通用航空訓練飛行發動機數據異常檢測初探

王翔

摘要： 大型運輸機發動機的健康管理研究較為廣泛，相對于運輸航空，針對通用航空領域以訓練飛行為主的小型教練機發動機的異常檢測技術還不夠成熟。訓練飛行具有飛行模式固定，起降頻次較高，信息數據結構簡單的特點，更適合引入深度學習對其進行建模分析。本文歸納了當前主流的幾種深度異常檢測模型，從原理、計算復雜度和優缺點三個角度進行分析。為通用航空訓練飛行的教練機發動機的異常檢測研究提供可行的研究思路。

Abstract： The research on health management of large transport aircraft engine is more extensive. Compared with transportation aviation， the anomaly detection technology of trainer aircraft engine focusing on training flight in the field of general aviation is not mature enough. Training flight has the characteristics of fixed flight mode， high takeoff and landing frequency and simple information data structure. It is more suitable to introduce deep learning for modeling and analysis. This paper summarizes several mainstream deep anomaly detection models， and analyzes them from the perspectives of principles， computational complexity， advantages and disadvantages. It provides a feasible research idea for the anomaly detection of the engines of training flight in general aviation.

關鍵詞： 異常檢測;訓練飛行;深度學習

Key words： anomaly detection;training flight;deep learning

中圖分類號：V216.7 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2022）03-0097-03

0 ?引言

中國民航事業正穩中有序地高速發展，包括運輸航空業和通用航空業。然而通用航空在安全管理水平上還處在相對較低的水平上，發動機健康管理系統還沒有在通用航空范疇取得充分廣泛的應用。

“十三五”期間與“十二五”期間相比，整個西南片區有通航企業63家，增長70%。通用航空器243架，增長108%。2020年全年共完成飛行59486小時，146205架次，增長170%，345%。與之對比，僅僅是中國民用航空飛行學院這一家飛行培訓院校，于2020年完成飛機教學27.34 萬小時，模擬機/訓練器教學6.81萬小時的訓練任務。由此可見，在當下國內通航業務中，訓練飛行為主要代表業務，針對訓練飛行的教練機發動機進行健康管理的研究，更具有適用性、經濟性和代表性。

1 ?訓練飛行特點

通常情況下，把飛機駕駛員分為：飛行學員、初級飛行員、商業飛行員、教員、航線運輸飛行員，根據培訓執照的不同，航校可視情況安排相對應的訓練科目。表1是我國訓練大綱規定的部分訓練科目，由于國內招生規模遠大于國外，因此每架教練機承擔的飛行任務很高，航校采用固定訓練科目來增加訓練次數和提高訓練效率。訓練機的日常使用頻率更高，起落次數較多，且由于新學員對于飛機發動機性能和機動性能操縱缺乏經驗，使得飛機的安全，尤其是發動機的安全在訓練飛行過程中顯得格外重要。

基于深度學習的數據驅動的異常檢測已廣泛運用于大型商用發動機的故障診斷當中，而國內針對通用航空發動機的故障檢測，主要運用專家知識為主，數據驅動為輔的檢測方法，有著滯后性的缺點。

2 ?數據和案例

2.1 數據結構

以中國民航航空飛行學院的教練機CESSNA172R型飛機為研究對象，其搭載的發動機健康管理系統為GARMIN1000系統，數據由飛機上傳感器產生，由GARMIN1000系統負責收集匯總。發動機數據的收集，主要靠飛行結束后，以機載下載方式進行讀取、保存、備份。與發動機相關的參數共有12個，各參數含義如表2所示。訓練飛行有著飛行模式固定，飛機頻率高，飛行數據豐富的特點，深度學習的手段能更高的提高發動機故障異常檢測的效率，提高飛行安全。

2.2 典型案例

案例一：排氣溫度低故障

如圖1所示，某飛機發動機4號缸排氣溫度（EGT）明顯低于其他3個氣缸;1、2、3缸隨發動機轉速（RPM）變化，燃油流量（FFLOW）、排氣溫度（EGT）和氣缸頭溫度（CHT）都在正常范圍內，但4號缸EGT低于正常值。通過該發動機參數變化圖，初步判定4號缸排氣溫度異常是富油所致，單個氣缸富油原因可能是進氣系統故障、噴嘴故障，燃油分配器故障，最后進一步檢查確定是分配器故障。更換分配器后，故障得到排除。

