基于1DCNN?BiLSTM的航空發(fā)動(dòng)機(jī)故障分類研究

摘" 要： 隨著航空發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)的變化，其故障模式也會(huì)發(fā)生變化。針對(duì)航空發(fā)動(dòng)機(jī)的運(yùn)行退化趨勢(shì)，提出一種基于1DCNN?BiLSTM的航空發(fā)動(dòng)機(jī)故障分類模型。該模型可以直接用于原始監(jiān)測(cè)數(shù)據(jù)，不需要其他算法提取故障退化特征，并且能充分利用1DCNN提取時(shí)間維度局部特征的優(yōu)勢(shì)，以及BiLSTM處理非線性時(shí)間序列及利用雙向上下文信息的特點(diǎn)，最后連接全連接層來學(xué)習(xí)雙向時(shí)序依賴的特征信息，并使用softmax函數(shù)來診斷故障類別。在美國航空航天局公開的CMAPSS數(shù)據(jù)集上進(jìn)行驗(yàn)證，將故障模式分為無故障、HPC故障（單一故障）、HPCamp;Fan故障（混合故障）三種類型。實(shí)驗(yàn)結(jié)果表明，與其他模型對(duì)比，所提模型具有較高的分類精度，這對(duì)提高航空發(fā)動(dòng)機(jī)運(yùn)行可靠性和進(jìn)一步進(jìn)行剩余使用壽命預(yù)測(cè)有一定的實(shí)用價(jià)值。

關(guān)鍵詞： 航空發(fā)動(dòng)機(jī)； 發(fā)動(dòng)機(jī)故障； 故障分類； 1DCNN； BiLSTM； 非線性時(shí)間序列

中圖分類號(hào)： TN911.23?34； TP301.6" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " nbsp; " " " 文章編號(hào)： 1004?373X（2024）20?0129?07

Research on aero?engine fault classification based on 1DCNN?BiLSTM

KONG Linggang1， KANG Shijia1， WU Jiaju1， 2， ZUO Hongfu2， YANG Yonghui1， CHENG Zheng1

（1. Institute of Computer Application， China Academy of Engineering Physics， Mianyang 621999， China;

2. College of Civil Aviation， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China）

Abstract： As the operating status of aircraft engines changes， their failure modes will also change. A fault classification model for aircraft engines based on 1DCNN （1 dimensional convolutional neural network） BiLSTM is proposed to address the operational degradation trend of aircraft engines. This model can be directly used for raw monitoring data without the need for other algorithms to extract fault degradation features. In this model， the advantages of 1DCNN in extracting local features in the time dimension， and the ability of BiLSTM to handle nonlinear time series well and the characteristics of bidirectional contextual information are utilzied. A fully connected layer is connected to learn the feature information of bidirectional temporal dependencies， and the softmax function is used to diagnose fault categories. The verification is performed on the publicly available CMAPSS dataset by NASA， and the fault modes are classified into three categories： faultless， HPC fault （single fault）， and HPC amp; Fan fault （mixed fault）. The experimental results show that， in comparison with other models， the proposed model has higher classification accuracy， which is of practical value for improving the operational reliability of aero?engines and further remaining useful life （RUL） prediction.

Keywords： aircraft engines; engine malfunction; fault classification; 1DCNN; BiLSTM; nonlinear time series

0" 引" 言

航空發(fā)動(dòng)機(jī)作為航空航天領(lǐng)域的核心裝備之一，其健康狀況決定了飛行器能否穩(wěn)定可靠的運(yùn)行。隨著航空工業(yè)的發(fā)展和對(duì)航空發(fā)動(dòng)機(jī)的性能需求不斷提高，其內(nèi)部構(gòu)造越來越復(fù)雜。在飛行器日常運(yùn)行的過程中，發(fā)動(dòng)機(jī)的很多精密零部件需要在高溫、高壓、高轉(zhuǎn)速和高負(fù)荷等嚴(yán)苛條件下可靠運(yùn)行，這會(huì)導(dǎo)致發(fā)動(dòng)機(jī)零部件發(fā)生故障的頻率越來越高。同時(shí)，由于飛行的場景和時(shí)間不同，航空發(fā)動(dòng)機(jī)的不同部件會(huì)出現(xiàn)不同程度的性能衰退，進(jìn)而產(chǎn)生不同的故障類型。因此，為了降低不必要的維修工作而耗費(fèi)的人力、物力、財(cái)力，提前預(yù)測(cè)未知故障，進(jìn)而保障精準(zhǔn)維修和視情維修，已經(jīng)成為航空維修領(lǐng)域中重要的追求目標(biāo)[1]。

