通用航空训练飞行发动机数据异常检测初探

王翔

摘要： 大型运输机发动机的健康管理研究较为广泛，相对于运输航空，针对通用航空领域以训练飞行为主的小型教练机发动机的异常检测技术还不够成熟。训练飞行具有飞行模式固定，起降频次较高，信息数据结构简单的特点，更适合引入深度学习对其进行建模分析。本文归纳了当前主流的几种深度异常检测模型，从原理、计算复杂度和优缺点三个角度进行分析。为通用航空训练飞行的教练机发动机的异常检测研究提供可行的研究思路。

Abstract： The research on health management of large transport aircraft engine is more extensive. Compared with transportation aviation， the anomaly detection technology of trainer aircraft engine focusing on training flight in the field of general aviation is not mature enough. Training flight has the characteristics of fixed flight mode， high takeoff and landing frequency and simple information data structure. It is more suitable to introduce deep learning for modeling and analysis. This paper summarizes several mainstream deep anomaly detection models， and analyzes them from the perspectives of principles， computational complexity， advantages and disadvantages. It provides a feasible research idea for the anomaly detection of the engines of training flight in general aviation.

关键词： 异常检测;训练飞行;深度学习

Key words： anomaly detection;training flight;deep learning

中图分类号：V216.7                                      文献标识码：A                                  文章编号：1674-957X（2022）03-0097-03

0  引言

中国民航事业正稳中有序地高速发展，包括运输航空业和通用航空业。然而通用航空在安全管理水平上还处在相对较低的水平上，发动机健康管理系统还没有在通用航空范畴取得充分广泛的应用。

“十三五”期间与“十二五”期间相比，整个西南片区有通航企业63家，增长70%。通用航空器243架，增长108%。2020年全年共完成飞行59486小时，146205架次，增长170%，345%。与之对比，仅仅是中国民用航空飞行学院这一家飞行培训院校，于2020年完成飞机教学27.34 万小时，模拟机/训练器教学6.81万小时的训练任务。由此可见，在当下国内通航业务中，训练飞行为主要代表业务，针对训练飞行的教练机发动机进行健康管理的研究，更具有适用性、经济性和代表性。

1  训练飞行特点

通常情况下，把飞机驾驶员分为：飞行学员、初级飞行员、商业飞行员、教员、航线运输飞行员，根据培训执照的不同，航校可视情况安排相对应的训练科目。表1是我国训练大纲规定的部分训练科目，由于国内招生规模远大于国外，因此每架教练机承担的飞行任务很高，航校采用固定训练科目来增加训练次数和提高训练效率。训练机的日常使用频率更高，起落次数较多，且由于新学员对于飞机发动机性能和机动性能操纵缺乏经验，使得飞机的安全，尤其是发动机的安全在训练飞行过程中显得格外重要。

基于深度学习的数据驱动的异常检测已广泛运用于大型商用发动机的故障诊断当中，而国内针对通用航空發动机的故障检测，主要运用专家知识为主，数据驱动为辅的检测方法，有着滞后性的缺点。

2  数据和案例

2.1 数据结构

以中国民航航空飞行学院的教练机CESSNA172R型飞机为研究对象，其搭载的发动机健康管理系统为GARMIN1000系统，数据由飞机上传感器产生，由GARMIN1000系统负责收集汇总。发动机数据的收集，主要靠飞行结束后，以机载下载方式进行读取、保存、备份。与发动机相关的参数共有12个，各参数含义如表2所示。训练飞行有着飞行模式固定，飞机频率高，飞行数据丰富的特点，深度学习的手段能更高的提高发动机故障异常检测的效率，提高飞行安全。

2.2 典型案例

案例一：排气温度低故障

如图1所示，某飞机发动机4号缸排气温度（EGT）明显低于其他3个气缸;1、2、3缸随发动机转速（RPM）变化，燃油流量（FFLOW）、排气温度（EGT）和气缸头温度（CHT）都在正常范围内，但4号缸EGT低于正常值。通过该发动机参数变化图，初步判定4号缸排气温度异常是富油所致，单个气缸富油原因可能是进气系统故障、喷嘴故障，燃油分配器故障，最后进一步检查确定是分配器故障。更换分配器后，故障得到排除。

