基于GSP仿真和SDAE的航空發(fā)動機故障診斷

車暢暢，王華偉，倪曉梅，藺瑞管

（南京航空航天大學(xué)民航學(xué)院，南京 211106）

0 引言

航空發(fā)動機故障診斷是確保飛機安全可靠運行的必要手段。在目前的研究中，能夠采集到發(fā)動機大量正常運行狀態(tài)下的狀態(tài)參數(shù)。但是由于得到的故障案例相對較少，很難提取出通用特征用于表征故障規(guī)律。采用航空發(fā)動機數(shù)值仿真技術(shù)能夠通過自定義設(shè)計參數(shù)和環(huán)境參數(shù)模擬部件故障，得到在故障下的飛行運行狀態(tài)參數(shù)，并將其作為樣本用于故障診斷，輔助發(fā)動機設(shè)計，提高自主研發(fā)效率和水平。20 世紀80 年代末以來，西方航空國家相繼制定并實施了多項航空發(fā)動機仿真技術(shù)專項研究計劃，并開發(fā)了多個航空發(fā)動機數(shù)值仿真系統(tǒng)。

美國NASA Glenn 研究中心基于MATLAB/Simu?link 和面向?qū)ο蠹夹g(shù)，開發(fā)了基于推進系統(tǒng)數(shù)字仿真計劃的平臺，并且相繼建立了支撐發(fā)動機控制系統(tǒng)的軍、民用通用推進系統(tǒng)仿真模型；俄羅斯中央航空發(fā)動機研究院研發(fā)了燃氣輪機計算仿真系統(tǒng)，實現(xiàn)了航空發(fā)動機在不同工況下的真實工作過程以及在故障狀況下的主要參數(shù)的高精度模擬；歐洲通過開發(fā)統(tǒng)一的面向?qū)ο蟮耐七M系統(tǒng)性能仿真軟件（Propulsion Object-oriented Simulation Software，PROOSIS），針對各類航空發(fā)動機系統(tǒng)進行建模，功能涵蓋發(fā)動機全生命周期；北京航空航天大學(xué)數(shù)值仿真研究中心開發(fā)了航空發(fā)動機數(shù)值仿真系統(tǒng)（Chinese Aeroengine Nu?merical Simulation Software，CANSS），初步實現(xiàn)了發(fā)動機軟件模塊的開發(fā)和集成，并部分完成了航空發(fā)動機整機及部件的模型計算和分析。在得到航空發(fā)動機仿真數(shù)據(jù)的基礎(chǔ)上，可通過模型訓(xùn)練提取出數(shù)據(jù)通用特征，用于故障模式識別和故障分類。隨著人工智能技術(shù)的不斷發(fā)展，目前常用的數(shù)據(jù)特征提取技術(shù)包括傳統(tǒng)機器學(xué)習方法和深度學(xué)習方法。傳統(tǒng)機器學(xué)習方法包括支持向量機、濾波器、隱馬爾可夫方法等，通過淺層網(wǎng)絡(luò)模型來挖掘輸入的狀態(tài)參數(shù)和對應(yīng)故障類型之間的線性映射關(guān)系，模型簡單，訓(xùn)練速度較快。然而隨著數(shù)據(jù)集和故障種類的增加，為了準確區(qū)分不同故障種類的數(shù)據(jù)，要求模型具有較強的非線性特征提取能力。作為機器學(xué)習方法的重要分支，深度學(xué)習模型通過多層的神經(jīng)網(wǎng)絡(luò)模型能夠提取出大數(shù)據(jù)中的非線性復(fù)雜特征，被廣泛應(yīng)用于語音識別、圖像識別、文本分類等方面，在故障診斷領(lǐng)域也有初步應(yīng)用。Che 等使用深度信念網(wǎng)絡(luò)模型和長短時神經(jīng)網(wǎng)絡(luò)模型進行飛機的故障診斷、剩余壽命預(yù)測和綜合健康管理；Zhu 等建立了一種用于滾動軸承智能故障診斷的疊層剪枝稀疏去噪自編碼模型；Xue 等提出一種基于深卷積神經(jīng)網(wǎng)絡(luò)和支持向量機的故障診斷方法，用于旋轉(zhuǎn)機械多故障診斷。

本文提出基于航空燃氣渦輪發(fā)動機性能仿真軟件（Gas turbine Simulation Program，GSP）仿真和堆棧降噪自編碼器（Stacked Denoising Autoencoder，SDAE）的航空發(fā)動機故障診斷方法，對模擬不同的部件故障進行故障診斷，并與不同模型的正確率對比驗證了模型的有效性。

