基于ABC-LSTM的飛機發(fā)動機故障診斷

崔建國，宋博文，崔 霄，王景霖，杜文友，于明月，劉 冬，蔣麗英

(1.沈陽航空航天大學 自動化學院,沈陽 110136;2.航空工業(yè)空氣動力研究院 模型天平與風洞設備五部,沈陽 110034;3.中航工業(yè)集團 故障診斷與健康管理技術航空科技重點實驗室,上海 201601)

飛機發(fā)動機是飛機最核心的部分之一，是飛機飛行的動力來源，飛機發(fā)動機性能的好壞直接關系到飛機的飛行性能和安全性[1]。飛機發(fā)動機的物理結構非常復雜，對發(fā)動機的故障診斷尤為重要，如果飛機發(fā)動機的故障不能得到及時準確的反饋，還可能會引發(fā)其他連鎖問題，將會造成嚴重不可逆后果，更有可能威脅到飛行員的安全。因此，利用先進的故障診斷技術對飛機發(fā)動機進行系統(tǒng)故障分析和診斷具有重要的實際意義。

1 問題描述

作為飛機核心部件之一，發(fā)動機由復雜的機械模塊和電子模塊組成，在空中飛行的工作環(huán)境十分惡劣，其不可避免地會產生各種各樣的系統(tǒng)故障和零部件故障[2]。發(fā)生故障的原因有很多，可能是突發(fā)性原因造成的故障，也有可能是由于長時間工作造成部件磨損、腐蝕而導致性能蛻化，當性能降低到一定閾值的時候，就會發(fā)生故障[3]。由于發(fā)動機處于非常復雜的工作環(huán)境之中，受很多因素的共同作用，加上環(huán)境噪聲的影響，使得測量數(shù)據(jù)與故障類型之間呈現(xiàn)復雜的非線性關系，即同一種故障特征可能由不同的故障所導致[4]。有資料表明，約有30%的飛機飛行事故是由發(fā)動機發(fā)生故障造成的，而且每年發(fā)動機的維護費用要遠高于其本身的購買費用，占整個飛機總維護費用的31%[5]。飛機發(fā)動機故障診斷技術是根據(jù)發(fā)動機提供的各種工況條件信息[6]，依靠先進的技術手段整理、分析這些信息，然后確定故障的產生原因、故障的嚴重程度和具體的發(fā)生位置，提出有針對性的維護方案和維修措施，保證發(fā)動機處于良好狀態(tài)。因此，利用故障診斷技術對飛機發(fā)動機進行系統(tǒng)的故障分析和診斷，提出故障解決方案具有重要的現(xiàn)實意義。

我國從20世紀80年代才開始研究飛機故障診斷[7]。80年代末，中國民航學院、北京航空航天大學、東方航空公司和北京機械維修工程公司聯(lián)合研發(fā)了具有故障診斷和趨勢分析功能的 EMD 發(fā)動機診斷和監(jiān)測系統(tǒng)。90年代初，國防科技大學為液體火箭發(fā)動機研發(fā)了具有故障檢測功能的健康管理系統(tǒng) HMS。近年來，我國在航空發(fā)動機故障診斷方面的研究取得了一定成果。中國民航學院采用數(shù)據(jù)挖掘技術分析飛機飛行和維護數(shù)據(jù)，開發(fā)了飛機健康管理系統(tǒng)，該系統(tǒng)具有分類、監(jiān)測和預報功能。西北工業(yè)大學為穿越大氣層飛行器開發(fā)了健康管理系統(tǒng)。南京航空航天大學研究了基于滑油磨粒分析和機載自適應模型的故障診斷?？哲姽こ檀髮W為航空發(fā)動機開發(fā)了故障診斷專家系統(tǒng)。哈爾濱工業(yè)大學為航天器開發(fā)了集成的健康管理系統(tǒng)。北京航空航天大學與 University of Maryland 聯(lián)合設計了 PHM 軟硬件系統(tǒng)的主要環(huán)節(jié)、關鍵技術和結構框圖，并且通過與沈陽飛機設計研究所合作，提出了一種開放式的 PHM 體系[8]。

