CN108363382A - 一种复杂装备故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种复杂装备故障诊断方法及系统，其中方法包括：样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；分类识别步骤、基于特征集使用支持向量机对特征进行分类。本发明能够在复杂装备真实的小样本条件下进行故障诊断，故障识别准确率和泛化性明显优于基于支持向量机的故障诊断法。在建立复杂装备状态特征模型过程中，提出一种根据单个DAE特征提取能力设计SDAE模型隐藏层节点数的方法。

Description

一种复杂装备故障诊断方法及系统

技术领域

本发明涉及航空发动机技术领域，尤其涉及一种复杂装备故障诊断方法及系统。

背景技术

随着设备向复杂化、智能化、综合化方向发展，其工作环境和运行工况也越来越复杂，导致各部件易发生损伤，进而严重影响工作性能，甚至导致各种故障。因而，对复杂设备进行故障诊断是十分有必要的，具体来说，对复杂设备进行故障诊断，可以迅速准确地确定故障的部位及严重程度，从而减少设备周转时间，有利于设备安全运行，提高工作效率。

随着复杂设备监控系统采集的数据越来越大，对大数据下的复杂设备进行故障诊断已成为目前PHM领域一个热点问题。借助深度学习在大数据下的强大自动特征提取能力，目前已经有学者成功将深度学习应用于故障诊断领域，并取得了一定的成果。现有技术中提出了一种基于信息熵的深度置信网络方法，解决复杂环境下有限传感器数据的航空发动机故障诊断问题。他们将信息熵用于故障诊断，作为DBN的输入，从而构成了IE-DBNs模型。最后经实验表明，IE-DBNs明显优于其他机器学习方法。现有技术中还把深度神经网络应用到轴承的故障特征提取和诊断中，其利用深度神经网络的特征提取能力，直接从频域信号进行轴承故障特征提取和识别，取得了较好的效果。此外，有人专门研究了深度神经网络在旋转轴承频域信号中的故障特征提取能力，并给出了故障特征的可视化结果。李本威等人将改进的深度置信网络(ad_DBN)应用于发动机部件性能衰退故障的诊断中，不仅解决了传统浅层网络和支持向量机方法在诊断时存在的泛化能力欠缺和容易产生局部最优解等问题，还提高了诊断的平均精度，并且其抗噪能力也明显由于传统的算法。王培良等提出了一种基PSO的DBNs辨识方法(PSODBNs，PDBNs)，经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果，具有更高的辨识精度。然后再结合主成分分析法，提出了一种PCA-PDBNs模型，并将此应用于故障检测中，有效的降低了故障检测模型的复杂度，进一步提高了对未知故障类型的辨识精度，取得了较好效果。李艳峰等提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法，利用SVD对轴承信号进行特征提取，然后建立DBN多分类器模型，有效的提高了对轴承故障类型和故障程度识别的稳定性和可靠性。梁军等针对目前诸多时间序列分类没有考虑多维时间序列变量之间重要联系以及不同样本矩阵约减后维数不完全对应的问题，将共同主成分分析和动态时间规整方法引入到DBN模型中，构造了基于CPCA_DTW_DBN的多维时间序列故障诊断方法并且取得了较好的分类效果。通过对基于深度学习的复杂装备故障诊断研究现状进行分析，主要存在以下几个方面的不足：

(1)当前基于深度学习的复杂装备故障诊断都是以故障样本数量足够都为前提；如果故障样本过少，深度网络会严重过拟合。即便是每类故障给出几百个样本，目前的深度学习网络依然会过拟合，从而导致模型失效。