目前，航空發(fā)動(dòng)機(jī)等裝備的故障診斷方法可大致分為三類：基于物理建模的方法、基于數(shù)據(jù)驅(qū)動(dòng)的方法和數(shù)?；旌向?qū)動(dòng)的方法。首先，基于物理建模的方法是利用裝備的真實(shí)物理模型和數(shù)字仿真建立其退化模型，來評(píng)估當(dāng)前的健康狀態(tài)和預(yù)測(cè)未來的健康狀況。文獻(xiàn)[2]提出了一種基于模型的在線故障診斷方法。但是，基于物理模型的方法難以獲得普適的物理仿真模型，并且隨著物理實(shí)體的日益復(fù)雜化和多樣化，模型精度不高。隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，在裝備運(yùn)行過程中，通過傳感器可以監(jiān)測(cè)到的數(shù)據(jù)越來越多，這使得基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法得到了快速發(fā)展。文獻(xiàn)[3]提出了一種自動(dòng)學(xué)習(xí)數(shù)據(jù)特征的MTF?CNN新方法。該方法結(jié)合了馬爾可夫變換場（Markov Transition Field， MTF）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），首先利用MTF將原始時(shí)間序列轉(zhuǎn)化為相應(yīng)的時(shí)頻圖像，然后利用CNN提取圖中的深層特征信息，完成了滾動(dòng)軸承的故障診斷?；跀?shù)據(jù)驅(qū)動(dòng)的方法不需要完全掌握裝備內(nèi)部復(fù)雜的工作機(jī)理，但前提是要收集到大量物理實(shí)體的有效退化數(shù)據(jù)。數(shù)?；旌向?qū)動(dòng)是一種結(jié)合機(jī)理模型和數(shù)據(jù)驅(qū)動(dòng)的方法，在某些方面，可以彌補(bǔ)數(shù)據(jù)驅(qū)動(dòng)模型可解釋性差的不足。但是，基于數(shù)模驅(qū)動(dòng)方法的運(yùn)用門檻較高，往往需要對(duì)物理實(shí)體有豐富的專家知識(shí)和經(jīng)驗(yàn)。

