基于神經網絡的航空發動機故障診斷

丁一然

（北京交通大學附屬中學，北京，100081）

0 前言

航空發動機是一個高轉速機械系統[1]，其工作環境較為苛刻，長時間在高溫、高壓、高應力和強腐蝕的環境下運行，因此極易發生故障，如腐蝕與打擊，從而為航空發動機帶來一定停車故障甚至毀滅性的破壞[2]。所以，航空發動機的故障診斷可以有效提高航空發動機的續航和工作效率，并減少發生事故的可能性。但由于航空發動機結構復雜和部件數量多，導致其故障類型繁雜，會存在包括有關氣路、油路和振動等一系列的故障問題，而在氣路故障中又會包含如積垢、熱變形、密封件疲勞、腐蝕等具體的故障[3]，振動故障也會包括如風扇失速振顫、葉片裂痕等具體故障[4]。其中對于不同類別的故障類型其導致產生的關鍵因素也會有所不同，如葉片轉速、葉片的實際壓力值等可作為導致振動故障的因素，發動機進氣口溫度、壓氣口的壓力[2]等可作為導致氣路故障的因素。因此由于故障類型的繁雜使得以往基于純模型或基于知識[3]對于故障進行分析的方法不易實現。

神經網絡作為20世紀興起的基于生物神經網絡而構建的人工數學模型，有著自主分類和自我學習的功能，且隨著Geoあery Hinton等人在21世紀初建立的多層神經網絡（深度學習）的興起，可用于解決的問題范圍又得到了進一步的擴展。基于神經網絡對航空發動機進行故障的分析可借助神經網絡突出的自我分析和學習能力，快速并基本準確的得到問題的最優解，判斷故障的發生和類型，進而預測并避免發動機故障的發生。

梅家崎[5]利用主成分分析的方法提取故障數據的主要參數，利用神經網絡構識別模型，并且對比多層感知機神經網絡和自組織網絡的結果差異。李洪偉[6]將振動信息和油液信息融合，采用模糊綜合決策方法對各個子網絡信息的診斷結果進行綜合決策。基于集成神經網絡故障診斷法，并與光譜診斷和振動診斷作對比，結果顯示這種這種方法的效果更好。于宗艷[7]采用帶慣性項的批處理算法，對航空發動機故障數據進行神經網絡訓練，結果顯示該神經網絡算法可以有效提高識別正確率。郭風[8]利用RBF網絡構建航空發動機的故障模型，對多參數故障信息進行分析，結果表明RBF對11個故障具有準確分析能力。王亞凡[9]采用自適應加權D-S證據理論對發動機氣路部件進行故障診斷，通過分析多證據融合過程中的證據嚴重沖突，賦予不同的概率函數的權值，從而降低證據沖突。

本文主要是通過構建基于附加動量權值方法和變學習速率方法的BP神經網絡，對航空發動機故障進行診斷。對于包括氣路、油路、振動等復雜故障類型的航空發動機故障分析，本文對提取監測參數變化和發生故障的數量特點，構建本文神經網絡訓練學習的樣本數據，從而檢測本文構建的神經網絡預測能力，可以達到預測航空發動機的故障發生、發生的故障類型的目的。

1 模型建立

■1.1 神經網絡原理

神經網絡是由多個“神經元”(又稱節點)，按照不同層次排列所構成的網絡，網絡拓撲結構由輸入層、隱含層和輸出層組成。神經元是神經網絡的基本單位，經典的神經元模型包含輸入值和權值以及輸出值。神經元數學表達式為：

其中，xi為輸入值，wi,j為權值，aj為隱含層閾值，hj為隱含層輸出值，f(x)為激勵函數。

本文主要采用的神經網絡模型是BP神經網絡。BP神經網絡最主要的特點是數據向前傳遞，即從輸入層到輸出層，而網絡預測誤差則是反向傳遞得到更新后的權值[10]。BP神經網絡中隱含層數量可以分為單層和多層，隱含層數量越多，網絡預測結果精度越高，同時也會大大增加網絡訓練時間。在神經網絡預測中用來評價預測結果的準確性的是損失函數，也稱為誤差函數，其可以簡單表示為：

