一種基于油液分析數據挖掘的航空發動機磨損故障診斷知識獲取方法*

明衡

(1.中國人民解放軍第5720工廠質量安全部 安徽蕪湖 241000；2.南京航空航天大學民航學院 江蘇南京 210006；3.北京航空工程技術研究中心第六研究室 北京 100076；4.中國人民解放軍第5720工廠機電部 安徽蕪湖 241000)

航空發動機作為飛機的心臟，其運行狀態直接影響飛機的飛行狀態，而航空發動機又長期處于高速、高溫、過載等嚴苛的條件下，其摩擦磨損嚴重，因而故障率較高。油液運行在航空發動機的潤滑系統或液壓系統中，作為潤滑劑或工作介質是循環流動的，其中包含著大量的由于摩擦而產生的各種磨損殘留物。目前，通過各種檢測方法已能對磨損物的成分、數量、形態以及磨損原因進行分析，從而判定發動機內部關鍵部件的磨損情況。通過油液監控來評估航空發動機的早期失效及潛在磨損故障具有重要的意義[1-2]。

油液分析技術包括常規理化性能分析、光譜分析、鐵譜分析、磁塞檢測和顆粒計數器等，而由于光譜分析具有操作簡單、精度高及分析速度快等優點，已廣泛應用于航空發動機的金屬磨粒檢測、識別及早期故障監測[3]。目前，基于油液分析的機械系統磨損故障診斷研究內容主要包括磨損元素界限值制定、融合診斷以及專家知識[4-5]的獲取。磨損元素界限值的制定是有效實施航空發動機狀態監測首要任務，也是判斷航空發動機是否產生磨損故障的重要依據。界限值制定方法主要是基于正態分布假設以及概率密度估計的界限值制定方法[6]。由于融合特征的診斷識別率通常比單一特征有很大的提高，因此融合診斷是界限值制定的有效補充。目前融合診斷的方法是基于證據推理[7-8]、神經網絡[9-12]、貝葉斯網絡[13-14]等技術。而知識獲取是故障診斷專家系統重要過程，目前主要的知識獲取方法有基于粗糙集的知識獲取方法[15-17]、基于神經網絡的知識獲取方法[18-19]以及基于Weka平臺的規則提取[20]等。利用特征融合進行故障診斷時有著較高的識別率以及較好的狀態評估效果，但目前的知識獲取方法都未考慮利用特征融合思想進行知識獲取，僅對多特征樣本進行狀態識別，且無法有效對其變化趨勢進行評估。

本文作者提出了一種基于油液數據挖掘的航空發動機磨損故障診斷以及狀態評估方法，該方法首先利用自組織神經網絡(The self-organizing map，SOM)的聚類以及融合功能，對原始多維特征數據進行特征融合，得到融合值；然后，利用Parzen窗法制定融合值的界限值，將樣本劃分為正常、警告和異常3種狀態；最后，利用Weka軟件對樣本數據進行數據挖掘和規則提取。以某型飛機發動機實際油液光譜分析數據為數據源，對磨損數據進行知識獲取。結果表明，該方法能夠很好地提取出飛機發動機磨損故障診斷知識規則，而且具有很高的識別精度，整個過程自動完成，不需要人為干預，具有很高的自動化與智能化程度。

1 基于油液光譜數據融合的磨損故障診斷知識獲取方法

1.1 方法流程

圖1所示為基于油液光譜數據融合的航空發動機磨損故障診斷知識獲取方法的流程圖，主要包括基于SOM的特征融合、基于Parzen窗法的界限值制定以及基于Weka平臺的知識規則提取等環節。知識獲取方法流程圖如圖1所示。

圖1 知識獲取方法流程圖

1.2 自組織神經網絡學習算法

自組織神經網絡，又叫自組織特征映射、Kohonen網絡，是以無導師學習方式進行網絡訓練的，具有自組織能力的神經網絡。它能夠對輸入模式進行自組織的訓練和判斷，并將其最終分為不同的類型。借助其高維數據的低維組織能力，SOM在分類、聚類、融合以及預測等數據挖掘領域有很多成功的應用。圖2所示是自組織神經網絡結構圖。

