基于深度學(xué)習(xí)的航空發(fā)動機(jī)磨損部位識別方法*

苗慧慧 曹桂松 孫智君 康玉祥 馬佳麗 陳 果

(1.中國航發(fā)上海商用航空發(fā)動機(jī)制造有限責(zé)任公司 上海 200241；2.南京航空航天大學(xué)民航學(xué)院 江蘇南京 210016；3.南京航空航天大學(xué)通用航空與飛行學(xué)院 江蘇溧陽 213300)

航空發(fā)動機(jī)潤滑系統(tǒng)中包含大量摩擦副，因其工作在高轉(zhuǎn)速的環(huán)境中，導(dǎo)致大量的磨損顆粒游離于潤滑油中[1]。而這些金屬磨粒成分及含量能夠反映發(fā)動機(jī)磨損狀態(tài)及磨損部位等信息，通過能譜分析檢測出金屬磨粒中各元素的相對含量，可為實現(xiàn)航空發(fā)動機(jī)磨損部位識別提供依據(jù)。而如何將能譜分析的數(shù)據(jù)映射至發(fā)動機(jī)磨損部位，是實現(xiàn)航空發(fā)動機(jī)磨損部位端到端智能識別的前提與關(guān)鍵。

近年來，隨著模式識別和人工智能技術(shù)的發(fā)展，模糊數(shù)學(xué)、D-S證據(jù)理論、神經(jīng)網(wǎng)絡(luò)等理論和方法[2-3]在機(jī)械磨損部位識別中得到了應(yīng)用。陳果和左洪福[4]提出了基于BP神經(jīng)網(wǎng)絡(luò)和光譜分析方法的機(jī)械磨損部位識別方法，并驗證了所提方法的有效性與實用性。王琳等人[5]以光譜數(shù)據(jù)為輸入，采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)了某型航空發(fā)動機(jī)磨損部位的識別。孫濤和李冬[6]采用模糊矩陣和神經(jīng)網(wǎng)絡(luò)方法，以光譜分析數(shù)據(jù)為基礎(chǔ)，以金屬元素濃度為判據(jù)，實現(xiàn)了發(fā)動機(jī)低壓壓氣機(jī)、中介機(jī)匣等8個部位的磨損識別。閆書法等[2]提出了一種基于主元分析和聚類分析的機(jī)械傳動系統(tǒng)磨損定位與狀態(tài)識別方法。此外，研究者還基于磨損信息采用深度學(xué)習(xí)方法對機(jī)械磨損狀態(tài)、材料牌號識別等進(jìn)行了研究[7-8]。以上磨損部位識別方法中主要以光譜數(shù)據(jù)輸入，根據(jù)元素的濃度值判斷發(fā)動機(jī)相應(yīng)磨損部位的故障模式，進(jìn)而實現(xiàn)發(fā)動機(jī)磨損部位的識別。該類方法主要依據(jù)人工經(jīng)驗實現(xiàn)對數(shù)據(jù)樣本的故障劃分，然后通過訓(xùn)練模型實現(xiàn)磨損故障的識別。這類方法主要的不足在于其無法自主實現(xiàn)端到端的定位識別。此外，這些算法均假設(shè)檢測數(shù)據(jù)為理想數(shù)據(jù)，未考慮數(shù)據(jù)采樣的離散性等情況，且算法容易出現(xiàn)過擬合的情況。

深度學(xué)習(xí)因具有端到端的學(xué)習(xí)能力，近年來，在各類故障診斷領(lǐng)域取得了不錯的效果[9]。針對現(xiàn)階段航空發(fā)動機(jī)磨損部位識別方法存在的不足，本文作者基于磨損顆粒掃描電鏡能譜分析數(shù)據(jù)，提出了基于深度學(xué)習(xí)的航空發(fā)動機(jī)潤滑系統(tǒng)磨損部位識別方法模型。為避免在訓(xùn)練過程中模型因梯度消失而導(dǎo)致的精度低的問題，以一維殘差網(wǎng)絡(luò)為特征提取的主干網(wǎng)絡(luò)，在此基礎(chǔ)上，采用能夠較好處理序列特征數(shù)據(jù)的長短期記憶網(wǎng)絡(luò)(Long Short Term Memory Network，LSTM)實現(xiàn)航空發(fā)動機(jī)磨損部位的定位識別。最后，采用航空發(fā)動機(jī)潤滑油能譜分析數(shù)據(jù)對模型進(jìn)行驗證，以表明所提方法的正確有效性。