其中，yp,k為網絡預測目標，yk為訓練樣本真實值。通過誤差結果可以得到新的各層之間的權值。以單隱含層BP神經網絡為例，更新公式如下：

其中，η為學習速率。

為提高神經網絡學習過程中收斂速度，本文采用附加動量方法和變學習速率方法分別對權值和學習速率進行修正[10-12]。附加動量方法的權值學習公式在原BP權值公式的基礎上考慮以前權值對當前時刻權值的影響，修正后的權值學習公式為：

其中，ω(n?2)，ω(n?1)，ω(n)分別為n?2，n?1，n迭代次數的權值，a為動量學習率。變學習率方法則是指初期的學習率較大，加速網絡收斂，而在學習的過程中，學習速率逐漸降低，使得收斂穩定，變學習率公式為：

其中，ηmax和ηmin分別為最大和最小學習率，nmax為最大迭代次數。

■1.2 航空發動機故障數據及樣本初始化

航空發動機的故障會由各種不同的原因引起， 而航空發動機發生故障會在航空發動機的某部分性能參數發生改變。同樣的，這些性能參數可以在航空發動機的監測數據上得到反饋，如溫度、效率、壓力等物理參數[9]。本文對航空發動機的故障分析便是通過對航空發動機的監測數據進行分析，無需直接觀察或測量性能改變，而得到發動機的故障類型和故障數量。本文的分析依據在于航空發動機的可測量參數的改變與航空發動機的結構和工作原理相關，往往某部件的故障會產生固定的幾類參數的改變，從而提供逆推故障原理的可能性[9]。但是，由于航空發動機的結構復雜和部件數量多，并且可能多故障類型同時發生，給逆推分析故障原理帶來難度，從而需要新的故障診斷手段。本文根據如氣路、油路、振動等故障的大類型中選擇若干作為研究對象，并考慮大故障類型中的小故障同時發生的情況，對故障類別按照規定標準進行劃分。

鑒于航空發動機的監測參數眾多，往往對監測參數進行歸一化、主成分分析[5]等方法，提取主要特征參數及變化。根據發動機故障特點，可以分為單故障和雙故障[9]。假設4個部件的監測參數分別為 ?SE1, ?SE2, ?SE3, ?SE4，并且劃分的故障總計為10種，如表1所示。部件的監測參數可以由實際的數據簡化為隸屬度函數或歸一化指標。監測參數的數值范圍為[0,1]，監測參數采用不同的標準會產生不同的故障分類。例如以0.5為標準，超過0.5處于大惡化或蛻化，小于等于0.5處于小惡化或蛻化。因為本文中故障參數并未指定具體部件，不失一般性的假定，4種部件中的兩種( ?SE1, ?SE2)以標準0.3簡化，其余( ?SE3, ?SE4)以0.5簡化。更進一步為了表示故障之間的惡化并不是獨立發生，假設?SE1是與?SE2有關聯，如果?SE1是大惡化的前提下，?SE2是大惡化的概率為60%，而?SE1是小惡化的前提下， ?SE2是大惡化的概率為30%。

表1 故障分類

假設不同監測參數數值可以均勻在[0,1]分布，根據4種監測參數的不同惡化標準，可以判斷出不同的故障類型。圖1中的兩幅圖分別表示的了不同惡化標準下不同類型故障占總樣本比例。不難看出無論在何種情況下樣本獲得的監測參數為正常情況（圖中的故障類型11）的數量占比都是最大的，大約在45%左右。同時由于 ?SE1, ?SE2之間存在著相互影響的關系，監測參數?SE1發生大惡化的情況下?SE2會更容易發生惡化，而相反情況下 ?SE2也更不容易發生惡化，因此從圖中也不難發現，故障2的數量相比較于故障1總是要少一些，而另一方面故障5（ ?SE1, ?SE2均為大故障）的數量則要比故障1、2的數量更多。圖1(a)中可以發現，故障2、故障8和故障9的數量較少，反觀圖1(b)中則是故障1、故障2和故障5的變得相對較少，而原本數量中等的故障3、故障4和故障10卻變多了，這說明不同的惡化標準會對數據的判斷產生不同的結果，因此在樣本數據初始化的過程中，應當選擇一個合適的惡化標準，以便后續故障分析的統一與結果的有效。本文采取?SE1和 ?SE2標準為0.3，?SE3和 ?SE4標準為0.5的數據作為研究對象。