案例二：发动机滑油温度高故障

某飞机换发后连续出现发动机滑油温度高故障，异常数据如图2、图3所示，滑油温度最高312.04华氏度，超过24华氏度的总时间接近2000秒，滑油压力57.57PSI，机械方面已更换滑油滤底座、恒温旁通活门和滑油散热器，电子方面已更换滑油温度传感器、检查传感器导线和更换GEA71组件，故障仍没排除。

从实际案例中可以看出，经验性故障诊断方法有其局限性，通过深度学习的方法能够更及时的检测出故障来源，提高排故效率。

3  深度异常检测模型

3.1 有监督深度异常检测

有监督异常检测技术在性能上优于无监督异常检测技术，这些技术使用标记样本，从一组带注释的数据实例（训练实例）中学习分离边界，继而使用学习后的模型将测试实例分为正常类或异常类，也称为多类分类检测技术。例如，元尼东珠、杨浩等人提出的基于卷积神经网络的发动机故障预测方法[1]。

有监督深度异常检测技术基本原理是，首先学习训练数据集中包含的多个正常类标记的实例数据，该步骤也被称为特征提取，其次通过学习归纳得到分类器来区分正常类和异常类。因此，有监督深度异常检测模型需要大量的训练样本（数千或数百万）才能有效地学习特征表示以区分各种类实例。由于缺乏可用的有效数据标签，有监督深度异常检测技术不如半监督和无监督方法易于实施。

输入数据的维数直接影响到有监督深度异常检测的计算复杂度。数据维度越高，必然会引入更多的隐藏层以确保输入特征的完整性，计算复杂度也随着隐藏层的数量线性增加，需要更多的训练时间和计算算力，增加时间成本和经济成本。同时，选择不同的反向传播算法也会有不同的计算时间。合理的设计网络结构和高效的反向传播算法能为计算提高效率。

因为每个测试实例都需要与预先计算的模型进行比较，因此基于多类分类检测技术在测试阶段具有时间上的优势，并且在结果上，有监督深度异常检测模型比半监督和无监督模型更加精确。但多类有监督深度学习技术需要对各种正常类和异常实例进行精确的标记，而这需要花费大量的人力成本和时间成本。

3.2 半监督深度异常检测

半监督（也称单类分类）深度异常检测技术假定所有训练实例仅具有正常类标签。例如，巩小强、李冲等人提出了基于半监督协同训练的航空发动机故障诊断技术研

究[2]。半监督深度异常检测技术学习正常实例周围的判别边界，不属于边界内的其他多数类的测试实例被标记为异常。半监督深度异常检测方法依赖于以下判定方法将数据实例分为异常：①检测样本的接近度和连续性;②在样本特征空间中相对接近的点更可能被判定为同一标签。③在深层神经网络层的隐藏层内学习鲁棒特征，并保留用于将正常数据点与异常数据点分离的判别属性。

基于半监督深度异常检测方法的技术的计算复杂性类似于监督深度异常检测技术，后者主要取决于输入数据的维数和用于代表性特征学习的隐藏层数。针对于标记数据较少，或者数据缺失的问题，在半监督学习模式下训练的生成对抗网络（GAN）显示出较大的优势，例如付强、王华伟等基于GANBP的航空发动机性能退化预测模型[3]。使用标记数据（通常是一类）可以比无监督技术产生相当大的性能改进。但缺点是模型无法进行错误自修正，当模型对异常值高度自信（但错误）的预测可能会破坏整个分类结果。此外，在隐藏层内提取的分层特征可能不代表较少的异常实例，因此容易出现过拟合问题。