1 磨損部位識別的深度學(xué)習(xí)模型

1.1 一維卷積殘差網(wǎng)絡(luò)

當(dāng)前，諸如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)、殘差網(wǎng)絡(luò)(Deep Residual Networks，Resnet)等典型的深度學(xué)習(xí)模型均以二維的數(shù)據(jù)為輸入，通過模型映射后實現(xiàn)目標(biāo)的分類與回歸。而航空發(fā)動機(jī)潤滑油中磨損顆粒能譜分析結(jié)果為一維序列數(shù)據(jù)，在將該數(shù)據(jù)直接應(yīng)用于上述模型的過程中需采用一維卷積核作為計算單元，以達(dá)到學(xué)習(xí)序列數(shù)據(jù)中抽象特征的目的，進(jìn)而實現(xiàn)航空發(fā)動機(jī)磨損部位識別。此外，相比于CNN模型，殘差網(wǎng)絡(luò)因引入殘差塊而提高了網(wǎng)絡(luò)的訓(xùn)練與泛化能力[10]。鑒于此，文中提出了用于航空發(fā)動機(jī)磨損部位診斷識別的一維卷積殘差網(wǎng)絡(luò)，如圖1所示。其中，輸入為航空發(fā)動機(jī)潤滑油磨損中顆粒經(jīng)過能譜分析后所得的33種元素質(zhì)量分?jǐn)?shù)，經(jīng)過一維卷積殘差網(wǎng)絡(luò)計算后，輸出航空發(fā)動機(jī)磨損部位的29種材料牌號。一維卷積殘差網(wǎng)絡(luò)模型主要由4層殘差網(wǎng)絡(luò)、全連接層和LSTM網(wǎng)絡(luò)(LSTM通過自身的記憶功能能夠較好地處理長序列數(shù)據(jù))組合而成。一維卷積殘差網(wǎng)絡(luò)模型參數(shù)設(shè)置如表1所示。其中卷積核大小為1×3，每層有2個殘差塊。

表1 一維卷積殘差網(wǎng)絡(luò)參數(shù)

圖1 航空發(fā)動磨損部位識別一維卷積殘差網(wǎng)絡(luò)模型

1.2 殘差網(wǎng)絡(luò)(Resnet)

為了解決隨著深度的增加，神經(jīng)網(wǎng)絡(luò)出現(xiàn)性能退化以及梯度消失的問題。2015年HE等[11-12]提出了Resnet。Resnet的經(jīng)典之處在于其引入了殘差塊的概念。如圖2所示為殘差塊結(jié)構(gòu)。

圖2中，xl為第l個殘差塊的輸入；f(xl)為經(jīng)過卷積、批歸一化、激活函數(shù)的殘差映射輸出；h(xl)是恒等映射輸出，該映射的目的是使得輸入xl和f(xl)具有相同尺寸，文中h=xl表示為殘差直連結(jié)構(gòu)。g為Relu激活函數(shù)，如式(1)所示。

圖2 殘差結(jié)構(gòu)塊

(1)

由圖2中殘差塊結(jié)構(gòu)可知，多個殘差塊連接的殘差網(wǎng)絡(luò)數(shù)學(xué)模型為

xl+1=xl+f(xl，wl)

(2)

則第L層的輸出為

(3)

根據(jù)文獻(xiàn)[11]，可得網(wǎng)絡(luò)每層的梯度為

(4)

式中：wl表示第l層的權(quán)重；wi表示網(wǎng)絡(luò)第i層的權(quán)重。

1.3 長短期記憶網(wǎng)絡(luò)(LSTM)

LSTM神經(jīng)網(wǎng)絡(luò)是一種隨時間遞歸的神經(jīng)網(wǎng)絡(luò)[13]，其在RNN的基礎(chǔ)上加入了cell，用來判斷信息有用與否從而將其保留，且LSTM引入了“門限”(Gate)的概念，如圖3所示為LSTM的主要結(jié)構(gòu)。

圖3 LSTM隱藏層Cell結(jié)構(gòu)

其前向計算方法可以表示為

ft=σ(Wf[ht-1，xt]+bf)

(5)

it=σ(Wi[ht-1，xt]+bi)

(6)

(7)

(8)

ot=σ(Wo[ht-1，xt]+bo)

