基于深度信念網絡的民航發動機狀態監測

吳倩,李 靜,吳曉舟,王華偉

(南京航空航天大學 民航學院，南京 211100)

基于深度信念網絡的民航發動機狀態監測

(南京航空航天大學 民航學院，南京 211100)

民航飛機發動機設備構造精密、復雜，其監測系統收集的數據中蘊含了豐富的故障信息；傳統發動機狀態診斷依靠數據統計分析和機器學習模型，但其在深入理解與歸類信號特性方面的表現難以盡如人意；此外近年興起了多層神經網絡降維算法——深度學習理論，其通過模擬人腦分析過程建立由淺入深的算法模型，數據處理效果較好；將民航發動機自身特點與深度學習理論有機結合提出了基于深度信念網絡發動機狀態監測方法；其優勢在于克服了傳統方法人工提取數據特征的不確定性與狀態分類陷入局部最優的缺陷，可對發動機參數進行自主學習與特征提取；實驗結果表明該算法具有出色的特征提取能力與分類準確率，能夠準確識別發動機的不同狀態。

發動機狀態；深度學習理論；大數據處理

0 前言

航空發動機是飛機的核心部件，其性能優劣直接關系到飛機的整體狀態及運行安全。發動機狀態監測是識別發動機現有性能與降低事故征兆的重要方法，然而其精密的構造與復雜的設備參數為發動機的狀態監測與故障診斷帶來了極大的技術難度，因此基于多種性能參數的同步分析是解決發動機狀態監測問題的有效途徑。

在目前眾多狀態監測方法中，普遍應用的支持向量機(support vector machine，SVM)及其改進方法[ 1 ]取得了較好的研究成果，其他一些與神經網絡相關的算法諸如BP算法[ 2 ]、模糊神經網絡算法[ 3 ]等均以其出色的非線性映射能力在發動機狀態分析中嶄露頭角。然而這些方法往往需要借助特定函數模型確定各性能參數所對應的狀態及其在最終決策中的貢獻，存在參數選取與分類模糊度不確定性、局部極小和過度擬合等不足之處，無法完全準確地反應發動機真實狀態；另一方面狀態監測趨于復雜化，模型的適用條件易被忽視，導致操作困難，特征學習的智能性與可靠性也不能得到凸顯。

針對上述不足，借助衍生于神經網絡的DBN算法可較為出色地完成對民航發動機故障狀態的識別。相比于傳統神經網絡算法，其優勢在于：

(1)直接從發動機原始數據提取參數特征進行自主學習，避免了傳統方法的數據分析環節，降低了特征提取難度，擺脫了對機械經驗的依賴；

(2)建立多層神經網絡疊加的深層模型，在海量數據中自適應構建數據間隱含聯系并逐層向上傳遞，使特征不斷迭代更新，避免陷入局部最優；

(3)模型構建簡單，參數設置少，通過較少的時間換取較高的狀態識別準確度，面對復雜監測任務時，可以出色地完成對發動機狀態的監測。

1 深度信念網絡算法

1.1 深度學習介紹

深度學習的概念由Hinton等人于2006年提出，起源于人工神經網絡的研究[4]。其動機在于模擬人腦的思維方式與學習機制與來處理各類型數據，構建深層次神經網絡完成特征學習過程，實現了從原始數據到特征識別的直接跳躍。深度學習已成為大數據分析的“利器”，其在圖像識別、文字處理、語音識別[ 5-7 ]等諸多領域均有廣泛的應用，而算法的智能性、便捷性等優勢將為越來越多行業的產品和服務產生深遠影響。

1.2 DBN算法

深度信念網絡[8](deep belief network，DBN)是一種無監督學習下的深度學習(Deep Learning)模型，由多層單層限制性波爾茲曼機(restricted boltzmann machine, RBM)堆疊而成。

圖1 DBN 的模型結構

1.2.1 單層限制性波爾茲曼機

RBM由可視層(visible layer)與隱藏層(hidden layer)組成：分別用于輸入訓練數據與特征檢測。層與層間通過權值(w)連接。其能量定義：

(1)

Wij為可視層節點i與隱含層節點j之間的連接權重；ai，bj分別為可視層、隱藏層的偏置值。(v,h)的聯合概率密度：

(2)

式中,歸一化因子Z：

(3)

由于隱藏層節點狀態與可視層節點的狀態相互獨立，可視層與隱藏層的邊緣概率密度：

(4)

(5)

根據可視層(v)構建與之相鄰的隱藏層(h)，其中隱藏層第j個節點的激活概率為：

(6)

同理根據隱藏層(h)構建接下來的可視層(v)，其中可視層第i個節點的激活概率為：

(7)

采用對比散度算法對重構數據進行近似采樣，得到各參數的更新規則為:

Δwij=η([vi,hj]data-[vi,hj]recon)

