■ 劉義平/中國民用航空飛行學(xué)院

1 背景介紹

隨著航空器維修制度的變革，以狀態(tài)監(jiān)控為基礎(chǔ)的預(yù)防維修制度激發(fā)了航空發(fā)動機的故障預(yù)測研究熱潮。由于眾多方法在一個或多個發(fā)動機狀態(tài)預(yù)測的應(yīng)用中呈現(xiàn)出極大的多樣性與適用性，為了捋順故障與預(yù)測研究方法的適配關(guān)系，從而推陳出新，更好地把握航空發(fā)動機故障預(yù)測研究的方向，本文就現(xiàn)有航空燃氣渦輪發(fā)動機故障診斷方法的利與弊進行簡析，為初涉航空發(fā)動機故障預(yù)測的研究者提供參考。

2 研究方法簡介與評價

2.1 AP聚類改進免疫算法

文獻[1]依據(jù)發(fā)動機磨損故障時使磨損率增加、磨粒質(zhì)量濃度發(fā)生異常變化，對比由生物體免疫系統(tǒng)發(fā)展起來的免疫算法所具有的學(xué)習(xí)、記憶特點，提出通過AP聚類算法得到聚類中心作為訓(xùn)練樣本，并以每個聚類中心數(shù)據(jù)中的類內(nèi)最大距離、類內(nèi)最小距離、類內(nèi)平均距離、類內(nèi)數(shù)據(jù)集作為確定免疫算法訓(xùn)練檢測器選擇閾值的依據(jù)。利用熵權(quán)法確定權(quán)值，并引入混沌理論對克隆算法進行優(yōu)化，實現(xiàn)改進免疫算子策略。

1）AP聚類算法

通過AP聚類分析使雜亂無章的數(shù)據(jù)變得有規(guī)律可循，通過聚類算法的無固定周期的多次迭代，將原始數(shù)據(jù)處理成可以呈現(xiàn)出數(shù)據(jù)中心的數(shù)據(jù)類，作為處理數(shù)據(jù)使用。AP聚類算法在處理原始數(shù)據(jù)時，用代表度和相似度分別表示數(shù)據(jù)的代表性和有效性，最后確定代表度矩陣和相似度矩陣的更新規(guī)則。

2）基于熵權(quán)法的權(quán)值計算

在得到的每個數(shù)據(jù)中心類中選取類內(nèi)最大距離、類內(nèi)最小距離、類內(nèi)平均距離、類內(nèi)數(shù)據(jù)集4個指標(biāo)作為免疫克隆算法的訓(xùn)練樣本。包括：4個指標(biāo)的歸一化處理、計算第i個聚類中心的第j個指標(biāo)的比重、計算第i個聚類中心的第j個指標(biāo)的權(quán)值、計算信息熵等。

3）基于混沌理論的免疫克隆算法

首先通過混沌理論初始化檢測器，使其在一類內(nèi)進行無固定周期的迭代，得到抗體的初始種群。再計算種群中抗體適應(yīng)度的距離度量方式，改進了傳統(tǒng)的歐式親和力距離。第三步，篩選出滿足親和力選擇閾值要求的抗體，并入混沌變異高維度種群，其中包括混沌正變異、混沌負變異、混沌混合變異三種形式。最后，選擇最優(yōu)的前Spop個抗體存入種群，并根據(jù)限制條件判斷是否停止搜索。在以實例驗證混沌免疫算法的搜索性能后，對航空發(fā)動機磨損故障進行驗證。

AP聚類改進免疫算法用于航空發(fā)動機故障診斷，限制容量的免疫算法在診斷準(zhǔn)確率上稍遜于免疫傳統(tǒng)算法，但數(shù)據(jù)量和計算復(fù)雜度大大降低，縮短了計算時間，更有利于工程計算，與支持向量機、免疫算法優(yōu)化支持向量機故障診斷相比都有所提升。

2.2 基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的方法

航空燃氣渦輪發(fā)動機在使用過程中主要有性能故障、結(jié)構(gòu)強度故障、附件系統(tǒng)故障，文獻[2]主要以占比較大的氣路性能故障為研究對象，以BP（反向傳播）神經(jīng)網(wǎng)絡(luò)故障診斷作為基礎(chǔ)研究理論，以發(fā)動機使用過程中健康參數(shù)蛻化作為訓(xùn)練樣本和檢測樣本，通過相關(guān)性方法優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入、輸出參數(shù)等進行神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究。

基于Pearson相關(guān)系數(shù)的相關(guān)分析算法及其驗證中，相關(guān)性分析使得輸入、輸出參量之間的關(guān)系變得可以度量，通過相關(guān)性分析可以選取相關(guān)性較大的幾項作為輸入與輸出參數(shù)，進一步提高了診斷的準(zhǔn)確程度，同時也有利于神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時快速下降得到準(zhǔn)確的結(jié)果。

