數(shù)據(jù)挖掘技術(shù)在航空發(fā)動(dòng)機(jī)中的應(yīng)用

傅聯(lián)釗

摘 要：數(shù)據(jù)挖掘通過分析數(shù)據(jù)間的聯(lián)系與特征，能夠從大量數(shù)據(jù)中獲得有用的規(guī)律和知識，在航空發(fā)動(dòng)機(jī)領(lǐng)域的研究中，數(shù)據(jù)挖掘技術(shù)也得到了充分應(yīng)用。本文從數(shù)據(jù)挖掘的主要功能出發(fā)，介紹了數(shù)據(jù)挖掘主要功能對應(yīng)的研究對象與研究方法，簡述了不同功能在航空發(fā)動(dòng)機(jī)中研究中的應(yīng)用情況。

關(guān)鍵詞：數(shù)據(jù)挖掘;航空發(fā)動(dòng)機(jī);故障診斷;健康管理

中圖分類號：V263.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2020）06-0027-02

0引言

近年來，數(shù)據(jù)挖掘引起了各個(gè)領(lǐng)域的極大關(guān)注，其主要原因是信息時(shí)代數(shù)據(jù)泛濫，各行各業(yè)都存在將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識的需求。航空發(fā)動(dòng)機(jī)作為工業(yè)皇冠上的明珠，一直在吸收各類高新技術(shù)，數(shù)據(jù)挖掘技術(shù)也不例外。相對于建立數(shù)理模型解決問題的傳統(tǒng)方法，數(shù)據(jù)挖掘的優(yōu)勢在于能夠越過問題本身的數(shù)理模型，直接對作為結(jié)果呈現(xiàn)的數(shù)據(jù)進(jìn)行研究，并建立基于數(shù)據(jù)挖掘方法的模型對問題進(jìn)行解決，而航空發(fā)動(dòng)機(jī)的工作過程是一個(gè)極為復(fù)雜的熱力學(xué)循環(huán)過程，同時(shí)存在大量外界因素如環(huán)境溫度，空氣濕度等都可能對發(fā)動(dòng)機(jī)工作狀態(tài)造成影響，因此將數(shù)據(jù)挖掘方法應(yīng)用于航空發(fā)動(dòng)機(jī)研究中有時(shí)能起優(yōu)于傳統(tǒng)方法的效果。航空發(fā)動(dòng)機(jī)在研制、使用、維修等各個(gè)階段都會(huì)產(chǎn)生大量數(shù)據(jù)，為了深入研究這些數(shù)據(jù)隱含的信息與知識，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于航空發(fā)動(dòng)機(jī)研究中是十分有必要的。

數(shù)據(jù)挖掘流程一般包括三部分：數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)建模、結(jié)果表達(dá)與解釋。數(shù)據(jù)準(zhǔn)備主要指從數(shù)據(jù)源中獲取目標(biāo)數(shù)據(jù)并進(jìn)行包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)選擇和數(shù)據(jù)轉(zhuǎn)換在內(nèi)的數(shù)據(jù)預(yù)處理，整個(gè)數(shù)據(jù)準(zhǔn)備過程工作量可占數(shù)據(jù)挖掘完整流程的70%以上;數(shù)據(jù)建模是數(shù)據(jù)挖掘過程的核心部分，具體工作為根據(jù)挖掘任務(wù)選擇適當(dāng)?shù)乃惴ǎ⒗闷鋪韺ふ矣腥さ哪Ｊ胶椭R，之后用某種方式來表示模式;結(jié)果表達(dá)與解釋主要指對挖掘出的模式進(jìn)行評估，并利用可視化等方式向用戶展示挖掘結(jié)果。在實(shí)際應(yīng)用中，數(shù)據(jù)挖掘流程是一個(gè)反復(fù)循環(huán)的過程，從數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)建模到結(jié)果表達(dá)，各部分之間不存在明顯界限，可以從任何一個(gè)步驟返回前面的環(huán)節(jié)[1]，甚至部分?jǐn)?shù)據(jù)挖掘工作本身就可以作為后續(xù)數(shù)據(jù)挖掘工作的數(shù)據(jù)預(yù)處理環(huán)節(jié)。數(shù)據(jù)挖掘的主要功能有關(guān)聯(lián)分析、聚類分析、分類分析和回歸分析等，不同功能在航空發(fā)動(dòng)機(jī)中的應(yīng)用主要如下。