1 GSP仿真與SDAE模型原理

1.1 GSP仿真

GSP 是歐洲國家航天實驗室開發(fā)的面向?qū)ο笕細鉁u輪發(fā)動機的性能數(shù)值仿真軟件。燃氣輪機仿真程序GSP基于組件的建模環(huán)境，靈活的面向?qū)ο篌w系結(jié)構(gòu)，允許用戶通過拖放界面在模型窗口中將發(fā)動機部件模型特定排列來對任何燃氣輪機配置進行穩(wěn)態(tài)和瞬態(tài)模擬。GSP 是一種性能預(yù)測工具，特別適用于飛行環(huán)境、安裝損失、某些發(fā)動機故障（包括控制系統(tǒng)故障）和部件劣化影響分析等參數(shù)敏感性分析。分析的輸入基于模型配置，例如：可以指定燃料流量來計算產(chǎn)生的功率，或者當燃料流量設(shè)置為狀態(tài)變量時，可以指定功率來計算相應(yīng)的燃料流量。通過運行模擬，組件屬性窗口中的輸出數(shù)據(jù)集將顯示在1 個表中，該表可由內(nèi)置圖形工具可視化。可用數(shù)據(jù)包括氣體條件（溫度、壓力、質(zhì)量流量、面積、速度等）和氣體成分。仿真結(jié)果可以導(dǎo)出到制表符分隔的文件中，然后用于自定義分析。

1.2 堆棧降噪自編碼器（SDAE）

降噪自編碼是一種無監(jiān)督的數(shù)據(jù)維數(shù)壓縮和數(shù)據(jù)特征表達方法，由編碼器和解碼器組成，通過樣本重構(gòu)和誤差優(yōu)化提取出含噪聲的樣本隱藏特征，用于進一步的故障診斷。降噪自編碼器的處理流程如圖1所示。

圖1 降噪自編碼器處理流程

（?|）代表將原始樣本轉(zhuǎn)化為含噪聲樣本?的過程，添加高斯白噪聲后的樣本可以表示為

式中：用于控制噪聲的大?。?0,1)為標準正態(tài)分布。

定義編碼器和解碼器為

式中：為權(quán)重；為偏置；和為激活函數(shù)。

自編碼器的目標是通過反向傳播算法和隨機梯度下降方法找到1 組參數(shù)={,,,}，使得重構(gòu)后的樣本與原始樣本之間有最低的重構(gòu)誤差。損失函數(shù)定義為

式中：為和的組合；為正則化系數(shù)，用于控制權(quán)重的大小從而防止過擬合。

SDAE 就是在降噪自編碼器的基礎(chǔ)上，通過隱層堆疊實現(xiàn)樣本降維，并通過激活函數(shù)輸出分類結(jié)果。包含2個隱層的堆棧自編碼器模型如圖2所示。

圖2 堆棧降噪自編碼器

首先，將樣本輸入到層，通過降噪自編碼器編碼得到隱層特征，并通過解碼得到重構(gòu)樣本，計算重構(gòu)誤差并優(yōu)化模型參數(shù)后，得到訓(xùn)練好的降噪自編碼器；其次，將隱層作為輸入層，構(gòu)建第2 個降噪自編碼器，通過編碼、解碼、參數(shù)優(yōu)化等操作得到訓(xùn)練好的隱層；再次，在完成預(yù)訓(xùn)練后還可以通過反向傳播算法和隨機梯度下降法來反向微調(diào)所有隱層的參數(shù)；最后，通過Sotfmax 激活函數(shù)連接隱層和輸出層，并輸出分類結(jié)果。

2 基于GSP 仿真和SDAE 模型的航空發(fā)動機故障診斷模型

在GSP 仿真和SDAE 模型的基礎(chǔ)上構(gòu)建了航空發(fā)動機故障診斷模型，其故障診斷流程如圖3 所示。根據(jù)型號特點使用GSP構(gòu)建發(fā)動機模型；通過故障注入方法改變部件設(shè)計參數(shù)從而人為設(shè)定發(fā)動機的故障狀態(tài)，仿真得到對應(yīng)多種飛行狀態(tài)下的長時間序列的狀態(tài)參數(shù)；將采集到的狀態(tài)參數(shù)數(shù)據(jù)和對應(yīng)的故障類型組成故障樣本，按照一定的比例分為訓(xùn)練集和測試集；將訓(xùn)練集帶入到SDAE 模型中進行預(yù)訓(xùn)練和反向微調(diào)，并優(yōu)化模型參數(shù)；將測試集帶入到訓(xùn)練好的故障診斷模型中，得到最終的故障診斷結(jié)果。

圖3 航空發(fā)動機故障診斷流程

3 實例驗證

為了驗證所提出方法的有效性，基于GSP仿真軟件構(gòu)建了渦輪發(fā)動機模型，如圖4 所示。該模型包括進氣道、壓氣機、燃燒室、渦輪、尾噴管5 大部件。通過設(shè)定部件的屬性來獲取航空發(fā)動機運行時的狀態(tài)參數(shù)，從而用于進一步的狀態(tài)監(jiān)測和故障診斷。其中部件的屬性參數(shù)見表1。

圖4 渦輪發(fā)動機模型

表1 部件屬性參數(shù)