由于人工神經(jīng)網(wǎng)絡算法具有自學習、自適應等特點，在發(fā)動機故障診斷中也取得了廣泛應用[9]。其中LSTM神經(jīng)網(wǎng)絡在序列建模問題上有一定優(yōu)勢，具有長時記憶功能，而且解決了長序列訓練過程中存在的梯度消失和梯度爆炸問題，實現(xiàn)起來也較為簡單[10]。因此LSTM神經(jīng)網(wǎng)絡被廣泛地應用于故障診斷中[11]，但其模型的隱含層節(jié)點數(shù)選取是一個需要解決的難題，選取不當則診斷結果會大打折扣。針對LSTM模型隱含層節(jié)點數(shù)的選取問題，本文采用ABC算法對LSTM模型隱含層個數(shù)中的隱含層節(jié)點數(shù)進行優(yōu)化，構建ABC-LSTM模型，并與粒子群算法(Particle Swarm Optimization，PSO)和遺傳算法(Genetic Algorithm，GA)優(yōu)化得到的LSTM模型進行對比。研究結果表明，相比PSO-LSTM模型和GA-LSTM模型，采用ABC-LSTM模型對發(fā)動機進行故障診斷的準確率更高，具有重要的實際應用價值。

2 長短時記憶神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)是一種功能強大的人工神經(jīng)網(wǎng)絡算法，該神經(jīng)網(wǎng)絡可以在輸入和輸出之間的對應過程中利用上下文的相關信息。它不同于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(Feed-forward Neural Network，F(xiàn)NN)，循環(huán)神經(jīng)網(wǎng)絡在網(wǎng)絡中引入定性循環(huán)，使信息從其中一個神經(jīng)元傳遞到另一個神經(jīng)元的同時保存了部分有用信息，信息不會立即消失。循環(huán)神經(jīng)網(wǎng)絡通過保存歷史信息來幫助當前的決策[12]，循環(huán)神經(jīng)網(wǎng)絡可以更好地利用傳統(tǒng)神經(jīng)網(wǎng)絡結構不能建模的信息。但是當診斷信息的時間間隔有長有短，循環(huán)神經(jīng)網(wǎng)絡的診斷效率也會受影響，因此引入了長短時記憶神經(jīng)網(wǎng)絡(LSTM)進行故障診斷。

LSTM是一種特殊的RNN網(wǎng)絡，它學習長期的依賴信息，同時避免了梯度消失的問題。傳統(tǒng)RNN網(wǎng)絡的隱藏層只有一個狀態(tài)h，它對于短期的輸入很敏感[13]。若增加一個狀態(tài)c保存長期的狀態(tài)，并按照時間維度展開，問題就會得到解決，如圖1所示。

圖1 按照時間維度展開LSTM結構圖

LSTM神經(jīng)網(wǎng)絡的關鍵之處在于它的神經(jīng)元狀態(tài)，神經(jīng)元狀態(tài)就像是一個輸送帶。它的線性作用很小，貫穿整個鏈式結構。信息很容易在輸送帶上傳遞且狀態(tài)不變。LSTM可以增加或者刪減神經(jīng)元狀態(tài)中的信息，這一機制是通過門限結構進行管理的。門限結構是一種讓信息選擇性通過的方式，它們是由Sigmoid神經(jīng)網(wǎng)絡層和逐點相乘器構成的，Sigmoid層輸出的0～1之間的數(shù)字代表某個神經(jīng)元有多少信息可以被通過。輸出“0”意味著“全都不能通過”，輸出“1”意味著“全部可以通過”。一個LSTM有3個這樣的門限保護和控制神經(jīng)元狀態(tài)[14]。

3 ABC算法優(yōu)化LSTM參數(shù)實現(xiàn)過程

人工蜂群算法主要思想是模擬生活中的蜜蜂群的采蜜過程，該算法主要是結合了全局搜索和局部搜索進行尋優(yōu)。人工蜂群算法模型中將蜜蜂分為以下3種類型：偵查蜂、雇傭蜂和跟隨蜂。蜜源代表的是需要優(yōu)化問題的目標函數(shù)值，蜜源質量的好壞取決于需要優(yōu)化問題的目標函數(shù)值，其中雇傭蜂的個數(shù)與蜜源個數(shù)一一對應。這里設第i個蜜源xi=(xi1,xi2,…，xiD),i=1,2,…,N,其中N表示蜜源的總數(shù)，D為待求問題解的維數(shù)。3種蜜蜂尋找最優(yōu)蜜源的過程如下[15]：