(2)当前基于深度学习的复杂装备故障诊断都是以仿真数据为研究对象，由于复杂装备的结构复杂且工作环境、运行工况恶劣，仿真数据并不能较好的反应设备的实际性能状况。

(3)当前基于深度学习的复杂装备故障诊断模型中，深度学习模型隐藏层节点数设计主要依赖于大量的实验试探，属于黑箱子。

发明内容

本发明要解决的技术问题在于，针对现有的复杂装备故障诊断的上述至少一个缺陷，提出了一种基于深度学习和支持向量机的复杂装备故障诊断方法及系统。

为了解决上述技术问题，本发明第一方面，提供了一种复杂装备故障诊断方法，包括以下步骤：

样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；

特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；

分类识别步骤、基于特征集使用支持向量机对特征进行分类。

在根据本发明所述的复杂装备故障诊断方法中，优选地，所述样本处理步骤包括：

假设复杂装备监控性能参数用X＝{x₁,x₂,x₃,...,x_n}表示，其中x_i表示第i个监控性能参数，1≤i≤n；

获取故障确认点前每个监控性能参数x_i的m个连续采样的状态数据x_i＝{x_i,m,x_i,m-1,...,x_i2,x_i1}；

按照时间顺序，将每个监控性能参数的m个采样数据进行分组，将离故障确认点最近的一组Y_i,1选为故障征候组，其余各组Y_i,2,...,Y_i,k为正常组；

令F_j＝{Y_1j,Y_2j,...,Y_nj},j＝1,2,3,…,k，Y_ij表示监控性能参数x_i分组后的第j组飞行数据，当且仅当j＝1时，F₁＝{Y₁₁,Y₂₁,...,Y_n1}表示故障样本，其余为正常样本；

对不同的故障模式进行标记，形成训练用的正常样本和故障样本。

在根据本发明所述的复杂装备故障诊断方法中，优选地，所述特征提取步骤中所使用的SDAE模型的隐藏层节点数通过以下步骤确定：选取单个DAE特征提取能力最好的的隐藏层节点数作为SDAE模型最优的隐藏层节点数。

在根据本发明所述的复杂装备故障诊断方法中，优选地，所述特征提取步骤中所使用的SDAE模型的输出层节点数通过以下步骤确定：使用SDAE模型最优的隐藏层节点数建立DAE模型，并利用该DAE模型对模型训练用的部分正常样本的原始数据集进行转化，则转化后的数据集中每个样本的维数变为最优的隐藏层节点数；然后将DAE输入层设为所述最优的隐藏层节点数，并重新选取均方根误差和失真度最小的隐藏层节点数作为SDAE模型的输出层节点数。

在根据本发明所述的复杂装备故障诊断方法中，优选地，所述复杂装备为航空发动机，所述样本处理步骤选取的复杂装备的监控性能参数包括：排气温度变化量、排气温度裕度变化量、核心机转速变化量和燃油流量变化值。

本发明第二方面，提供了一种复杂装备故障诊断系统，包括：

样本处理模块，用于选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；

特征提取模块，用于从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；

分类识别模块，用于基于特征集使用支持向量机对特征进行分类。

在根据本发明所述的复杂装备故障诊断系统中，优选地，所述样本处理模块通过以下方式对故障指征参数进行预处理生成正常样本和故障样本：

假设复杂装备的监控性能参数用X＝{x₁,x₂,x₃,...,x_n}表示，其中x_i表示第i个监控性能参数，1≤i≤n；

获取故障确认点前每个监控性能参数x_i的m个连续采样的状态数据x_i＝{x_i,m,x_i,m-1,...,x_i2,x_i1}；

按照时间顺序，将每个监控性能参数的m个连续采样的状态数据进行分组，将离故障确认点最近的一组Y_i,1选为故障征候组，其余各组Y_i,2,...,Y_i,k为正常组；

令F_j＝{Y_1j,Y_2j,...,Y_nj},j＝1,2,3,…,k，Y_ij表示监控性能参数x_i分组后的第j组飞行数据，当且仅当j＝1时，F₁＝{Y₁₁,Y₂₁,...,Y_n1}表示故障样本，其余为正常样本；

对不同的故障模式进行标记，形成训练用的正常样本和故障样本。

在根据本发明所述的复杂装备故障诊断系统中，优选地，所述特征提取模块通过以下方式确定所使用的SDAE模型的隐藏层节点数：选取单个DAE特征提取能力最好的的隐藏层节点数作为SDAE模型最优的隐藏层节点数。

在根据本发明所述的复杂装备故障诊断系统中，优选地，所述特征提取模块通过以下方式确定所使用的SDAE模型的输出层节点数：使用SDAE模型最优的隐藏层节点数建立DAE模型，并利用该DAE模型对模型训练用的部分正常样本的原始数据集进行转化，则转化后的数据集中每个样本的维数变为最优的隐藏层节点数；然后将DAE输入层设为所述最优的隐藏层节点数，并重新选取均方根误差和失真度最小的隐藏层节点数作为SDAE模型的输出层节点数。

在根据本发明所述的复杂装备故障诊断系统中，优选地，所述复杂装备为航空发动机，所述特征提取模块选取的复杂装备的监控性能参数包括：排气温度变化量、排气温度裕度变化量、核心机转速变化量和燃油流量变化值。