1數(shù)據(jù)挖掘技術(shù)在航空發(fā)動(dòng)機(jī)中的應(yīng)用

1.1 關(guān)聯(lián)分析在航空發(fā)動(dòng)機(jī)中的應(yīng)用

關(guān)聯(lián)分析主要解決和發(fā)現(xiàn)不同事物之間相關(guān)程度，通過分析數(shù)據(jù)中頻繁一起出現(xiàn)的數(shù)據(jù)集合（頻繁項(xiàng)集），總結(jié)出關(guān)聯(lián)規(guī)則。典型的關(guān)聯(lián)分析方法有Apriori算法，F(xiàn)P-growth算法等。在航空發(fā)動(dòng)機(jī)領(lǐng)域的研究中，關(guān)聯(lián)分析常用于輔助故障分析，李正欣，郭建勝等[2]提出一種權(quán)重式多重支持度關(guān)聯(lián)規(guī)則挖掘算法針對不同重要度的故障定出不同的支持度閾值，由此產(chǎn)生的關(guān)聯(lián)規(guī)則，可以解決高重要度但出現(xiàn)較少的故障不易被挖掘的問題。南陳銘、顧宏斌等[3]采用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方式，利用決策偏好分析算法，通過分析2005 年全球航空事故信息，研究并挖掘了可能在飛機(jī)起飛和降落過程中，影響飛機(jī)安全運(yùn)行的環(huán)境等因素。美國開發(fā)并定義了航空安全上報(bào)系統(tǒng)ASRS（Aviation Safety Reporting System），通過收集飛行員、管制員和其他飛行相關(guān)人員自主提交的航空安全事件報(bào)告，分析其中隱含的信息，進(jìn)而發(fā)現(xiàn)飛行過程中可能存在的缺陷，提出整改意見，以降低相似航空事故再次發(fā)生的可能性[4]。

通過積累故障數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，能夠盡可能收集與故障關(guān)聯(lián)的因素，快速定位故障根源，為改善發(fā)動(dòng)機(jī)設(shè)計(jì)提供指導(dǎo)。

1.2聚類分析在航空發(fā)動(dòng)機(jī)中的應(yīng)用

聚類分析將物理或抽象對象的集合分組為由類似的對象組成的多個(gè)類的分析過程，但事先并不知道事物能夠分為幾類，也不知道有哪些分類，是一種無監(jiān)督分析方法。典型的聚類分析方法有K-均值算法，系統(tǒng)聚類方法、層次聚類方法、模糊聚類方法等。國內(nèi)杜宇飛等[5]對發(fā)動(dòng)機(jī)載荷譜進(jìn)行了聚類分析研究，對二代機(jī)和三代機(jī)對應(yīng)的航空發(fā)動(dòng)機(jī)載荷譜進(jìn)行了聚類和分析對比，并進(jìn)一步開展基于典型任務(wù)剖面的綜合任務(wù)譜編制，并驗(yàn)證了編制的載荷譜的合理有效性。侯勝利[6]基于免疫聚類分析特點(diǎn)對發(fā)動(dòng)機(jī)故障應(yīng)對進(jìn)行了研究，在分析當(dāng)中將克隆選擇算法與聚類分析的方式相結(jié)合，提出了基于免疫聚類分析的故障特征提取方法，讓發(fā)動(dòng)機(jī)的狀態(tài)監(jiān)測與故障診斷方面有了更多依據(jù)。

聚類分析的應(yīng)用范圍極廣，但大部分時(shí)候都作為其他數(shù)據(jù)挖掘工作的前置工作，將相似的數(shù)據(jù)聚集在一起能夠極大便利后續(xù)研究。在發(fā)動(dòng)機(jī)的整個(gè)飛行包線內(nèi)，發(fā)動(dòng)機(jī)的進(jìn)口條件可發(fā)生巨大變化，進(jìn)行聚類分析能夠有效簡化研究問題。