隨著邊緣裝備自身產(chǎn)生可用的數(shù)據(jù)越來越多，基于大數(shù)據(jù)技術(shù)的數(shù)據(jù)驅(qū)動(dòng)方法以簡單、高效和便捷的優(yōu)勢(shì)，得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。尤其是在算力和智能芯片的幫助下，人工智能技術(shù)可以部署到邊緣設(shè)備，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network， DNN），如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）、堆疊降噪自編碼器 （Stacked Denoising Auto Encoder， SDAE）、深度信念網(wǎng)絡(luò)（Deep Belief Network， DBN）等深度學(xué)習(xí)算法，被廣泛應(yīng)用于實(shí)際工業(yè)生產(chǎn)和管理中。相比于傳統(tǒng)淺層機(jī)器學(xué)習(xí)模型，深度學(xué)習(xí)算法具有擬合非線性系統(tǒng)的能力，能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)退化的內(nèi)在特征。文獻(xiàn)[4]提出了一種基于ReliefF?主成分分析（Principal Component Analysis， PCA）和DNN的混合故障診斷方法。ReliefF?PCA算法用于提取故障敏感特征和降維，然后利用DNN模型來提高風(fēng)力渦輪機(jī)的故障診斷精度，取得了良好的預(yù)測(cè)效果。文獻(xiàn)[5]提出了一種基于CNN的自動(dòng)導(dǎo)引車（Automated Guided Vehicle， AGV）狀態(tài)監(jiān)測(cè)與故障診斷。首先，將AGV核心部件的振動(dòng)信號(hào)轉(zhuǎn)換為二維圖像，然后將二維圖像輸入CNN進(jìn)行訓(xùn)練和預(yù)測(cè)。文獻(xiàn)[6]提出了一種基于DBN聯(lián)合信息融合技術(shù)的故障診斷方法，采用DBN和小波能量熵相結(jié)合的技術(shù)，對(duì)工業(yè)機(jī)器人進(jìn)行故障診斷。但是，這些研究大多數(shù)都需要其他算法來輔助提取特征，或者使用其他算法將原始信號(hào)轉(zhuǎn)換為圖像，然后再進(jìn)行故障診斷。在得到故障診斷模型的同時(shí)，也花費(fèi)了大量時(shí)間用于特征提取和信號(hào)轉(zhuǎn)換。近年來，一維卷積神經(jīng)網(wǎng)絡(luò)（One?Dimensional Convolutional Neural Network， 1DCNN）被用來處理具有時(shí)間依賴特性的時(shí)序數(shù)據(jù)，在準(zhǔn)確度和時(shí)間方面表現(xiàn)出了良好的性能。同時(shí)，原始數(shù)據(jù)可以直接輸入模型中進(jìn)行訓(xùn)練，解決了上述模型的缺點(diǎn)。文獻(xiàn)[7]提出了一種融合多模態(tài)傳感器信號(hào)的新方法，利用基于1DCNN的深度神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)軸承故障。韓光潔等提出了一種在多工況下，基于1DCNN的航空發(fā)動(dòng)機(jī)故障模式分類模型，將故障模式分為兩種：HPC故障、HPCamp;Fan混合故障；然后，建立了1DCNN二分類故障診斷模型[8]。但是，該模型沒有對(duì)航空發(fā)動(dòng)機(jī)的無故障模式進(jìn)行診斷，因?yàn)楹娇瞻l(fā)動(dòng)機(jī)在飛機(jī)運(yùn)行初期的一段飛行周期內(nèi)都是健康模式（即無故障模式）。

基于上述研究，本文提出一種基于1DCNN?BiLSTM的航空發(fā)動(dòng)機(jī)故障分類模型。該模型可以直接用于原始監(jiān)測(cè)數(shù)據(jù)，不需要其他算法提取故障退化特征，并且能充分利用1DCNN提取時(shí)間維度局部特征的優(yōu)勢(shì)以及BiLSTM能很好地處理非線性時(shí)間序列及利用雙向上下文信息的特點(diǎn)，最后連接全連接層來學(xué)習(xí)雙向時(shí)序依賴的特征信息，并使用softmax函數(shù)來診斷故障類別。在美國航空航天局公開的CMAPSS數(shù)據(jù)集上進(jìn)行驗(yàn)證，將故障模式分為無故障、HPC故障（單一故障）、HPCamp;Fan故障（混合故障）三種類型。

1" 故障模式分類框架

1.1" 1DCNN模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是在20世紀(jì)60年代提出的視覺感受野的基礎(chǔ)上發(fā)展而來的。相比于其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，CNN最大的特征是加入了卷積層和池化層，通過權(quán)值共享，降低了網(wǎng)絡(luò)模型的復(fù)雜度，簡化了網(wǎng)絡(luò)模型的訓(xùn)練和優(yōu)化過程，在一定程度上減小了模型過擬合的風(fēng)險(xiǎn)。

卷積一次的數(shù)學(xué)表達(dá)公式如下：

[yc=fcx*kc+b]" （1）

式中：[fc]表示激活函數(shù)；[x]表示輸入；“*”表示卷積操作；[kc]表示卷積核；[b]表示偏置項(xiàng)。

一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）是專門用于時(shí)間序列上的網(wǎng)絡(luò)，區(qū)別于應(yīng)用圖像處理的CNN，1DCNN的卷積核是一維的。圖1展示了一種用于處理時(shí)序問題的CNN深層網(wǎng)絡(luò)結(jié)構(gòu)。