針對前饋型神經(jīng)網(wǎng)絡(luò)存在的梯度下降不能過快、收斂速度受限、學(xué)習(xí)速率難以選擇等問題，文獻[2]提出了以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)，通過調(diào)整反向傳播的權(quán)值公式求得關(guān)于閾值和權(quán)值的函數(shù)；通過引入比例因子調(diào)整學(xué)習(xí)速率的大小，使得在初始時刻快速下降，在接近目標(biāo)值時緩慢接近，從而避免接近目標(biāo)值時出現(xiàn)大范圍跳動。同時，為了避免“過調(diào)”而引入門限值，增加一個“動量因子”的調(diào)整，進而避免網(wǎng)絡(luò)可能陷入淺的局部極小值。

根據(jù)一般發(fā)動機非線性部件級模型產(chǎn)生的發(fā)動機各種故障情況，得到相應(yīng)的健康參數(shù)蛻化的工況數(shù)據(jù)樣本，對比常規(guī)前饋型神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及檢測結(jié)果，顯示出自適應(yīng)神經(jīng)網(wǎng)絡(luò)（經(jīng)優(yōu)化輸入輸出參數(shù)、優(yōu)化權(quán)值）具有負梯度下降快、下降穩(wěn)定、精準(zhǔn)度高等優(yōu)點，在大幅減少訓(xùn)練樣本的情況下依然保持了高的準(zhǔn)確度，因而在航空發(fā)動機維修工程中有了實際應(yīng)用的可能。這種算法準(zhǔn)確估計了發(fā)動機部件的蛻化情況，通過融合比例因子和動量因子，改善了網(wǎng)絡(luò)的學(xué)習(xí)速率，提高了神經(jīng)網(wǎng)絡(luò)置信度。

2.3 應(yīng)用深度核極限學(xué)習(xí)機的方法

文獻[3]在對航空發(fā)動機部件故障研究之后發(fā)現(xiàn)，發(fā)動機是復(fù)雜的非線性系統(tǒng)，各部件按照壓力、流量和功率匹配原理共同工作，氣動熱力參數(shù)的變化與部件性能變化之間關(guān)系復(fù)雜，難以準(zhǔn)確快速地分類識別，尤其是對基于單一故障耦合而成的二因、三因故障更加難于識別。

文獻[3]對比深度神經(jīng)網(wǎng)絡(luò)、支持向量機、反向傳播神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)以及隨機賦輸入權(quán)值的淺層神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機在模式識別中的相關(guān)性能及特點，提出了利用核函數(shù)計算代替高維空間的內(nèi)積運算，將特征映射到更高維空間進行決策，再將多個極限學(xué)習(xí)機自編碼器（ELM auto-encoder，ELM AE）疊加形成深度核極限學(xué)習(xí)機網(wǎng)絡(luò)結(jié)構(gòu)。

深度核極限學(xué)習(xí)機利用ELM自編碼器對輸入數(shù)據(jù)進行逐層抽取得到更為有效的特征，有利于區(qū)分容易混淆的類型，提高分類精度。通過對所建立的模型算法在通用數(shù)據(jù)分析上進行驗證，基于核方法的深度核極限學(xué)習(xí)機相比其他算法取得了最高的測試精度，具有較好的分類和泛化性能。

采用交叉驗證的方法對正則化參數(shù)和核參數(shù)的敏感性進行了研究，研究發(fā)現(xiàn)正則化參數(shù)和核參數(shù)兩者耦合相互交織、相互影響，并且存在多種組合，可以根據(jù)不同的實際需要選擇最優(yōu)組合。算法的核函數(shù)參數(shù)γ與正則化參數(shù)C對算法性能有很大影響，存在最優(yōu)組合，需要根據(jù)具體的應(yīng)用進行驗證確定。

通過等熵效率退化來表征發(fā)動機氣路部件的故障，使得原始數(shù)據(jù)有了較高的準(zhǔn)確性，應(yīng)用疊加單層學(xué)習(xí)機采用批處理“一步”訓(xùn)練方式的特點，克服了整體處理時的學(xué)習(xí)精度不足問題，并微調(diào)網(wǎng)絡(luò)權(quán)值，使處理速度進一步優(yōu)化。引入核方法所具有的強大的非線性映射能力來代替高維空間的內(nèi)積運算，以此克服數(shù)據(jù)源維數(shù)災(zāi)難，且對于提高分類診斷精度和泛化性能十分有效。最后將兩種技術(shù)有機整合，使其表現(xiàn)出相當(dāng)高的精確度，當(dāng)神經(jīng)網(wǎng)絡(luò)層數(shù)為3層時最優(yōu)，不過訓(xùn)練時間稍高于普通的極限學(xué)習(xí)機。

