數(shù)據(jù)挖掘技術在航空發(fā)動機中的應用

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)動機領域的研究中，數(shù)據(jù)挖掘技術也得到了充分應用。本文從數(shù)據(jù)挖掘的主要功能出發(fā)，介紹了數(shù)據(jù)挖掘主要功能對應的研究對象與研究方法，簡述了不同功能在航空發(fā)動機中研究中的應用情況。

關鍵詞：數(shù)據(jù)挖掘;航空發(fā)動機;故障診斷;健康管理

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

0引言

近年來，數(shù)據(jù)挖掘引起了各個領域的極大關注，其主要原因是信息時代數(shù)據(jù)泛濫，各行各業(yè)都存在將這些數(shù)據(jù)轉換成有用的信息和知識的需求。航空發(fā)動機作為工業(yè)皇冠上的明珠，一直在吸收各類高新技術，數(shù)據(jù)挖掘技術也不例外。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，直接對作為結果呈現(xiàn)的數(shù)據(jù)進行研究，并建立基于數(shù)據(jù)挖掘方法的模型對問題進行解決，而航空發(fā)動機的工作過程是一個極為復雜的熱力學循環(huán)過程，同時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)動機工作狀態(tài)造成影響，因此將數(shù)據(jù)挖掘方法應用于航空發(fā)動機研究中有時能起優(yōu)于傳統(tǒng)方法的效果。航空發(fā)動機在研制、使用、維修等各個階段都會產(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)挖掘技術應用于航空發(fā)動機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)準備、數(shù)據(jù)建模、結果表達與解釋。數(shù)據(jù)準備主要指從數(shù)據(jù)源中獲取目標數(shù)據(jù)并進行包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)選擇和數(shù)據(jù)轉換在內的數(shù)據(jù)預處理，整個數(shù)據(jù)準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)挖掘任務選擇適當?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;結果表達與解釋主要指對挖掘出的模式進行評估，并利用可視化等方式向用戶展示挖掘結果。在實際應用中，數(shù)據(jù)挖掘流程是一個反復循環(huán)的過程，從數(shù)據(jù)準備、數(shù)據(jù)建模到結果表達，各部分之間不存在明顯界限，可以從任何一個步驟返回前面的環(huán)節(jié)[1]，甚至部分數(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)預處理環(huán)節(jié)。數(shù)據(jù)挖掘的主要功能有關聯(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)動機中的應用主要如下。

1數(shù)據(jù)挖掘技術在航空發(fā)動機中的應用

1.1 關聯(lián)分析在航空發(fā)動機中的應用

關聯(lián)分析主要解決和發(fā)現(xiàn)不同事物之間相關程度，通過分析數(shù)據(jù)中頻繁一起出現(xiàn)的數(shù)據(jù)集合（頻繁項集），總結出關聯(lián)規(guī)則。典型的關聯(lián)分析方法有Apriori算法，F(xiàn)P-growth算法等。在航空發(fā)動機領域的研究中，關聯(lián)分析常用于輔助故障分析，李正欣，郭建勝等[2]提出一種權重式多重支持度關聯(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起飛和降落過程中，影響飛機安全運行的環(huán)境等因素。美國開發(fā)并定義了航空安全上報系統(tǒng)ASRS（Aviation Safety Reporting System），通過收集飛行員、管制員和其他飛行相關人員自主提交的航空安全事件報告，分析其中隱含的信息，進而發(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)進行關聯(lián)分析，能夠盡可能收集與故障關聯(lián)的因素，快速定位故障根源，為改善發(fā)動機設計提供指導。

1.2聚類分析在航空發(fā)動機中的應用

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。國內杜宇飛等[5]對發(fā)動機載荷譜進行了聚類分析研究，對二代機和三代機對應的航空發(fā)動機載荷譜進行了聚類和分析對比，并進一步開展基于典型任務剖面的綜合任務譜編制，并驗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對發(fā)動機故障應對進行了研究，在分析當中將克隆選擇算法與聚類分析的方式相結合，提出了基于免疫聚類分析的故障特征提取方法，讓發(fā)動機的狀態(tài)監(jiān)測與故障診斷方面有了更多依據(jù)。

聚類分析的應用范圍極廣，但大部分時候都作為其他數(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)動機的整個飛行包線內，發(fā)動機的進口條件可發(fā)生巨大變化，進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)動機中的應用

