ELM在航空发动机气路部件故障诊断的应用研究

王小雷,　林学森,　杨欣毅

(1.中国人民解放军91715部队82分队,广东 广州　510750;2.海军航空工程学院 飞行器工程系,山东 烟台　264001)



ELM在航空发动机气路部件故障诊断的应用研究

王小雷1,林学森2,杨欣毅2

(1.中国人民解放军91715部队82分队,广东 广州510750;2.海军航空工程学院 飞行器工程系,山东 烟台264001)

摘要：针对航空发动机故障呈现复杂性、多样性、非线性等特点,运用传统的BP、ELman神经网络进行发动机气路部件故障诊断存在网络训练参数设置复杂,迭代次数多,训练速度慢,泛化能力欠缺等问题。为此提出利用极限学习机(Extreme Learning Machine,ELM)法识别涡扇发动机气路部件故障。该方法通过为输入权和隐藏层偏置随机赋值,利用MP逆求解输出权值。以某型涡扇发动机为对象,进行ELM、 BP、ELman气路部件故障诊断比较研究,实验结果验证了利用ELM识别涡扇发动机气路部件故障的精确性、快速性、稳定性。

关键词：航空发动机; 气路部件; 故障诊断; 极限学习机(ELM)

1引言

航空发动机气路部件故障对飞机影响巨大,在飞行过程中,航空发动机气路部件一旦发生故障,后果不堪设想,轻则对飞机的飞行性能造成一定的影响,重则有可能机毁人亡,造成重大损失,所以对航空发动机气路故障诊断一直受到高度重视[1]。

目前,应用比较广泛的航空发动机气路部件数据驱动的方法是神经网络法,而在神经网络中应用较多的是BP神经网络和ELman神经网络。传统的BP神经网络和ELman神经网络等方法构造信度函数矩阵,网络训练参数设置复杂,迭代次数多,训练速度慢,泛化能力欠缺,容易产生局部最优解,存在一定的随机性和片面性,可信度较差。为了提高发动机气路部件的安全性能和可靠性能,必须采用先进的技术手段,来预防或者提前检测航空发动机气路部件的故障。针对发动机故障多样性和复杂性等特点,本研究提出了一种基于极限学习机(ELM)[2]的航空发动机气路部件故障诊断方法,极限学习机据有批处理,不迭代,训练和测试速度快的特点。

为了验证ELM的优越性,在本文中将分别利用ELM、BP和ELman三种方法对涡扇发动机气路部件故障进行诊断,并对诊断结果进行分析。

2ELM的理论分析

误差反向传播神经网络[3](back-propagationneuralnetworks),简称BP神经网络,它是一种反向传递并修正误差的多层映射网,它由输入层、中间层和输出层组成,中间层也就是隐层,可以使一层或多层。BP神经网络的学习过程分为两部分组成:正向传播和反向传播。当正向传播时,信息从输入层经隐单元层处理后传向输出层,每一层的神经元的状态只影响下一层神经元的状态。如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回。返回过程中,逐一修改各层神经元连接的权值。这种过程不断迭代,最后使误差信号达到允许的范围之内。

ELman神经网络[4]是一种典型的局部回归网络(globalfeedforwardlocalrecurrent),ELman神经网络一般分为四层:输入层、中间层(隐含层)、承接层和输出层,,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用,隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,用来记忆隐含层单元前一时刻的输出值,可以认为是一个反馈。

在极限学习机(ELM)中,输入权值和隐含层偏差被随机初始化给定,输出权值矩阵利用广义逆(MP)计算得到。相比传统前馈神经网络,ELM学习速度更快、精度更高、参数调整简单,已经得到不少学者的关注研究,但在实际应用过程中,为了达到理想的误差精度,ELM通常需要大量的隐含层节点。

(1)

式中:L为隐层节点个数;wj=[ωj1,ωj2,…,ωjn]T为连接第j个隐层节点和输入节点的权重向量;β=[βj1,βj1,…,βjm]T为连接第j个隐层节点和输出节点的权重向量;bj是第j个隐层节点的偏置。式(1)可简写为

(2)

(3)

式中:H是隐含层神经输出矩阵,H的第i列是关于输入x1,x2,…,xn的第i个神经元的输出。由于隐层输入权值和阈值不需要调整可以任意赋值,当给定ωi和bi后,训练单隐藏层前馈神经网络就等于求线性系统Hβ=T的最小二乘解β=H+T=(HTH)-1HTH,这里H+表示隐含层输出矩阵{(xi,ti)|xi∈Rm,i=1,2,…,N}的MoorPenrose广义逆。

ELM的学习算法为:给定一个训练样{(xi,ti)|xi∈Rm,i=1,2,…,N},激活函数g(x),隐层神经元L,具体步骤如下:

