基于深度學習的航空發動機剩余使用壽命預測研究

溫海茹

摘要：隨著深度學習不斷的發展，航空發動機成為近年來的研究熱點，其壽命預測的研究也受到了研究學者的關注。本文主要介紹航空發動機的剩余使用壽命預測背景，數據獲取過程及基于深度學習的剩余使用壽命的預測方法，以及深度學習在航空發動方面預測的難點和發展趨勢。

關鍵詞：航空發動機;深度學習;剩余使用壽命預測

0 ?引言

隨著當代科學技術的發展，航空發動機等復雜系統設備的結構和自動化程度日益復雜，其故障預測精度的要求也越來越高。發動機作為飛機的核心，其可靠性與安全性越來越重要，其次，發動機的維修保障也成為當前研究的熱點。預測與健康管理（Prognostics and health management，PHM）是剩余使用壽命預測的關鍵技術，在這幾年中取得了良好的進展并得到了廣泛的應用[1]。其中剩余使用壽命預測一直是PHM的研究熱點和難點。壽命預測的實現依賴于壽命預測算法，基于物理模型預測的方法如卡爾曼濾波、粒子濾波方法的預測值會隨著測量值的更新而不斷變化，導致其長期預測效果不佳，不能很好的解決復雜設備的內部結構和失效機理。

目前深度學習在航空發動機方面的應用與研究越來越多。深度學習體系結構主要是對數據高層的抽象特征進行提取并建模，然后通過在模型結構中堆疊多層的神經網絡模塊來對提取到的數據進行分類或者回歸預測。目前比較常見的深度學習體系結構有卷積神經網絡（convolutional neural network，CNN），堆棧自編碼器（stacked autoencoder，SAE）、深度信念網絡（deep belief network，DBN）、深度玻爾茲曼機（deep boltzmann machine，DBM）和循環神經網絡（recurrent neural network，RNN）等，除此之外，長短時記憶網絡（Long short-term memory，LSTM）因其在時間序列方面能夠提取數據之間的時間依賴性，在壽命預測領域應用比較廣泛。以上所述的深度學習算法在航空發動機領域研究使用的比較多，深度學習已成為航空發動機健康管理的有效工具。本文將系統闡述深度學習在航空發動機的剩余使用壽命預測領域的研究過程與方法。

1 ?獲取航空發動機退化數據

在使用深度學習模型進行航空發動機的壽命預測時，首先要監測航空發動機的使用數據，利用不同的傳感器去監測設備的發展動態，得到一系列時間數據。時間數據主要是性能退化數據，其具有樣本小，非線性強的特點。為了更好的提取航空發動機的退化參數，要對監測到的退化時間序列進行數據預處理，剔除無用的數據。為了降低噪聲的干擾，對數據進行歸一化和濾波處理。航空發動機的故障發生的數據較少，因此要利用多故障，發生故障頻率較高的數據。

2 ?基于深度學習的剩余使用壽命預測方法

目前在航空發動機領域，根據深度學習的網絡結構的不同，主要的深度學習算法有四種：DNN、DBN、CNN、RNN。

DNN的方法主要由多個AE以及降噪自動編碼器（Denoising autoencoder，DAE）構成。AE主要包括兩個部分：編碼器和解碼器，通過堆疊多層AE來實現數據的高層次特征提取，再利用前饋神經網絡輸出RUL的值，實現壽命預測。DBN的方法主要由多個限制玻爾茲曼機（Restricted Boltzman machine，RBM）構成，其中包括分類層和回歸層。此方法能夠完成對輸入數據特征提取，網絡結構參數通常由對比散度算法來確定，然后通過分類層或回歸層將前面得到的數據特征映射到輸出的標簽上，有助于DBN網絡參數的反向調整。此方法在發動機方面的壽命預測有巨大優勢。ZHANG等[2]人對深度置信網絡進行了改進，提出一種多目標深度置信網絡的方法，每個網絡模型的輸出在整個網絡集合中占有一定的權重，同時實驗表明所提方法在預測NASA的航空發動機數據時表現出了強大的優越性。但是DBN在長期預測方面性能比較差，所以要對DBN進行融合改進，才能達到預期的壽命預測精度。CNN的方法是通過多個濾波器去提取航空發動機退化過程中的隱含信息，得到高層特征。隨后通過池化找到最具有代表性的特征。CNN方法具有權重共享的特點，LI等人[3]提出一種深度卷積神經網絡，利用時間窗的方法進行了樣本制備，導致有部分信息忽略，所以此方法只用卷積，沒有池化操作。它的特點是不需要人工提取特征，能夠自動融合多傳感器特征，適用于海量數據且優化參數過程比較方便。RNN的方法主要思想就是將航空發動機中的監測數據輸入作為RNN網絡的輸入，采用反向傳播（Back-propagation through time，BPTT）對模型參數進行訓練，進而實現航空設備的剩余壽命預測。RNN的內部反饋連接刻揭示了航空發動機退化數據的前后依賴性。但是RNN在壽命預測過程中容易產生梯度消失和梯度爆炸。因此一些學者在此基礎上進行了改進，提出了長短期記憶網絡（Long short-term memory，LSTM）模型。LSTM設置的遺忘門，能夠解決梯度消失問題。為了研究航空發動機運行環境擾動而引起的不確定問題，ZHANG等[4]人對LSTM 的結構進行了改進，研究了一種基于雙向LSTM的剩余壽命預測方法，將前向路徑與后向路徑獨立計算的結果進行串聯再輸出最終結果，此方法有效的平滑了航空發動機的退化軌跡，提高了剩余使用壽命預測精度。