1.3分類分析在航空發(fā)動(dòng)機(jī)中的應(yīng)用

分類分析研究將特定數(shù)據(jù)劃分為給定類別中的某一個(gè)，與聚類分析不同，存在哪些分類是事先已知的，所以分類方法通常是半監(jiān)督的或全監(jiān)督的。典型的分類方法有決策樹，支持向量機(jī)，人工神經(jīng)網(wǎng)絡(luò)等。分類分析多用于進(jìn)行航空發(fā)動(dòng)機(jī)的故障診斷，研究通過如何通過現(xiàn)有信息判斷發(fā)動(dòng)機(jī)此時(shí)是否產(chǎn)生故障，產(chǎn)生的是何種故障。周海倉[7]采用支持向量機(jī)模型對發(fā)動(dòng)機(jī)轉(zhuǎn)子-滾動(dòng)軸承碰磨故障進(jìn)行了診斷分析，對仿真樣本的識別率達(dá)到100%，實(shí)驗(yàn)樣本的識別率達(dá)到86%;Tamilsevan等[8]利用深度置信網(wǎng)絡(luò)（DBN）作為故障模式分類器，對發(fā)動(dòng)機(jī)的健康狀態(tài)實(shí)現(xiàn)了準(zhǔn)確的預(yù)測和分類;Elsaid等[9]利用蟻群優(yōu)化算法（ACO）優(yōu)化長短期記憶網(wǎng)絡(luò)（LSTM）網(wǎng)絡(luò)拓?fù)鋮?shù)，并將其用于預(yù)測航空發(fā)動(dòng)機(jī)中超標(biāo)振動(dòng)的發(fā)生。

前文中提到關(guān)聯(lián)分析能夠輔助發(fā)動(dòng)機(jī)的故障分析，提前定位導(dǎo)致故障的因素并進(jìn)行改善，但即使如此依然無法避免所有故障的發(fā)生。為了在故障出現(xiàn)時(shí)飛機(jī)/發(fā)動(dòng)機(jī)控制系統(tǒng)與安全系統(tǒng)能夠即使發(fā)現(xiàn)并做出響應(yīng)，對故障數(shù)據(jù)進(jìn)行分類分析研究是十分有必要的。

1.4回歸分析在航空發(fā)動(dòng)機(jī)中的應(yīng)用

在數(shù)據(jù)挖掘技術(shù)中，回歸分析主要研究是因變量（目標(biāo)）和自變量之間的定量聯(lián)系，通過一個(gè)或多個(gè)自變量對因變量的數(shù)值進(jìn)行預(yù)測。分類分析針對離散型的變量，而回歸分析針對連續(xù)型的變量，兩者原理上都基于現(xiàn)有數(shù)據(jù)建立預(yù)測模型以對未知數(shù)據(jù)進(jìn)行預(yù)測，因此相關(guān)典型數(shù)據(jù)挖掘方法也存在較多重合，如支持向量機(jī)方法誕生時(shí)主要用于分類，但經(jīng)過改進(jìn)后很快也被用于回歸分析中。其他典型的回歸分析預(yù)測方法有隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)，卡爾曼濾波等方法?；貧w分析在航空發(fā)動(dòng)機(jī)領(lǐng)域進(jìn)行的預(yù)測研究一般服務(wù)于發(fā)動(dòng)機(jī)的健康管理，對性能參數(shù)進(jìn)行預(yù)測有利于對發(fā)動(dòng)機(jī)當(dāng)前狀態(tài)進(jìn)行判斷，同時(shí)對發(fā)動(dòng)機(jī)是否需要維修提供參考。宋云雪[10]通過建立發(fā)動(dòng)機(jī)排氣溫度與多個(gè)發(fā)動(dòng)機(jī)性能參數(shù)之間的回歸方程來對發(fā)動(dòng)機(jī)排氣溫度進(jìn)行預(yù)測分析，當(dāng)發(fā)動(dòng)機(jī)實(shí)際測量的排氣溫度和預(yù)測的排氣溫度相差較大時(shí)，可以懷疑發(fā)動(dòng)機(jī)出現(xiàn)了某種故障;李冬、李本威等[11]通過主元分析方法與卡爾曼濾波方法對發(fā)動(dòng)機(jī)性能衰退趨勢進(jìn)行研究，對發(fā)動(dòng)機(jī)性能變化趨勢做出了較為準(zhǔn)確的預(yù)測，并通過預(yù)測結(jié)果為及時(shí)采取維護(hù)措施提供了一定指導(dǎo)作用;S.Borguet[12]通過建立的基于卡爾曼濾波發(fā)動(dòng)機(jī)性能狀態(tài)突變檢測工具，對發(fā)動(dòng)機(jī)性能參數(shù)狀態(tài)發(fā)生突變進(jìn)行檢測，對發(fā)動(dòng)機(jī)性能參數(shù)發(fā)生突變的發(fā)動(dòng)機(jī)進(jìn)行識別，并給出了發(fā)動(dòng)機(jī)健康狀態(tài)性評估標(biāo)準(zhǔn)。