1.2" BiLSTM模型

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種用于處理序列數(shù)據(jù)的網(wǎng)絡(luò)。RNN的核心在于其存在記憶功能，可以記住當(dāng)前序列的前序序列信息，從而得到不同時(shí)刻數(shù)據(jù)之間的關(guān)系。裝備部件的健康狀態(tài)是隨時(shí)間不斷退化的，因此由傳感器監(jiān)測(cè)到的數(shù)據(jù)也是相互關(guān)聯(lián)的。

但是，RNN在訓(xùn)練的過程中會(huì)產(chǎn)生數(shù)據(jù)間的長期依賴問題，而且在誤差反向傳播的過程中可能會(huì)導(dǎo)致梯度爆炸或者梯度消失的問題。長短期記憶（Long Short?Term Memory， LSTM）網(wǎng)絡(luò)是一種特殊的RNN，可以解決模型訓(xùn)練過程中的梯度消失和長時(shí)序列數(shù)據(jù)的長期依賴問題。LSTM內(nèi)部結(jié)構(gòu)如圖2所示。

由圖2可知，LSTM由三個(gè)門來控制細(xì)胞狀態(tài)，這三個(gè)門分別稱為遺忘門、輸入門和輸出門。遺忘門通過[sigmoid]單元處理上一時(shí)刻的保留信息[ht-1]和當(dāng)前的輸入[xt]，來決定細(xì)胞狀態(tài)[Ct-1]保留多少信息，公式如下所示：

[ft=σWf*ht-1，xt+bf]" （2）

[σx=11+e-x] （3）

式中[bf]表示遺忘門的偏置項(xiàng)。式（3）表示[sigmoid]的計(jì)算操作。

輸入門通過[sigmoid]單元處理上一時(shí)刻的保留信息[ht-1]和當(dāng)前的輸入[xt]，來決定更新多少信息，其中更新的信息由[tanh]單元處理[ht-1]和[xt]的信息得到，公式如下：

[it=σWi*ht-1，xt+bi]" （4）

[C′t=tanh WC*ht-1，xt+bC]" " （5）

[tanhx=ex-e-xex+e-x] （6）

式中[bi]和[bC]表示偏置項(xiàng)。公式（6）表示[tanh]的計(jì)算操作。

然后細(xì)胞狀態(tài)[Ct-1]根據(jù)輸入門和遺忘門更新為[Ct]，公式如下所示：

[Ct=ft*Ct-1+it*C′t]" "（7）

最后根據(jù)[Ct]、輸出門[ht-1]和[xt]決定最終的[ht]，公式如下所示：

[ot=σWo*ht-1，xt+bo]" "（8）

[ht=ot*tanhCt]" "（9）

式中：“[*]”表示[Hadamard]乘積；[ht]傳入下一層，繼續(xù)上述操作。但是，LSTM只能捕捉前向的依賴信息，而BiLSTM可以更好地捕捉數(shù)據(jù)間的前后向依賴。單層的BiLSTM是由兩個(gè)LSTM組合而成，一個(gè)是從前到后去處理輸入序列；另一個(gè)是從后到前反向處理序列。單層BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

在圖3中，只有正反向所有的時(shí)間步計(jì)算完成后，將這兩個(gè)結(jié)果向量拼接起來，才能得到最終的BiLSTM輸出結(jié)果。文獻(xiàn)[9]提出了一種基于CNN?BiLSTM的可解釋性軸承故障診斷模型，該模型具有較高的診斷精度。首先利用CNN進(jìn)行特征提取和分析，然后結(jié)合BiLSTM進(jìn)行故障診斷。

1.3" 分類框架

結(jié)合航空發(fā)動(dòng)機(jī)全生命運(yùn)行周期中產(chǎn)生的故障模式以及飛行周期間的雙向數(shù)據(jù)依賴，本文提出了一種基于1DCNN?BiLSTM的故障模式診斷模型。該分類模型可分為3個(gè)部分，分別是數(shù)據(jù)預(yù)處理、特征選擇和挖掘深層雙向時(shí)序依賴、故障分類，具體流程如圖4所示。

