优化神经网络算法在航空发动机故障诊断中的应用研究

丁发军，刘义平，孙琪，安思曈

（中国民用航空飞行学院，四川 广汉 618307）

0 引言

航空发动机是一种制造、工况、运行条件都极为复杂的机械装配体，复杂结构使得航空发动机的故障几率呈幂次上升，而普通的专家系统已经无法满足故障诊断的要求。集成神经网络、基于径向基函数的支持向量机、BP神经网络及后续优化的浅层神经网络均具有较强的特征分类能力，缺点是容易陷入局部最优和参数选取影响诊断结果分析单一数据源（滑油参数），进行故障诊断，单一的滑油数据很难准确判定振动故障发生的源头。集成神经网络对多信息源数据处理表现出较强的分析处理能力。郭风等[1]使用径向基神经网络诊断发动机气路故障，径向基神经网络表现出学习速度快、诊断精度高的特点。John Platt等[2]研究表明，RBF网络解决了BP网络只有一个解的问题，减少了训练样本病态的影响。吕升等[3]利用遗传算法与自联想神经网络优化SDQ算法，对航空发动机传感器数据预处理，优化后的SDQ算法在故障诊断和除噪方面性能优异，提高了阶跃故障定位的准确率。杨虞微[4]在现代航空燃气涡轮发动机故障分析与智能诊断技术的研究中总结了故障类型、介绍了浅层智能诊断网络。元尼东珠等[5]利用卷积神经网络（CNN）对航空发动机气路故障进行诊断，CNN在故障诊断时表现出超强的自学习、并处理、容错性能好等优点，且降低了网络模型的复杂性和权重数量。

本文在研究航空发动机故障诊断的基础上，总结了航空发动机的故障类型、故障诊断数据来源，简单介绍了几种典型优化算法和诊断网络，分析了优化算法对浅层神经网络优化方式，研究了深度神经网络在相邻领域的应用及其成效。并提出基于混合自适应粒子群算法的卷积神经网络诊断航空发动机故障。

1 故障类型与故障数据来源

1.1 故障类型

航空发动机作为一个复杂机械装配体，其零件组成样类数目繁多、机械与电子交错、工况条件复杂、瞬态稳态不断切换，其故障也是错综复杂、相互影响。航空发动机故障可以分为气路故障、机械故障、机械电子故障、涡轮损伤、液压油路失效等几类主要故障。

气路故障涉及整个涡扇发动机，包括的部件有风扇、低压压气机（LPC）、高压压气机（HPC）、高压涡轮（HPT）、低压涡轮（LPT），以及低压转子和高压转子，其中低压转子与高压转子之间只有气动联系没有机械连接。气路部件长时间处于高温、高压、腐蚀的环境中，还有不时的外来物损伤等，都会造成发动机气路部件出现性能衰退。

机械故障主要有振动故障、转子部件磨损故障、篦齿件封严故障、整机振动故障。机械电子故障主要是传感器、电磁继电器故障，包括压力传感器、温度传感器、油位传感器等。

涡轮损伤包括叶冠掉块、高低压涡轮盘裂纹，涡轮叶片的烧蚀、腐蚀、叶尖卷边等[6]。液压油路失效主要有液压管道堵塞、液压油泵失效、液压回路油滤堵塞等。

国内外的航空发动机故障诊断主要集中在机械故障、整机振动故障及气路故障，故障诊断算法的验证也是基于以上三种故障类型展开的。

1.2 故障数据来源

故障数据是支撑故障诊断算法的必要条件。基于专家系统和神经网络故障诊断都需要大量的故障数据集。故障数据集根据作用不同分为训练数据集和诊断数据集。通过训练数据集对网络的不断训练，使其具有相应的学习能力，再通过故障诊断数据集验证神经网络诊断精度。故障数据的来源目前有两种：一是航空发动机维修数据，优点是此类数据来源真实，指导意义强，有良好的工程实践性。缺点是同类故障数据少，故障类型不全面，神经网络训练存在缺失，特殊故障无法识别，失去工程实践意义；二是通过发动机模拟软件模拟发动机发生相应故障时的参数变化，该数据来源的优点是可模拟多故障状态下的发动机参数，同一故障下的多种发动机参数，获得故障数据包线。缺点是数据过于理想，与实际故障切合不够，工程应用困难。

通过发动机模拟软件模拟发动机主要故障类型获取故障数据集，用以训练神经网络，使其具有更加强大的识别故障的能力。通过不断增加的真实故障数据验证网络判定精度，并加入到网络训练中以增强故障识别能力。真实的故障数据可强化网络的学习能力，并验证网络的识别能力。

2 优化算法

遗传算法是一种基于种群的优化算法，具有强大的隐并行模式空间搜索能力，可以随机、稳定地搜索整个解空间，特征选择能力强，自适应程度高。

基本遗传算法在生成的初始种群的基础上按一定概率进行杂交及变异，按照一定规则寻找、选择、复制优秀个体并组成新种群，不断迭代。CHC遗传算法是基本遗传算法的改进优化，是Eshelman在1991年提出的[8]，首次提出跨世代优个选择（Cross Generation Elitist Selection）、相异物种杂交（Heterogeneous Combination）和大变异（Cataclysmic Mutation）三个概念。跨世代优秀个体选择和大变异可以形成优秀个体，同时保证个体间的多样性，增强了算法跳出局部最优解，在整个解空间内寻优的能力。