实施本发明的复杂装备故障诊断方法及系统，具有以下有益效果：本发明提出一种基于深度学习和支持向量机的复杂装备故障诊断方法，能够在复杂装备真实的小样本条件下进行故障诊断，在故障识别准确率和泛化性两个方面明显优于基于支持向量机的故障诊断法。

附图说明

图1为根据本发明优选实施例的复杂装备故障诊断方法的流程图；

图2为发动机出现EGT指示故障后其气路性能参数EGT在故障点前的500个连续飞行循环的数值变化趋势图；

图3为去噪自动编码器结构示意图；

图4为SDAE基本结构示意图；

图5为DAE输入重构示意图；

图6为不同隐藏层节点下RMSE和失真度示意图；

图7a～7h为不同隐藏层节点数下DAE重构曲线。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为根据本发明优选实施例的复杂装备故障诊断方法的流程图。如图1所示，该实施例提供的复杂装备故障诊断方法包括以下步骤：

首先，在步骤S1中，执行样本处理步骤，选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本。该步骤主要用于构造状态特征提取的样本集。本发明的复杂设备包括但不限于航空发动机、数控机床、燃气轮机和核电设备等。

随后，在步骤S2中，执行特征提取步骤，从全部正常样本中随机选择部分正常样本对SDAE(堆叠去噪自动编码器)模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集。该步骤S2用于基于深度学习的状态特征提取。

最后，在步骤S3中，执行分类识别步骤，基于特征集使用支持向量机对特征进行分类。该步骤用于对发动机状态进行分类。

本发明提出的复杂装备故障诊断方法是基于深度学习和支持向量机来实现，该方法能够在复杂装备真实的小样本条件下进行故障诊断。对于高可靠性的复杂装备(如：航空发动机)，其在运行期间故障样本较少，但正常样本足够多。本发明利用大量的正常样本训练深度网络，待模型训练完成，再利用训练好的深度网络对故障样本进行特征挖掘，最后选用支持向量机对特征进行分类，从而到达故障诊断的目的。

优选地，特征提取步骤S1中所使用的SDAE模型的隐藏层节点数通过以下步骤确定：从单个DAE(去噪自动编码器)特征提取能力的角度确定SDAE隐藏层的节点数，选取DAE重构数据和输入数据之间的均方根误差和失真度作为评估DAE特征提取能力，均方根误差和失真度最小的隐藏层节点数处即为DAE特征提取能力最好，最后将单个DAE特征提取能力最好的隐藏层节点数作为SDAE模型最优的隐藏层节点数。在本发明的另一些实施例中，还在选择均方根误差和失真度最小的隐藏层节点数的基础上，综合考虑工程误差，以及模型复杂度，来确定SDAE模型最优的隐藏层节点数。

优选地，特征提取步骤S1中所使用的SDAE模型的输出层节点数通过以下步骤确定：

使用前述确定的SDAE模型最优的隐藏层节点数建立DAE模型，并利用该DAE模型对模型训练用的部分正常样本的原始数据集进行转化，则转化后的数据集中每个样本的维数变为最优的隐藏层节点数；然后将DAE输入层设为所述最优的隐藏层节点数，并重新选取均方根误差和失真度最小时的隐藏层节点数作为SDAE模型的输出层节点数。

下面对本发明的复杂装备故障诊断方法进行详细说明。

1、基于深度学习和支持向量机的故障诊断模型建立

1.1复杂装备故障征候数据

1)故障征候数据分析

首先，根据设备的原理及监控系统选取相应的监控性能参数，又称为故障指征参数。本文以航空发动机为例，航空发动机气路故障类型包括燃烧室故障、EGT指示故障以及TAT指示故障等模式，而发动机制造厂家主要是利用排气温度变化量(Delta Exhaust GasTemperature,DEGT)、排气温度裕度变化量(Exhaust Gas Temperature Margin,EGTM)、核心机转速变化量(Delta Core Speed,DN2)、燃油流量变化值(Delta Fuel Flow,DFF)四个监控性能参数对发动机气路故障进行诊断，因此，对航空发动机气路故障选取DEGT、EGTM、DFF以及DN2作为监控性能参数，即故障指征参数。

