航空發(fā)動機數(shù)據(jù)驅(qū)動法氣路故障診斷研究進展

夏存江， 詹于游

(中國民用航空飛行學(xué)院航空工程學(xué)院， 廣漢 618300)

在民航領(lǐng)域，飛行安全是不可忽視的重要環(huán)節(jié)，而保障飛行安全的重點之一就是對航空發(fā)動機故障的避免、維護和預(yù)測。在航空發(fā)動機故障損耗維護成本中，發(fā)動機氣路故障的維修費用占發(fā)動機總體維修費用的60%[1-2]。且航空發(fā)動機氣路情況復(fù)雜，其內(nèi)部相應(yīng)氣路參數(shù)受工作循環(huán)數(shù)、內(nèi)部壓氣機或渦輪磨損、腐蝕和侵蝕以及外來物等因素[3-4]影響，偏離其正常工作狀態(tài)從而引起氣路故障、導(dǎo)致發(fā)動機性能退化乃至重大事故的發(fā)生。所以采用先進、科學(xué)和可靠的方法對發(fā)動機的氣路故障做出更好的診斷，維護以及預(yù)測是業(yè)界一直努力的方向。而數(shù)據(jù)驅(qū)動方法則是其中一項重要手段。

現(xiàn)通過綜述數(shù)據(jù)驅(qū)動方法在航空發(fā)動機氣路故障診斷的研究現(xiàn)狀和發(fā)展趨勢，總結(jié)各項技術(shù)在氣路故障研究上的適用場景和優(yōu)缺點，并對未來相關(guān)研究的數(shù)據(jù)預(yù)處理化、診斷系統(tǒng)集成化、模塊化和診斷結(jié)果的可信度提升的發(fā)展趨勢進行討論和梳理。旨在為未來利用數(shù)據(jù)驅(qū)動方法研究相關(guān)方向提供系統(tǒng)性的參考，促進航空發(fā)動機氣路故障研究。

1 氣路故障信息的獲取

對于故障信息(即發(fā)動機氣路故障導(dǎo)致的偏離正常值的參數(shù))的獲取，目前航空公司使用的民用航空飛機數(shù)據(jù)獲取方式主要有三種。

1.1 傳統(tǒng)模式

傳統(tǒng)的民用航空飛機機載數(shù)據(jù)來源是根據(jù)飛機維修日志和記錄數(shù)據(jù)，并對相應(yīng)的數(shù)據(jù)進行整理和分析，然后結(jié)合工程師經(jīng)驗和飛機故障原理以及特點，對其系統(tǒng)所發(fā)生的氣路故障進行診斷和預(yù)測[5-6]。但這種方式以相關(guān)經(jīng)驗為基礎(chǔ)，對工程師的排故能力有一定的考驗，且預(yù)測的準(zhǔn)確性有限，沒有得到廣泛的應(yīng)用。

1.2 飛機通信尋址和報告系統(tǒng)

飛機通信尋址和報告系統(tǒng)(aircraft communications addressing and reporting system，ACARS)有多種類型，其中飛機運行控制信息則是用來預(yù)測故障的主要類型。而現(xiàn)階段已有許多成熟的軟件可用于存儲和分析ACARS數(shù)據(jù)，并且既可以用來實時監(jiān)視飛機健康數(shù)據(jù)，還可以預(yù)測一些故障的發(fā)生[7]。但實際飛航過程中，用ACARS數(shù)據(jù)報獲取的故障信息存在數(shù)據(jù)不連續(xù)并且記錄參數(shù)不足的缺點，不適用于關(guān)于時間序列的故障診斷和預(yù)測[8]。

1.3 快速訪問記錄器

快速訪問記錄器(quick access recorder，QAR)提供對飛航階段的原始數(shù)據(jù)的快速和更方便的獲取和訪問，對于飛行原始數(shù)據(jù)可使用USB、閃存或直接利用蜂窩數(shù)據(jù)即可下載。QAR克服了以往飛行數(shù)據(jù)記錄的缺點，其記載參數(shù)豐富翔實、數(shù)據(jù)連續(xù)、易導(dǎo)出易處理，賦予了可利用QAR數(shù)據(jù)對故障進行分析、診斷和預(yù)測的能力[9]。

2 發(fā)動機主要的排故和氣路故障診斷方法

2.1 發(fā)動機主要的排故方法

在民用航空領(lǐng)域，對待故障有包含事后和定期維修的傳統(tǒng)維修方式和視情維修方式。目前以視情維修的主流維修方式是指“以可靠性為中心”的核心思想的方式。從而衍生出的預(yù)測與健康管理技術(shù)(prognosties and health management，PHM)，并且有效提高了飛航的安全性、可靠性和經(jīng)濟性[10-11]。

2.2 發(fā)動機主要的氣路故障診斷方法

現(xiàn)階段中國主流的故障診斷方法主要分為傳統(tǒng)診斷方法即基于傳統(tǒng)模型的方法和數(shù)據(jù)驅(qū)動的故障診斷方法。傳統(tǒng)方法主要有線性和非線性模型的故障診斷方法。傳統(tǒng)方法的本質(zhì)是根據(jù)傳統(tǒng)故障經(jīng)驗以及根據(jù)發(fā)動機的參數(shù)特性[12-13]建立發(fā)動機的物理模型，參照實際值和基線值的差值的變化幅度和范圍來判斷是否發(fā)生故障，以及具體是什么故障[14]。

