基于深度置信網絡的渦扇發動機氣路故障診斷研究

吳斌 丁華陽 黃帥

摘要：為了提高發動機氣路部件性能衰退故障的診斷精度，針對傳統的淺層神經網絡在診斷時存在泛化能力欠缺、易產生局部最優解等問題，引入了深度置信網絡（DBN）對發動機部件性能衰退故障進行診斷研究。以渦扇發動機為對象，從診斷精度、計算時間、抗噪能力3個方面綜合比較分析了DBN算法與核極限學習機（KELM）算法。結果表明，DBN算法在低、中、高水平噪聲下的診斷精度分別為89.44%、88.38%和86.59%，診斷精度和抗噪聲能力明顯優于KELM算法，且診斷速度更快。

關鍵詞：深度置信網絡;航空發動機;氣路部件;故障診斷

0 引言

壓氣機、渦輪等氣路部件的性能對于航空發動機具有重要影響。氣路部件性能衰退故障會嚴重影響發動機性能，甚至會引起發動機的超溫、超轉故障。因此，對發動機氣動熱力參數進行分析，實現對發動機氣路部件的狀態和故障識別，有利于早期發現設備異常，迅速查明故障原因，從而達到視情維修，保障發動機安全、可靠工作的目的[1-2]。

目前發動機氣路部件故障診斷技術主要分為三大類：基于模型的故障診斷技術、基于數據驅動的故障診斷技術和基于知識規則的故障診斷技術。其中，基于模型和數據驅動的故障診斷方法研究和應用最為廣泛，但基于模型的故障診斷方法需要精度較高的發動機模型，因此在缺乏模型的條件下，采用基于數據驅動的診斷技術更為實用。

基于數據驅動的故障診斷方法以神經網絡的應用最為廣泛，典型的包括基于梯度訓練的BP、RBF等淺層神經網絡，這些神經網絡算法存在泛化能力欠缺、易產生局部最優解等局限性。為有效解決該問題，國內外研究重點在于多層、多節點的復雜神經網絡，其中以深度學習和深度置信網絡（DBN）的應用最為廣泛[3]。

本文引入DBN對發動機氣路故障診斷進行研究，給出了神經網絡算法的實現過程，并與已有的核極限學習機（KELM）進行比較，對比驗證DBN在發動機氣路故障診斷中的有效性。

1 深度置信網絡原理

DBN一般包含多層結構，如果對多層節點同時進行訓練會導致復雜度非常高，因此一般采用Wake-Sleep算法，該算法主要分為2個步驟：

（1）自底向上的無監督學習（Wake階段），該階段首先將訓練數據進行特征和類標簽的分離，通過數據的特征和向上權重（認知權重）產生每一層的抽象表示，并利用梯度下降法修改層間的下行權重（生成權重），再使用無標簽的訓練集對n-1層進行訓練，訓練方法是貪婪無監督的訓練方法，將所得結果作為n層的輸入繼續訓練，依此類推，從而得到各層的參數[4];

（2）自頂向下的監督學習（Sleep階段），該階段的本質就是利用帶有期望輸出的訓練數據去訓練網絡，網絡輸出和期望輸出之間的誤差自頂向下傳輸，在傳輸的過程中對網絡參數進行微調，通過這種自頂向下的監督學習，達到使權重矩陣全局最優的目的。

DBN是在每一層堆積多個受限波爾茲曼機（RBM）形成一個多層的深度學習結構，這些RBM能夠完成自底向上的非監督學習。而在最上層，設置一個BP網絡用作深度學習中自頂向下的監督學習。其中，RBM的訓練一般采用對比散度算法[5]。

2 基于DBN的渦扇發動機氣路故障診斷原理

航空發動機的正常運行離不開各個部件的共同工作與相互作用。某型渦扇發動機部件結構示意圖如圖1所示，圖中數字為發動機截面標識。

隨著發動機使用時間的增加，包括風扇、壓氣機和渦輪在內的各個氣路部件不可避免地由于腐蝕或積垢而性能退化[6]。

基于數據驅動的發動機故障模式識別，根據發動機性能變化導致的測量參數變化來定位故障部件，為后續的設備維修提供參考依據。本文以渦扇發動機為研究對象，利用DBN對其氣路故障模式進行識別。渦扇發動機8個健康參數為SE1（風扇效率）、SW1（風扇相對流量）、SE2（壓氣機效率）、SW2（壓氣機相對流量）、SE3（高壓渦輪效率）、SW3（高壓渦輪相對流量）、SE4（低壓渦輪效率）、SW4（低壓渦輪相對流量）。

本文共選取10個傳感器參數作為DBN的輸入數據，分別是NL（低壓轉速）、NH（高壓轉速）、T22（壓氣機進口溫度）、P22（壓氣機進口壓力）、T3（壓氣機出口溫度）、P3（壓氣機出口壓力）、T43（高壓渦輪出口溫度）、P43（高壓渦輪出口壓力）、T5（低壓渦輪出口溫度）、P5（低壓渦輪出口壓力）。

