因?yàn)榫€性或非線性核模型可以在降低輸入維的情況下運(yùn)行，混合模型的特征提取器可以大大減少“維數(shù)災(zāi)難”的發(fā)生。但混合方法是次優(yōu)的，因?yàn)樗鼰o法影響特征提取器隱藏層內(nèi)的表征學(xué)習(xí)。

3.4 無監(jiān)督深度異常檢測(cè)

無監(jiān)督深度異常檢測(cè)是基礎(chǔ)機(jī)器學(xué)習(xí)研究和工業(yè)應(yīng)用中的一個(gè)重要研究領(lǐng)域，有監(jiān)督深度學(xué)習(xí)方法依賴于分離數(shù)據(jù)類，而無監(jiān)督技術(shù)更偏重于數(shù)據(jù)特征的解釋和分析。例如沈?yàn)t軍、葛亞男、沈志豪等在一種基于LSTM自動(dòng)編碼機(jī)的工業(yè)系統(tǒng)異常檢測(cè)方法[6]一文中提到的自動(dòng)編碼機(jī)，是異常檢測(cè)技術(shù)中常用的無監(jiān)督深度結(jié)構(gòu)。

無監(jiān)督異常檢測(cè)算法根據(jù)數(shù)據(jù)集的間距、密度等屬性生成數(shù)據(jù)實(shí)例的異常值分?jǐn)?shù)，使用無監(jiān)督深度異常檢測(cè)模型來檢測(cè)異常值的前提為：①特征空間中，正常區(qū)域與異常區(qū)域具有可識(shí)別性。②與數(shù)據(jù)集的其余部分相比，大多數(shù)數(shù)據(jù)實(shí)例都是正常的。模型計(jì)算復(fù)雜度取決于操作數(shù)、網(wǎng)絡(luò)參數(shù)和隱藏層。訓(xùn)練自動(dòng)編碼器的計(jì)算復(fù)雜度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)方法，例如王驥、李勝男在基于PCA的航空發(fā)動(dòng)機(jī)關(guān)鍵部件異常狀態(tài)檢測(cè)[7]提出的主成分分析法（PCA）。這些技術(shù)可以識(shí)別數(shù)據(jù)中的共性，因此有助于異常檢測(cè)。無監(jiān)督檢測(cè)異常檢測(cè)技術(shù)在經(jīng)濟(jì)上具有優(yōu)勢(shì)，因?yàn)樗恍枰糜谟?xùn)練算法的注釋數(shù)據(jù)。但是在復(fù)雜的高維空間中，通常很難了解數(shù)據(jù)中的共性。使用自動(dòng)編碼器時(shí)，通過對(duì)超參數(shù)的調(diào)試，模型經(jīng)過反復(fù)校準(zhǔn)后得到相對(duì)理想的結(jié)果。

3.5 其他技術(shù)

除此之外，還有其他深度異常檢測(cè)技術(shù)也被證明是有效。例如，基于轉(zhuǎn)移學(xué)習(xí)的異常檢測(cè)，基于零鏡頭學(xué)習(xí)的異常檢測(cè)，基于集合的異常檢測(cè)，基于聚類的異常檢測(cè)，基于深度強(qiáng)化學(xué)習(xí)（DRL）的異常檢測(cè)，基于統(tǒng)計(jì)技術(shù)的深度異常檢測(cè)等。在此，我們不再深入討論分析。

4 ?結(jié)束語

深度學(xué)習(xí)已作為現(xiàn)在異常檢測(cè)領(lǐng)域當(dāng)中較為突出的研究技術(shù)之一，深得廣大研究者的青睞。本文主要通過分析通航領(lǐng)域內(nèi)訓(xùn)練飛行的特點(diǎn)，結(jié)合中國(guó)民用航空飛行學(xué)院的實(shí)際情況，探討了深度異常檢測(cè)的幾種檢測(cè)模型及其對(duì)應(yīng)的典型技術(shù)方法，希望為通用航空教練機(jī)領(lǐng)域的專注于發(fā)動(dòng)機(jī)的研究者提供有益的幫助和借鑒。

參考文獻(xiàn)：

[1]元尼東珠，楊浩，房紅征.基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障預(yù)測(cè)方法[J].計(jì)算機(jī)測(cè)量與控制，2019，27（10）：74-78.

[2]鞏小強(qiáng)，李沖，楊宇.基于半監(jiān)督協(xié)同訓(xùn)練的航空發(fā)動(dòng)機(jī)故障診斷技術(shù)研究[J].民航學(xué)報(bào)，2021，5（01）：55-58.

[3]付強(qiáng)，王華偉，熊明蘭.基于GANBP的航空發(fā)動(dòng)機(jī)性能退化預(yù)測(cè)模型[J].人類工效學(xué)，2020，26（01）：1-6，21.

[4]劉巖松，姜文鑫.基于神經(jīng)網(wǎng)絡(luò)的渦軸發(fā)動(dòng)機(jī)故障診斷仿真研究[J].內(nèi)燃機(jī)與配件，2020（01）：6-7.

[5]胡超，楊妍，王松濤，謝中敏.基于QAPSO-SVM的航空發(fā)動(dòng)機(jī)故障診斷[J].熱能動(dòng)力工程，2020，35（12）：40-46，54.

[6]沈?yàn)t軍，葛亞男，沈志豪等.一種基于LSTM自動(dòng)編碼機(jī)的工業(yè)系統(tǒng)異常檢測(cè)方法[J].電信科學(xué)，2020，36（07）：136-145.

[7]王驥，李勝男.基于PCA的航空發(fā)動(dòng)機(jī)關(guān)鍵部件異常狀態(tài)檢測(cè)[J].內(nèi)燃機(jī)與配件，2019（15）：161-162.