但在實際的生產(chǎn)和工程實踐中，利用傳統(tǒng)的方式進行故障診斷和預(yù)測，需要精確的物理模型，和真實的基線值。但航空發(fā)動機精確的物理模型難以獲得，且真實有效的基線值常常掌握在原始設(shè)備制造商(original equipment manufacturer，OEM)手中。所以在民航領(lǐng)域，通過數(shù)據(jù)驅(qū)動的方式對基線值的預(yù)測也是一個方向。在民航領(lǐng)域，飛機飛行參數(shù)類型復(fù)雜，數(shù)據(jù)量眾多，獲取方式多樣化，在對原始數(shù)據(jù)進行有效處理后，便可使用數(shù)據(jù)驅(qū)動的方式，來建立相關(guān)模型對故障進行診斷和預(yù)測[15]。利用數(shù)據(jù)驅(qū)動的方式可以克服傳統(tǒng)方式對精確物理模型的需要，對準(zhǔn)確基線值的需要，只需利用公司或工廠獲取的飛行數(shù)據(jù)并對數(shù)據(jù)進行合適的處理和清洗即可，且準(zhǔn)確度高，有實際應(yīng)用價值，可以在工業(yè)生產(chǎn)和工程實際應(yīng)用領(lǐng)域，對故障進行診斷或輔助診斷。

雙轉(zhuǎn)子渦扇發(fā)動機常見的氣路故障有風(fēng)扇、低壓壓氣機、高壓壓氣機、高低渦輪、低壓渦輪故障，其故障并不只是單一故障，有時也伴隨多重故障。但發(fā)動機氣路故障總伴隨著具體的參數(shù)變化，及其所引起的風(fēng)扇、壓氣機和渦輪效率的下降、壓氣機增壓比下降和流量下降等[16-17]。所以利用數(shù)據(jù)驅(qū)動的方式，在獲取飛機飛行數(shù)據(jù)，并對數(shù)據(jù)進行合理處理過后，通過將參數(shù)的實際值輸入數(shù)據(jù)模型，便可得知是否發(fā)生氣路故障以及氣路故障的種類。

2.3 基于數(shù)據(jù)驅(qū)動的方法

在上述基礎(chǔ)上通過民航故障診斷技術(shù)的不斷發(fā)展，可以得知現(xiàn)階段數(shù)據(jù)驅(qū)動的故障診斷方法主要有聚類、回歸、神經(jīng)網(wǎng)絡(luò)、支持向量機、關(guān)聯(lián)規(guī)則和深度學(xué)習(xí)等方式，并在這些基本方法基礎(chǔ)上衍生和改進的各種故障診斷方法。

2.3.1 聚類

根據(jù)觀測值中特征的相似度或距離，將觀測值歸并到若干個類別。同一類的數(shù)據(jù)具有相似的屬性或特征，是一種常用的無監(jiān)督分類算法。其目的是通過算法運算后得到的類別，進而發(fā)現(xiàn)同一類別數(shù)據(jù)的相似性和特點，一般在數(shù)據(jù)處理中使用。

常用的聚類算法主要有K-means、DBSCAN、聚集聚類、BIRCH、均值漂移、相似性傳播和譜聚類等。但K-means又稱K均值算法，是最常用的聚類算法。具有快速、高效對未標(biāo)記數(shù)據(jù)集進行聚類的能力，迭代次數(shù)少，只需幾次即可，且可解釋性強[18-20]。一般首先通過繪圖后手動選擇超參數(shù)集群數(shù)K，然后隨機選取K個中心，每個數(shù)據(jù)選取距離其最近的中心點為其類別。然后基于每個類別的點計算所有點的向量均值在重新選取中心，并迭代重復(fù)以上步驟即可完成對算法的訓(xùn)練。K-means算法示例如圖1所示。

圖1 K-means算法示例圖Fig.1 K-means algorithm example diagram

K-means算法具有快速可擴展性強的優(yōu)點，當(dāng)簇為密集型或成團時，類別預(yù)類別之間的區(qū)別明顯，效果較好。該算法時間復(fù)雜度為O(tKmn)，其中，t為迭代次數(shù)，K為簇的數(shù)目，m為記錄數(shù)，n為維數(shù)，與樣本數(shù)量線性相關(guān)，所以，對于處理大數(shù)據(jù)集合，該算法非常高效，且伸縮性較好。但同時也存在一定的缺點。主要就是關(guān)于集群數(shù)K的選取，K的選擇會大大影響分類效果，因為K為超參數(shù)，當(dāng)無法判斷K時則會影響算法性能，且迭代次數(shù)足夠才能達到最優(yōu)解。但經(jīng)常也以局部最優(yōu)解結(jié)束，同時對“噪聲”和孤立點敏感。另外如果數(shù)據(jù)集處理不合適[21]，呈現(xiàn)出集群大小，密度不同，形狀不規(guī)則非球形時，K-means算法不一定有良好的性能。