1.3.1" 數(shù)據(jù)預(yù)處理

本文提出的模型為有監(jiān)督學(xué)習(xí)模型，需要為不同故障模式數(shù)據(jù)設(shè)置標(biāo)簽，如：無故障模式，標(biāo)簽為“0”；單一故障模式，標(biāo)簽為“1”；混合故障模式，標(biāo)簽為“2”。

傳感器數(shù)據(jù)的處理分為3個(gè)部分。

1） 去噪。刪除隨著飛行循環(huán)數(shù)的增加，測(cè)量值恒定不變的傳感器。

2） 標(biāo)準(zhǔn)化。在不同的飛行場景下，各個(gè)傳感器測(cè)量值的量綱不同且差異十分明顯，將這些數(shù)據(jù)直接輸入到網(wǎng)絡(luò)模型中會(huì)導(dǎo)致特征權(quán)重分配不均衡。

3） 時(shí)間序列轉(zhuǎn)換。往往單個(gè)飛行周期的退化與之前的飛行周期息息相關(guān)，原始傳感器數(shù)據(jù)是按照飛機(jī)的飛行循環(huán)數(shù)測(cè)量得到的，孤立了每個(gè)飛行循環(huán)的依賴關(guān)系。

1.3.2" 1DCNN特征提取和BiLSTM時(shí)序依賴

1DCNN可以在卷積核滑動(dòng)方向上自動(dòng)地學(xué)習(xí)傳感器數(shù)據(jù)的內(nèi)部關(guān)系，提取到故障退化的有效局部特征。BiLSTM網(wǎng)絡(luò)可以利用LSTM單元的門（Gate）機(jī)制來控制特征在時(shí)序維度的保存和損失，而且可以捕捉數(shù)據(jù)間的雙向作用。

1.3.3" 故障模式識(shí)別

本文使用[softmax]分類器，第[i]個(gè)輸入樣本判別為類別[k]的概率為：

[pyi=kxi;θ=eθTkxi=1keθTkx] （10）

2" 實(shí)驗(yàn)驗(yàn)證

2.1" 數(shù)據(jù)集介紹

本文在美國國家航空航天局（National Aeronautics and Space Administration， NASA）公開的渦扇發(fā)動(dòng)機(jī)CMAPSS數(shù)據(jù)集上，驗(yàn)證了1DCNN?BiLSTM模型的有效性。該數(shù)據(jù)集模擬了渦扇發(fā)動(dòng)機(jī)隨著飛行循環(huán)從健康狀態(tài)到運(yùn)行到失效（Run to Failure， RtF）的實(shí)際退化過程。該數(shù)據(jù)集分為4個(gè)不同的子集，如表1所示。

表中，發(fā)動(dòng)機(jī)的故障模式有兩種，其中單一故障模式數(shù)據(jù)集FD001、FD002只包含HPC退化，混合故障模式數(shù)據(jù)集FD003、FD004包含HPCamp;Fan退化；運(yùn)行工況也分為兩種，其中FD001、FD002只包含單一工況，F(xiàn)D003、FD004包含多種工況。在每個(gè)子集中分別記錄了發(fā)動(dòng)機(jī)編號(hào)、工作循環(huán)數(shù)、發(fā)動(dòng)機(jī)的3種工況參數(shù)和21個(gè)傳感器測(cè)量值。CMAPSS數(shù)據(jù)集被廣泛應(yīng)用于渦扇發(fā)動(dòng)機(jī)的剩余使用壽命（Remaining Useful Life， RUL）預(yù)測(cè)。在大多數(shù)預(yù)測(cè)RUL的文獻(xiàn)中，都將RUL的退化看作分片線性退化模型[10?13]，如圖5所示。

圖5中，在開始的若干個(gè)周期，RUL被分配到一個(gè)固定值，這個(gè)固定值稱為早期RUL。在早期RUL，飛機(jī)平穩(wěn)運(yùn)行，可以認(rèn)為無故障發(fā)生；在RUL線性退化階段，可以認(rèn)為發(fā)動(dòng)機(jī)處于故障狀態(tài)?；诖耍疚倪x取FD001、FD003數(shù)據(jù)集，根據(jù)文獻(xiàn)[10?11]的研究，早期RUL的值設(shè)置為125， 并將故障模式細(xì)分為三類（無故障、HPC單一故障、HPCamp;Fan混合故障）進(jìn)行研究。