基本粒子群算法（PSO）是Eberhart博士和Kennedy博士发明的一种具有个体数目少，计算量小且鲁棒性好的全局进化优化算法。粒子群在更新法则下以单向的信息流不断搜寻最优解，缺点是容易陷入局部最优，无法在全局范围内搜索最优解，早熟收敛问题严重。

粒子群算法中，粒子位置代表问题的可能解，通过粒子适应度衡量其有效性，一般通过交叉验证（x-cv）的精度作为适应度函数值。

混合粒子群算法是CHC遗传算法与粒子群算法的综合体，CHC遗传算法具有克服粒子群算法陷入局部最优，并在全局范围内选取最优个体的特点。

自适应粒子群算法（H-PSO）[9]先通过AIM策略获得全局解空间，并使用ADRM诱导粒子群跳出局部最优空间，获得全局最优解。郑波等[10]利用自适应粒子群算法改进S-Kohonen的方法对航空发动机故障进行分类，解决了T-Kohonen分类故障中聚类不唯一和无法有效辨识的问题。

单个AIM策略代表某一可能解，单个粒子p=（p1,p2…pmn）,ADRM策略是通过不断地检测进化代的粒子适应度值，作出是否相应的判断，直到满足条件。fita+i－fitpg＜ε时粒子可能陷入局部最优解，保存当前最优解并触发相应更新粒子群中一定比例粒子, fita+i－fitpg＞ε，粒子尚在搜索最优解。

3 故障诊断网路

3.1 浅层神经网络

机器学习的出现，提高了复杂机械故障诊断的效率和准确率。支持向量机（Support Vector Machine, SVM）具有解决小样本数据、非线性、高维次问题的独特优势，但支持向量机对参数的选取较为严格，并且参数选取的随机性会影响学习的机诊断准确率。利用支持向量机可以解决航空发动机故障数据不足、非线性预测的难题。徐启华等[11]研究了应用SVM发动机故障诊断的若干问题。吴文杰等[12]使用基于信息融合的故障诊断方法。

反向传播神经网络在模型的建立、预测、控制、诊断领域广泛应用，尤其在复杂机械系统，如航空发动机机器部件的故障诊断中有着广泛的研究应用基础。BP网络收敛速度慢、容易陷入局部最优，且只能给出一个最优解，受训练样本病态影响严重。ABC-BP神经网络是人工蜂群算法（Artificial Bee Colony）与反向传播神经网络算法的融合[13]，王志等[14]使用BP神经网络诊断航空发动机整机振动故障，该网络表现出优异的故障特征与故障模式的映射能力。具有更高的诊断准确率和更快的收敛速度，且不会陷入局部最优。

径向基神经网络（RBF）是由输入层、隐藏层、输出层三层网络组成的算法结构，与BP算法不同的是，径向基神经网络隐藏层函数是高斯函数，而输出层是简单的线性函数[15]。因此学习策略也不同，隐藏层采用非线性优化、输出层采用线性优化策略。最大的特点是采用径向基函数作为激励函数，在普通BP算法中一般使用Sigmoid函数。RBF学习精度高诊断速度快、诊断精度较BP网络精度高，有出色的学习能力和联想推广能力。

集成神经网络诊断先是对不同信息源做预处理，使用信息特征分配单元将处理好的信息传递到诊断子网络，诊断子网络又通过该单元将诊断结果传递至融合诊断子网络，经融合诊断处理后得出诊断结果。集成神经网络可处理多信息源数据、通过诊断判定机制获得诊断结果，是一种典型浅层神经网络，可解决多数据源引起的诊断效率低、诊断精度低的问题。李洪伟等[16]利用集成神经网络对航空发动机飞行参数据和滑油数据进行分析，经信息融合判定振动故障。

Kohonen网络是一种基于数据驱动的智能数据处理方法，广泛应用于模式识别和特征分类[10]。基本的T-Kohonen通过无监督竞争学习策略调整权值，进而进化为即判别器。T-Kohonen存在对未知样本聚类结果不唯一，识别判定能力低的问题。S-Kohonen采用有监督竞争学习策略调整权值，且输出层神经元数与数据类别数相同，同时分别调整输入层与竞争优胜层、竞争优胜层与输出层的权值。S-Kohonen相对于T-Kohonen，其解决了未知样本的不可辨识性。聚类结果不唯一的问题可通过采用融合自适应粒子的方式解决。

浅层神经网络经过不断地自身改进优化，如增加网络层数，改进激活函数、优化权值与初值，改进网络结构及返回值等，已经具有了较高的故障识别精度。与优化算法相互融合诊断故障，改进了浅层神经网络局部收敛的缺点。