案例二：發動機滑油溫度高故障

某飛機換發后連續出現發動機滑油溫度高故障，異常數據如圖2、圖3所示，滑油溫度最高312.04華氏度，超過24華氏度的總時間接近2000秒，滑油壓力57.57PSI，機械方面已更換滑油濾底座、恒溫旁通活門和滑油散熱器，電子方面已更換滑油溫度傳感器、檢查傳感器導線和更換GEA71組件，故障仍沒排除。

從實際案例中可以看出，經驗性故障診斷方法有其局限性，通過深度學習的方法能夠更及時的檢測出故障來源，提高排故效率。

3 ?深度異常檢測模型

3.1 有監督深度異常檢測

有監督異常檢測技術在性能上優于無監督異常檢測技術，這些技術使用標記樣本，從一組帶注釋的數據實例（訓練實例）中學習分離邊界，繼而使用學習后的模型將測試實例分為正常類或異常類，也稱為多類分類檢測技術。例如，元尼東珠、楊浩等人提出的基于卷積神經網絡的發動機故障預測方法[1]。

有監督深度異常檢測技術基本原理是，首先學習訓練數據集中包含的多個正常類標記的實例數據，該步驟也被稱為特征提取，其次通過學習歸納得到分類器來區分正常類和異常類。因此，有監督深度異常檢測模型需要大量的訓練樣本（數千或數百萬）才能有效地學習特征表示以區分各種類實例。由于缺乏可用的有效數據標簽，有監督深度異常檢測技術不如半監督和無監督方法易于實施。

輸入數據的維數直接影響到有監督深度異常檢測的計算復雜度。數據維度越高，必然會引入更多的隱藏層以確保輸入特征的完整性，計算復雜度也隨著隱藏層的數量線性增加，需要更多的訓練時間和計算算力，增加時間成本和經濟成本。同時，選擇不同的反向傳播算法也會有不同的計算時間。合理的設計網絡結構和高效的反向傳播算法能為計算提高效率。

因為每個測試實例都需要與預先計算的模型進行比較，因此基于多類分類檢測技術在測試階段具有時間上的優勢，并且在結果上，有監督深度異常檢測模型比半監督和無監督模型更加精確。但多類有監督深度學習技術需要對各種正常類和異常實例進行精確的標記，而這需要花費大量的人力成本和時間成本。

3.2 半監督深度異常檢測

半監督（也稱單類分類）深度異常檢測技術假定所有訓練實例僅具有正常類標簽。例如，鞏小強、李沖等人提出了基于半監督協同訓練的航空發動機故障診斷技術研

究[2]。半監督深度異常檢測技術學習正常實例周圍的判別邊界，不屬于邊界內的其他多數類的測試實例被標記為異常。半監督深度異常檢測方法依賴于以下判定方法將數據實例分為異常：①檢測樣本的接近度和連續性;②在樣本特征空間中相對接近的點更可能被判定為同一標簽。③在深層神經網絡層的隱藏層內學習魯棒特征，并保留用于將正常數據點與異常數據點分離的判別屬性。

基于半監督深度異常檢測方法的技術的計算復雜性類似于監督深度異常檢測技術，后者主要取決于輸入數據的維數和用于代表性特征學習的隱藏層數。針對于標記數據較少，或者數據缺失的問題，在半監督學習模式下訓練的生成對抗網絡（GAN）顯示出較大的優勢，例如付強、王華偉等基于GANBP的航空發動機性能退化預測模型[3]。使用標記數據（通常是一類）可以比無監督技術產生相當大的性能改進。但缺點是模型無法進行錯誤自修正，當模型對異常值高度自信（但錯誤）的預測可能會破壞整個分類結果。此外，在隱藏層內提取的分層特征可能不代表較少的異常實例，因此容易出現過擬合問題。