在航空發(fā)動機故障診斷中，蘇志剛等[22]通過對QAR數(shù)據(jù)采用改進的K-means聚類算法，對分類的QAR數(shù)據(jù)的類別屬性進行判斷將異常數(shù)據(jù)劃分為單獨的類別，以判定是否發(fā)生故障。鄒思漢[23]通過采用聚類算法構(gòu)建故障現(xiàn)象和故障成品的多對多關(guān)系，完成屬于同一故障現(xiàn)象的多條故障描述。而楊天林等[24]也使用K-means聚類算法對實際發(fā)參數(shù)據(jù)進行離群點檢測，并對泵調(diào)系統(tǒng)故障進行診斷，誤報率為0，為實現(xiàn)發(fā)動機泵調(diào)系統(tǒng)健康監(jiān)測自動化提供了有效的技術(shù)途徑。 杜力偉等[25]也將聚類算法聚焦于對復(fù)雜產(chǎn)品的模塊化，并將其應(yīng)用高壓壓氣機的產(chǎn)品研發(fā)中。

2.3.2 線性回歸或多項式回歸

對基于時間序列的數(shù)據(jù)擬合直線和曲線，以預(yù)測未來的趨勢。常用于關(guān)鍵部件的和參數(shù)的趨勢，也可用來預(yù)測氣路性能的趨勢。主要觀測數(shù)據(jù)的變化率是否超出的正常的波動范圍。預(yù)測出的趨勢直觀，但模型的泛化誤差需要充分考慮方差和偏差之間的平衡。模型復(fù)雜度的增加有可能會很好的擬合訓(xùn)練集，提升了模型的方差并減小了模型的偏差，但有可能導(dǎo)致過擬合。反之，降低模型的復(fù)雜度，可以提升模型的偏差降低方差，但有可能導(dǎo)致模型欠擬合。同樣模型正則化方式的選擇也對預(yù)測的準(zhǔn)確性有相當(dāng)?shù)挠绊?。但對于趨勢進行快速預(yù)測和表達十分有效。

在航空領(lǐng)域，李書明等[26]使用高斯牛頓迭代法對發(fā)動機基線做非線性回歸預(yù)測，并將成果應(yīng)用在發(fā)動機維修部分。彭云飛[27]利用非線性回歸分析方法建立航空發(fā)動機狀態(tài)參數(shù)的基線模型，用于分析和評估發(fā)動機的健康狀態(tài)。過超強等[28]對航空發(fā)動機的成本管理采用多元線性回歸建立了發(fā)動機出廠費用估算模型，且與實際費用進行對比，達到了8%的相對誤差?；貧w模型范例如圖2所示。

圖2 多項式回歸范例Fig.2 Examples of polynomial regression

2.3.3 支持向量機

支持向量機(support vector machine，SVM)是常用的機器學(xué)習(xí)方法，其建立在統(tǒng)計學(xué)習(xí)和結(jié)構(gòu)風(fēng)險最小原理的基礎(chǔ)上，適用于線性問題或者利用核技巧處理非線性問題[29-30]。SVM的推廣SVR也適用于回歸問題[31-32]，在面臨多分類問題時，也可以組合多個SVM。

其以最大間隔理論為依據(jù)對數(shù)據(jù)進行分類如圖3所示，可解釋性強，能找出對分類具有重要影響的關(guān)鍵數(shù)據(jù)即支持向量，且對新樣本的計算復(fù)雜性只取決于已經(jīng)訓(xùn)練完成的支持向量的數(shù)量，與樣本的空間維數(shù)無關(guān)以避免“維數(shù)災(zāi)難”[33]。且由于SVM是一個凸優(yōu)化問題，所以求得問題解為全局最優(yōu)而非局部最優(yōu)。但SVM對特征的縮放非常敏感，所以對數(shù)據(jù)的歸一化顯得比較重要。且SVM的時間復(fù)雜度較高，支持核技巧的訓(xùn)練時間復(fù)雜度通常在O(m2×n)～O(m3×n)[34]，但是如果訓(xùn)練實例的數(shù)量太大，顯然SVM的訓(xùn)練時間將會很長，所以SVM非常適用于復(fù)雜但是中小型的訓(xùn)練集。但飛機飛行數(shù)據(jù)又具有數(shù)據(jù)規(guī)模龐大的特點，所以如果要使用SVM對氣路故障進行診斷，那么需對數(shù)據(jù)規(guī)模和訓(xùn)練時間進行取舍。

曹惠玲等[35]基于SVM建立最小二乘支持向量機回歸模型建立快速診斷喘振方法，根據(jù)發(fā)動機低壓壓氣機轉(zhuǎn)速、壓比和燃油流量真實參數(shù)數(shù)據(jù)與模型的預(yù)測值的相對誤差率來分析發(fā)動機是否發(fā)生喘振故障。胡超等[36]在SVM的基礎(chǔ)上引入量子自適應(yīng)粒子群優(yōu)化算法(quantum adaptive particle swarm optimization，QAPSO)，提高了發(fā)動機故障診斷的平均診斷準(zhǔn)確度和抗噪能力，并且在不同情況下展現(xiàn)出較強的適應(yīng)能力。同時，楊婧等[37]通過網(wǎng)格搜索算法(grid search optimization，GSO)對SVM的超參數(shù)尋參，找出相對最優(yōu)的軸承故障診斷模型的超參數(shù)，具有較強的實用性。且馬晨佩等[38]利用麻雀搜索算法(sparrow search algorithm，SSA)對支持向量機的懲罰因子C與核函數(shù)g進行優(yōu)化，使得模型收斂速度加快，準(zhǔn)確性更高，在發(fā)動機軸承故障診斷領(lǐng)域也有一定的指導(dǎo)意義。