(1)雇傭蜂對蜜源的領域進行搜索，搜索方式如公式(1)所示，如果搜索到的新蜜源質量比之前蜜源的質量好，則用新蜜源位置替代之前的蜜源位置，否則保持之前蜜源的位置不變。

new_xid=xid+r(xid-xkd)

(1)

式(1)中new_xid為第i個新蜜源中第d維的值；r為[-1,1]上的隨機數(shù)；k為除第i個蜜源外的任意蜜源。

(2)雇傭蜂在完成一次蜜源搜尋后，在蜂巢中的一片跳舞區(qū)域通過跳尾巴舞的方式將蜜源的信息傳遞給跟隨蜂，跟隨蜂以一定概率選取蜜源，當跟隨蜂選擇新的蜜源后，跟隨蜂轉變?yōu)楣蛡蚍湓诿墼锤浇M行新的蜜源搜索，并記錄新的蜜源所在位置。蜜源被選擇的概率計算方式為式(2)，蜜源搜索方式為式(1)。

(2)

式中：pi為第i個蜜源被選中的概率；hi為第i個蜜源的適應度值；N為蜜源的總個數(shù)。

(3)若某個蜜源的改進次數(shù)大于設定值limit，則雇傭蜂放棄該蜜源，此時雇傭蜂成為偵查蜂，蜜源被新偵查蜂找到的蜜源代替，替換見式(3)。

(3)

式中：xij為第i個蜜源的第j維的值，j∈{1,2,…,D}。

在標準的人工蜂群算法中，蜜源適應度值的計算如式(4)所示。

(4)

式中：fi為第i個蜜源的目標函數(shù)值。

LSTM神經(jīng)網(wǎng)絡中隱含層節(jié)點數(shù)的選取對診斷結果會產生很大的影響，若選取不當，可能會導致故障診斷的準確率降低。ABC算法具有全局尋優(yōu)的能力，因此在LSTM模型對樣本訓練和測試之前使用它對隱含層節(jié)點數(shù)進行優(yōu)化，把隱含層節(jié)點數(shù)作為蜂群的蜜源，診斷的準確率作為適應度函數(shù)。3種類型的蜜蜂根據(jù)自己的工作對蜜源進行尋優(yōu)，從而得到最優(yōu)的隱含層節(jié)點數(shù)。利用得到的最優(yōu)隱含層節(jié)點數(shù)構建LSTM模型，對樣本進行故障診斷。圖2為人工蜂群算法優(yōu)化LSTM模型的流程圖。

圖2 ABC優(yōu)化LSTM故障診斷模型流程圖

算法實現(xiàn)過程如下：

步驟1：對ABC算法中的控制參數(shù)進行初始化。初始化的參數(shù)有蜂群規(guī)模、蜜源的數(shù)量，即雇傭蜂的數(shù)量、蜜源的最大循環(huán)次數(shù)、最大迭代次數(shù)、懲戒因子和核函數(shù)參數(shù)取值范圍的上下界。

步驟2：確定ABC算法中的適應度函數(shù)。優(yōu)化LSTM模型中的參數(shù)是為了提高飛機發(fā)動機故障診斷模型的準確率，由此定義適應度目標函數(shù)，這里的目標函數(shù)值為故障診斷的準確率。

步驟3：雇傭蜂根據(jù)式(1)對當前蜜源附近的領域進行搜索得到新的蜜源，并根據(jù)步驟6計算新的蜜源適應度，若比之前的蜜源適應度值好，則替換之前的蜜源，否則原蜜源保持不變。

步驟4：跟隨蜂根據(jù)式(2)選擇蜜源，并轉化為雇傭蜂在蜜源附近按照式(1)搜索新的蜜源，若新的蜜源適應度值大于之前的蜜源，則替換原先的蜜源，否則保持原蜜源不變。