(9)

ht=ottanhCt

(10)

式中：xt為一維卷積殘差網(wǎng)絡(luò)經(jīng)過全連接層后的第t個輸出；ft表示一個被遺忘的閾值，指示輸入閾值；ot表示輸出閾值；Ct-1是前一時刻的細(xì)胞狀態(tài)或候選向量；Ct是當(dāng)前細(xì)胞狀態(tài)(當(dāng)前循環(huán)發(fā)生)；ht-1是前一時刻的單位輸出；ht是當(dāng)前單元格的輸出；σ()是σ函數(shù)；tanh是雙曲正切激活函數(shù)；W表示權(quán)重因子矩陣，分為為長短期記憶網(wǎng)絡(luò)中的一個LSTM單元中的Wf、Wi、Wc和Wo，分別對應(yīng)遺忘門、輸入門、細(xì)胞狀態(tài)和輸出門；網(wǎng)絡(luò)參數(shù)b分別為LSTM單元中的bf、bi、bc和bo。

適合算法驗證的信息仍然存在，否則信息被遺忘，二進(jìn)制提取的原理可以增加算法在重復(fù)運(yùn)算中的訓(xùn)練精度和準(zhǔn)確率。

1.4 網(wǎng)絡(luò)訓(xùn)練

采用Relu激活函數(shù)對LSTM網(wǎng)絡(luò)的輸出進(jìn)行激活操作，應(yīng)用如式(11)所示的交叉損失函數(shù)[14]；優(yōu)化算法為Adam算法；學(xué)習(xí)率為0.000 1。

(11)

式中：I為分類類別總數(shù)；pi為Softmax分類函數(shù)的輸出，如式(12)所示，表示第i個類別的概率；yi為真實樣本標(biāo)簽；vi表示模型輸出的29個數(shù)值(材料牌號)中第i個元素。

(12)

2 模型訓(xùn)練與驗證

為了驗證所提模型用于航空發(fā)動機(jī)磨損部位識別的有效性，首先根據(jù)某型航空發(fā)動機(jī)所采用的29種材料牌號及每種材料牌號相應(yīng)的33種元素質(zhì)量分?jǐn)?shù)(如表2所示為其中8種材料名稱及部分元素質(zhì)量分?jǐn)?shù))，采用式(13)計算元素質(zhì)量分?jǐn)?shù)，基于仿真的方法，獲得29 000組樣本數(shù)據(jù)及相應(yīng)的樣本標(biāo)簽(其中，每種材料的仿真樣本數(shù)量為1 000個)；然后按照7∶3的比例劃分訓(xùn)練集和測試集后，對模型進(jìn)行訓(xùn)練和測試；最后對訓(xùn)練完成的模型采用真實的某型航空發(fā)動機(jī)潤滑油能譜分析數(shù)據(jù)對所訓(xùn)練的模型進(jìn)行驗證，并和Resnet18、Resnet34、CNN、LSTM等模型進(jìn)行對比驗證。

表2 部分材料元素質(zhì)量分?jǐn)?shù) 單位：10-6

km=(ub-ul)×r1+ul

(13)

式中：km為材料的第m個元素質(zhì)量分?jǐn)?shù)；ub、ul分別為元素含量的上限和下限；r1為[0，1]之間的隨機(jī)數(shù)。

單個樣本生成過程中，首先產(chǎn)生33個隨機(jī)數(shù)r1，然后采用式(13)計算每個元素對應(yīng)的質(zhì)量分?jǐn)?shù)。

2.1 模型訓(xùn)練與測試

為說明一維卷積殘差網(wǎng)絡(luò)模型用于發(fā)動機(jī)磨損部位識別中的優(yōu)勢，選用一維Resnet18、Resnet34、CNN以及LSTM 4種模型進(jìn)行對比試驗驗證。4種模型的網(wǎng)絡(luò)參數(shù)如表3所示。試驗中采用的GPU為NVIDIA GTX1660 6G，處理器為i5-9600K，內(nèi)存為8 G，運(yùn)行系統(tǒng)為Windows10，編程語言為Python3.7，深度學(xué)習(xí)框架為Tensorflow1.15。設(shè)置批處理樣本量為64，迭代訓(xùn)練100次。

表3 4種模型的網(wǎng)絡(luò)參數(shù)

