基于CNN-MSLSTM的航空发动机滑油监测方法研究

马 敏， 王 涛

(中国民航大学电子信息与自动化学院，天津300300)

1 引 言

航空飞机因机械故障引发的重大事故中，大约有40%是由于发动机故障导致的，而其中由于发动机磨损失效导致的事故占80%以上[1]。通过实时监测发动机的磨损状态，可在故障初期及时发现问题，较大程度地避免灾难性事故的发生。

发动机零部件表面脱落的磨粒进入润滑系统，滑油中磨粒的变化能够较为准确地反映发动机磨损情况[2]。目前，国内外针对于航空发动机滑油检测的方法一般分为在线监测和离线检测两种[3]。在线监测技术一般是利用在航空发动机上安装信号式油滤或磁性螺堵，对滑油中的磨损物含量进行在线监测，当其超过设定指标时报警，待发动机停车后进行深入的检查[4]。离线检测技术效果更佳，即定期对所监测的发动机进行滑油取样，对采集到的油样进行离线分析，离线检测的主要方法有铁谱分析法、光谱分析法、磁塞分析法等[6]。铁谱分析法是20世纪70年代发明的一种新的机械磨损检测方法，既能读出微粒的相对浓度，也能对微粒的物理性能作出进一步分析[7]；光谱分析法是根据物质的光谱来鉴别物质，确定其化学组成和相对含量的方法，能够检测5 μm以下的磨粒，可靠性高[8]；磁塞检测法是在飞机、轮船和其它工业部门中长期采用的一种检测方法，该方法主要检测10 μm以上的大磨粒[9]。

近年来,随着模式识别和人工智能技术的发展，模糊数学、灰色系统、神经网络、D-S证据理论等理论和方法在发动机滑油检测中得到了应用，并取得了一定的成果[6～8]。然而由于磨粒的多样性和复杂性,单一的神经网络受到一定的局限，不能同时提取数据的多维特征和多尺度特征，从而不能全面反映滑油管道内的磨粒状态，难以获得理想的诊断效果[9]。针对上述缺陷，本文提出了一种基于CNN-MSLSTM网络的滑油在线监测方法，提取原始测量数据在空间维度和时间维度的高级特征。该方法学习能力强、可靠性高，能够较为准确地监测航空发动机的磨损状态，分析发动机的工作状况。

2 航空发动机滑油在线监测需求分析

航空发动机各零部件之间相互接触，在摩擦副的运动过程中产生摩擦，进而产生零部件的磨损。关于航空发动机磨损发展与状态监测的理想表示如图1所示。

图1 航空发动机磨损发展与状态监测的理想表示Fig.1 An ideal representation of aeroengine wear development and condition monitoring

由图(1)可知，航空发动机滑油监测主要监控滑油管道内金属元素浓度及其增长率。通过提取ECT(Electric Capacitance Tomography的简称，电容层析成像)监测滑油数据的有效特征[10]，得到磨粒浓度及其增长率的变化信息，及时了解发动机动态磨损变化情况，起到在线预警的作用。某型号航空发动机磨损状态诊断判别表如表1所示,该发动机磨损状态Fe元素界限值如表2所示。

3 深度学习理论基础

3.1 卷积神经网络(CNN)

卷积神经网络(convolutional neural network，CNN)可在复杂的环境和背景下处理问题，利用权值共享的特性，将数据的局部特征集成到多层感知器中，对故障的识别与诊断具有良好的性能[11～15]。典型的卷积神经网络由输入层、卷积层、池化层和全连接层组成，网络结构如图2所示。

表1 某型号航空发动机磨损状态诊断判别表Tab.1 A certain type of aero-engine engine wearchange fault diagnosis discriminant

表2 某型号航空发动机磨损状态Fe元素界限值表Tab.2 Fe element limit value table for acertain type of aeroengine wear

图2 CNN结构图Fig.2 CNN structure diagram

3.2 长短期记忆(LSTM)网络

长短期记忆(long short-term memory，LSTM)神经网络是为了解决循环神经网络在训练过程中的梯度消失和梯度爆炸问题而提出的，对于处理时间序列的信号具有良好的性能。LSTM由输入门、忘记门、输出门和记忆单元组成[16]。

LSTM网络结构如图3所示：x(t)表示当前时刻的输入；fg表示sigmoid激活函数；h(t-1)，h(t)分别表示LSTM前一时刻和当前时刻的输出；bi、bf、bo、bc分别表示输入门、忘记门、输出门和前一时刻的偏置；i(t)、g(t)、o(t)分别表示当前时刻输入门、忘记门、输出门的输出；C(t)表示新的记忆单元状态;yg(t)为前一时刻的输入对目前的影响。

