基于深度學習的航空發動機磨損部位識別方法*

苗慧慧 曹桂松 孫智君 康玉祥 馬佳麗 陳 果

(1.中國航發上海商用航空發動機制造有限責任公司 上海 200241；2.南京航空航天大學民航學院 江蘇南京 210016；3.南京航空航天大學通用航空與飛行學院 江蘇溧陽 213300)

航空發動機潤滑系統中包含大量摩擦副，因其工作在高轉速的環境中，導致大量的磨損顆粒游離于潤滑油中[1]。而這些金屬磨粒成分及含量能夠反映發動機磨損狀態及磨損部位等信息，通過能譜分析檢測出金屬磨粒中各元素的相對含量，可為實現航空發動機磨損部位識別提供依據。而如何將能譜分析的數據映射至發動機磨損部位，是實現航空發動機磨損部位端到端智能識別的前提與關鍵。

近年來，隨著模式識別和人工智能技術的發展，模糊數學、D-S證據理論、神經網絡等理論和方法[2-3]在機械磨損部位識別中得到了應用。陳果和左洪福[4]提出了基于BP神經網絡和光譜分析方法的機械磨損部位識別方法，并驗證了所提方法的有效性與實用性。王琳等人[5]以光譜數據為輸入，采用BP神經網絡技術實現了某型航空發動機磨損部位的識別。孫濤和李冬[6]采用模糊矩陣和神經網絡方法，以光譜分析數據為基礎，以金屬元素濃度為判據，實現了發動機低壓壓氣機、中介機匣等8個部位的磨損識別。閆書法等[2]提出了一種基于主元分析和聚類分析的機械傳動系統磨損定位與狀態識別方法。此外，研究者還基于磨損信息采用深度學習方法對機械磨損狀態、材料牌號識別等進行了研究[7-8]。以上磨損部位識別方法中主要以光譜數據輸入，根據元素的濃度值判斷發動機相應磨損部位的故障模式，進而實現發動機磨損部位的識別。該類方法主要依據人工經驗實現對數據樣本的故障劃分，然后通過訓練模型實現磨損故障的識別。這類方法主要的不足在于其無法自主實現端到端的定位識別。此外，這些算法均假設檢測數據為理想數據，未考慮數據采樣的離散性等情況，且算法容易出現過擬合的情況。

深度學習因具有端到端的學習能力，近年來，在各類故障診斷領域取得了不錯的效果[9]。針對現階段航空發動機磨損部位識別方法存在的不足，本文作者基于磨損顆粒掃描電鏡能譜分析數據，提出了基于深度學習的航空發動機潤滑系統磨損部位識別方法模型。為避免在訓練過程中模型因梯度消失而導致的精度低的問題，以一維殘差網絡為特征提取的主干網絡，在此基礎上，采用能夠較好處理序列特征數據的長短期記憶網絡(Long Short Term Memory Network，LSTM)實現航空發動機磨損部位的定位識別。最后，采用航空發動機潤滑油能譜分析數據對模型進行驗證，以表明所提方法的正確有效性。

1 磨損部位識別的深度學習模型

1.1 一維卷積殘差網絡

當前，諸如卷積神經網絡(Convolutional Neural Networks，CNN)、殘差網絡(Deep Residual Networks，Resnet)等典型的深度學習模型均以二維的數據為輸入，通過模型映射后實現目標的分類與回歸。而航空發動機潤滑油中磨損顆粒能譜分析結果為一維序列數據，在將該數據直接應用于上述模型的過程中需采用一維卷積核作為計算單元，以達到學習序列數據中抽象特征的目的，進而實現航空發動機磨損部位識別。此外，相比于CNN模型，殘差網絡因引入殘差塊而提高了網絡的訓練與泛化能力[10]。鑒于此，文中提出了用于航空發動機磨損部位診斷識別的一維卷積殘差網絡，如圖1所示。其中，輸入為航空發動機潤滑油磨損中顆粒經過能譜分析后所得的33種元素質量分數，經過一維卷積殘差網絡計算后，輸出航空發動機磨損部位的29種材料牌號。一維卷積殘差網絡模型主要由4層殘差網絡、全連接層和LSTM網絡(LSTM通過自身的記憶功能能夠較好地處理長序列數據)組合而成。一維卷積殘差網絡模型參數設置如表1所示。其中卷積核大小為1×3，每層有2個殘差塊。

表1 一維卷積殘差網絡參數

圖1 航空發動磨損部位識別一維卷積殘差網絡模型

1.2 殘差網絡(Resnet)

為了解決隨著深度的增加，神經網絡出現性能退化以及梯度消失的問題。2015年HE等[11-12]提出了Resnet。Resnet的經典之處在于其引入了殘差塊的概念。如圖2所示為殘差塊結構。

圖2中，xl為第l個殘差塊的輸入；f(xl)為經過卷積、批歸一化、激活函數的殘差映射輸出；h(xl)是恒等映射輸出，該映射的目的是使得輸入xl和f(xl)具有相同尺寸，文中h=xl表示為殘差直連結構。g為Relu激活函數，如式(1)所示。

圖2 殘差結構塊

(1)