2.2" 數(shù)據(jù)預(yù)處理

1） 故障標(biāo)簽編碼

為防止類別變量的數(shù)值之間無實(shí)際意義的關(guān)系對(duì)模型帶來無價(jià)值的額外信息干擾，在進(jìn)行模型的訓(xùn)練前，首先需要對(duì)這些故障類別進(jìn)行獨(dú)熱編碼（One?Hot Encoding），如表2所示。

2） 去噪

為了反映原始傳感器數(shù)據(jù)的分布，本文繪制了FD001數(shù)據(jù)集的3種運(yùn)行工況和21種傳感器的箱線圖，如圖6所示。

通過觀察圖6，剔除運(yùn)行工況3和傳感器1、5、6、10、16、18、19。除此之外，由于FD001和FD003的運(yùn)行工況相同，在此將不考慮運(yùn)行參數(shù)的影響，只使用傳感器的測(cè)量值。因此，本文保留了14個(gè)傳感器數(shù)據(jù)[12]。

3） 標(biāo)準(zhǔn)化

將表3中每個(gè)傳感器的監(jiān)測(cè)數(shù)據(jù)分別進(jìn)行去均值和方差歸一化處理，公式如下：

[X*=X-μσ]" （11）

式中：[X]表示原始傳感器數(shù)據(jù)；[μ]表示該傳感器所有樣本的均值；[σ]表示標(biāo)準(zhǔn)差；[X*]表示歸一化處理后的數(shù)據(jù)。

4） 時(shí)間序列轉(zhuǎn)換

根據(jù)文獻(xiàn)的時(shí)間窗選取，F(xiàn)D001、FD003數(shù)據(jù)集的時(shí)間窗大小[10，13]設(shè)置為30，偏移為1。FD001、FD003數(shù)據(jù)集時(shí)間序列轉(zhuǎn)換前后的數(shù)據(jù)規(guī)模如表3所示。

相比于原始數(shù)據(jù)維度，時(shí)間窗轉(zhuǎn)換后的數(shù)據(jù)增加了一個(gè)時(shí)間維度，這能夠幫助BiLSTM模型挖掘特征間的時(shí)序依賴，符合故障隨時(shí)間退化的機(jī)理。經(jīng)過數(shù)據(jù)預(yù)處理的各個(gè)步驟之后，本文統(tǒng)計(jì)了三類故障模式的樣本個(gè)數(shù)，如表4所示。

由表4可知，各類故障占總樣本數(shù)的比例相差不大，不會(huì)造成數(shù)據(jù)分布不平衡的情況。

2.3" 評(píng)估指標(biāo)

為了驗(yàn)證和評(píng)估所提方法的有效性，本文應(yīng)用了4個(gè)常用的性能指標(biāo)，即平均精確率（Macro?Precision）、平均召回率（Macro?Recall）、準(zhǔn)確率（Accuracy）和[F1]。平均精確率和平均召回率表示分別計(jì)算出每一類的精確率和召回率，再計(jì)算其算術(shù)平均值；準(zhǔn)確率表示正確分類的樣本數(shù)與總樣本數(shù)之比。精確率、召回率和準(zhǔn)確率的值都可以根據(jù)混淆矩陣得到，分別如公式（12）～公式（14）所示。

[Precision=TPTP+FP]" （12）

[Recall=TPTP+FN]" "（13）

[Accuracy=TP+TNTP+TN+FP+FN]" （14）

式中：TP表示樣本真實(shí)類別為正，預(yù)測(cè)出的類別也為正；TN表示樣本真實(shí)類別為負(fù)，預(yù)測(cè)出的類別也為負(fù)；FP表示樣本真實(shí)類別為負(fù)，預(yù)測(cè)出的類別卻為正；FN表示樣本真實(shí)類別為正，預(yù)測(cè)出的類別卻為負(fù)。為了能夠綜合考慮平均精確率和平均召回率，[F1]被提出。它表示平均精確率和平均召回率的加權(quán)調(diào)和平均，如公式（15）所示。