步驟5：判斷蜜源的循環(huán)次數(shù)是否大于limit，若大于則按照式(3)產生新的蜜源來替換原來蜜源。

步驟6：記錄當前最優(yōu)蜜源，并判斷是否滿足循環(huán)終止條件，若滿足條件則轉到步驟7，否則轉到步驟3重新尋優(yōu)。

步驟7：得到的全局最優(yōu)蜜源即為最優(yōu)隱含層節(jié)點數(shù)，并用此隱含層節(jié)點數(shù)值構建LSTM故障診斷模型。

4 發(fā)動機故障診斷試驗驗證

本文根據(jù)某型飛機發(fā)動機數(shù)據(jù)，選取發(fā)動機起動系統(tǒng)健康狀態(tài)和切油故障狀態(tài)2種數(shù)據(jù)樣本作為原始數(shù)據(jù)。其中特征參數(shù)分別為高壓轉子轉速、壓氣機可調葉片角度、渦輪后燃氣溫度、噴口喉部直徑、加力內涵燃油流量計量活門位移、增加泵出口燃油溫度、滑油液位等22個參數(shù)。共選取51個樣本數(shù)據(jù)作為診斷研究對象，其中健康狀態(tài)選取45個樣本，切油故障選取6個樣本。為了測試本文算法的有效性，將從每個不同類型樣品中選擇一半作為訓練樣品,另一半作為測驗樣品，運用ABC算法優(yōu)化了LSTM模型下隱含層節(jié)點的數(shù)量。經(jīng)過大量實驗驗證,將人工蜂群算法中的參數(shù)設定為:蜜源個數(shù)為10,蜜源最大循環(huán)次數(shù) limit 為100,LSTM隱含層節(jié)點個數(shù)的搜索區(qū)間為[1,100]。然后,利用ABC算法對所有參數(shù)進行優(yōu)化,構建LSTM故障診斷模型。為了充分驗證ABC-LSTM故障診斷模型的精確性,本文同時采用PSO算法和GA算法對LSTM隱含層節(jié)點的數(shù)量進行了優(yōu)化,3種算法計算得到LSTM隱含層節(jié)點數(shù)如表1所示。

表1 不同優(yōu)化算法得到的LSTM隱含層節(jié)點數(shù)

最后，分別將ABC-LSTM模型、PSO-LSTM模型和GA-LSTM模型對測試樣本進行測試。圖3～圖5分別為3種模型對其中某個切油故障數(shù)據(jù)的診斷結果?？v坐標1為健康，2為切油故障。以上3種模型與不做參數(shù)優(yōu)化的LSTM模型對測試樣本的診斷率對比如表2所示。

表2 不同模型對測試樣本集的診斷準確率 %

圖3 ABC-LSTM模型測試數(shù)據(jù)診斷結果

圖4 PSO-LSTM模型測試數(shù)據(jù)診斷結果

從研究結果可以看出，所創(chuàng)建的ABC-LSTM故障診斷模型的診斷準確率達到了93.14%，而診斷同樣的測試樣本，不做參數(shù)優(yōu)化的LSTM、PSO-LSTM和GA-LSTM故障診斷模型的診斷準確率分別為89.22%、91.18%和86.28%，都低于ABC-LSTM的診斷準確率。因此，ABC-LSTM故障診斷模型可更好實現(xiàn)對飛機發(fā)動機起動系統(tǒng)的故障診斷。

圖5 GA-LSTM模型測試數(shù)據(jù)診斷結果

5 結論

針對目前飛機發(fā)動機難以快速準確診斷故障的現(xiàn)狀，本文采用人工蜂群算法對長短時記憶神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)進行優(yōu)化，有效減少了人為因素對飛機發(fā)動機故障診斷結果的不良影響。提出并建立了ABC-LSTM故障診斷模型，對某型發(fā)動機實際數(shù)據(jù)進行訓練和測試，結果表明ABC-LSTM發(fā)動機故障診斷模型的準確率高達93.14%，診斷效果明顯優(yōu)于LSTM模型、PSO-LSTM模型和GA-LSTM模型，具有很好的實際應用價值。