图3 LSTM网络结构Fig.3 LSTM network structure

3.3 CNN-MSLSTM网络模型

单一的CNN和LSTM只能获取数据在空间维度或时间维度的一维特征，然而对ECT滑油监测数据的特征提取时，不仅需要考虑同一时刻、不同传感器之间的电容值，还需要考虑数据在时间维度上的变化，显然单一的CNN和LSTM不能满足滑油监测需求。针对航空发动机滑油监测需求及监测数据特点，结合CNN和LSTM在提取数据特征时的优势，提出了一种双通道网络模型CNN-MSLSTM。

首先引入一个简单的粗粒度过程来获得多个尺度下的电容数据。测得的原始电容值数据为x={x1,x2,…,xn}， 共有n组电容值，其中每组xi均有66个电容值。对数据集构造粗粒度信号y(S)， 对原始信号xi中的数据点进行平均，同时增加长度为S(也称为比例因子)的非重叠窗口。图4显示了数据在时间维度上的3尺度粗粒度过程。

图4 电容数据粗粒度过程Fig.4 Capacitance data coarse-grained process

实际上，粗粒度操作是同时对原始信号进行逐次平滑和下采样，可视为一个简单的通过移动平均线与非重叠窗口的低通滤波过程，对高频扰动和随机噪声具有一定的滤波效果。粗粒度操作实现简单，可以降低模型复杂度和计算成本。如图4所示，对于不同尺度因子，我们可以得到多个滤波信号，每个滤波信号对应于原始信号不同尺度的平滑表示。

图5 CNN-MSLSTM网络结构Fig.5 CNN-MSLSTM network structure

样本从左右两个通道输入神经网络。左边的为CNN网络，最后一层有n个神经元的输出，输出维度为1×n的特征向量：

(1)

右通道为MSLSTM网络，序列长度为n，融合的特征表达的输出维度为m，输出n×m维的特征向量：

(2)

通过Attention机制，将两个通道的特征表达进行融合，融合的特征表达具有时间和空间维度上的特征。

Attention层的结构如图6所示，特征融合的过程如式(3)～式(6)所示。

图6 Attention层结构Fig.6 Attention layer structure

(3)

(4)

(5)

fmap=[f1,f2,…,fn]

(6)

式中：Wa为n×m维的权值矩阵；ba为偏置项。

4 算例分析

4.1 构造数据集

航空发动机滑油管道直径只有大约10 mm，为了兼顾传感器安装工艺水平及测量的精度和实时性，选择12电极的ECT系统采集电容数据，采用单电极激励方式[17]。传感器的结构，激励E1电极时静电场内的电场线分布，如图7所示。

图7 ECT电容传感器Fig.7 ECT capacitive sensor

设计了基于ECT系统的航空发动机滑油监测数据采集实验。实验用到的铁屑和滑油如图8所示，数据采集装置如图9所示。

图8 实验铁屑和滑油Fig.8 Experimental iron filings and oil

图9 ECT数据采集系统实验台Fig.9 ECT data acquisition system test bench

数据采集过程中，将滑油倒入ECT管道内，利用循环泵使滑油流动起来，动态模拟各种磨损状态下滑油在飞机滑油管道内的流动状态，按照表3的采集步骤，控制添加铁屑的速率和浓度，利用数据采集设备采集数据。为了节约实验材料，调整各个磨损状态的采集顺序，最后采集状态3、6、9的电容值。

将归一化的数据按时间轴和空间轴依次排列，组成二维矩阵的形式，每种磨损状态标签对应着一个二维矩阵，构成一个9×66×2 000的数据集。

表3 数据采集实验步骤Tab.3 Data acquisition experiment steps

4.2 网络分类性能标准

发动机磨损状态诊断问题是一个多分类问题，采用F1评分进行性能评价比较，其定义为：

(7)

(8)

(9)

式中：TA为正确诊断为A类的样本数；DA为诊断为A类的样本数；ZA为真实的A类样本数；PA为A类的诊断准确率；RA为A类的召回率。在接下来的实验中，将用该方法计算出网络对于每一类(磨损状态)的F1得分。

4.3 CNN-MSLSTM和CNN、LSTM网络性能比较分析

在本研究中，网络的训练和测试都是在工作站(Intel Core (TM) 3.4 GHz处理器，64 GB RAM)和Ubuntu系统平台上的NVIDIA GeForce 1080Ti GPU上进行的。首先评估CNN-MSLSTM的性能，并与单一的、同一参数指标的CNN和LSTM进行对比分析。3尺度的CNN-MSLSTM、CNN和LSTM的结构及参数设置如图10所示。