圖3 SVM分隔范例Fig.3 Examples of SVM separation

2.3.4 關(guān)聯(lián)分析

在民航領(lǐng)域，關(guān)聯(lián)規(guī)則被用于發(fā)現(xiàn)對QAR數(shù)據(jù)進行分析以預(yù)測飛機是否出現(xiàn)故障或故障趨勢，雖然關(guān)聯(lián)分析具有易實現(xiàn)的優(yōu)點，但是其當(dāng)數(shù)據(jù)規(guī)模龐大時的表現(xiàn)能力較差，耗時較長，且對頻率出現(xiàn)較低的信息無法分析使信息丟失。所以在此基礎(chǔ)上提出數(shù)據(jù)立方體的多維關(guān)聯(lián)規(guī)則[39]，周劍波等[40]將粒子群優(yōu)化算法(PSO)和灰色關(guān)聯(lián)分析有機結(jié)合起來，設(shè)計發(fā)動機氣路部件兩層診斷結(jié)構(gòu)，則適當(dāng)解決這些問題，并提高了關(guān)聯(lián)分析的精度，減少了計算的耗費成本。而劉小峰等[41]為有效對發(fā)動機剩余壽命進行預(yù)測，采用灰色理論得到了較高的預(yù)測準(zhǔn)確度，為發(fā)動機的故障預(yù)測和健康管理提供了一種新思路。

2.3.5 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行連接的網(wǎng)絡(luò)，其自己的組織能夠模擬生物神經(jīng)系統(tǒng)對現(xiàn)實輸入所做出的的交互式反應(yīng)[42]。神經(jīng)網(wǎng)絡(luò)以神經(jīng)元為單位，接受來自n個其他神經(jīng)元或者外界的帶權(quán)重的輸入信號，隨后用過“激活函數(shù)”(activation function)進行處理并傳入下一層的m個神經(jīng)元或輸出。其基本模型如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)基本模型Fig.4 Basic model of neural networks

人工神經(jīng)網(wǎng)絡(luò)一般自學(xué)習(xí)、尋找最優(yōu)解快速，對非線性數(shù)據(jù)具有很好的擬合能力，而且非常適應(yīng)在航空發(fā)動機氣路故障診斷過程中對應(yīng)參數(shù)數(shù)據(jù)從輸入層輸入到輸出層輸出故障診斷數(shù)據(jù)輸出的映射。同時，應(yīng)用深度學(xué)習(xí)，在一般神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加網(wǎng)絡(luò)的深度，每一層節(jié)點的數(shù)量，參數(shù)越多、模型越復(fù)雜，算法就能完成更復(fù)雜的學(xué)習(xí)任務(wù)。另外，端到端可以忽略大部分傳統(tǒng)機器學(xué)習(xí)算法特征工程的部分。特別是航空發(fā)動機的氣路故障診斷其自身就是一個復(fù)雜的非線性模型[43-45]。除了一般的輸入?yún)?shù)到輸出參數(shù)的深度學(xué)習(xí)模型，使用循環(huán)神經(jīng)網(wǎng)絡(luò)，恰當(dāng)將長短期記憶(long short-term memory，LSTM)和門控循環(huán)單元(gated recurrent unit，GRU)應(yīng)用在時間序列相關(guān)或者振動頻率相關(guān)的數(shù)據(jù)上，也能得到很好的連續(xù)性相關(guān)的訓(xùn)練模型[46-48]。除此之外，利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)對圖像處理的優(yōu)異性能，將其應(yīng)用在孔探技術(shù)上，輔助分析氣路通道的故障和損傷，也能提高維修效率，降低維護成本[49-51]。

但是訓(xùn)練復(fù)雜度很高的模型，訓(xùn)練的效率會降低而且最重要的是容易有過擬合的風(fēng)險，導(dǎo)致模型的泛化能力差，不能適應(yīng)新的數(shù)據(jù)。所以此時增加訓(xùn)練集的數(shù)量可以有效緩解這種問題[52]，同時采用多種優(yōu)化手段如Batch Normalization、Dropout、使用Adam優(yōu)化器代替SGD等，則也可以增加模型的泛化能力，加速模型訓(xùn)練。且現(xiàn)階段計算力的大幅提升也可忽略一些模型復(fù)雜度高、訓(xùn)練集規(guī)模龐大的所導(dǎo)致的訓(xùn)練成本高的問題。因此，利用深度學(xué)習(xí)(deep learning)的方法來解決氣路故障診斷的問題乃至研究發(fā)動機其他部件和系統(tǒng)的控制邏輯是業(yè)內(nèi)的一種趨勢。