3.3 混合深度異常檢測

混合深度異常檢測，采用兩步學習的方法，將在深度學習模型中學習到的代表性特征輸入到傳統算法中。例如，劉巖松、姜文鑫在基于神經網絡的渦軸發動機故障診斷仿真研究[4]中提出的基于徑向基函數（RBF）的神經網絡方法，胡超、楊妍等在基于QAPSO-SVM的航空發動機故障診斷[5]中提出的支持向量機（SVM）分類器及其改進方法。混合深度異常檢測模型的特點：①維度空間越為復雜，異常檢測模型也越為復雜，并且需要結合特征提取機和異常檢測機。②在深度神經網絡的隱藏層內提取魯棒特征的主要目的是為了提取出隱藏異常存在的不相關特征。混合模型的計算復雜性包括深層體系結構的復雜性以及內部使用的傳統算法的復雜性。此外，深層網絡結構涉及在相當大的空間中搜索優化參數，這增加了在混合模型中使用深層網絡的計算復雜性。特別是在高維領域，混合模型更具可擴展性和計算效率，因為線性或非線性核模型可以在降低輸入維的情況下運行，混合模型的特征提取器可以大大減少“維數災難”的發生。但混合方法是次優的，因為它無法影響特征提取器隱藏層內的表征學習。

3.4 無監督深度異常檢測

無監督深度異常檢測是基礎機器學習研究和工業應用中的一個重要研究領域，有監督深度學習方法依賴于分離數據類，而無監督技術更偏重于數據特征的解釋和分析。例如沈瀟軍、葛亞男、沈志豪等在一種基于LSTM自動編碼機的工業系統異常檢測方法[6]一文中提到的自動編碼機，是異常檢測技術中常用的無監督深度結構。

無監督異常檢測算法根據數據集的間距、密度等屬性生成數據實例的異常值分數，使用無監督深度異常檢測模型來檢測異常值的前提為：①特征空間中，正常區域與異常區域具有可識別性。②與數據集的其余部分相比，大多數數據實例都是正常的。模型計算復雜度取決于操作數、網絡參數和隱藏層。訓練自動編碼器的計算復雜度遠遠高于傳統方法，例如王驥、李勝男在基于PCA的航空發動機關鍵部件異常狀態檢測[7]提出的主成分分析法（PCA）。這些技術可以識別數據中的共性，因此有助于異常檢測。無監督檢測異常檢測技術在經濟上具有優勢，因為它不需要用于訓練算法的注釋數據。但是在復雜的高維空間中，通常很難了解數據中的共性。使用自動編碼器時，通過對超參數的調試，模型經過反復校準后得到相對理想的結果。

3.5 其他技術

除此之外，還有其他深度異常檢測技術也被證明是有效。例如，基于轉移學習的異常檢測，基于零鏡頭學習的異常檢測，基于集合的異常檢測，基于聚類的異常檢測，基于深度強化學習（DRL）的異常檢測，基于統計技術的深度異常檢測等。在此，我們不再深入討論分析。

4 ?結束語

深度學習已作為現在異常檢測領域當中較為突出的研究技術之一，深得廣大研究者的青睞。本文主要通過分析通航領域內訓練飛行的特點，結合中國民用航空飛行學院的實際情況，探討了深度異常檢測的幾種檢測模型及其對應的典型技術方法，希望為通用航空教練機領域的專注于發動機的研究者提供有益的幫助和借鑒。

參考文獻：

[1]元尼東珠，楊浩，房紅征.基于卷積神經網絡的發動機故障預測方法[J].計算機測量與控制，2019，27（10）：74-78.

[2]鞏小強，李沖，楊宇.基于半監督協同訓練的航空發動機故障診斷技術研究[J].民航學報，2021，5（01）：55-58.

[3]付強，王華偉，熊明蘭.基于GANBP的航空發動機性能退化預測模型[J].人類工效學，2020，26（01）：1-6，21.

[4]劉巖松，姜文鑫.基于神經網絡的渦軸發動機故障診斷仿真研究[J].內燃機與配件，2020（01）：6-7.

[5]胡超，楊妍，王松濤，謝中敏.基于QAPSO-SVM的航空發動機故障診斷[J].熱能動力工程，2020，35（12）：40-46，54.

[6]沈瀟軍，葛亞男，沈志豪等.一種基于LSTM自動編碼機的工業系統異常檢測方法[J].電信科學，2020，36（07）：136-145.

[7]王驥，李勝男.基于PCA的航空發動機關鍵部件異常狀態檢測[J].內燃機與配件，2019（15）：161-162.