由圖2中殘差塊結構可知，多個殘差塊連接的殘差網絡數學模型為

xl+1=xl+f(xl，wl)

(2)

則第L層的輸出為

(3)

根據文獻[11]，可得網絡每層的梯度為

(4)

式中：wl表示第l層的權重；wi表示網絡第i層的權重。

1.3 長短期記憶網絡(LSTM)

LSTM神經網絡是一種隨時間遞歸的神經網絡[13]，其在RNN的基礎上加入了cell，用來判斷信息有用與否從而將其保留，且LSTM引入了“門限”(Gate)的概念，如圖3所示為LSTM的主要結構。

圖3 LSTM隱藏層Cell結構

其前向計算方法可以表示為

ft=σ(Wf[ht-1，xt]+bf)

(5)

it=σ(Wi[ht-1，xt]+bi)

(6)

(7)

(8)

ot=σ(Wo[ht-1，xt]+bo)

(9)

ht=ottanhCt

(10)

式中：xt為一維卷積殘差網絡經過全連接層后的第t個輸出；ft表示一個被遺忘的閾值，指示輸入閾值；ot表示輸出閾值；Ct-1是前一時刻的細胞狀態或候選向量；Ct是當前細胞狀態(當前循環發生)；ht-1是前一時刻的單位輸出；ht是當前單元格的輸出；σ()是σ函數；tanh是雙曲正切激活函數；W表示權重因子矩陣，分為為長短期記憶網絡中的一個LSTM單元中的Wf、Wi、Wc和Wo，分別對應遺忘門、輸入門、細胞狀態和輸出門；網絡參數b分別為LSTM單元中的bf、bi、bc和bo。

適合算法驗證的信息仍然存在，否則信息被遺忘，二進制提取的原理可以增加算法在重復運算中的訓練精度和準確率。

1.4 網絡訓練

采用Relu激活函數對LSTM網絡的輸出進行激活操作，應用如式(11)所示的交叉損失函數[14]；優化算法為Adam算法；學習率為0.000 1。

(11)

式中：I為分類類別總數；pi為Softmax分類函數的輸出，如式(12)所示，表示第i個類別的概率；yi為真實樣本標簽；vi表示模型輸出的29個數值(材料牌號)中第i個元素。

(12)

2 模型訓練與驗證

為了驗證所提模型用于航空發動機磨損部位識別的有效性，首先根據某型航空發動機所采用的29種材料牌號及每種材料牌號相應的33種元素質量分數(如表2所示為其中8種材料名稱及部分元素質量分數)，采用式(13)計算元素質量分數，基于仿真的方法，獲得29 000組樣本數據及相應的樣本標簽(其中，每種材料的仿真樣本數量為1 000個)；然后按照7∶3的比例劃分訓練集和測試集后，對模型進行訓練和測試；最后對訓練完成的模型采用真實的某型航空發動機潤滑油能譜分析數據對所訓練的模型進行驗證，并和Resnet18、Resnet34、CNN、LSTM等模型進行對比驗證。

表2 部分材料元素質量分數 單位：10-6

km=(ub-ul)×r1+ul

(13)

式中：km為材料的第m個元素質量分數；ub、ul分別為元素含量的上限和下限；r1為[0，1]之間的隨機數。

單個樣本生成過程中，首先產生33個隨機數r1，然后采用式(13)計算每個元素對應的質量分數。

2.1 模型訓練與測試

為說明一維卷積殘差網絡模型用于發動機磨損部位識別中的優勢，選用一維Resnet18、Resnet34、CNN以及LSTM 4種模型進行對比試驗驗證。4種模型的網絡參數如表3所示。試驗中采用的GPU為NVIDIA GTX1660 6G，處理器為i5-9600K，內存為8 G，運行系統為Windows10，編程語言為Python3.7，深度學習框架為Tensorflow1.15。設置批處理樣本量為64，迭代訓練100次。

表3 4種模型的網絡參數

如圖4所示為一維卷積殘差網絡在仿真數據集上每輪訓練中測試精度值變化曲線。以在測試集上的最大測試精度為前提，保存模型的訓練結果，為后續的模型驗證做準備。圖4中同時給出了一維Resnet18、Resnet34、CNN以及LSTM算法的測試精度值變化曲線。可看出，文中一維卷積殘差網絡和Resnet34網絡的最終測試精度最高，為100%；其次是Resnet18和LSTM，精度分別為99.32%、98.85%；最后是CNN網絡模型，精度為97.2%。結果顯示相比Resnet18、LSTM、CNN等模型，文中算法具有更高的測試精度，而Resnet34雖然和文中模型具有相同的測試精度，但是相比于Resnet34，文中模型具有更少的模型參數。

圖4 模型測試結果

為驗證算法的有效性，對每種算法分別進行了10次訓練，如圖5所示為各個算法的10次測試結果。圖中結果顯示，文中的一維卷積殘差網絡模型相較其他幾種算法的測試精度更高，且10次的計算結果偏差更小。