但是人工神經(jīng)網(wǎng)絡(luò)卻有“黑箱”特性，缺少如樸素貝葉斯、決策樹和邏輯斯蒂回歸(logistic regression)等機器學(xué)習(xí)方法的可解釋性。且需要的數(shù)據(jù)量和計算成本與傳統(tǒng)的機器學(xué)習(xí)方法比要更多更昂貴。但數(shù)據(jù)量的需求正好與飛機飛行的QAR數(shù)據(jù)的海量和多樣性契合[53]，且高昂的計算成本也因為高速發(fā)展的計算機性能而逐漸得以解決以至于在可接受范圍內(nèi)。另外，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的模型設(shè)計復(fù)雜，對于新算法和模型的開發(fā)和調(diào)配往往需要投入大量的人力物力和時間。所以針對模型設(shè)計復(fù)雜的問題，大部分人采用遷移學(xué)習(xí)的技術(shù)適配當(dāng)下的數(shù)據(jù)建立自己的模型[54-55]。

目前，國內(nèi)已有很多使用神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)對航空發(fā)動機故障診斷的研究和范例。例如，在早期探索中，使用淺層神經(jīng)網(wǎng)絡(luò)對發(fā)動機故障進行診斷[56-57]，侯鳳陽[58]在此基礎(chǔ)上將神經(jīng)網(wǎng)絡(luò)應(yīng)用于發(fā)動機單部件故障和多部件故障的檢測、隔離和量化，并取得了比較準(zhǔn)確的故障診斷率。另外，陳恬等[59]采用自組織神經(jīng)網(wǎng)絡(luò)(self-organizing feature map)在早期的發(fā)動機氣路故障進行診斷中，說明了自組織網(wǎng)絡(luò)在帶有噪聲環(huán)境的較高魯棒性。后來，閆鋒等[60]采用多輸入、單輸出的徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)，在輸入層應(yīng)用Pearson相關(guān)性以選定輸入層的參數(shù)，并得以預(yù)測N2基線。以及采用概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural networks)以定性的方法對發(fā)動機既定的原型故障快速診斷。而劉利軍等[61]使用結(jié)合了雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(bidirectional recurrent neural network，RBNN)和LSTM優(yōu)點的雙向LSTM網(wǎng)絡(luò)，研究表明其在氣路故障診斷方面，更適合處理與時間序列有高度相關(guān)性的數(shù)據(jù)，克服了LSTM對后文信息不能有效處理以及循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失的問題。付旭云等[62]對發(fā)動機排氣溫度的氣路參數(shù)的預(yù)測精度的研究表明，可以用時變模糊網(wǎng)絡(luò)來提高。對于航空發(fā)動機的高度非線性，為了避免使用傳統(tǒng)線性方法建模帶來的不可接受的誤差，Kiakojoori等[63]使用動態(tài)神經(jīng)網(wǎng)絡(luò)(dynamic neural networks)建模以獲得很好的非線性相關(guān)參數(shù)數(shù)據(jù)的模擬性能。元尼東珠等[64]可利用CNN在大規(guī)模數(shù)據(jù)中擅長對局部數(shù)據(jù)特征進行分析、自動分析全局的訓(xùn)練特征和分類等優(yōu)點，對航空發(fā)動機的氣路故障進行診斷。吳斌等[65]和李本威等[66]根據(jù)深度置信網(wǎng)絡(luò)(deep belief networks， DBN)可有效解決淺層神經(jīng)網(wǎng)絡(luò)泛化性不足，不易得到全局最優(yōu)解等問題，利用DBN進行氣路故障診斷，研究結(jié)果表明模型提高了氣路故障診斷的精度、效率和魯棒性。但是對DBN的隱藏層的層數(shù)和每層的受限玻爾茲曼機(restricted Boltzmann machine， RBM)個數(shù)需再深入研究。

科學(xué)家發(fā)現(xiàn)，這種急劇變化正在持續(xù)，從20世紀(jì)六十年代晚期開始，冰島和巴倫支海域海水的PH值大約每十年下降0.02%。白令海峽和北冰洋中部加拿大海盆的表層海水也出現(xiàn)了因化學(xué)影響造成的酸化現(xiàn)象。酸化很可能導(dǎo)致北冰洋的海洋生態(tài)系統(tǒng)出現(xiàn)巨大變化。

2.3.6 融合診斷的方法

融合算法將不同的類型的算法在相同或不同的層面進行結(jié)合，彌補了單一算法自身的存在的缺陷，提高了故障診斷的準(zhǔn)確度。比如，將物理模型的算法和數(shù)據(jù)驅(qū)動的算法在特征層面進行定量結(jié)合可有效彌補將基于數(shù)據(jù)算法融合沒有考慮部件物理特性，而導(dǎo)致的泛化能力不足的缺點[67-68]。

在業(yè)內(nèi)，李業(yè)波等[67]利用改進的迭代約簡最小二乘SVM(IRR-LSSVR)對ELM和基于SVD的Kalman濾波器在特征層進行融合，提高了氣路部件的故障診斷精度。陳恬等[69]將利用粗糙集減少神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點，用神經(jīng)網(wǎng)絡(luò)對故障分類的融合方法，以提高氣路部件故障診斷系統(tǒng)整體的抗噪能力。另外，陳恬等[70]也利用改進的D-S(Dempster-Shafer)證據(jù)理論，對自組織競爭網(wǎng)絡(luò)和反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行決策及融合，通過調(diào)整兩個子系統(tǒng)的權(quán)重從而使氣路故障診斷系統(tǒng)整體的抗噪能力獲得提升。另外，曲建嶺等[71]采用特定的融合算法對廣義回歸神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行融合，以提升氣路故障診斷的精度。最后，王修巖等[72]使用支持向量機對故障進行初篩，再利用脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural networks， SNN)對難以區(qū)分的相似故障進一步細分使氣路故障診斷的準(zhǔn)確度更佳。