圖1 不同故障類型占總樣本比例

2 論文結果分析

■2.1 故障與正常樣本分類

本文在對樣本數據進行預處理后，開始對樣本數據進行訓練。訓練結果表明，神經網絡對故障的判斷存在一定誤差，正確率約為87%。同時，由于僅僅是判斷正常和故障兩種類型(記誤差為1，正常為0)，因此存在分類誤差達到1或-1的情況。

利用神經網絡對故障類型進行診斷一般都會存在誤差，而其判斷的正確率又受到多種因素的影響，本文主要研究了中間層（即隱藏層）的數量、學習速率、訓練次數和訓練樣本比例對于正確率的影響。中間層的數量對于分類的正確率影響不大，相比于中間層數低于10層，中間層數的提高，正確率會有微小的提升，中間層大于10層后便無明顯的影響，后期甚至會有小幅下降。與其趨勢相近的是訓練次數對于正確率的影響，但其變化幅度明顯比中間層的數量的要大，說明其對于診斷正確率的影響要大與中間層，不過兩者相似的地方在于兩者對于正確率的影響都會在達到某一數值后趨于平穩，如訓練次數達到50次。而學習速率對于正確率的影響則沒有太大的規律，在學習速率在0.2以內時，且對正確率的影響不太明顯，但超過0.2后無論是對正確類別正確率、故障類別正確率還是總體正確率都有明顯的影響。綜上所述，神經網絡設置為中間層10、循環次數50、學習速率0.2、訓練樣本比例0.7，訓練結果較好。

■2.2 10種故障類型

圖2 神經網絡預測結果

本文在對正常與故障進行分類后又按照前文所述模擬分類方式，將故障分為十種類型，并設計第二個神經網絡對其進行分類。從圖2(a)中我們可以看出，與故障和正常類別的判斷結果類似，對10種故障類型的分類(故障1記為1，故障2記為2，依次類推)也存在著一定的誤差，且由于存在十種不同的類別，其誤差的大小程度也不盡相同，但從圖2(b)中可以發現，幾乎不存在分類誤差大于5的樣本，說明本文采取采用的故障分析樣本有一定的限制作用，將故障發生限制在一定范圍內。

圖3 不同神經網絡設置參數對10種故障類型預測正確率影響.

同樣，為了更好完成神經網絡對10種故障類型的診斷和分析，本文依舊從中間層數、訓練次數、學習速率和訓練樣本比例四個要素，分析其對神經網絡預測結果的影響。從圖3中可以發現，除訓練次數以外，其余的三種因素均對于該神經網絡的正確率沒有顯著的影響，這表明了不同神經網絡間確有差別，同時也提示了我們在該神經網絡中，最主要的是要保證足夠的訓練次數，以得到較高的正確率。而其中訓練次數對于正確率的影響體現為，當訓練次數在50次以下時，隨著訓練次數的增加，正確率提高，但當訓練次數超過50次之后，隨著訓練次數的增加，神經網絡的正確率不會有明顯的變化，這表明當前故障樣本的最佳的訓練次數在50次左右。雖然其他三個因素隨對總體正確率沒有顯著的影響，但仍然存在對于單個類別正確率的影響，不過其對于單個類別正確率的影響沒有較明顯的規律性，可以歸為隨機事件不做特別考慮。因此，可以得到在故障診斷中要想得到較高的正確率，保證訓練次數達到50次左右即可，但是隨著故障類型的增加和數據樣本的增加，需要將訓練次數繼續提高。

3 結論

基于神經網絡的航空發動機故障診斷，對于不同的故障判斷分類方式構建預測數據和相應的神經網絡，并針對神經網絡的相關參數對故障診斷正確率的結果進行討論與分析。神經網絡的診斷結果對工程監測航空發動機的故障情況以及判斷故障類型提供一定的依據。結果表明：

故障樣本參數的判斷標準會對不同故障類型的數量占比產生一定的影響，且在兩種參數關聯時，這種影響較為明顯，但對正常狀態下的監測參數，判斷標準的影響較小。

神經網絡的中間層數量、學習速率、訓練次數、訓練樣本比例都對神經網絡預測正確率有著一定的影響。其中，訓練次數的影響最為顯著，在本文故障數據的種類和數量規模下，訓練次數為50次的效果最佳。