(8)

Δai=η([vi]data-[vi]recon)

(9)

Δbj=η([hj]data-[hj]recon)

(10)

其中:<·>data為訓練樣本集在定義分布上的期望；<·>recon為重構后的模型定義分布上的期望。如此訓練后每層 RBM 就能較為準確地提取上一層RBM的特征，并根據隱藏層的特征還原各可視層，進而逐層向上傳遞信息。

1.2.2 深度信念網絡

DBN的運算過程為多層RBM累加，原始數據作為低層 RBM可視層，所輸出的 RBM隱藏層亦為高一層 RBM 的可視層，通過逐層傳遞，自底向上的學習方式，使特征識別效果逐層優化；其次，通過頂部設置NN網絡，接收 RBM 的輸出特征向量作為它的輸入特征向量,有監督地將錯誤信息自頂向下傳播至每一層 RBM,微調整個DBN 網絡，使DBN克服了傳統神經網絡因隨機初始化權值參數而容易陷入局部最優和訓練時間長等缺點。

2 深度信念網絡算法在航空發動機狀態監測的應用

2.1 發動機狀態監測參數提取

民機發動機的故障狀態主要由發動機的送修等級來評定，通過提取發動機送修前的檢測數據評定發動機的送修等級。其中發動機動低壓壓氣機(LPC)、低壓渦輪(LPT)、高壓壓氣機(HPC)、高壓渦輪(HPT)、 燃燒室 (COMB)等均對發動機狀態造成不同程度的影響。鑒于其功能和結構的復雜性與交叉性，同時提取發動機排氣溫度偏差值 (DEGT)、高壓轉子轉速偏差值 (DN2)、燃油消耗量偏差值 (DWF)、低壓轉子振動偏差值(ZVB1F)、高壓轉子振動偏差值 (ZVB2R)等多種對發動機狀態靈敏度高的參數進行綜合分析，完成發動機狀態監測。

2.2 深度信念網絡發動機狀態監測模型的建立

基于深度置信網絡(DBN)與自然網絡(NN)相結合的數學模型，提出一種直接從原始數據出發對民航發動機故障狀態進行自適應分類識別的方法。

,..n

(11)

將發動機的實際狀態抽象為模型的輸出層。根據實際發動機故障情況，借助VC(一般檢查)、POH(性能恢復)、OH(翻修)3個送修等級[9]判斷發動機相關單元體和子系統的狀態。由發動機運行狀態設置輸出層有3個神經元，輸出[1 0 0],[0 1 0],[0 0 1] 分別表明所屬的狀態類別為VC、POH、OH。由此建立深度信念網絡的輸出層。

其次選取適當的DBN網絡中間層層數與各層節點數，即可完成完整網絡模型的構建。關于DBN網絡兩個隱含層節點數的確定，如果隱含層節點數過少，映射數目與精度不能得到保證，網絡未能達到理想訓練效果；如果節點數過多，會使網絡魯棒性與泛化能力降低，且所需時間變長。在對航空發動機狀態監測的實際操作中通過參考經驗公式與經多次試驗驗證，選取隱含層數目N與恰當的隱含層節點數。

通過RBM算法訓練得到各層的連接權值，并將本層(h1)輸出參數(權值與偏移量)作為下一層(I2)輸入，根據層數重復上述步驟得到完整DBN網絡，在最終輸出層后設置NN網絡，對已分類特征進行微調，進一步提高準確性。結束訓練，通過已訓練的DBN+NN網絡完成對原始數據特征的分類識別。

該訓練方法流程圖如圖2所示。

圖2 DBN的訓練模型

3 算例

為驗證所提出方法的有效性，以民機發動機為研究對象，通過對真實數據進行了維修級別分析。選取CF6-80C2A5型發動機維修數據[10]，分別用DBN+NN、深度學習算法、BP 神經網絡、SVM算法進行性能監測，并將結果進行了比較和分析。

3.1 實驗數據選取及評測指標

在此以A300飛機上的 CF6-80C2A5 型發動機維修數據為例,采集某航空公1999-2004年期間該類型發動機送修前的狀態參數及送修后的送修等級信息，構建DBN+NN狀態監測網絡，驗證所提出算法的有效性。

在網絡的輸入層神經元個數(為DEGT、DN2、DWF、ZVB1F、ZVB2R共5個特征)、輸出層神經元個數(為VC、POH、OH共3種狀態)已知的前提下，通過實驗驗證完成隱層層數、各層節點數等參數的選取，建立與優化對應的DBN模型。

表1 優化后DBN+NN網絡參數

其次根據歷史監測數據建立網絡的訓練樣本。數據總數為 250， 取前240個數據進行建模,后10個數據進行外推預測驗證。采用準確率(Precision)、運行時間(Time)來評價算法的識別分析效果，其中準確率(P)反應算法對于數據識別的精度，運行時間(T)反應了算法的復雜程度。