3 數(shù)據(jù)驅(qū)動方法的關(guān)鍵和難點

通過以上對國內(nèi)數(shù)據(jù)驅(qū)動的方法在氣路故障診斷以及其他方面的應(yīng)用，可以看出基于數(shù)據(jù)驅(qū)動的診斷方法在業(yè)內(nèi)的廣泛性，以及其自身的優(yōu)點所帶來的對氣路故障診斷的重要性。但是，除了以上所論述的關(guān)于數(shù)據(jù)驅(qū)動方法所展現(xiàn)的優(yōu)秀性能，還有一些在使用這類方法時需注意的重點和難點。

3.1 針對具體問題的整體性框架

對于航空發(fā)動機氣路故障診斷具體問題，如果要使用數(shù)據(jù)驅(qū)動的方式去處理，那么需要確定選取模型的類別，有監(jiān)督或無監(jiān)督，在線或者離線等。針對不同的場景實時診斷或者視情維護等，選擇氣路故障診斷的處理類別，以為后續(xù)工作的順利展開定性分析。同時對于性能衡量的指標(biāo)也是需要重點考量的，是根據(jù)驗證集的準(zhǔn)確度，還是與基線的偏離程度或者使用均方誤差等。因為性能指標(biāo)的選取也為了對標(biāo)最后應(yīng)用的過程是否符合了業(yè)務(wù)的目標(biāo)。針對具體的業(yè)務(wù)目標(biāo)，選取適當(dāng)?shù)男阅芎饬恐笜?biāo)，同時劃定達到業(yè)務(wù)目標(biāo)所需的最低性能衡量指標(biāo)，對于氣路故障系統(tǒng)建立的整體思路具有重大的指導(dǎo)意義。

3.2 數(shù)據(jù)的獲取

飛機飛行數(shù)據(jù)的獲取有多種途徑和多種類型，但對氣路故障進行以數(shù)據(jù)驅(qū)動的方式診斷時，由于QAR中，數(shù)據(jù)存儲豐富，參數(shù)繁復(fù)，從QAR中獲取所需的數(shù)據(jù)也是常用的手段。但如果訓(xùn)練集和測試機都通過仿真模型獲得，則最后模型的診斷結(jié)果相比于真實飛行數(shù)據(jù)所訓(xùn)練的模型，會缺乏一定的可信度。但是數(shù)據(jù)對象、數(shù)據(jù)量的選擇則需要慎重考慮。是選取同一飛機、同一飛行航段、同時間段的數(shù)據(jù)，還是選取不同飛機、不同時間的數(shù)據(jù)，但飛行階段相同的數(shù)據(jù)。飛行數(shù)據(jù)的間隔短，以及發(fā)動機循環(huán)數(shù)少是否對模型的建模精度有一定程度的提高。這些數(shù)據(jù)對結(jié)果準(zhǔn)確度的影響，整個系統(tǒng)可信程度的影響需要考慮在內(nèi)。同時不同機器學(xué)習(xí)方法對數(shù)據(jù)量的需求也不盡相同，過多的數(shù)據(jù)可能造成模型計算成本過多，新數(shù)據(jù)更新周期較長，與之所提升的精確度程度相比太大。而數(shù)據(jù)量過低，則會導(dǎo)致模型準(zhǔn)確度過低，泛化能力、魯棒性低于業(yè)務(wù)目標(biāo)。

3.3 數(shù)據(jù)準(zhǔn)備和分析

在對航空發(fā)動機氣路故障診斷的過程中，對于模型的關(guān)注度過高，而對數(shù)據(jù)的關(guān)注度過低，往往也是導(dǎo)致診斷結(jié)果誤差大、性能提升低的重要原因。比如，對于淺層神經(jīng)網(wǎng)絡(luò)，兩層隱藏層雖優(yōu)于單層，但對整體的性能提升不大，反而增加了模型訓(xùn)練的時間成本。且4個或8個輸入信號都能達到90%以上的診斷準(zhǔn)確度，此時對系統(tǒng)影響系數(shù)較大的參數(shù)選擇則能比調(diào)整系統(tǒng)參數(shù)帶來更多得性能提升和優(yōu)良表現(xiàn)[73]。

對于所收集的氣路參數(shù)進行準(zhǔn)備和分析，一般包括：①研究每個參數(shù)的屬性以及特征，即類型(數(shù)值型、文本型、結(jié)構(gòu)化等)、缺失值占比、噪聲及其類型(隨機、異常值或是舍入誤差等)、參數(shù)實用性、分布類型(高斯分布、均勻分布或泊松分布等)；②數(shù)據(jù)可視化；③參數(shù)之間的相關(guān)性；④異常值和缺失值處理；⑤模型參數(shù)選擇；⑥特征工程和特征縮放。