健康管理與故障診斷是保障發(fā)動(dòng)機(jī)安全不可或缺的兩項(xiàng)重要功能，因此分類分析與回歸分析通常是結(jié)合使用的，甚至回歸分析獲得的定量預(yù)測結(jié)果可以作為故障分類模型輸入，對發(fā)動(dòng)機(jī)當(dāng)前狀態(tài)做出更加準(zhǔn)確的評估。

2結(jié)語

在國外尤其是美國，已經(jīng)對數(shù)據(jù)挖掘技術(shù)在航空發(fā)動(dòng)機(jī)中的應(yīng)用進(jìn)行了深入研究，美國NASA航空安全大綱中，利用數(shù)據(jù)挖掘技術(shù)進(jìn)行航空發(fā)動(dòng)機(jī)的故障預(yù)測和健康管理的藍(lán)圖已規(guī)劃到了2025年[13]，國內(nèi)雖然也開展了諸多研究，但總體來說對先進(jìn)數(shù)據(jù)挖掘技術(shù)的重視程度依然不足，如何更好地將數(shù)據(jù)挖掘技術(shù)應(yīng)用于航空發(fā)動(dòng)機(jī)中，亟需研究機(jī)構(gòu)與研究者們進(jìn)行嘗試與深入。

參考文獻(xiàn)

[1] 蔣丹丹，楊忠林.數(shù)據(jù)挖掘技術(shù)綜述[J].海軍工程大學(xué)電子工程學(xué)院學(xué)報(bào)，2001（4）：59-62.

[2] 李正欣，郭建勝.關(guān)聯(lián)規(guī)則挖掘在發(fā)動(dòng)機(jī)故障分析中的應(yīng)用[J].火力與指揮控制，2009，34（2）：55-58.

[3] 陳銘，顧宏斌.數(shù)據(jù)挖掘技術(shù)在航空事故分析中的應(yīng)用[C]//全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊），2008.

[4] ASRS Program Briefing[EB/OL].http：//asrs.arc.nasa.gov/overview/summary.html，2015.

[5] 杜宇飛，孫志剛，陸琪，等.基于任務(wù)段的航空發(fā)動(dòng)機(jī)載荷譜聚類方法[J].航空動(dòng)力學(xué)報(bào)，2019，34（5）：34-43.

[6] 侯勝利，李應(yīng)紅，尉詢楷，等.基于免疫聚類分析的特征提取及其在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].推進(jìn)技術(shù)，2006，27（6）：554-558.

[7] 周海侖.含碰摩故障的航空發(fā)動(dòng)機(jī)整機(jī)振動(dòng)建模與分析[D].南京：南京航空航天大學(xué)，2009.

[8] Tamilselvan P，Wang P.Failure diagnosis using deep belief learning based health state classification[J].Reliability Engineering & System Safety，2013，115（7）：124-135.

[9] Elsaid A E， Wild B， Jamiy F E， et al.Optimizing LSTM RNNs using ACO to predict turbine engine vibration[C]. Genetic & Evolutionary Computation Conference Companion， ACM，2017.

[10] 宋云雪，張科星，永勝.基于多元線性回歸的發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測[J].航空動(dòng)力學(xué)報(bào)，2009，24（2）：428-431.

[11] 李冬，李本威，趙鵬飛，等.基于卡爾曼濾波和主元分析的發(fā)動(dòng)機(jī)性能衰退[J].海軍航空工程學(xué)院學(xué)報(bào)，2013，28（2）：127-132.

[12] S. Borguet， Olivier Léonard.Assessment of an Anomaly Detector for Jet Engine Health Monitoring[J].International Journal of Rotating Machinery，2011，17（4）：494-502.

[13] Jonathan Litt， Donald L Simon， Claudia Meyer，et al.NASA aviation safety program aircraft engine health management data mining tools roadmap[R].NASA/TM-2000 -210030.April 2000.