然后，根据历史故障数据对设备进行详细分析，对比设备发生故障时的特征。如图2所示，该图是发动机出现EGT指示故障后，其气路性能参数EGT在故障点前的500个连续飞行循环的数值变化趋势图，其中T2为发动机厂家判定为故障时刻，T1为报警时刻。通过对图2中T1时刻之前以及T1和T2时刻之间的循环点分别进行直线拟合，可以发现当发动机发生故障时，从T1时刻到T2时刻之间直线变化趋势明显出现突变现象，即航空发动机的气路性能参数在故障发生时的一段时间内其变化趋势会出现明显突变。因此，复杂装备的性能参数的这种变化趋势被当作该该类故障的故障指征。

2)故障指征数据筛选及预处理

假设复杂设备的监控性能参数用X＝{x₁,x₂,x₃,...,x_n}，x_i表示具体的监控性能参数，故障征候样本具体构造过程如下：

步骤1首先获取故障确认点前监控性能参数x_i的m个连续采样的状态数据，如式(1)所示：

步骤2按照时间顺序，将每个监控性能参数的m个连续采样的状态数据进行分组，将离故障确认点最近的一组选为故障征候组，其余各组为正常组。

设Y_i＝{y_m,y_m-1,...,y₁}表示监控性能参数x_i的m个连续采样的状态数据(例如飞行循环数据)小偏差，如果每组r个飞行循环数据，那么每个监控性能参数小偏差序列将会被分成k个子序列，k可以用式(2)进行表示。

式中：——非整数j的整数部分取值符号；

分组后的监控性能参数如航空发动机性能参数如式(3)所示。

式中Y_i,2,...,Y_i,k表示监控性能参数x_n的正常数据组，Y_i,1表示监控性能参数x_i的故障征候数据组。

步骤3令F_j＝{Y_1j,Y_2j,...,Y_nj},j＝1,2,3,…,k，Y_ij表示监控性能参数x_i分组后的第j组飞行数据。当且仅当j＝1时，F₁＝{Y₁₁,Y₂₁,...,Y_n1}表示故障样本。

步骤4对不同的故障模式进行标记，假设有a₁,a₂,a₃,...,a_n等n个故障模式，将所有正常样本标记为“0”，故障模式a₁标记为“1”，故障模式a₂标记为“2”….。

步骤5由于在高可靠性的复杂装备中故障样本较少，而正常样本非常多，为了更好的提取状态特征，本发明将选取正常样本构成训练集来训练SDAE模型，而将剩余的正常样本和全部故障样本用以训练和测试分类器。

1.2基于深度学习的状态特征提取模型

1)堆叠去噪自动编码器模型

DAE是一种利用经过无监督逐层贪心预训练和系统性参数优化的多层非线性网络从无类标数据种提取高维复杂输入数据的分层特征，并得到原始数据的分布式特征表示的深度学习神经网络结构。每个DAE由编码器，解码器和隐藏层组成，图3给出了DAE模型的基本结构。

如图3所示，DAE输入层包括将输入数据污染过程，由污染后的输入层到中间隐藏层是编码过程，而由中间隐藏层到输出层是属于解码过程。只有输入层和中间隐藏层、中间隐藏层和输出层之间的节点是全连接，输出层与输出层以及隐藏层与隐藏层的节点之间没有连接。如图若用x表示原始输入数据(n维)，表示污染之后的输入数据，h表示隐藏层数据(m维)，z表示输出层数据(n维)，则步骤S2具体过程如下：

(1)S21、污染过程：在输入层中将原始输入数据x通过函数q_D(x)污染成的过程。污染函数q_D(x)为：

其中q_D(·)为随机匹配函数；其过程为在输入数据x中随机选择ν％的样本并将其值设置为0，0＜ν＜100。v为设定的噪音率。

(2)S22、编码过程：将污染后的输入数据经过编码函数f_θ映射到隐藏层h的过程。其编码过程中的非线性映射函数f_θ为：

参数θ＝{W,b}，其中W是一个m×n维的权重矩阵，b∈R^m是偏置向量；h∈R^m表示隐藏层。

(3)S23、解码过程：将隐藏层h经过解码函数g_θ'重构输入的过程。其解码过程中的非线性映射函数g_θ'为：

z＝g_θ'(h)＝S(W'*h+b') (6)

参数θ'＝{W',b'}，其中W'＝W^T是一个n×m维的权重矩阵，b'＝Rⁿ是偏置向量，W^T为W的转置矩阵；z∈Rⁿ表示输出层。其中S(·)为节点激活函数，通常为softplus函数：