圖2 自組織神經網絡的結構

SOM的競爭學習算法流程：

(1)設置變量和參量

X(n)=[x1(n),x2(n),......,xN(n)]T，為輸入向量，或稱訓練樣本。

Wi(n)=[wi1(n),wi2(n),......,wiN(n)]T，為權值失量，i=1,2,......,M。

其中，迭代次數為K。

(2)初始化。將權值矢量Wi用小的隨機值進行初始化；設置初始學習速率η(0)；對所有的輸入向量X和權值矢量初始值Wi(0)進行歸一化處理：

(1)

(2)

(3)采樣，近似匹配。從空間中選取訓練樣本X′，通過歐氏距離最小的標準

(3)

來選取獲勝神經元C，從而實現了神經元的競爭過程。

(4)更新。對獲勝神經元拓撲鄰域Nc(n)內的興奮神經元，以Hebb學習規則

Wi′(n+1)=Wi′(n)+η(n)(X′-Wi′(n))

(4)

更新神經元的權值矢量，從而實現了神經元的合作和更新過程。

(5)更新學習速率η(n)及拓撲鄰域并對學習后的權值重新進行歸一化處理：

(5)

(6)

(6)判斷迭代次數n是否超過K；如果n≤K，就將n值增加1，轉到第三步；否則結束迭代過程。

1.3 基于SOM的特征融合

基于SOM的特征融合步驟如下：

(1)提取正常樣本。

由于特征融合需要正常樣本進行SOM網絡訓練，得到正常樣本的權值矢量，因此下面通過訓練結果提取正常樣本。提取正常樣本的步驟如下：

Step1：創建自組織神經網絡。設定網絡訓練的參數，對全部樣本X進行SOM訓練。其中，神經元輸出個數為m1n1以及訓練的次數K1，m1、n1分別代表輸出神經元的行數、列數。

Step2：聚類樣本的識別。待訓練結束后,每個輸出神經元上都會聚集一定數量的樣本，因此，借助MATLAB中SOM工具箱函數進行樣本識別。

Step3：正常樣本的篩選。由于神經網絡結構圖上的拓撲結構顯示對應神經元聚類的樣本數；近鄰神經元圖上的顏色分布反映了相鄰神經元之間鄰近程度，顏色越淺則表示2個神經元距離越近，顏色越深則表示2個神經元距離越遠；同時依據每個神經元上的樣本數值大小，提取出正常樣本，記為Y。

(2)正常樣本訓練。

對正常樣本進行SOM網絡訓練，重新設定輸出神經元個數m2n2以及網絡迭代的次數K1，得到正常樣本訓練的權值矢量W。其中，m2，n2分別代表輸出神經元的行數、列數，權值矢量W的列數等于樣本維數，行數等于輸出神經元的個數，即m2n2。

(3)特征融合。

計算全部樣本X到正常樣本的權值矢量W的最小匹配距離d，進而融合出一條曲線，達到特征融合的目的。

(7)

式中：j為輸出神經元的個數。

1.4 基于Parzen窗法的界限值制定

傳統的界限值制定方法都假定油液監測數據服從正態分布，但是實際數據的分布規律并不一定是正態的，其概率分布往往是未知的，這時需要從大量的數據中估計出數據的概率密度函數，根據概率密度函數得到樣本的概率分布，再依據估計出的概率分布得到磨損診斷的界限值。

在分析過程中，針對各鋁股截面間涉及大量接觸問題，各鋁股間采用通用接觸，由程序檢測接觸行為并確定接觸對，提高計算效率。為使計算結果收斂，采用顯示動力學求解器進行計算。

要估計概率密度函數

(8)

需要求線性算子方程

(9)

的解，其中

(10)

并且解還須滿足以下2個條件：

(11)

現在利用樣本x1,......,xl，來構造經驗分布函數；其中，l為樣本個數。

(12)

Parzen窗估計法是一種利用已知樣本點來估計總體概率密度分布的非參數估計方法，即利用一定范圍內各點密度的平均值來估計總體概率密度。由于Parzen窗技術堅實的理論基礎以及優良的性能使其成為一種應用廣泛的非參數密度估計方法。

(13)

并使φ(u)滿足式(11)條件，則落入超立方體內的樣本數為

(14)

(15)

得到概率密度函數的估計值為

(16)

1.5 基于Weka平臺的磨損元素規則提取

發動機磨損元素的知識規則提取，主要借助Weka平臺進行。Weka是新西蘭Waikato大學開發的全面的數據挖掘系統，它不僅提供了多種數據挖掘方法(分類、聚類、關聯規則等)，還提供了適用于任意數據集的數據預處理功能，以及多種算法性能評估方法。