通過進氣道和壓氣機的故障注入得到不同故障下的發(fā)動機狀態(tài)參數(shù)，通過調(diào)整屬性參數(shù)得到4 種故障類型，見表2。

表2 4種故障類型的定義

通過將燃燒室的燃油流量從0.5 kg/s 減小到0.1 kg/s，模擬發(fā)動機的減速過程，從而得到故障對應(yīng)的運行狀態(tài)參數(shù)。選取故障F1 的50 個監(jiān)測時間序列對應(yīng)的10 個狀態(tài)參數(shù)并進行歸一化處理，各狀態(tài)參數(shù)如圖5 所示。從圖中可見，各狀態(tài)參數(shù)的變化規(guī)律各不相同。

圖5 歸一化處理后的狀態(tài)參數(shù)

由于原始長時間序列狀態(tài)參數(shù)與故障類型之間具有弱映射關(guān)系，直接將樣本帶入到模型中很難訓(xùn)練出合適的模型用于故障診斷，本文從每組狀態(tài)參數(shù)的長時間序列樣本中提取出曲線特征，并將特征疊加到一起構(gòu)成故障樣本。本文選用的13 個時域和頻域特征包括：最大值、最小值、平均值、峰值、絕對平均值、方差、標準差、峭度、偏度、均方根、波形因子、峰值因子和脈沖因子。4 種故障類型的13 種特征如圖6 所示。從圖中可見，不同故障之間的時頻域特征區(qū)別很小，很難直接提取出故障規(guī)律用于故障診斷。本文將時頻域特征組成故障樣本，將故障類型作為樣本標簽，用于進一步深度學(xué)習模型訓(xùn)練。

圖6 4種故障類型的曲線特征

將采集得到的時頻域特征作為基礎(chǔ)，通過添加隨機噪聲擴充為包含4000 個故障樣本的數(shù)據(jù)集，并按照4∶1的比例分為訓(xùn)練集和測試集。構(gòu)建包括2個隱層的SDAE模型，其參數(shù)設(shè)置見3。

表3 不同故障類型參數(shù)設(shè)置

將訓(xùn)練集帶入到構(gòu)建好的SDAE 模型中進行預(yù)訓(xùn)練，得到在編碼和解碼后重構(gòu)樣本與原始樣本之間的重構(gòu)誤差，用于衡量自編碼器訓(xùn)練效果。在預(yù)訓(xùn)練過程中2個隱層所組成的自編碼器1、2的重構(gòu)誤差變化如圖7、8 所示。從圖中可見，經(jīng)過50 個Epoch 的訓(xùn)練，重構(gòu)誤差逐漸減小到較小值。

圖7 自編碼器1的重構(gòu)誤差

在完成預(yù)訓(xùn)練后，計算預(yù)測結(jié)果與實際故障類型之間的交叉熵損失，并將其作為損失函數(shù)用于通過反向傳播算法和隨機梯度下降方法反向微調(diào)模型的參數(shù)。反向微調(diào)誤差隨著Epoch的變化如圖9所示。從圖中可見，誤差很快減小到較小值0.0048并保持穩(wěn)定。

圖9 反向微調(diào)誤差

圖8 自編碼器2的重構(gòu)誤差

為了驗證本文提出方法的故障分類效果，構(gòu)建了深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和支持向量機（Support Vector Machine，SVM）模型用于對比試驗。對比模型與SDAE 模型有相同的訓(xùn)練集和測試集。其中針對多層神經(jīng)網(wǎng)絡(luò)模型DBN 和ANN，其模型結(jié)構(gòu)與SDAE 的相同，傳統(tǒng)的SVM 模型也與SDAE 模型有相同的輸入和輸出層節(jié)點。模型的參數(shù)設(shè)置和診斷正確率見表4。從表中可見，SDAE 的故障診斷正確率為99.5%。在相似的網(wǎng)絡(luò)結(jié)構(gòu)下，與DBN和ANN模型相比，故障分類正確率分別提高了0.8%和6.9%；與經(jīng)典機器學(xué)習方法SVM相比提高了10.1%。

表4 對比模型的參數(shù)設(shè)置與故障診斷正確率

4 結(jié)論

（1）利用GSP仿真可以得到多種故障模式下的樣本，為故障診斷提供數(shù)據(jù)基礎(chǔ)；

（2）基于SDAE 的故障診斷模型能夠?qū)⒔翟牒徒稻S功能集成到1個模型中，提高了模型的訓(xùn)練效率；

（3）與其他模型相比，本文提出的SDAE 模型有較強的特征提取能力，能夠得到99.5%的故障診斷正確率，與深度信念網(wǎng)絡(luò)（DBN）、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及經(jīng)典機器學(xué)習方法支持向量機（SVM）相比，分別提高了0.8%、6.9%和10.1%。

本文利用GSP仿真得到故障數(shù)據(jù)集，并考慮到實際運行環(huán)境中的噪聲干擾，使用SDAE 模型用于故障診斷，得到了較為準確的故障診斷結(jié)果。接下來需要從多故障類型、長時間序列、耦合故障模式等多方面綜合考慮，構(gòu)建更加精準的、魯棒的、泛化的故障診斷模型。