如圖4所示為一維卷積殘差網(wǎng)絡(luò)在仿真數(shù)據(jù)集上每輪訓(xùn)練中測試精度值變化曲線。以在測試集上的最大測試精度為前提，保存模型的訓(xùn)練結(jié)果，為后續(xù)的模型驗證做準(zhǔn)備。圖4中同時給出了一維Resnet18、Resnet34、CNN以及LSTM算法的測試精度值變化曲線?？煽闯觯闹幸痪S卷積殘差網(wǎng)絡(luò)和Resnet34網(wǎng)絡(luò)的最終測試精度最高，為100%；其次是Resnet18和LSTM，精度分別為99.32%、98.85%；最后是CNN網(wǎng)絡(luò)模型，精度為97.2%。結(jié)果顯示相比Resnet18、LSTM、CNN等模型，文中算法具有更高的測試精度，而Resnet34雖然和文中模型具有相同的測試精度，但是相比于Resnet34，文中模型具有更少的模型參數(shù)。

圖4 模型測試結(jié)果

為驗證算法的有效性，對每種算法分別進(jìn)行了10次訓(xùn)練，如圖5所示為各個算法的10次測試結(jié)果。圖中結(jié)果顯示，文中的一維卷積殘差網(wǎng)絡(luò)模型相較其他幾種算法的測試精度更高，且10次的計算結(jié)果偏差更小。

圖5 10次訓(xùn)練測試結(jié)果

2.2 航空發(fā)動機(jī)磨損顆粒能譜數(shù)據(jù)驗證

為驗證所提算法用于實際航空發(fā)動機(jī)磨損部位識別的有效性及精度，采用實際的20例能譜檢測數(shù)據(jù)進(jìn)行驗證，部分檢測數(shù)據(jù)如表4所示。表中列出了經(jīng)過掃描電鏡能譜分析后所得材料元素的質(zhì)量分?jǐn)?shù)及由專家診斷后所得的材料牌號及磨損部位。表中未羅列出的元素質(zhì)量分?jǐn)?shù)為0。

表4 能譜檢測結(jié)果及診斷結(jié)果

將表4中的數(shù)據(jù)輸入至已經(jīng)訓(xùn)練完成的深度學(xué)習(xí)模型中對模型進(jìn)行進(jìn)一步的驗證。表5所示為各個模型針對表4中的數(shù)據(jù)進(jìn)行識別的結(jié)果。表中羅列了輸出最大概率的5種材料類別(Top-5[15])中前3種的材料牌號。其中黑體表示該類別與表4中專家給定的類別相同。

表5 模型識別結(jié)果

針對真實的航空發(fā)動機(jī)磨損顆粒能譜分析數(shù)據(jù)，通過統(tǒng)計分析及對多種模型識別結(jié)果的對比，可以看出文中的一維卷積殘差網(wǎng)絡(luò)模型能夠準(zhǔn)確識別出磨損部位的材料牌號，進(jìn)而實現(xiàn)磨損定位。針對所有樣例數(shù)據(jù)的識別結(jié)果表明，LSTM、Resnet34、Resnet18、CNN、文中模型輸出的Top-5的識別準(zhǔn)確率(Top-5中是否包含正確類別的概率)分別為85.0%、90.0%、80.0%、70.0%、95.0%。結(jié)果顯示，文中模型能夠識別出材料牌號的準(zhǔn)確率最高，其次是Resnet34和LSTM，CNN的識別效果最低。統(tǒng)計結(jié)果也進(jìn)一步說明文中模型用于對磨損定位識別的有效性，可以將該模型用于針對航空發(fā)動機(jī)的磨損部位識別。

2.3 含氧元素的航空發(fā)動機(jī)磨損數(shù)據(jù)

實際的航空發(fā)動機(jī)磨損顆粒經(jīng)過掃描電鏡能譜分析所得的部分結(jié)果中氧元素占比較高，嚴(yán)重干擾了航空發(fā)動機(jī)磨損部位的精確識別。鑒于此，經(jīng)過專家建議，針對氧元素質(zhì)量分?jǐn)?shù)大于10%的檢測結(jié)果，算法直接輸出為“氧化物”的結(jié)果，對于氧元素質(zhì)量分?jǐn)?shù)小于10%的數(shù)據(jù)，采用將氧元素質(zhì)量分?jǐn)?shù)置零后，其余各元素質(zhì)量分?jǐn)?shù)再分配的方法，重新計算各元素的質(zhì)量分?jǐn)?shù)，然后將所得的數(shù)據(jù)用于磨損部位識別診斷中。表6所示為部分含氧數(shù)據(jù)處理的結(jié)果及相應(yīng)的文中模型的識別結(jié)果。