3.3 混合深度异常检测

混合深度异常检测，采用两步学习的方法，将在深度学习模型中学习到的代表性特征输入到传统算法中。例如，刘岩松、姜文鑫在基于神经网络的涡轴发动机故障诊断仿真研究[4]中提出的基于径向基函数（RBF）的神经网络方法，胡超、杨妍等在基于QAPSO-SVM的航空发动机故障诊断[5]中提出的支持向量机（SVM）分类器及其改进方法。混合深度异常检测模型的特点：①维度空间越为复杂，异常检测模型也越为复杂，并且需要结合特征提取机和异常检测机。②在深度神经网络的隐藏层内提取鲁棒特征的主要目的是为了提取出隐藏异常存在的不相关特征。混合模型的计算复杂性包括深层体系结构的复杂性以及内部使用的传统算法的复杂性。此外，深层网络结构涉及在相当大的空间中搜索优化参数，这增加了在混合模型中使用深层网络的计算复杂性。特别是在高维领域，混合模型更具可扩展性和计算效率，因为线性或非线性核模型可以在降低输入维的情况下运行，混合模型的特征提取器可以大大减少“维数灾难”的发生。但混合方法是次优的，因为它无法影响特征提取器隐藏层内的表征学习。

3.4 无监督深度异常检测

无监督深度异常检测是基础机器学习研究和工业应用中的一个重要研究领域，有监督深度学习方法依赖于分离数据类，而无监督技术更偏重于数据特征的解释和分析。例如沈潇军、葛亚男、沈志豪等在一种基于LSTM自动编码机的工业系统异常检测方法[6]一文中提到的自动编码机，是异常检测技术中常用的无监督深度结构。

无监督异常检测算法根据数据集的间距、密度等属性生成数据实例的异常值分数，使用无监督深度异常检测模型来检测异常值的前提为：①特征空间中，正常区域与异常区域具有可识别性。②与数据集的其余部分相比，大多数数据实例都是正常的。模型计算复杂度取决于操作数、网络参数和隐藏层。训练自动编码器的计算复杂度远远高于传统方法，例如王骥、李胜男在基于PCA的航空发动机关键部件异常状态检测[7]提出的主成分分析法（PCA）。这些技术可以识别数据中的共性，因此有助于异常检测。无监督检测异常检测技术在经济上具有优势，因为它不需要用于训练算法的注释数据。但是在复杂的高维空间中，通常很难了解数据中的共性。使用自动编码器时，通过对超参数的调试，模型经过反复校准后得到相对理想的结果。

3.5 其他技术

除此之外，还有其他深度异常检测技术也被证明是有效。例如，基于转移学习的异常检测，基于零镜头学习的异常检测，基于集合的异常检测，基于聚类的异常检测，基于深度强化学习（DRL）的异常检测，基于统计技术的深度异常检测等。在此，我們不再深入讨论分析。

4  结束语

深度学习已作为现在异常检测领域当中较为突出的研究技术之一，深得广大研究者的青睐。本文主要通过分析通航领域内训练飞行的特点，结合中国民用航空飞行学院的实际情况，探讨了深度异常检测的几种检测模型及其对应的典型技术方法，希望为通用航空教练机领域的专注于发动机的研究者提供有益的帮助和借鉴。

参考文献：

[1]元尼东珠，杨浩，房红征.基于卷积神经网络的发动机故障预测方法[J].计算机测量与控制，2019，27（10）：74-78.

[2]巩小强，李冲，杨宇.基于半监督协同训练的航空发动机故障诊断技术研究[J].民航学报，2021，5（01）：55-58.

[3]付强，王华伟，熊明兰.基于GANBP的航空发动机性能退化预测模型[J].人类工效学，2020，26（01）：1-6，21.

[4]刘岩松，姜文鑫.基于神经网络的涡轴发动机故障诊断仿真研究[J].内燃机与配件，2020（01）：6-7.

[5]胡超，杨妍，王松涛，谢中敏.基于QAPSO-SVM的航空发动机故障诊断[J].热能动力工程，2020，35（12）：40-46，54.

[6]沈潇军，葛亚男，沈志豪等.一种基于LSTM自动编码机的工业系统异常检测方法[J].电信科学，2020，36（07）：136-145.

[7]王骥，李胜男.基于PCA的航空发动机关键部件异常状态检测[J].内燃机与配件，2019（15）：161-162.