[F1=1+β2Precision·Recallβ2·Precision+Recall]" （15）

式中[β]常取1，記為[F1]。其目的是平衡[Precision]和[Recall]對(duì)預(yù)測(cè)結(jié)果的影響，綜合得到一個(gè)相對(duì)合理的評(píng)估指標(biāo)。上述所有指標(biāo)的值越大，模型的效果越好。

?2.4" 實(shí)驗(yàn)結(jié)果

本文在CMAPSS數(shù)據(jù)集的“train_FD001”和“train_FD003”上進(jìn)行驗(yàn)證，隨機(jī)選取70%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用作驗(yàn)證集，10%的數(shù)據(jù)作為測(cè)試集。

為了驗(yàn)證1DCNN?BiLSTM模型的有效性，本文與單一1DCNN模型和單一BiLSTM模型進(jìn)行了對(duì)比，在測(cè)試集上的平均精確率、平均召回率、準(zhǔn)確率和[F1]如表5所示。

表5中，1DCNN和BiLSTM的網(wǎng)絡(luò)結(jié)構(gòu)與1DCNN?BiLSTM類似。比較結(jié)果表明，本文模型在測(cè)試集上的平均精確率、平均召回率、準(zhǔn)確率和[F1]的值最高，綜合表現(xiàn)能力最好。因此，本文所提出的模型對(duì)于航空發(fā)動(dòng)機(jī)的故障模式分類是有效的，整體優(yōu)于單一1DCNN模型和單一BiLSTM模型。

為了進(jìn)一步說明1DCNN?BiLSTM模型的有效性，本文使用t?SNE技術(shù)將1DCNN層和加入BiLSTM層的特征進(jìn)行可視化，如圖7所示。

由圖7的t?SNE降維效果圖可以看出，加入BiLSTM層的網(wǎng)絡(luò)模型對(duì)不同類別的樣本也可以很好地進(jìn)行分類，且分類結(jié)果優(yōu)于只包含1DCNN層的網(wǎng)絡(luò)模型。

3" 結(jié)" 語

本文針對(duì)航空發(fā)動(dòng)機(jī)的故障預(yù)測(cè)和健康管理問題，利用NASA公開的CMAPSS數(shù)據(jù)集，提出了一種基于1DCNN?BiLSTM的航空發(fā)動(dòng)機(jī)故障模式分類模型。該方法對(duì)航空發(fā)動(dòng)機(jī)的三種故障模式（無故障、HPC單一故障、HPCamp;Fan混合故障）進(jìn)行了分類。通過對(duì)比其他的分類模型，驗(yàn)證了本文1DCNN?BiLSTM模型具有較高的分類精度。

未來，隨著人工智能技術(shù)的發(fā)展，基于邊緣孿生數(shù)據(jù)的裝備實(shí)時(shí)診斷和剩余使用壽命預(yù)測(cè)方法，以及對(duì)應(yīng)的精準(zhǔn)維修與庫存管理方案將會(huì)深度融合。本文提出的方法可以為此提供一個(gè)良好的研究基礎(chǔ)，也可以將得到的故障信息用來輔助裝備的剩余使用壽命預(yù)測(cè)。

但是，本文仍有以下不足。

1） 只考慮了單一工況的數(shù)據(jù)集，沒有考慮實(shí)際運(yùn)行場景下的復(fù)雜多工況問題，未來利用遷移學(xué)習(xí)將模型拓展到多工況背景下，以增強(qiáng)模型的魯棒性和適用性。

2） 針對(duì)人工智能的落地需求，未來將進(jìn)行深度學(xué)習(xí)模型的可解釋性研究，以供在實(shí)際工業(yè)場景中，從語義級(jí)別來理解“黑盒”模型。

注：本文通訊作者為孔令剛、康時(shí)嘉、吳家菊、程錚。

參考文獻(xiàn)

[1] WU J， KONG L， CHENG Z， et al. RUL prediction for lithium batteries using a novel ensemble learning method [J]. Energy reports， 2022， 8： 313?326.

