基于深度置信网络的涡扇发动机气路故障诊断研究

吴斌 丁华阳 黄帅

摘要：为了提高发动机气路部件性能衰退故障的诊断精度，针对传统的浅层神经网络在诊断时存在泛化能力欠缺、易产生局部最优解等问题，引入了深度置信网络（DBN）对发动机部件性能衰退故障进行诊断研究。以涡扇发动机为对象，从诊断精度、计算时间、抗噪能力3个方面综合比较分析了DBN算法与核极限学习机（KELM）算法。结果表明，DBN算法在低、中、高水平噪声下的诊断精度分别为89.44%、88.38%和86.59%，诊断精度和抗噪声能力明显优于KELM算法，且诊断速度更快。

关键词：深度置信网络;航空发动机;气路部件;故障诊断

0 引言

压气机、涡轮等气路部件的性能对于航空发动机具有重要影响。气路部件性能衰退故障会严重影响发动机性能，甚至会引起发动机的超温、超转故障。因此，对发动机气动热力参数进行分析，实现对发动机气路部件的状态和故障识别，有利于早期发现设备异常，迅速查明故障原因，从而达到视情维修，保障发动机安全、可靠工作的目的[1-2]。

目前发动机气路部件故障诊断技术主要分为三大类：基于模型的故障诊断技术、基于数据驱动的故障诊断技术和基于知识规则的故障诊断技术。其中，基于模型和数据驱动的故障诊断方法研究和应用最为广泛，但基于模型的故障诊断方法需要精度较高的发动机模型，因此在缺乏模型的条件下，采用基于数据驱动的诊断技术更为实用。

基于数据驱动的故障诊断方法以神经网络的应用最为广泛，典型的包括基于梯度训练的BP、RBF等浅层神经网络，这些神经网络算法存在泛化能力欠缺、易产生局部最优解等局限性。为有效解决该问题，国内外研究重点在于多层、多节点的复杂神经网络，其中以深度学习和深度置信网络（DBN）的应用最为广泛[3]。

本文引入DBN对发动机气路故障诊断进行研究，给出了神经网络算法的实现过程，并与已有的核极限学习机（KELM）进行比较，对比验证DBN在发动机气路故障诊断中的有效性。

1 深度置信网络原理

DBN一般包含多层结构，如果对多层节点同时进行训练会导致复杂度非常高，因此一般采用Wake-Sleep算法，该算法主要分为2个步骤：

（1）自底向上的无监督学习（Wake阶段），该阶段首先将训练数据进行特征和类标签的分离，通过数据的特征和向上权重（认知权重）产生每一层的抽象表示，并利用梯度下降法修改层间的下行权重（生成权重），再使用无标签的训练集对n-1层进行训练，训练方法是贪婪无监督的训练方法，将所得结果作为n层的输入继续训练，依此类推，从而得到各层的参数[4];

（2）自顶向下的监督学习（Sleep阶段），该阶段的本质就是利用带有期望输出的训练数据去训练网络，网络输出和期望输出之间的误差自顶向下传输，在传输的过程中对网络参数进行微调，通过这种自顶向下的监督学习，达到使权重矩阵全局最优的目的。

DBN是在每一层堆积多个受限波尔兹曼机（RBM）形成一个多层的深度学习结构，这些RBM能够完成自底向上的非监督学习。而在最上层，设置一个BP网络用作深度学习中自顶向下的监督学习。其中，RBM的训练一般采用对比散度算法[5]。

2 基于DBN的涡扇发动机气路故障诊断原理

航空发动机的正常运行离不开各个部件的共同工作与相互作用。某型涡扇发动机部件结构示意图如图1所示，图中数字为发动机截面标识。

随着发动机使用时间的增加，包括风扇、压气机和涡轮在内的各个气路部件不可避免地由于腐蚀或积垢而性能退化[6]。

基于数据驱动的发动机故障模式识别，根据发动机性能变化导致的测量参数变化来定位故障部件，为后续的设备维修提供参考依据。本文以涡扇发动机为研究对象，利用DBN对其气路故障模式进行识别。涡扇发动机8个健康参数为SE1（风扇效率）、SW1（风扇相对流量）、SE2（压气机效率）、SW2（压气机相对流量）、SE3（高压涡轮效率）、SW3（高压涡轮相对流量）、SE4（低压涡轮效率）、SW4（低压涡轮相对流量）。

本文共选取10个传感器参数作为DBN的输入数据，分别是NL（低压转速）、NH（高压转速）、T22（压气机进口温度）、P22（压气机进口压力）、T3（压气机出口温度）、P3（压气机出口压力）、T43（高压涡轮出口温度）、P43（高压涡轮出口压力）、T5（低压涡轮出口温度）、P5（低压涡轮出口压力）。