图10 各网络模型结构参数Fig.10 Structure parameters of each network model

为了便于CNN操作，选取时间轴上66时刻的数据作为一个样本。以训练集1为例，数据输入的形式为(?，66,66)，“?”表示batchsize，取batchsize为128。

在CNN-MSLSTM模型中，CNN通道的输入数据以空间轴为基准，先通过第一个卷积层，其包含32个1×3的卷积核，激活函数为ReLU函数，张量的维度变为(?,66,32)；之后经过窗口为2的最大池化层，张量的维度变为(?,32,32)；然后经过第二个卷积层，含有16个1×3的卷积核，张量的维度变为(?,30,16)；最后由Flatten将张量“压平”，由全连接层输出维度为21的张量。MSLSTM通道的输入数据以时间轴为基准，经过一个维度为42的3尺度MSLSTM单元，得到3个维度为(?,42)的张量；经过特征融合，由全连接层输出维度为(?,21,50)的张量。将两个通道的张量通过Attention机制进行融合，张量的维度变为(?,1,50)，再经过维度为32的全连接层，并通过dropout技术防止过拟合，最后由softmax分类器输出分类结果。CNN-MSLSTM对应同一参数标度的CNN和LSTM。

图11为3种模型在50轮训练过程中，测试集整体的准确率变化曲线。3种方法的测试精度经过20次迭代后均达到稳定(CNN、LSTM和CNN-MSLSTM的测量精度分别稳定在93.5%、89.3%和98%左右)，未见过拟合，表明使用的训练集足够大。此外，CNN-MSLSTM收敛到稳定值的速度快于单一的CNN和LSTM，表明实践中训练一个最优的CNN-MSLSTM模型需要的时间更少，且样本分类准确率高于单一的网络。

图11 网络训练和测试的准确率变化曲线Fig.11 Accuracy curve of network training and testing

图12为CNN，LSTM和CNN-MSLSTM对测试集的诊断性能比较。对于每一种磨损状态，CNN-MSLSTM的F1得分总是高于单一的CNN和LSTM；表明CNN-MSLSTM模型能够在不同尺度上学习原始测量数据在空间维度和时间维度上的区分性和鲁棒性，而单一的CNN和LSTM网络只能在单个尺度上提取单维度的特征，因此提出的CNN-MSLSTM可以提高航空发动机磨损状态的诊断性能。

图12 CNN，LSTM和CNN-MSLSTM对测试集诊断性能比较Fig.12 Comparison of diagnostic performance of CNN, LSTM and CNN-MSLSTM for test sets

针对航空发动机滑油在线监测，3种模型都是离线训练，然后用于在线监测。在状态诊断应用中，训练时间不会直接影响诊断系统的性能，而测试时间是诊断系统投入使用时所关注的重点。因此，网络的测试时间应满足发动机磨损状态的实时监测需求。

由于3种模型都是使用训练集从头开始训练，因此需要较多的训练时间。对单一的CNN和LSTM与3尺度的CNN-MSLSTM的训练时间和测试时间进行了比较，结果在表4中给出。表4分别给出了计算50轮的训练时间和测试1个样本的测试时间。在训练时间方面，CNN-MSLSTM比CNN和LSTM消耗更多的时间，可解释为：由于多尺度和双通道特征的融合，CNN-MSLSTM会引入更多的待训练参数，因此需要更多的训练时间。在网络测试阶段，3尺度的CNN-MSLSTM对一个测试样本的最大花费时间仅为0.203 6 ms，略大于CNN和LSTM，能够满足航空发动机磨损状态实时诊断监测的要求。

表4 CNN，LSTM与CNN-MSLSTM的训练时间和测试时间对比Tab.4 Comparison of training time and test time between CNN, LSTM and CNN-MSLSTM

上述实验结果表明：CNN-MSLSTM能够融合单一的CNN和LSTM网络在处理数据时的优势，从原始测量数据中提取到更多的有效特征，在准确率和实时性方面均能够满足航空发动机磨损状态的监测需求。

5 结 论

针对海量、多维的ECT监测数据，传统的数据特征提取方法不仅耗时，而且误差较大，起不到在线预警的作用。本文提出的CNN-MSLSTM网络，能够同时提取ECT监测数据在空间维度和时间维度的特征，提高了发动机磨损状态的诊断效率。CNN-MSLSTM满足航空发动机磨损状态监测对于实时性和准确性的需求，相比于单一的CNN和LSTM，具有更优的性能。同时，本文介绍了一种适合于航空大数据的数据集构造方式，通过选取不同的网络参数以适应不同的实际问题。本文的研究是以实验室仿真为基础，笔者将进一步验证CNN-MSLSTM网络在航空发动机滑油系统上的实用性。