[2] IM S H， GU B G. Study of induction motor inter?turn fault part II： online model?based fault diagnosis method [J]. Energies， 2022， 15（3）： 977.

[3] WANG M， WANG W， ZHANG X， et al. A new fault diagnosis of rolling bearing based on markov transition field and CNN [J]. Entropy， 2022， 24（6）： 751.

[4]" WEN X， XU Z. Wind turbine fault diagnosis based on ReliefF?PCA and DNN [J]. Expert systems with applications， 2021， 178（11）： 115016.

[5] WANG B Y， HUO D Y， KANG Y Y， et al. AGV status monitoring and fault diagnosis based on CNN [J]. Journal of physics： conference series， 2022， 2281： 012019.

[6] JIAO J， ZHENG X J. Fault diagnosis method for industrial robots based on DBN joint information fusion technology [J]. Comput intelligent neuroscience， 2022， 26： 4340817.

[7] WANG X， MAO D， LI X. Bearing fault diagnosis based on vibro?acoustic data fusion and 1D?CNN network [J]. Measurement， 2021， 173（6）： 108518.

[8] 韓光潔，田晨，緱林峰，等.多工況下航空發(fā)動(dòng)機(jī)的故障模式分類[J].小型微型計(jì)算機(jī)系統(tǒng)，2022，43（8）：1776?1781.

[9] 劉之航，鐘玉華.基于CNN?BiLSTM的可解釋性軸承故障診斷[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2022（9）：59?63.

[10] JANG J， KIM C O. Siamese network?based health represent?ation learning and robust reference?based remaining useful life prediction [J]. IEEE transactions on industrial informatics， 2021， 18（8）： 5264?5274.

[11] LI X， DING Q， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks [J]. Reliability engineering amp; system safety， 2018， 172： 1?11.

[12] LIN Y H， LI G H. A Bayesian deep learning framework for rul prediction incorporating uncertainty quantification and calibration [J]. IEEE transactions on industrial informatics， 2022（10）： 18.

[13] KROKOTSCH T， KNAAK M. Improving semi?supervised learn?ing for remaining useful lifetime estimation through self?supervision [J]. International journal of prognostics and health management， 2022， 13（1）： 10241?10248.

作者簡介：孔令剛（1998—），男，河北石家莊人，碩士研究生，研究方向?yàn)檠b備綜合保障信息化，故障監(jiān)測(cè)、診斷及健康管理。

康時(shí)嘉（1999—），男，吉林長春人，碩士研究生，研究方向?yàn)檠b備綜合保障信息化，故障監(jiān)測(cè)、診斷及健康管理。

吳家菊（1978—），女，四川資陽人，博士研究生，碩士生導(dǎo)師，高級(jí)工程師，IEEE會(huì)員，研究方向?yàn)檠b備綜合保障信息化，航空器監(jiān)測(cè)、診斷及健康管理，軟件工程等。

左洪福（1959—），男，江蘇南京人，教授，博士生導(dǎo)師，研究方向?yàn)楹娇掌鞅O(jiān)測(cè)、診斷及健康管理，可靠性工程。

楊永輝（1973—），男，江西九江人，研究員，博士生導(dǎo)師，研究方向?yàn)檠b備綜合保障信息化、數(shù)據(jù)安全。

程" 錚（1981—），男，湖北襄陽人，博士研究生，高級(jí)工程師，研究方向?yàn)檠b備綜合保障信息化、人機(jī)工程。

DOI：10.16652/j.issn.1004?373x.2024.20.020

引用格式：孔令剛，康時(shí)嘉，吳家菊，等.基于1DCNN?BiLSTM的航空發(fā)動(dòng)機(jī)故障分類研究[J].現(xiàn)代電子技術(shù)，2024，47（20）：129?135.

收稿日期：2023?12?27" " " " " "修回日期：2024?02?23

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（U1933202）；裝備預(yù)研領(lǐng)域基金（MJ?2020?Y?011）