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，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，人工神經(jīng)網(wǎng)絡等。分類分析多用于進行航空發(fā)動機的故障診斷，研究通過如何通過現(xiàn)有信息判斷發(fā)動機此時是否產(chǎn)生故障，產(chǎn)生的是何種故障。周海倉[7]采用支持向量機模型對發(fā)動機轉子-滾動軸承碰磨故障進行了診斷分析，對仿真樣本的識別率達到100%，實驗樣本的識別率達到86%;Tamilsevan等[8]利用深度置信網(wǎng)絡（DBN）作為故障模式分類器，對發(fā)動機的健康狀態(tài)實現(xiàn)了準確的預測和分類;Elsaid等[9]利用蟻群優(yōu)化算法（ACO）優(yōu)化長短期記憶網(wǎng)絡（LSTM）網(wǎng)絡拓撲參數(shù)，并將其用于預測航空發(fā)動機中超標振動的發(fā)生。

前文中提到關聯(lián)分析能夠輔助發(fā)動機的故障分析，提前定位導致故障的因素并進行改善，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)時飛機/發(fā)動機控制系統(tǒng)與安全系統(tǒng)能夠即使發(fā)現(xiàn)并做出響應，對故障數(shù)據(jù)進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)動機中的應用

在數(shù)據(jù)挖掘技術中，回歸分析主要研究是因變量（目標）和自變量之間的定量聯(lián)系，通過一個或多個自變量對因變量的數(shù)值進行預測。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)建立預測模型以對未知數(shù)據(jù)進行預測，因此相關典型數(shù)據(jù)挖掘方法也存在較多重合，如支持向量機方法誕生時主要用于分類，但經(jīng)過改進后很快也被用于回歸分析中。其他典型的回歸分析預測方法有隨機森林、人工神經(jīng)網(wǎng)絡，卡爾曼濾波等方法。回歸分析在航空發(fā)動機領域進行的預測研究一般服務于發(fā)動機的健康管理，對性能參數(shù)進行預測有利于對發(fā)動機當前狀態(tài)進行判斷，同時對發(fā)動機是否需要維修提供參考。宋云雪[10]通過建立發(fā)動機排氣溫度與多個發(fā)動機性能參數(shù)之間的回歸方程來對發(fā)動機排氣溫度進行預測分析，當發(fā)動機實際測量的排氣溫度和預測的排氣溫度相差較大時，可以懷疑發(fā)動機出現(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)動機性能衰退趨勢進行研究，對發(fā)動機性能變化趨勢做出了較為準確的預測，并通過預測結果為及時采取維護措施提供了一定指導作用;S.Borguet[12]通過建立的基于卡爾曼濾波發(fā)動機性能狀態(tài)突變檢測工具，對發(fā)動機性能參數(shù)狀態(tài)發(fā)生突變進行檢測，對發(fā)動機性能參數(shù)發(fā)生突變的發(fā)動機進行識別，并給出了發(fā)動機健康狀態(tài)性評估標準。

健康管理與故障診斷是保障發(fā)動機安全不可或缺的兩項重要功能，因此分類分析與回歸分析通常是結合使用的，甚至回歸分析獲得的定量預測結果可以作為故障分類模型輸入，對發(fā)動機當前狀態(tài)做出更加準確的評估。

2結語

在國外尤其是美國，已經(jīng)對數(shù)據(jù)挖掘技術在航空發(fā)動機中的應用進行了深入研究，美國NASA航空安全大綱中，利用數(shù)據(jù)挖掘技術進行航空發(fā)動機的故障預測和健康管理的藍圖已規(guī)劃到了2025年[13]，國內雖然也開展了諸多研究，但總體來說對先進數(shù)據(jù)挖掘技術的重視程度依然不足，如何更好地將數(shù)據(jù)挖掘技術應用于航空發(fā)動機中，亟需研究機構與研究者們進行嘗試與深入。

參考文獻

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

[2] 李正欣，郭建勝.關聯(lián)規(guī)則挖掘在發(fā)動機故障分析中的應用[J].火力與指揮控制，2009，34（2）：55-58.

[3] 陳銘，顧宏斌.數(shù)據(jù)挖掘技術在航空事故分析中的應用[C]//全國第19屆計算機技術與應用（CACIS）學術會議論文集（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.基于任務段的航空發(fā)動機載荷譜聚類方法[J].航空動力學報，2019，34（5）：34-43.

[6] 侯勝利，李應紅，尉詢楷，等.基于免疫聚類分析的特征提取及其在發(fā)動機故障診斷中的應用[J].推進技術，2006，27（6）：554-558.

[7] 周海侖.含碰摩故障的航空發(fā)動機整機振動建模與分析[D].南京：南京航空航天大學，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)動機性能參數(shù)預測[J].航空動力學報，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)動機性能衰退[J].海軍航空工程學院學報，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.