步骤一:随机设定隐层的权值ωi和阈值bi,i=1,2,…,L。

步骤二:计算隐层输出矩阵H。

步骤三:计算隐层矩阵H的逆矩阵。

步骤四:计算输出层权值β:

(4)

其中:T=[t1,t2,…,tN]T。

3航空发动机气路故障诊断

3.1涡扇发动机气路部件故障诊断原理[5]

航空发动机气路部件主要分为:低压压器机、高压压气机、燃烧室、高压涡轮、低压涡轮和尾喷管等。

在这些部件之上,可以测量的参数有:低压压气机转速(低压涡轮转速)、高压压气机转速(高压涡轮转速)、高压压气机后压力、低压涡轮后压力、高压压气机后温度、低压涡轮出口温度、尾喷管出口温度、耗油量等。一般将这些参数作为标致航空发动机是否正常的重要参数,在正常工作的情况下,这些参数都是稳定在一定的值之内的,当这些参数超出正常工作的参数范围时,则表明该部件出现故障,如图1所示。

图1　故障判断原理Fig.1　Diagram of fault decision

3.2涡扇发动机气路部件故障诊断

为了研究采用极限学习机(ELM)判断航空发动机气路部件故障,本文将ELM与BP神经网络和ELman神经网络进行比较,并验证极限学习机在航空发动机气路部件故障诊断中的优势,利用航空发动机气路部件模拟软件GSP[6],选择涡扇发动机气路部件模型,选取10个指标作为数据测量点,如表1所示。

表1　测量的参数Tab.1　Measurement Parameters

在测量这10个指标时,选择衰减步长为-0.001,衰减范围为[-0.001,-0.05],分别生成风扇(低压压气机)的流量衰减数据50组,效率衰减数据50组,压比衰减数据50组;高压压气机的流量衰减数据50组,效率衰减数据50组,压比衰减数据50组;高压涡轮的流量衰减数据50组,效率衰减数据50组;低压涡轮的流量衰减数据50组,效率衰减数据50组,总共生成500组衰减数据,也就是得到500组有衰减的情况下,这10个指标的测量数据。然后,生成一组在没有衰减情况下,这10个指标的测量数据,也就是得到10个正常的的测量数据,与之前的500组衰减数据共同构成501组训练数据。

将测量所得到的每一项数据进行归一化处理,如高压压气机转速NH,用高压压气机测量转速减去高压压气机最小转速所得的绝对值,除以高压压气机最大转速减去高压压气机最小转速,即

(5)

同理,分别对低压压气机转速NL,高压压气机后压力P3,低压涡轮后压力P6,高压压气机后温度T3,低压涡轮出口温度T6,尾喷管出口温度T8,尾喷管出口压力P8,发动机推力FN和耗油量Tsfc进行归一化处理。

经过归一化处理后得到一个501组这10个指标的数据,即归一化后500组衰减数据,1组正常数据,将前500组数据中,同一种测量指标中采用的相同衰减方式的标上同一个序号,依次标上1,2,3,4,5,6,7,8,9,10,作为训练数据。

通过实验验证得到ELM的测试精度与隐含层节点[7]的关系如图2所示。

图2　ELM的测试精度与隐含层节点的关系Fig.2　Testing accuracy varies with the number of ELM hidden nodes

分析可知当隐含层节点为35时,测试精度最高为94.03%,所以在故障诊断中选取ELM的隐含层节点为35个。

该数据均在MatlabR2013a环境下运行的,运行电脑处理器为AMDA6-3420MAPU,1.5GHz,内存为4.00GB,64位操作系统。

利用501组训练数据分别对ELM、BP和ELman进行训练,然后对50组测试数据进行测试,分别训练和测试20次,得到结果如图3所示。

图3　训练时间比较图Fig.3　Comparison of training time

由图3分析可知,ELM的训练时间最短,且训练时间波动最小,为[0.000 0,0.405 6],BP的训练时间最长,训练时间的波动最大为[17.752 9,92.227 8],ELman的训练时间和波动在两者之间,波动范围为[9.188 5,24.320 6]。

图4　测试精度比较图Fig.4　Comparison of training testing accuracy

由图4分析可知,ELM,BP,ELman这三种方法的测试精度非常接近,其中ELM和BP的测试精度最高,且最稳定,波动范围为[0.980 0,1.000 0]和[0.900 0,1.000 0],而ELman的波动范围最大,为[0.720 0,0.980 0]。

图5　测试时间比较图Fig.5　Comparison of training testing time

由图5分析可以明显发现,ELM的测试时间最短,波动最小,为[0.000 0,0.124 8],其次是ELman的测试时间较短,波动为[0.124 8,0.327 6],BP的测试时间最长,波动最大,为[0.234 0,0.468 0]。

将501组训练数据和50组测试数据分别用ELM,BP,ELman这三种方法进行训练和测试,且采用三种方法各分别训练和测试20次,得到训练时间、测试精度和测试时间如表2所示。