3.2 深度学习神经网络

典型的深度学习神经网络有深度置信网络、递归神经网络、深度神经网络和卷积神经网络等。目前在航空发动机故障诊断领域内应用的只有基于卷积神经网络的航空发动机气路故障诊断和基于深度置信网络学习的航空发动机部件故障诊断。

卷积神经网络具有以下几个特点：1）非完全连接的神经元；2）共享同一层中连接神经元的权值；3）较强的并处理、自学习、容错能力；4）更小的权重数量和更简单的模型。卷积神经网络主要由两部分组成：一是从样本中取样并输入到网络，计算相应的输出结果；二是计算真实结果与预期结果之间的差值，并根据最小化误差法调整权值矩阵。卷积神经网络训练步骤如图1所示。

图1 深度学习神经网络权值阈值更新

深度置信网络是由受限波尔兹曼机（RBM）叠加而成的网络结构如图2所示，是由随机神经元（神经元以特定概率取0/1，表示O/I,即开或闭）组成的二值型随机网络，由底层的可见层和顶层的隐藏层组成如图3所示。RBM2接收RBM1的输出作为自身的输入，同时处理数据并向RBM3输出数据，逐层叠加的受限波尔兹曼机会逐层提取特征，最顶层的BP神经网络则根据逐层提取的特征进行分类，深度置信网络的学习算法是数学意义上的极大似然估计，可学习参数使值拟合给定的训练数据。

图2 受限波尔茨兹曼机（RBM）

图3 深度置信网络结构图

深度置信网络包括预训练和后期调整两个阶段，一是对受限波尔兹曼机做无监督的底层训练，取得初始值和网络权值；二是通过BP神经网络的反传算法调整整个网络权值。两个阶段分工协同，克服了浅层网络结构算法的不足，使得该网络在避免陷入局部最优的同时，其网络收敛速度快、有效性强。彭军等[17]利用深度置信网络对航空发动机中的关键部件故障进行诊断，深度置信网络表现出高于浅层神经网络的学习能力。

4 优化算法与诊断网络的融合应用

基于改进卷积神经网络的智能故障诊断框架基本解决了小样本条件下故障诊断问题。全局平均池化层代替传统的全连接层，大幅减少了训练参数[18]。为了评估故障分类精度，从模型特征、可视化和计算效率三个方面评估该算法的性能，相应研究表明，在小样本条件下，与其他6种学习算法相比, 优化后的的卷积神经网络具有更高的诊断精度、更强的搜索拓展能力、对计算机性能要求更小。基于混合自适应粒子群算法的卷积神经网络，可以避免故障诊断网络陷入局部最优，可在全局范围内搜索最优解；可以发挥深度神经网络的强学习、强判断的能力；混合粒子群可以联想拓展搜索边界，不断更新迭代。

基于混合自适应粒子群算法的卷积神经网络的航空发动机故障诊断方法的一般核心流程设计：

1）故障类型选择——航空发动机气路故障。航空发动机在气路故障诊断方面有较多研究，故障数据集丰富，便于搜集相关资料。气路故障数据类型多，易泛化，挖掘潜力高。

2）优化算法——混合粒子群自适应算法。混合粒子群算法，在融合改进遗传算法的同时，又加入了自适应粒子群算法。不仅可以增大粒子间的变异范围，考虑相异物种杂交，还可以通过自适应粒子群AIM的策略来拓展整个解空间，自适应检测响应机制引导粒子群跳出局部最优空间，确保获得全局最优解。

3）深度学习网络——改进卷积神经网络。这种网络结构可以解决小样本条件下故障诊断问题。全局平均池化层代替传统的全连接层可减少模型训练参数的数量。

4）故障分类精度评估——模型特征、可视化和计算效率。

5 总结与展望

航空发动机作为复杂机械，其工作状态多样、故障类型多样，随之产生的改进优化诊断方法也是极为丰富的，但总的来说，需要从以下几个方面出发：

1）总结故障类型。航空发动机主要故障有气路故障、机械故障、机械电子故障、涡轮损伤、液压油路失效等几类主要故障。

2）故障数据的两种来源各有优缺。通过发动机模拟软件模拟发动机主要故障类型获取故障数据集，用以训练神经网络，使其具有更加强大的识别故障的能力。通过不断增加的真实故障数据验证网络判定精度，并加入到网络训练中以增强故障识别能力。真实的故障数据可强化网络的学习能力，并验证网络的识别能力。

3）浅层诊断网络的自身改进已经使其具有相当高的精度，初步的优化算法与机器学习神经网络融合，优化了神经网络的权值和初值，改善了神经网络故障诊断时容易陷入局部最优的缺点。

4）深度学习神经网络故障诊断方面，深度置信网络的两个阶段分工协同，克服了浅层网络结构算法的不足，使得该网络在避免陷入局部最优的同时，其网络收敛速度快、有效性强。 改进的卷积神经网络诊断精度更高、泛化能力更强、计算负担更小。抗卷积神经网络解决智能诊断模型训练样本与实际模型部署的测试样本分布特征不匹配的问题。将改进卷积神经网络应用到航空发动机故障诊断中，可以解决浅层神经网络诊断精度的不足，也可以改善基本卷积神经网络对大量数据样本集的需求。