2.4 基于集成神經(jīng)網(wǎng)絡(luò)的研究

集成神經(jīng)網(wǎng)絡(luò)研究的是單一信息源在固定模式下診斷結(jié)果準(zhǔn)確率不高的問題。其依據(jù)航空發(fā)動機機械故障的特性及其故障診斷模式，將經(jīng)過數(shù)據(jù)處理模塊處理的原始數(shù)據(jù)由數(shù)據(jù)分配單元下發(fā)到各個診斷子網(wǎng)絡(luò)，然后將各子網(wǎng)絡(luò)的診斷結(jié)果通過模糊決策方式融合，以權(quán)值影響的方式最終判定故障失效原因。

1）數(shù)據(jù)處理模塊：啟動濾波環(huán)節(jié)，通過濾波達到去除數(shù)據(jù)噪聲的目的，從而自動將必要的數(shù)據(jù)準(zhǔn)備提供給子系統(tǒng)。

2）特征信息分配單元：執(zhí)行向各診斷子網(wǎng)絡(luò)分配特征信息的任務(wù)。

3）建立診斷子網(wǎng)絡(luò)：

a.基于網(wǎng)絡(luò)分配到多個參數(shù)的特征信息，確定診斷參數(shù)對某一故障模式的診斷置信度。

b.確定特征輸入向量。將診斷參數(shù)的特征向量連接起來，形成新的特征輸入向量。

4）故障融合與決策：根據(jù)對各診斷子網(wǎng)絡(luò)的診斷結(jié)論，依據(jù)融合處理原理得到診斷結(jié)果。決策融合的本質(zhì)是為了減小系統(tǒng)輸出的不確定性，提高系統(tǒng)診斷結(jié)果的可靠性。

文獻[4]的創(chuàng)新之處在于：以基于網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)值計算替代了原來的基于符號規(guī)則的推理；知識庫的形成是由神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、訓(xùn)練來完成的一種綜合模糊診斷模式；特征數(shù)據(jù)傾向性分配給子網(wǎng)絡(luò)，由子網(wǎng)絡(luò)分布診斷，再由子網(wǎng)絡(luò)對診斷結(jié)果進行模糊決策。缺陷在于：所用的神經(jīng)網(wǎng)絡(luò)層數(shù)太少，影響診斷精確度；選用的神經(jīng)網(wǎng)絡(luò)是最原始的，沒有使用深度優(yōu)化算法，如果選用反饋神經(jīng)網(wǎng)絡(luò)，訓(xùn)練精度會更高；診斷結(jié)果融合過于簡單，應(yīng)仔細考慮發(fā)動機的內(nèi)在聯(lián)系。

2.5 大數(shù)據(jù)挖掘分析的應(yīng)用

文獻[5]在對航空發(fā)動機的故障診斷模式研究之后發(fā)現(xiàn)，一味地改進算法來提高故障診斷精度具有一定的局限性，會遭遇“天花板效應(yīng)”，將大數(shù)據(jù)挖掘技術(shù)應(yīng)用于航空發(fā)動機狀態(tài)監(jiān)控和故障分析診斷，將大幅提高航空發(fā)動機的預(yù)測精準(zhǔn)度。文獻[5]從大數(shù)據(jù)挖掘這一新技術(shù)出發(fā)，建立了航空發(fā)動機故障診斷中的大數(shù)據(jù)模型構(gòu)架，提出了發(fā)動機大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘方法、狀態(tài)量關(guān)聯(lián)度分析、加權(quán)分析以及具體實施時應(yīng)注意的問題。

1）根據(jù)發(fā)動機故障診斷需要數(shù)據(jù)采集的特點，首先分析了發(fā)動機多狀態(tài)、多元、多維度數(shù)據(jù)的來源，以發(fā)動機的結(jié)構(gòu)設(shè)計參數(shù)為參考，獲得傳統(tǒng)的直接測量參數(shù)；根據(jù)設(shè)計制造數(shù)據(jù)，確定使用特性；使用歷史排故數(shù)據(jù)，根據(jù)維修情況獲得維修相關(guān)數(shù)據(jù)。

2）根據(jù)支持度和可信度建立四大數(shù)據(jù)庫：發(fā)動機初始數(shù)據(jù)庫、發(fā)動機運行數(shù)據(jù)庫、發(fā)動機維修數(shù)據(jù)庫（包括航線使用維護數(shù)據(jù)、車間修理數(shù)據(jù)、維修人力資源數(shù)據(jù)）及其他數(shù)據(jù)庫，依據(jù)數(shù)據(jù)庫之間的關(guān)聯(lián)性進行大數(shù)據(jù)挖掘。