分析可知,ELM的训练时间最短,平均训练时间为0.099 8秒,且训练时间波动最小,训练时间方差为0.007 0;BP的训练时间最长,训练时间为ELM的411倍,训练时间的波动最大,方差为ELM的41390倍;ELman的训练时间和波动在两者之间,训练时间为ELM的212倍,方差为ELM的1 333倍。由此可得,ELM的训练时间最短且最稳定。

表2　ELM、BP和ELman三种方法比较Tab.2　Performance comparison of ELM,BP and ELman

ELM,BP,ELman这三种方法的测试精度非常接近,其中BP和ELM的测试精度最高,且最稳定。

分析可以发现,ELM的测试时间最短,平均测试时间为0.042 9秒,测试时间方差为0.001 6;其次是ELman的测试时间较短0.179 4,为ELM的4倍,测试时间方差为0.001 6,与ELM相同;BP的测试时间最长,为0.269 1秒,为ELM的6倍,测试时间方差为0.002 5,为ELM的1.56倍。综合可知ELM的测试时间最短且最稳定。

4结论

通过应用极限学习机对涡扇发动机气路部件的故障诊断,并与应用BP和ELman进行涡扇发动机气路部件故障诊断进行比较,得出以下结论:

(1) 运用ELM法进行故障训练时,能够在保持方差低于BP和ELman的前提下,大大缩短训练时间,平均训练时间为BP的平均训练时间的1/411,为ELman的平均训练时间的1/212,有利于进行大数据训练时提高精度并减少时间。

(2) 运用ELM法进行故障诊断测试时,在保持比ELman精度高,与BP精度几乎一样的前提下,测试时间大大缩短了,为BP的1/6,为ELman的1/4,有利于在进行大数据故障测试时节约大量时间,且能够保持稳定的精度。

(3) 运用ELM法进行故障测试时,与BP、ELman比较,多次测试所得的方差,即训练时间方差、测试精度方差和测试时间方差均是最小,模型的稳定性最好。

参考文献:

[1]李应红,尉询楷.航空发动机的智能诊断、建模与预测方法[M].北京:科学出版社,2013.

LIYinghong,WEIXunkai.Intelligentdiagnosis,modelingandpredicationmethodforaeroengine[M].Beijing:SciencePress,2013.

[2]HUANGGuangbin,ZHUQinyu,SiewCheekheong.Extremelearningmachine:theoryandapplications[J].Neurocomputing,2006,70(1/2/3):489- 501.

[3]田雨波.混合神经网络技术[M].北京:科学出版社,2009.

TIANYubo.Technologyonmixneuralnetwork[M].Beijing:SciencePress,2009.

[4]任丽娜.基于Elman神经网络的中期电力负荷预测模型研究[D].兰州理工大学,2007.

RENLina.MiddletermelectricpowerloadpredictionbasedonElmanneuralnetwork[D].Lanzhouuniversityofscienceandengineering,2007.

[5]范作民,孙春林,白杰.航空发动机故障诊断导论[M].北京:科学出版社,2004.

FANZuoming,SUNChunlin,Baijie.Introductiontoaeroenginefaultdiagnosis[M].Beijing:SciencePress,2004.[6]VisserWPJ,KogenhopO.Aqenerieapproachforgasturbineadaptivemodeling,[R],NLR-TP-2004-391.

[7]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2011.

ZHANGDefeng.ApplicationsanddesignofNeuralnetworkusingMatlab[M].Beijing:MechanicalIndustryPress,2011.

王小雷男(1989-),湖南莱阳人,学士,主要研究方向为发动机维修与故障诊断。

林学森男(1990-),山东潍坊人,博士研究生,主要研究方向为发动机状态监控与故障诊断。

中图分类号：TP 183

文献标识码：A

Research on ELM Application in Aeroengine gas Path Components Fault Diagnosis

WANG Xiaolei1,LIN Xuesen2,YANG Yinyi2

(1.ChinaPLA91715Forces,82Unit,Guangzhou510750China;2.NavalAeronauticalEngineeringInstitute,Yantai264001,China)

Abstract：The aeroengine gas path component faults have the characteristics of complexity,diversity and nonlinear.When applied traditional BP and ELman into aeroengine gas path components fault diagnosis,there exist some problems as complex setting of network parameters,multiple iterations,slow training speed and poor generation performance.In order to solve these problems,Extreme Learning Machine(Extreme Learning Machine,ELM)method was used to aeroengine gas path components fault diagnosis.This method randomly assigned input weights and biases and calculate output weights by Moore-penrose,pseudo- inverse.ELM,BP and ELman were studied and compared on a certain type of turbofan engine.The results verify the diagnostic accuracy,quickness and stability of ELM.

Key words：aircraft engine; gas path components; fault diagnosis; extreme learning machine(ELM)