這些基本的深度學習方法都能用在航空發動機等復雜系統設備的壽命預測研究上，而且不需要人工提取特征，具有非常強的特征提取能力和非線性函數表達能力。

基于深度學習的航空發動機壽命預測基本過程：

根據航空發動機退化數據非線性的特點，首先要對傳感器監測到的數據進行數據篩選、數據預處理，降低噪聲的干擾，使數據更加清晰。然后搭建深度學習神經網絡框架提取數據特征，神經網絡架構包括網絡層數的選擇，神經元數量的選擇，學習率大小，權重參數的選擇優化方法等。一般將數據分為訓練集和測試集，訓練集訓練網絡結構，得到最優模型。最后進行RUL預測，輸入測試集，神經網絡自動輸出預測值，評價預測結果。深度學習基本預測航空發動機的流程示意圖如圖1所示。

3 ?未來研究難點及發展趨勢

雖然有專家學者在這方面關注的比較多，但是剩余使用壽命預測還處于發展階段，還需要經歷漫長的發展和成熟的過程。監測信息處理和預測方法方面將來會受到較大的關注。

①航空發動機等復雜系統裝備的數據大多數都是非線性的。非線性理論發展具有一定的局限性，對非線性系統缺乏一般性的建模方法，相關壽命預測的研究課題已經成為當前的研究熱點和難點。

②對于建立深度學習的航空發動機模型，也需要考慮發動機的環境干擾、數據樣本不全，模型參數時變的情況，這些因素會導致模型會有一定的誤差和不確定性。航空發動機等復雜系統設備在運行過程中會受到各種不確定因素的干擾，而且預測算法的靈敏度和算法模型的魯棒性往往是對立的兩面，所以需要考慮算法模型的策略設計，在一定靈敏度的條件下到達魯棒性最優，對增強算法模型的抗干擾能力具有重要的實際意義。

③在實際的航空發動機復雜系統領域的數據往往具有滯后、強耦合、參數時變等非線性的特性，其完全適應的數學模型不存在，不確定性和外界環境噪聲統計不理想等因素導致其剩余使用壽命預測十分復雜。任何單一的深度學習模型都不能很好的完全解決這些問題，因此有必要考慮混合深度學習模型來預測，這將會成為未來新的研究熱點。

④要實現對數據的實時監測、信息處理和預測，就必須要脫離傳統方法所利用的平臺來計算，去探尋在軟硬件結合下的高校計算方法。

⑤深度學習方法能夠提取出監測數據中所蘊含的有效信息，刻畫出特征信息與剩余壽命之間的非線性關系，在剩余壽命預測領域具有一定的普適性，但無法得到剩余壽命的解析概率分布，難以應用于維修策略的安排和制定，因此，考慮多種深度學習算法融合是將來研究的方向。

4 ?結束語

本文結合航空發動機的剩余使用壽命預測方法的特點，以及航空發動機實際情況的數據復雜特點，重點概述了壽命預測的深度學習算法和深度學習在壽命預測領域的基本預測過程，以及航空發動機等復雜系統設備在未來壽命預測所遇到的挑戰及研究方向。

參考文獻：

[1]PECHT M ，JAAI R. A prognostics and health management roadmap for information and electronics-rich systems[J]. Microelectronics Reliability，2010 50（3）：317-323.

[2]ZHANG C，LIM P，QIN A K，et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics[J]. IEEE Transactions on Neural Networks & Learning Systems，2016，28（10） 2306-2318.

[3]LI X ， DING Q ， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks[J]. Reliability Engineering and System Safety，2018，172（C）：1-11.

[4]ZHANG Y Z，XIONG R，HE H W，et al. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries[J]. IEEE Transactions on Vehicular Technology，2018，67（7）：5695-5705.