3）建立大數(shù)據(jù)挖掘架構(gòu)

a.依據(jù)Hadoop分布式文件系統(tǒng)的HDFS，利用Map Reduce平臺，通過Hadoop的映射、歸約、分類功能轉(zhuǎn)化發(fā)動機的全部新數(shù)據(jù)，完成分析系統(tǒng)期望的特征并進行表征。大致流程可以表示為：發(fā)動機數(shù)據(jù)源，數(shù)據(jù)深度發(fā)掘（正常狀態(tài)參數(shù)、實際狀態(tài)參數(shù)），數(shù)據(jù)分類（正常、故障、缺陷、失效），維修決策。

b.建立航空發(fā)動機大數(shù)據(jù)挖掘方法。對發(fā)動機全狀態(tài)量數(shù)據(jù)進行關(guān)聯(lián)性深度挖掘，分別得到發(fā)動機正常運行模式所對應(yīng)的參數(shù)指標(biāo)和發(fā)動機故障缺陷時所對應(yīng)的參數(shù)。

c.分析四個數(shù)據(jù)庫之間的支持度和置信度，并設(shè)立置信度閾值。在給定最小閾值時，確定異常模式對應(yīng)的所有參數(shù)，包括不同模式下多參數(shù)的組合、各參數(shù)的提取和合并、參數(shù)權(quán)重的細分。

d.通過協(xié)方差矩陣分析狀態(tài)量之間的關(guān)聯(lián)度并表征；通過發(fā)動機各工作狀態(tài)改變異常量確定狀態(tài)變動關(guān)聯(lián)度。

文獻[5]提出了大數(shù)據(jù)挖掘的具體方法，并提供了一定的計算方法，使得大數(shù)據(jù)在航空發(fā)動機故障分析診斷上有了可操作性，為基于大數(shù)據(jù)及云計算的航空發(fā)動機故障診斷系統(tǒng)的建設(shè)提供了一定的技術(shù)支持。但文獻[5]只是基于理論的探討，并未真正利用大數(shù)據(jù)進行故障診斷，在大數(shù)據(jù)挖掘和大數(shù)據(jù)利用之間雖進行了關(guān)聯(lián)度和可信度分析，但在應(yīng)用神經(jīng)網(wǎng)絡(luò)進行高精度識別方面仍有差距，如何使數(shù)據(jù)和診斷結(jié)果更加有效和準(zhǔn)確是下一步研究的方向。

3 結(jié)束語

本文簡單介紹了在航空發(fā)動機故障診斷中應(yīng)用的一些主流算法，無論是AP聚類算法、深度極限學(xué)習(xí)機還是自適應(yīng)神經(jīng)網(wǎng)絡(luò)，都體現(xiàn)了航空發(fā)動機故障診斷技術(shù)在不斷進步，思想理論在進一步優(yōu)化。通過層次遞進的方法介紹了故障診斷算法不斷優(yōu)化，故障診斷的精確程度也在不斷提高，但同時也遇到了一定的“天花板”。

1）在算法優(yōu)化上，基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)和深度核極限學(xué)習(xí)機都體現(xiàn)了極大的優(yōu)越性，是進一步深化研究的理論基礎(chǔ)，尤其是自適應(yīng)神經(jīng)網(wǎng)絡(luò)在少數(shù)數(shù)據(jù)訓(xùn)練樣本中的優(yōu)越性，使算法的可遷移能力進一步增強。

2）在理論研究上，推理和證據(jù)理論融合與大數(shù)據(jù)挖掘分析的方法是開啟進一步神經(jīng)網(wǎng)絡(luò)優(yōu)化的主要方向，尤其是結(jié)合大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)是進一步提高航空發(fā)動機故障診斷準(zhǔn)確度的方向，但推理和證據(jù)理論稍嫌不足，這是因為理論算法基于故障樹和專家系統(tǒng)建立，具有較大的局限性。

3）在診斷精確度方面，與深度神經(jīng)網(wǎng)絡(luò)、支持向量機、反向傳播神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)以及隨機賦輸入權(quán)值的淺層神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機相比，深度核極限學(xué)習(xí)機顯示出最大的優(yōu)越性，緊隨其后的是基于自適應(yīng)的神經(jīng)網(wǎng)絡(luò)，兩者都表現(xiàn)了較高的準(zhǔn)確度。

4）在診斷速度方面，深度核極限方法因為選用了核方法所具有的高維映射、線性可分能力，使得診斷速度大幅提高。AP聚類算法數(shù)據(jù)量小，計算復(fù)雜度大大降低，縮短了計算時間，更有利于工程計算。

以上優(yōu)化方法的局限是僅針對某一部分、某一結(jié)構(gòu)進行研究，而對于航空發(fā)動機的整體系統(tǒng)研究仍顯不足，且應(yīng)用和遷移能力較差。因此本文在最后介紹了大數(shù)據(jù)挖掘分析在航空發(fā)動機故障診斷中的應(yīng)用，希望以此開啟航空發(fā)動機故障診斷的新思路。