3.2 PNN、DBN、BP、SUV算法對比實驗

BP、SVM、PNN算法為另外3種常用神經網絡方法，在發動機狀態監測領域與其他數據分類領域等有廣泛的應用。在相同環境下借助DBN算法與BP、SVM、PNN算法對所采集數據進行對比實驗，通過比較各算法的正確率驗證本文提出算法的有效性。

通過對比分析可以看出，PNN算法的正確率較DBN算法而言存在明顯差距，DBN算法的分類準確率總體比BP、SVM另外兩種算法高出5%左右。從算法設計上來說，DBN算法能較為準確且直觀地識別數據的特征與進行分類；就程序的靈活性而言，從運行結果可以看出DBN算法靈活性較高，能夠較為容易地更改隱藏層節點數及迭代次數，從而能較為靈活地選擇出更符合要求的參數。

表2 各算法樣本及正確率

表3 不同算法的監測診斷結果

圖3 不同算法的監測診斷結果正確率

4 總結

文章從深度學習理論出發，介紹了深度學習中常用的深度信念網絡(DBN)理論知識；并將深度學習理論與航空發動機非線性數據特征結合，建立DBN網絡(無監督性學習算法)與NN網絡(有監督性學習算法)共同作用的發動機狀態分類與識別的監測方法。相比于傳統發動機狀態檢測方法，該法直接從原始數據出發進行分析，擺脫對人工提取特征的依賴，具有自主識別特征、避免陷入局部最優、分類準確率高等諸多優勢。以實際發動機狀態監測數據為例對所提出算法進行實際應用驗證，在與以往狀態分析方法對比后證明該方法兼具快速性、強魯棒性等特點，有較強的泛化能力，能夠獲得較高的狀態識別準確率，具有廣闊應用前景。

[1] Fei Chengwei, Bai Guangchen. 改進FSVM在發動機振動故障融合分析中的應用[J]. Issue:15, 2012, 31(15):171-174.

[2] 李訓亮, 門 路, 周 山. GA-BP神經網絡在航空發動機狀態監測中的應用研究[J]. 計測技術, 2011, 31(4):5-6.

[3] 劉玉兵, 張宗揚, 譚 華,等. 基于模糊神經網絡發動機狀態監測警報系統的建立[J]. 潤滑與密封, 2009, 34(7):74-76.

[4] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[5] Ji S, Xu W, Yang M, et al. 3D convolutional neural networks for human action recognition [J]. Pattern Analysis and Machine Intelligence, IEEE Transactions, 2013, 35(1): 221-231.

[6] Sun Y, Wang X, Tang X. Deep learning face representation by joint identification-verification[J]. CoRR,2014: abs/1406. 4773.

[7] Karpathy A, Toderici G, Shetty S, et al. Large-scale video classification with convolutional neural networks[A].IEEE Conference on Computer Vision and Pattern Recognition (CVPR)[C]. Piscataway, NJ: IEEE,2014: 1725-1732.

[8] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006, 18(7): 1527-1554.

[9] 張海軍. 民航發動機性能評估方法與視情維修決策模型研究[D]. 南京：南京航空航天大學， 2007.

[10] GE Transportation, CF6-80C2A5 Workscope Planning Guide[Z]. General Electric Company, 2001.

Civil Aviation Engine Health Condition Monitoring Based on DBN Deep Learning Theory

Wu Yuqian, Li Jing, Wu Xiaozhou, Wang Huawei

(School of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 211100，China)

Civil aircraft engine has precise and complicated structure. The data collected by monitoring systems contain abundant fault message. Traditional methods of monitoring engine’s health condition are based on data statistics and machine learning model. However, its performance on deep-understanding and classifying characteristics of massive data didn’t meet the requirement as we had expected. In addition, as the dimension reduction method of Neural Networks, deep learning, flourishing in recent years, builds up algorithm model which is able to process data effectively by simulating the structure of human brain. Combining the characteristics of engine with deep learning theory, the paper put forward a new method of monitoring engine’s health condition. The advantageous conditions of the method include overcoming the uncertainty of characteristic extraction and deficiency of partial response. It’s able to learn and classify the characteristics automatically. Result of the test shows that the method can not only extract characteristics from massive data, but also obtain high identification accuracy of different health conditions of engine.

engine health condition；deep learning theory；big data analysis

2016-12-12；

2017-02-21。

國家自然科學基金青年基金(71401073)。

吳瑀倩(1996-)，女，主要從事飛行器適航技術方向的研究。

王華偉(1974-)，女，博士，教授，主要從事復雜系統可靠性分析與建模等方向的研究。

1671-4598(2017)07-0028-04

10.16526/j.cnki.11-4762/tp.2017.07.007

V267

A