在進行數(shù)據(jù)分析之時，對于數(shù)據(jù)的處理雖然重要，但是對數(shù)據(jù)背后與之相關(guān)的物理意義以及模型參數(shù)之間的關(guān)聯(lián)性也要敏銳察覺。優(yōu)秀的數(shù)據(jù)處理結(jié)果雖然能降低訓(xùn)練成本，平滑訓(xùn)練過程，但是了解和理解數(shù)據(jù)與現(xiàn)實物理模型之間的相關(guān)性則更能有助于是機器學(xué)習(xí)模型與物理模型貼合，使之更合理，模型更健壯。同時注重統(tǒng)計學(xué)知識的應(yīng)用，對參數(shù)與模型聯(lián)系的度量可以使用支持度和置信度兩個參數(shù)進行量化，有利于調(diào)整模型，但是對如何組合參數(shù)，如何考量量化參數(shù)以及訓(xùn)練成本則提出了挑戰(zhàn)[74]。但需要強調(diào)的是，任何參數(shù)自身不一定代表單一特定的故障，其可能是許多故障衡量的參數(shù)之一。對于參數(shù)和氣路故障之間的聯(lián)系應(yīng)有二者是復(fù)雜、交錯和互相影響的概念[75]。再者，雖然利用可視化技術(shù)可以人為對參數(shù)之間的相關(guān)性有一個直觀和清晰的認識，但氣路參數(shù)常為多維，所以如何更準(zhǔn)確度量參數(shù)之間和參數(shù)與模型之間的相關(guān)性也是需要解決的重要問題[76]。如果對數(shù)據(jù)降維如利用PCA方法，以達到可視化的目的，那么如何最小化損失信息也是需要考慮的。另外，雖然從QAR中容易獲得氣路故障診斷所需的參數(shù)數(shù)據(jù)。但是傳感器所收集的數(shù)據(jù)也不一定都是準(zhǔn)確無誤的，數(shù)據(jù)的噪聲水平也是需要處理的。否則，高噪聲數(shù)據(jù)會使診斷的準(zhǔn)確率偏低。若要使用神經(jīng)網(wǎng)絡(luò)的方法診斷氣路故障，過高的噪聲水平是導(dǎo)致訓(xùn)練過程難度加大、診斷測試集準(zhǔn)確率低、使模型泛化能力偏低的主要原因。最后，傳感器所收集的參數(shù)之間量綱不同，如果不對參數(shù)進行歸一化處理和修正，那么模型訓(xùn)練有可能會加大大數(shù)值數(shù)據(jù)權(quán)重，使訓(xùn)練成本增加，且反映出的結(jié)果也不清晰。

3.4 選擇模型和調(diào)整模型

對于所有擁有的參數(shù)數(shù)據(jù)量選擇合適的訓(xùn)練模型。如果數(shù)據(jù)量巨大，可將數(shù)據(jù)集分割為合適大小以快速訓(xùn)練不同的數(shù)據(jù)模型用來和研究對象形成對比，加快研究速度。但是如果對比對象為深度學(xué)習(xí)類別的復(fù)雜模型，則要考慮到分割數(shù)據(jù)量所導(dǎo)致的單個模型的數(shù)據(jù)集減少而引起的訓(xùn)練不足的影響。同時，可以采用K折交叉驗證充分衡量和比對模型之間的性能。對于超參數(shù)的合理選擇也尤為重要，因為超參數(shù)由人為手動選擇，那么超參數(shù)的選擇范圍過大會引起模型結(jié)果變化率大，而縮小超參數(shù)選擇范圍則會增加訓(xùn)練時間。利用網(wǎng)格搜索尋找合適的超參數(shù)也只適用于超參數(shù)值較少的情況，若超參數(shù)值較多則最好利用隨機搜索確定各個超參數(shù)優(yōu)良值的大致范圍，而采用貝葉斯優(yōu)化方法可以適當(dāng)減少訓(xùn)練時間[77]。

3.5 測試方法和維護系統(tǒng)

當(dāng)模型訓(xùn)練完畢，且泛化性能和魯棒性都達到業(yè)務(wù)指標(biāo)的情況下，在工業(yè)生產(chǎn)或?qū)嶋H應(yīng)用的情境中，若只考慮固定的輸入?yún)?shù)，那么遇到新設(shè)備、新部件或新系統(tǒng)的情境下有可能會出現(xiàn)所訓(xùn)練的模型無法復(fù)用的情況。而此時重新開發(fā)算法又會增加維護成本，若優(yōu)化原模型又需要重定義接口，考慮新數(shù)據(jù)是否適用于新模型等問題。所以，在實際應(yīng)用中不僅要考慮模型診斷的性能，也要解決對于不同應(yīng)用下的適應(yīng)能力。