根据故障位置和退化程度，可将发动机气路部件故障分为13种模式[7]，每种模式对应的健康参数变化情况如下：

Ⅰ：SE1=99.5%，SW1=99%;

Ⅱ：SE1=99%;

Ⅲ：SE2=99.3%，SW2=99%;

Ⅳ：SE2=99%;

Ⅴ：SW2=99%;

Ⅵ：SW3=101%;

Ⅶ：SE3=99%，SW3=99%;

Ⅷ：SE3=99%;

Ⅸ：SE4=99%;

Ⅹ：SE4=99.6%，SW4=99%;

Ⅺ：SW4=99%;

Ⅻ：SE4=99.4%，SW4=101%;

育：无故障模式。

将各个模式对应的健康参数变化量注入某型涡扇发动机的数学模型中，即可得到每种模式对应的传感器测量参数。将这些测量参数分别作为训练和测试样本，首先使用训练样本训练DBN，获得深度神经网络模型。测试时，根据得到的深度神经网络模型对测试样本进行分类，计算在不同噪聲情况下的分类准确率、训练时间和测试时间，并就诊断精度和仿真时长与核极限学习机（KELM）进行比较。

3 数字仿真验证

为了验证本文所研究的DBN模式分类器的泛化性能，在航空发动机飞行包线内选取了5个点作为训练点，选取3个点作为测试点。训练点的（H，Ma）为（0，0）（2，0.8）（8，0.7）（12，1.1）（5，1.3），测试点的（H，Ma）为（2，0.2）（4，0.8）（8，1），其中H为高度，单位为千米，Ma为马赫数。

在不同包线点100%转速条件下，对模型注入任意一种模式，得到连续100组故障数据，分别对其加入0.1%、1%和2%的高斯白噪声，因此每种噪声水平下共有100×13×5个训练样本。采用同样的方法处理测试数据，获得不同程度噪声下的测试数据（0.1%、1%和2%高斯噪声分别对应低、中、高水平噪声）。

3个测试点在不同噪声水平下的诊断精度如表1所示。

从表1可以看出，在不同的噪声水平下，DBN的平均诊断精度都大于85%，优于KELM，这表明DBN在大样本、高维度的情况下仍然具备优秀的故障诊断能力，能适应航空发动机不同的飞行条件，泛化性能有所提升。

DBN和KELM在不同模式下的诊断精度对比如图2所示，3幅图分别对应（H，Ma）为（2，0.2）（4，0.8）（8，1）下的仿真结果，其中Total为13个模式的平均诊断精度。

由图2可以看出，在不同工作点和故障模式下，DBN均表现出更优秀的故障诊断能力。此外，DBN在不同噪声水平下的平均训练时间为0.17 s，平均测试时间为0.016 s，快于KELM的2.1 s和0.04 s，体现了更出色的诊断速度和演算能力。

4 结语

本文将DBN和KELM算法应用于涡扇发动机气路性能衰退故障的诊断，通过在不同工作点和不同噪声水平下的综合比较分析，得出以下结论：

（1）DBN算法的平均诊断精度大于85%，明显优于KELM，能够应用于航空发动机不同工作条件下的气路故障诊断。

（2）与KELM相比，DBN的诊断时间更短，抗噪声能力更强，具有更快的诊断速度和更出色的计算能力。

[参考文献]

[1] 李冬，李本威，孙涛，等.基于距离代价函数和信息熵的发动机性能参数估计研究[J].推进技术，2013，34（11）：1557-1566.

[2] 皮骏，黄江博.基于IPSO-Elman神经网络的航空发动机故障诊断[J].航空动力学报，2017，32（12）：3031-3038.

[3] 王蕾，张宝昌.深度学习最新研究进展综述[J].中国科技论文在线精品论文，2015，8（6）：510-517.

[4] 张春霞，姬楠楠，王冠伟.受限玻尔兹曼机简介[J].工程数学学报，2013（2）：159-173.

[5] 安琪.基于深度置信网络的入侵检测研究[D].兰州：兰州大学，2016.

[6] LU F，CHEN Y，HUANG J Q，et al.An integrated nonlinear model-based approach to gas turbine engine sensor fault diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part G：Journal of Aerospace Engineering，2014，288（11）：2007-2021.

[7] HUANG J Q，FENG M，LU F.Turbo-fan engine fault diagnosis based on adaptive particle filtering[J]. Journal of Aerospace Power，2014，29（6）：1498-1504.

收稿日期：2020-08-27

作者簡介：吴斌（1985—），男，江苏大丰人，博士，工程师，研究方向：航空发动机数字电子控制系统。