圖5 10次訓練測試結果

2.2 航空發動機磨損顆粒能譜數據驗證

為驗證所提算法用于實際航空發動機磨損部位識別的有效性及精度，采用實際的20例能譜檢測數據進行驗證，部分檢測數據如表4所示。表中列出了經過掃描電鏡能譜分析后所得材料元素的質量分數及由專家診斷后所得的材料牌號及磨損部位。表中未羅列出的元素質量分數為0。

表4 能譜檢測結果及診斷結果

將表4中的數據輸入至已經訓練完成的深度學習模型中對模型進行進一步的驗證。表5所示為各個模型針對表4中的數據進行識別的結果。表中羅列了輸出最大概率的5種材料類別(Top-5[15])中前3種的材料牌號。其中黑體表示該類別與表4中專家給定的類別相同。

表5 模型識別結果

針對真實的航空發動機磨損顆粒能譜分析數據，通過統計分析及對多種模型識別結果的對比，可以看出文中的一維卷積殘差網絡模型能夠準確識別出磨損部位的材料牌號，進而實現磨損定位。針對所有樣例數據的識別結果表明，LSTM、Resnet34、Resnet18、CNN、文中模型輸出的Top-5的識別準確率(Top-5中是否包含正確類別的概率)分別為85.0%、90.0%、80.0%、70.0%、95.0%。結果顯示，文中模型能夠識別出材料牌號的準確率最高，其次是Resnet34和LSTM，CNN的識別效果最低。統計結果也進一步說明文中模型用于對磨損定位識別的有效性，可以將該模型用于針對航空發動機的磨損部位識別。

2.3 含氧元素的航空發動機磨損數據

實際的航空發動機磨損顆粒經過掃描電鏡能譜分析所得的部分結果中氧元素占比較高，嚴重干擾了航空發動機磨損部位的精確識別。鑒于此，經過專家建議，針對氧元素質量分數大于10%的檢測結果，算法直接輸出為“氧化物”的結果，對于氧元素質量分數小于10%的數據，采用將氧元素質量分數置零后，其余各元素質量分數再分配的方法，重新計算各元素的質量分數，然后將所得的數據用于磨損部位識別診斷中。表6所示為部分含氧數據處理的結果及相應的文中模型的識別結果。

表6 去掉氧元素的數據處理結果及模型識別結果 單位：%

表6中結果顯示，在將氧元素去除后，模型能夠有效識別出材料的牌號，說明文中算法具有較好的魯棒性，也進一步驗證了文中算法能夠用于航空發動機磨損部位的識別。

2.4 含噪聲的航空發動機磨損數據驗證

進一步，為驗證所提模型的泛化能力，在式(13)的基礎上增加高斯噪聲r2，生成帶高斯噪聲的樣本數據。如式(14)所示。

k=(ub-ul)×r1+ul+r2

(14)

采用仿真的方法，將r2分別設置為[-2，2]和[-5，5]范圍內的高斯隨機數，獲得兩批29 000組樣本數據，在對多種方法分別進行訓練后，同樣采用上述真實的航空發動機磨損顆粒能譜分析數據對所訓練完成的模型進行驗證。兩批樣本數據中各個模型測試的精度曲線如圖6、7所示。針對r2∈[-2，2]的情況，文中所提一維卷積殘差網絡和Resnet34網絡的最終測試精度最高，達到了100%，其次是Resnet18和LSTM，精度分別為99.09%、97.37%，最后是CNN網絡模型，精度為96.03%。針對r2∈[-5，5]的情況，文中所提一維卷積殘差網絡和Resnet34網絡的最終測試精度同樣最高，達到了100%，其次是Resnet18和LSTM，精度分別為98.56%、97.79%，最后是CNN網絡模型，精度為96.25%。對比兩批噪聲樣本數據的訓練結果可以看出，文中所提的一維卷積殘差網絡和Resnet34具有更高的精度和更好的收斂性。

圖6 噪聲為[-2，2]的訓練結果

進一步，應用表3中的數據對所訓練的模型進行驗證。取Top-5結果中是否包含實際的材料牌號為依據驗證算法的準確性。統計結果如表7所示。

表7中結果顯示，對于噪聲為[-5，5]范圍內的模型測試結果要普遍低于噪聲范圍為[-2，2]范圍內的測試結果。5種方法中Resnet34、Resnet18和文中模型依然具有較高的磨損部位識別精度，其次是LSTM，最后是CNN模型。

圖7 噪聲為[-5，5]的訓練結果

表7 增加噪聲后模型識別結果

3 結論

(1)提出一種基于一維卷積殘差網絡的航空發動機磨損部位識別模型，該模型不需要人工特征提取，直接將原始油液數據作為模型的輸入，在模型的輸出端即為磨損部位的識別結果，節省了使用者的操作難度；引入四層殘差網絡，通過直接映射的方式，避免了模型擬合和梯度消失問題；采用的LSTM網絡能夠較好地處理序列特征數據，更好地實現了航空發動機磨損部位的定位識別。

(2)采用某型發動機的滑油監測檢測數據，通過多種深度學習模型的比較，驗證了所提算法具有很高的磨損部位識別精度，證明算法具有較高的工程應用價值，可以用于針對航空發動機磨損部位的識別。