表6 去掉氧元素的數(shù)據(jù)處理結(jié)果及模型識別結(jié)果 單位：%

表6中結(jié)果顯示，在將氧元素去除后，模型能夠有效識別出材料的牌號，說明文中算法具有較好的魯棒性，也進(jìn)一步驗證了文中算法能夠用于航空發(fā)動機(jī)磨損部位的識別。

2.4 含噪聲的航空發(fā)動機(jī)磨損數(shù)據(jù)驗證

進(jìn)一步，為驗證所提模型的泛化能力，在式(13)的基礎(chǔ)上增加高斯噪聲r2，生成帶高斯噪聲的樣本數(shù)據(jù)。如式(14)所示。

k=(ub-ul)×r1+ul+r2

(14)

采用仿真的方法，將r2分別設(shè)置為[-2，2]和[-5，5]范圍內(nèi)的高斯隨機(jī)數(shù)，獲得兩批29 000組樣本數(shù)據(jù)，在對多種方法分別進(jìn)行訓(xùn)練后，同樣采用上述真實的航空發(fā)動機(jī)磨損顆粒能譜分析數(shù)據(jù)對所訓(xùn)練完成的模型進(jìn)行驗證。兩批樣本數(shù)據(jù)中各個模型測試的精度曲線如圖6、7所示。針對r2∈[-2，2]的情況，文中所提一維卷積殘差網(wǎng)絡(luò)和Resnet34網(wǎng)絡(luò)的最終測試精度最高，達(dá)到了100%，其次是Resnet18和LSTM，精度分別為99.09%、97.37%，最后是CNN網(wǎng)絡(luò)模型，精度為96.03%。針對r2∈[-5，5]的情況，文中所提一維卷積殘差網(wǎng)絡(luò)和Resnet34網(wǎng)絡(luò)的最終測試精度同樣最高，達(dá)到了100%，其次是Resnet18和LSTM，精度分別為98.56%、97.79%，最后是CNN網(wǎng)絡(luò)模型，精度為96.25%。對比兩批噪聲樣本數(shù)據(jù)的訓(xùn)練結(jié)果可以看出，文中所提的一維卷積殘差網(wǎng)絡(luò)和Resnet34具有更高的精度和更好的收斂性。

圖6 噪聲為[-2，2]的訓(xùn)練結(jié)果

進(jìn)一步，應(yīng)用表3中的數(shù)據(jù)對所訓(xùn)練的模型進(jìn)行驗證。取Top-5結(jié)果中是否包含實際的材料牌號為依據(jù)驗證算法的準(zhǔn)確性。統(tǒng)計結(jié)果如表7所示。

表7中結(jié)果顯示，對于噪聲為[-5，5]范圍內(nèi)的模型測試結(jié)果要普遍低于噪聲范圍為[-2，2]范圍內(nèi)的測試結(jié)果。5種方法中Resnet34、Resnet18和文中模型依然具有較高的磨損部位識別精度，其次是LSTM，最后是CNN模型。

圖7 噪聲為[-5，5]的訓(xùn)練結(jié)果

表7 增加噪聲后模型識別結(jié)果

3 結(jié)論

(1)提出一種基于一維卷積殘差網(wǎng)絡(luò)的航空發(fā)動機(jī)磨損部位識別模型，該模型不需要人工特征提取，直接將原始油液數(shù)據(jù)作為模型的輸入，在模型的輸出端即為磨損部位的識別結(jié)果，節(jié)省了使用者的操作難度；引入四層殘差網(wǎng)絡(luò)，通過直接映射的方式，避免了模型擬合和梯度消失問題；采用的LSTM網(wǎng)絡(luò)能夠較好地處理序列特征數(shù)據(jù)，更好地實現(xiàn)了航空發(fā)動機(jī)磨損部位的定位識別。

(2)采用某型發(fā)動機(jī)的滑油監(jiān)測檢測數(shù)據(jù)，通過多種深度學(xué)習(xí)模型的比較，驗證了所提算法具有很高的磨損部位識別精度，證明算法具有較高的工程應(yīng)用價值，可以用于針對航空發(fā)動機(jī)磨損部位的識別。