根據故障位置和退化程度，可將發動機氣路部件故障分為13種模式[7]，每種模式對應的健康參數變化情況如下：

Ⅰ：SE1=99.5%，SW1=99%;

Ⅱ：SE1=99%;

Ⅲ：SE2=99.3%，SW2=99%;

Ⅳ：SE2=99%;

Ⅴ：SW2=99%;

Ⅵ：SW3=101%;

Ⅶ：SE3=99%，SW3=99%;

Ⅷ：SE3=99%;

Ⅸ：SE4=99%;

Ⅹ：SE4=99.6%，SW4=99%;

Ⅺ：SW4=99%;

Ⅻ：SE4=99.4%，SW4=101%;

育：無故障模式。

將各個模式對應的健康參數變化量注入某型渦扇發動機的數學模型中，即可得到每種模式對應的傳感器測量參數。將這些測量參數分別作為訓練和測試樣本，首先使用訓練樣本訓練DBN，獲得深度神經網絡模型。測試時，根據得到的深度神經網絡模型對測試樣本進行分類，計算在不同噪聲情況下的分類準確率、訓練時間和測試時間，并就診斷精度和仿真時長與核極限學習機（KELM）進行比較。

3 數字仿真驗證

為了驗證本文所研究的DBN模式分類器的泛化性能，在航空發動機飛行包線內選取了5個點作為訓練點，選取3個點作為測試點。訓練點的（H，Ma）為（0，0）（2，0.8）（8，0.7）（12，1.1）（5，1.3），測試點的（H，Ma）為（2，0.2）（4，0.8）（8，1），其中H為高度，單位為千米，Ma為馬赫數。

在不同包線點100%轉速條件下，對模型注入任意一種模式，得到連續100組故障數據，分別對其加入0.1%、1%和2%的高斯白噪聲，因此每種噪聲水平下共有100×13×5個訓練樣本。采用同樣的方法處理測試數據，獲得不同程度噪聲下的測試數據（0.1%、1%和2%高斯噪聲分別對應低、中、高水平噪聲）。

3個測試點在不同噪聲水平下的診斷精度如表1所示。

從表1可以看出，在不同的噪聲水平下，DBN的平均診斷精度都大于85%，優于KELM，這表明DBN在大樣本、高維度的情況下仍然具備優秀的故障診斷能力，能適應航空發動機不同的飛行條件，泛化性能有所提升。

DBN和KELM在不同模式下的診斷精度對比如圖2所示，3幅圖分別對應（H，Ma）為（2，0.2）（4，0.8）（8，1）下的仿真結果，其中Total為13個模式的平均診斷精度。

由圖2可以看出，在不同工作點和故障模式下，DBN均表現出更優秀的故障診斷能力。此外，DBN在不同噪聲水平下的平均訓練時間為0.17 s，平均測試時間為0.016 s，快于KELM的2.1 s和0.04 s，體現了更出色的診斷速度和演算能力。

4 結語

本文將DBN和KELM算法應用于渦扇發動機氣路性能衰退故障的診斷，通過在不同工作點和不同噪聲水平下的綜合比較分析，得出以下結論：

（1）DBN算法的平均診斷精度大于85%，明顯優于KELM，能夠應用于航空發動機不同工作條件下的氣路故障診斷。

（2）與KELM相比，DBN的診斷時間更短，抗噪聲能力更強，具有更快的診斷速度和更出色的計算能力。

[參考文獻]

[1] 李冬，李本威，孫濤，等.基于距離代價函數和信息熵的發動機性能參數估計研究[J].推進技術，2013，34（11）：1557-1566.

[2] 皮駿，黃江博.基于IPSO-Elman神經網絡的航空發動機故障診斷[J].航空動力學報，2017，32（12）：3031-3038.

[3] 王蕾，張寶昌.深度學習最新研究進展綜述[J].中國科技論文在線精品論文，2015，8（6）：510-517.

[4] 張春霞，姬楠楠，王冠偉.受限玻爾茲曼機簡介[J].工程數學學報，2013（2）：159-173.

[5] 安琪.基于深度置信網絡的入侵檢測研究[D].蘭州：蘭州大學，2016.

[6] LU F，CHEN Y，HUANG J Q，et al.An integrated nonlinear model-based approach to gas turbine engine sensor fault diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part G：Journal of Aerospace Engineering，2014，288（11）：2007-2021.

[7] HUANG J Q，FENG M，LU F.Turbo-fan engine fault diagnosis based on adaptive particle filtering[J]. Journal of Aerospace Power，2014，29（6）：1498-1504.

收稿日期：2020-08-27

作者簡介：吳斌（1985—），男，江蘇大豐人，博士，工程師，研究方向：航空發動機數字電子控制系統。