4 后續(xù)的展望

為了解決現(xiàn)有基于數(shù)據(jù)驅(qū)動方法的氣路故障診斷所出現(xiàn)的問題，未來的研究方向和發(fā)展趨勢如下。

(1)數(shù)據(jù)預(yù)處理標(biāo)準(zhǔn)化。在對航空發(fā)動機的氣路故障以數(shù)據(jù)驅(qū)動的方式進行診斷時。往往對模型關(guān)注度過高，而對數(shù)據(jù)的預(yù)處理不夠。若能建立標(biāo)準(zhǔn)化的數(shù)據(jù)預(yù)處理流程，則能更加高效地完成數(shù)據(jù)預(yù)處理工作，使數(shù)據(jù)能適用于不同的模型。同時，注重于數(shù)據(jù)的預(yù)處理工作能減少模型受到數(shù)據(jù)干擾導(dǎo)致的誤差(缺失值、異常值、噪聲數(shù)據(jù)以及未標(biāo)準(zhǔn)歸一化等)，使針對氣路故障的診斷工作能更專注于模型的調(diào)整和優(yōu)化。所以，建立標(biāo)準(zhǔn)化的數(shù)據(jù)預(yù)處理流程，能更好地服務(wù)于后續(xù)關(guān)于模型的工作。

(2)診斷系統(tǒng)集成化。如今，越來越多的氣路故障診斷方法在基于一般的數(shù)據(jù)驅(qū)動方法基礎(chǔ)上，采用了能提升基礎(chǔ)系統(tǒng)性能的算法并將其融合于系統(tǒng)。針對不同機器學(xué)習(xí)方法的缺點，在參數(shù)維度、建模速度、結(jié)果結(jié)合分析等層面采取能有效提升過程性能的優(yōu)化方法，或利用傳統(tǒng)方法以及物理層面的技術(shù)措施(振動監(jiān)測、動力學(xué)分析和狀態(tài)監(jiān)控等)與數(shù)據(jù)驅(qū)動方法集成，取長補短，不僅滿足了基本的業(yè)務(wù)需求，還增加了系統(tǒng)整體的診斷準(zhǔn)確度和系統(tǒng)健壯性。

(3)診斷系統(tǒng)模塊化。航空發(fā)動機的氣路故障診斷系統(tǒng)還應(yīng)具備對部件或者設(shè)備更新的自適應(yīng)能力。在不同的環(huán)境或者新部件的情況下，也能具有自優(yōu)化，主動適應(yīng)或選擇適應(yīng)該環(huán)境下的故障診斷的能力。建議將航空發(fā)動機的氣路故障診斷系統(tǒng)進行模塊化，建立統(tǒng)一標(biāo)準(zhǔn)，針對不同的處理過程和應(yīng)用環(huán)節(jié)，分立為相同階段統(tǒng)一輸出的模塊。因此，在不同的環(huán)境下，在同一環(huán)節(jié)選擇適應(yīng)于此環(huán)境下的不同模塊，也能具有相同輸出給下一環(huán)節(jié)的上一環(huán)境的模塊。以診斷系統(tǒng)模塊化為前提，以增加系統(tǒng)整體對不同環(huán)境的適應(yīng)性，提高系統(tǒng)的魯棒性和工業(yè)應(yīng)用能力。但將診斷系統(tǒng)模塊化需要考慮如何將各個處理環(huán)節(jié)標(biāo)準(zhǔn)化和模塊化，同時如何將各個環(huán)節(jié)的輸出統(tǒng)一處理、統(tǒng)一度量以至于可用于下一環(huán)節(jié)不同模塊的輸入也是需要解決的一大難點。

(4)診斷結(jié)果可信度提升。診斷系統(tǒng)結(jié)果的準(zhǔn)確率和可信度雖然在訓(xùn)練時在有監(jiān)督和測試集的情況下可以預(yù)估，但如何提升系統(tǒng)在實際應(yīng)用場景面對無標(biāo)注數(shù)據(jù)的診斷結(jié)果的可信度也是需要商榷的問題。除了在模型構(gòu)建的場景使用交叉驗證等技術(shù)手段，在生產(chǎn)場景中也可使用物理仿真、發(fā)動機試車等方法收集數(shù)據(jù)，不斷改進模型提升實際應(yīng)用結(jié)果可信度。應(yīng)當(dāng)在早期發(fā)現(xiàn)系統(tǒng)的缺陷以便于及時的改進和優(yōu)化，同時考慮實際應(yīng)用時診斷結(jié)果的置信水平以及采取輔助手段以解決錯誤診斷時及時發(fā)現(xiàn)錯誤診斷的結(jié)果，提高實際應(yīng)用的工作效率，降低運行成本。

5 結(jié)論

介紹了航空發(fā)動機氣路故障的含義以及如何獲取故障信息的方法，總結(jié)了針對氣路故障業(yè)界的排故方法，重點敘述了以數(shù)據(jù)驅(qū)動方法對航空發(fā)動機進行氣路故障診斷的各種方式及其優(yōu)缺點，并對未來以數(shù)據(jù)驅(qū)動方法對氣路故障診斷展望了數(shù)據(jù)預(yù)處理化、診斷系統(tǒng)集成化、模塊化和診斷結(jié)果的可信度提升的發(fā)展趨勢。以助于業(yè)界對目前以數(shù)據(jù)驅(qū)動方法對航空發(fā)動機氣路故障診斷現(xiàn)狀的主要方法和面臨的主要問題有比較清晰的認知，并且在這一研究方向上對未來出現(xiàn)的新的診斷方法、診斷思路具有一定的參考價值。