S(x)＝log(1+e^x) (7)

(4)S24、寻找最优参数过程：DAE的目标是利用反向传播算法寻找最优参数θ＝{W,b}，使输出数据z与输入数据x之间的误差最小，本文使用误差平方和衡量输入数据x与输出数据z之间的误差，如公式(8)所示：

其中，J_DAE是模型输入数据x与输出数据z之间的误差平方和。

构建堆叠去噪自动编码器过程：将隐藏层h作为下一个DAE模型的输入，重新执行上述步骤(1)-(4)得到新的隐藏层h′，即为发动机状态监控数据的更加抽象更加高层次的特征表示。然后将h′作为下一个DAE模型的输入，依次堆叠，就可得到堆叠去噪自动编码器模型，如图4所示，得到最终的输出，即为发动机状态监控数据的更加抽象更加高层次的特征表示。

从图4可以看出，堆叠去噪自动编码器由多个去噪编码器堆叠而成，第一层和第二层形成一个DAE，第二层和第三层形成下一个DAE，依次类推，前一个DAE的隐藏层作为下一个DAE的输入，最后一个DAE的隐藏层为SDAE提取原始输入数据的特征，将其作为分类器的输入，即可对数据进行分类。

1.3SDAE模型隐藏层和输出层节点数的确定方法

SDAE的隐藏层输出层节点数的设计关系到最终特征提取的好坏。而目前SDAE模型隐藏层和输出层节点数的设计属于黑箱子，并没有确定的方法来解决该问题，通常的做法是通过实验试探。本发明从单个DAE的特征提取能力的角度出发，对SDAE的隐藏层节点和输出层节点进行设计。

从前文分析可知，DAE是利用一定的映射关系使输出尽量和输入相同，从而将输入数据的信息储层在隐藏层之中。因此，隐藏层可以认为是输入数据的另一种表示，视为输入数据的特征提取的结果。DAE训练的目标就是通过一定的规则使得输出和输入的误差最小，因此，DAE提取能力的好坏主要取决于误差的大小，误差越小，DAE特征提取能力越强。DAE中隐藏层重构输入层的过程就是解码器解码过程，如图5所示。

从图中可以看出，DAE通过编码过程将输入数据储层在隐藏层中，通过解码过程使隐藏层重构输入得到重构数据，在整个过程中，输入数据将会被压缩和重构，这样重构数据与原始数据就会产生一定的误差，为了更合理的比较原始输入数据与重构数据之间的差异大小，本发明将从均方根误差(Root Mean Square Error，RMSE)和失真度去验证它们之间的差异，其定义分别如下：

RMSE：表示重构数据与输入原始数据的差的平方根，具体如公式(9)所示。

当RMSE越小，表示重构数据与原始输入数据之间的差异越小，从而DAE的特征提取能力越强。

失真度：根据参考文献中的定义，本发明采用相对均方差值定义失真度，具体公式如(10)所示。

当失真度S越小，表示重构数据与原始数据之间的差异越小，DAE的特征提取能力越强。

根据上述方法，可以很好地比较不同隐藏层节点数下DAE特征提取能力的好坏。而后本发明将选取DAE特征提取能力最好的隐藏层节点数作为SDAE模型的隐藏层节点数。对于SDAE模型的输出层节点数，根据SDAE模型原理可知，SDAE是由多个DAE堆叠而成，SDAE的输出层就是最后一个DAE的隐藏层，因此可以利用同样的方法进行确定。

2、基于深度学习与支持向量机的复杂装备故障诊断应用实施例

本发明主要是利用航空发动机的性能数据和故障数据对本发明所提出的方法进行验证。

主要是两个模型：

(1)基于堆叠去噪自动编码器的状态特征提取；

(2)基于支持向量机的故障分类方法。

其中，包括SDAE的隐藏层节点数和输出层节点数的确定。

本实实例主要对民航发动机气路故障进行诊断，根据对OEM的故障预报数据分析，其选取的故障征候循环数(图2中T1和T2时刻之间的飞行循环数)从5到130不等，且只有少数故障征候循环数超过10，因此，选取10个循环作为故障指征数据的区间段能够满足大部分的故障诊断需求。通过对中国国际航空公司的发动机维修报告和CNR分析整理，按照本文故障指征预处理方法，本文共获取了24组排气温度指示故障(EGT Index)预报案例样本，22组进口总温指示故障(TAT Index)预报案例样本、20组HPT叶片烧蚀故障(HPT_Blade)和1572组正常样本。本文首先从1572组正常样本中随机选取1000个样本对SDAE模型进行训练，模型训练好后，利用模型对剩余的572组和所有的故障样本进行特征提取，最后利用特征集训练和测试SVM。