Weka軟件的規則提取功能借助決策樹分類算法，即C4.5算法。它是一種有指導歸納學習算法，繼承了ID3算法的全部優點并對其做出了改進，特別適合于挖掘數據量多，且相對效率和性能要求高的場合。

2 算法實例

為驗證該方法的有效性，采用某軍用飛機發動機實際的2 089個油液光譜數據進行方法驗證。故障診斷時選擇了常用的7種重要元素，包括Fe、Al、Cu、Cr、Ag、Ti、Mg等，因此數據特征維數為7。

2.1 特征融合

首先，對原始光譜數據進行歸一化處理，避免因量級差異對融合結果造成影響；再對歸一化后的原始數據進行SOM訓練，訓練結果如圖3、4所示。而各神經元上聚集的樣本數及數值區間如表1所示。

然后，通過比較各神經元間距離分布、各神經元上聚集的樣本數以及數值大小，選擇第3個神經元上的401個樣本為正常樣本，并進行訓練以及融合，得到樣本的融合值。最后，將樣本的特征數據以及融合特征組成一個新的向量矩陣，并且都以融合值為基準按融合值的數值進行升序調整，將每個元素的濃度值與融合值都一一進行了比較，結果如圖5所示。可知：磨損元素與融合值表現出相同的變化趨勢。可見，融合特征值能夠反映發動機磨損狀態的變化趨勢和規律。

圖3 自組織神經網絡結構圖(序號代表各神經元)

圖4 神經網絡近鄰神經元圖(橢圓區域代表近鄰神 經元之間距離最近區域)

序號神經元 1神經元2神經元3樣本序號170個252個401個數值區間[0,1][0,0.529 4][0,0.4]序號神經元4神經元5神經元6樣本序號16個0個176個數值區間[0,0.8]空[0,1]序號神經元7神經元8神經元9樣本序號281個482個311個數值區間[0,1][0,0.466 7][0,0.9]

圖5 各磨損元素與融合值對比

Fig 5 Comparison of wear elements and fusion values

2.2 界限值制定

采用Parzen窗法對融合值進行界限值制定，劃分樣本狀態。圖6所示為Parzen窗法界限值制定中樣本估計的概率密度函數與統計的概率密度函數對比圖。

圖6 估計與統計的概率密度函數對比

由圖6可知：統計與估計的概率密度函數曲線擬合效果較好。因此對融合值進行界限值制定，將數據樣本分為正常、警告和異常3類。

2.3 規則提取

為驗證方法的有效性，隨機選取已劃分狀態的1/2樣本進行規則提取，另1/2樣本進行規則驗證。

基于重要元素融合，借助Weka軟件對樣本進行規則提取，構建故障診斷的知識庫。挖掘出的規則如表2所示，提取出的規則樹如圖7所示。

表2 規則匯總

圖7 基于重要元素提取的規則樹(att_1為Fe，att_2為Al， att_5為Ag)

圖7所示為Weka生成的基于重要元素融合決策樹，其中葉結點表示所處的類別，除葉結點外，每一個節點都代表一個屬性，可以從決策樹中提取決策規則，每條規則都是從根到葉節點的路徑。利用提取出的知識規則來驗證樣本的狀態，識別率達到97.47%。

為了更加全面地說明利用重要元素融合與全部特征融合之間的差異，對全部特征進行規則提取，圖8所示為利用全部特征進行規則提取時提取出的規則樹。

圖8 基于全部特征提取出的規則樹

由圖8可知:基于全部特征提取出的規則樹較為復雜，不利于進行航空發動機磨損故障診斷；同時，全部特征的故障診斷識別率也不高，僅為62.39%。這就意味著并不是所有特征都對航空發動機磨損狀態的故障診斷起著積極的意義。

3 結論

(1)提出一種基于SOM特征融合的航空發動機磨損故障診斷算法，通過對多特征數據進行特征融合，得到融合值，再對融合值進行界限值制定，劃分樣本狀態，最后利用Weka軟件進行油液數據知識規則的提取，實現了航空發動機潤滑油光譜磨損數據故障診斷的自動化與智能化。

(2)針對實際的航空發動機的磨損數據，利用提出的方法進行磨損故障診斷，識別率達到97.47%，表明該方法對故障狀態具有很高的識別率。