1)SDAE的隐藏层节点数的确定

本发明将主要从隐藏层节点个数对DAE的特征提取能力进行实验验证。为了在同一标准下进行验证，当验证隐藏层节点数对DAE特征提取能力的影响时，保证迭代次数固定。

本发明将根据上文所给出的失真度和RMSE对DAE特征提取能力进行定量分析。DAE的输入层节点数由输入数据的维数决定，本实验中输入数据的维数为40，所以DAE的输入层节点个数为40。为了充分验证不同隐藏层节点数下DAE特征提取能力，本文将隐藏层节点数分别设为10、20、30、40、50、60、70、80、90、110、120、130、140、150和160。关于DAE的相关参数设置：学习率设为1，初始动量设为0.5，污染量设为0.5，迭代次数设为500，节点激活函数使用softplus函数。为了消除算法的随机性，每次实验重复10次，取10次结果的平均值。

实验结果如表1所示。表1中给出了不同隐藏层节点数下DAE重构原始输入数据的失真度(失真度过小，将其乘以放大倍数1000)和RMSE。图6是将表1中的数据用折线图表示。从图6中可以看出，初始阶段，随着隐藏层节点数增加，失真度和RMSE急剧减小。当隐藏层节点增加到60后，随着隐藏层节点数的增加，失真度和RMSE的变化很小。从图6可以看出，当隐藏层节点数为160，此时失真度和RMSE最小。一般情况下，可以选择160作为SDAE的最优的隐藏层节点数，但还可以进一步综合考虑工程误差以及模型复杂度等因素确定SDAE模型最优的隐藏层节点数。例如，当隐藏层节点数为60时，对应的失真度和RMSE与节点为160对应的失真度和RMSE相差不大，但节点数却相差100，综合考虑模型复杂度和误差变化，DAE隐藏层节点数选择60更加合理。

表1不同隐藏层节点下DAE重构数据的RMSE和失真度对比

2)SDAE输出层节点数的确定

根据SDAE模型原理可知，SDAE是由多个DAE堆叠而成，SDAE的输出层就是最后一个DAE的隐藏层，本文通过SDAE对数据进行无监督特征提取的主要目的是在挖掘深度特征的同时达到降维的目的，所以堆叠去噪自动编码器的输出层节点个数应尽量少于输入层。同时参考CNR报告，对于本文数据集中的3类故障，OEM厂家主要用四个性能参数来表征，所以本文要求输出层的节点数应该不小于4。

因此，首先利用DAE(输入层节点数设为40，隐藏层节点数设为60)对原始数据集进行转化(无监督特征提取)，转化后的数据集中每个样本的维数变为60。然后将DAE输入层设为60，选取最优的隐藏层节点数，即为SDAE模型的输出层节点数。通过实验验证(实验过程与隐藏层节点数确定的过程类似)，实验结果如图7a-7h所示，从图中可以看出，图中的输入曲线和重构曲线基本重合，这说明初始数据集经过DAE进行特征提取后，数据集中的噪声得到了很好的消除，所以当以经过DAE进行特征提取后的特征集作为输入数据时，DAE能够很好的重构输入数据，从理论上验证了本发明方法的可行性。

表2给出了不同隐藏层节点下的失真度和重构误差，从表中可以看出，当隐藏层节点数为40时，此时RMSE和失真度最小。因此，当DAE输入层节点数为60，隐藏层节点数设为40，DAE的特征提取能力最好，所以本文将SDAE模型的输出层节点数设为40。

表2不同输出节点数下DAE重构数据的失真度和RSME

3)基于状态特征的支持向量机分类

利用SDAE模型对原始数据进行特征提取，然后利用支持向量机对特征进行分类结果，不同深度下SDAE模型提取的特征最终分类结果如表3所示。

表3不同深度下基于SDAE和SVM的故障诊断模型分类结果

从表3中可以看出，模型深度为1时，即SDAE模型结构为40-60-40时，此时分类效果最好。比较第6组分类结果和其他组，可以发现其他组分类效果远远好于第六组，而且第六组对HPT_Blade故障的分类正确率为零，这说明利用SDAE对发动机状态数据进行特征提取再进行分类，其效果远好于直接利用原始数据进行分类，这是因为通过SDAE能够对原始数据进行深度挖掘。比较第2组和1、3、4、5组分类结果，可以发现第2组的分类性能最好，继续增加模型的深度不能提高分类性能，这说明在使用深度学习模型时，并不是模型的深度越深，效果就越好，需要根据数据量决定，因为数据量少，模型深度增加，会导致过学习问题，从而使模型的精度下降。比较第2组和第1组的分类结果，第2组的分类效果要好于第1组，这说明深度学习理论学习的特征要好于使用浅层神经网络挖掘的特征。

基于同样的发明构思，本发明还提供了一种复杂装备故障诊断系统，包括：样本处理模块、特征提取模块和分类识别模块。

其中，样本处理模块用于选取发动机气路故障的故障指征参数，并对故障指征参数进行预处理生成正常样本和故障样本。该样本处理模块与前述方法中样本处理步骤S1的实现过程相同，在此不再赘述。

特征提取模块用于从全部正常样本中选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集。该特征提取模块与前述方法中特征提取步骤S2的实现过程相同，在此不再赘述。

分类识别模块用于基于特征集使用支持向量机对特征进行分类。该分类识别模块与前述方法中分类识别步骤S3的实现过程相同，在此不再赘述。

综上所述，本发明运用堆叠去噪自动编码器与支持向量机建立了复杂装备的故障诊断模型。在建立复杂装备故障诊断模型过程中，主要遇到了两个问题：一个是深度学习模型对故障小样本特征的挖掘；另一个是堆叠去噪自动编码器的隐藏层节点数的设计。

在利用深度学习模型对小样本处理时，为了更好的挖掘故障特征，本发明利用堆叠去噪自动编码建立复杂装备状态特征提取模型。通过大量的正常样本训练SDAE，用以提取复杂设备发生故障时的状态特征。在对复杂设备的状态特征进行诊断和分类时，本发明采用了支持向量机的分类方法，因为支持向量机在样本较少时，有较好的分类效果。

在对堆叠去噪自动编码器的隐藏层和输出层节点数的设计时，为了使SDAE模型具有更好的特征提取能力，本发明从单个去噪自动编码器特征提取能力的角度出发，对SDAE模型的特征提取能力进行了研究。本发明根据DAE的重构数据和输入数据之间的误差评估了单个DAE特征提取能力，并且将DAE特征提取能力最好的隐藏层节点数作为SDAE模型的隐藏层节点数。

经过某航空公司真实故障数据的对比实验，在小样本的条件下，本发明所采用的基于SDAE与SVM的故障诊断模型在故障识别准确率和泛化性两个方面明显优于基于支持向量机的故障诊断法。

Claims (10)

1.一种复杂装备故障诊断方法，其特征在于，包括以下步骤：

样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；

特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；

分类识别步骤、基于特征集使用支持向量机对特征进行分类。

2.根据权利要求1所述的复杂装备故障诊断方法，其特征在于，所述样本处理步骤包括：

假设复杂装备的监控性能参数用X＝{x₁,x₂,x₃,...,x_n}表示，其中x_i表示第i个监控性能参数，1≤i≤n；

获取故障确认点前每个监控性能参数x_i的m个连续采样的状态数据x_i＝{x_i,m,x_i,m-1,...,x_i2,x_i1}；

按照时间顺序，将每个监控性能参数的m个连续采样的状态数据进行分组，将离故障确认点最近的一组Y_i,1选为故障征候组，其余各组Y_i,2,...,Y_i,k为正常组；

令F_j＝{Y_1j,Y_2j,...,Y_nj},j＝1,2,3,…,k，Y_ij表示监控性能参数x_i分组后的第j组飞行数据，当且仅当j＝1时，F₁＝{Y₁₁,Y₂₁,...,Y_n1}表示故障样本，其余为正常样本；

对不同的故障模式进行标记，形成训练用的正常样本和故障样本。

3.根据权利要求1或2所述的复杂装备故障诊断方法，其特征在于，所述特征提取步骤中所使用的SDAE模型的隐藏层节点数通过以下步骤确定：

选取单个DAE特征提取能力最好的的隐藏层节点数作为SDAE模型最优的隐藏层节点数。

4.根据权利要求3所述的复杂装备故障诊断方法，其特征在于，所述特征提取步骤中所使用的SDAE模型的输出层节点数通过以下步骤确定：

使用SDAE模型最优的隐藏层节点数建立DAE模型，并利用该DAE模型对模型训练用的部分正常样本的原始数据集进行转化，则转化后的数据集中每个样本的维数变为最优的隐藏层节点数；然后将DAE输入层设为所述最优的隐藏层节点数，并重新选取均方根误差和失真度最小的隐藏层节点数作为SDAE模型的输出层节点数。

5.根据权利要求1或2所述的复杂装备故障诊断方法，其特征在于，所述特征提取步骤中对SDAE模型进行训练包括：

(1)在输入层中将原始输入数据x通过函数q_D(x)污染成

(2)将污染后的输入数据经过编码函数f_θ映射到隐藏层h；

其中参数θ＝{W,b}，W是一个m×n维的权重矩阵，b∈R^m是偏置向量，h∈R^m表示隐藏层；

(3)将隐藏层h经过解码函数g_θ'重构输入；

z＝g_θ'(h)＝S(W'*h+b')

其中参数θ'＝{W',b'}，其中W'＝W^T是一个n×m维的权重矩阵，b'＝Rⁿ是偏置向量，W^T为W的转置矩阵；z∈Rⁿ表示输出层，S(·)为节点激活函数；

(4)利用反向传播算法寻找最优参数θ＝{W,b}，使输出数据z与输入数据x之间的误差最小；其中使用误差平方和衡量输入数据x与输出数据z之间的误差：

J_DAE是模型的输入数据x与输出数据z之间的误差平方和；

(5)将隐藏层h作为下一个DAE模型的输入，重新执行上述步骤(1)-(4)得到新的隐藏层h′，再将h′作为下一个DAE模型的输入，依次堆叠，得到堆叠去噪自动编码器模型。

6.根据权利要求1或2所述的复杂装备故障诊断方法，其特征在于，所述复杂装备为航空发动机，所述样本处理步骤选取的复杂装备的监控性能参数包括：排气温度变化量、排气温度裕度变化量、核心机转速变化量和燃油流量变化值。

7.一种复杂装备故障诊断系统，其特征在于，包括：

样本处理模块，用于选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；

特征提取模块，用于从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；

分类识别模块，用于基于特征集使用支持向量机对特征进行分类。

8.根据权利要求7所述的复杂装备故障诊断系统，其特征在于，所述样本处理模块通过以下方式对故障指征参数进行预处理生成正常样本和故障样本：

假设复杂装备的监控性能参数用X＝{x₁,x₂,x₃,...,x_n}表示，其中x_i表示第i个监控性能参数，1≤i≤n；

获取故障确认点前每个监控性能参数x_i的m个连续采样的状态数据x_i＝{x_i,m,x_i,m-1,...,x_i2,x_i1}；

按照时间顺序，将每个监控性能参数的m个连续采样的状态数据进行分组，将离故障确认点最近的一组Y_i,1选为故障征候组，其余各组Y_i,2,...,Y_i,k为正常组；

令F_j＝{Y_1j,Y_2j,...,Y_nj},j＝1,2,3,…,k，Y_ij表示监控性能参数x_i分组后的第j组飞行数据，当且仅当j＝1时，F₁＝{Y₁₁,Y₂₁,...,Y_n1}表示故障样本，其余为正常样本；

对不同的故障模式进行标记，形成训练用的正常样本和故障样本。

9.根据权利要求7或8所述的复杂装备故障诊断系统，其特征在于，所述特征提取模块通过以下方式确定所使用的SDAE模型的隐藏层节点数：选取单个DAE特征提取能力最好的的隐藏层节点数作为SDAE模型最优的隐藏层节点数。

10.根据权利要求9所述的复杂装备故障诊断系统，其特征在于，所述特征提取模块通过以下方式确定所使用的SDAE模型的输出层节点数：使用SDAE模型最优的隐藏层节点数建立DAE模型，并利用该DAE模型对模型训练用的部分正常样本的原始数据集进行转化，则转化后的数据集中每个样本的维数变为最优的隐藏层节点数；然后将DAE输入层设为所述最优的隐藏层节点数，并重新选取均方根误差和失真度最小的隐藏层节点数作为SDAE模型的输出层节点数。