CN111523081A - 一种基于增强门控循环神经网络的航空发动机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于增强门控循环神经网络的航空发动机关键部件故障诊断方法。该方法通过提取航空发动机关键部件故障信号的时域特征，利用压缩感知方法对提取到的时域特征进行处理获得更精简、易于识别的时域特征；然后利用利用提取到的时域特征逐层学习门控循环神经网络来获得深度门控循环神经网络故障诊断模型；最后将故障预测模型提取的深层特征输入到极限学习机来获得更高的故障诊断结果；该诊断方法效果卓越、简单易行、诊断快速，可以高效的解决航空发动机关键部件的故障诊断。

Description

一种基于增强门控循环神经网络的航空发动机故障诊断方法

技术领域

本发明属航空发动机健康监测领域，具体涉及航空发动机关键部件故障诊断方法。

背景技术

航空发动机是一种高端、精密的设备，其目的就是为飞机提供动力，我们形象的将它比喻为飞机的“心脏”，因此其重要程度不言而喻。航空发动机作为高精尖技术的 代表，拥有非常复杂的结构，其往往处于高温、高压、高转速等非常恶劣的工作条件 下，所以容易产生各种未知的故障。而其作为飞机的核心装备，其产生的故障往往会 造成不可估量的损失。

航空发动机的正常工作对保障飞机的安全性和稳定性具有非常重要的作用。由于航空发动机结构复杂，具有众多的零部件，其中滚动轴承是航空发动机最为重要的组 成零部件之一，在航空发动机中扮演着极其重要的作用。而由于航空发动机处于高温、 高压、高转速的工作状态下，滚动轴承难免会出现损坏甚至故障，牵一发而动全身， 因为某个发生故障的滚动轴承，很有可能最终导致飞行安全事故以及造成经济损失。 因此为保障航空发动机的健康运行，本发明聚焦于对航空发动机关键部件滚动轴承开 展故障诊断，方便对于出现的故障及时进行故障排除，这样可以避免因为故障引起的 重大故障进而产生难以估量的损失，降低维修成本，保障航空发动机的健康平稳运行。

目前，航空发动机关键部件的故障诊断方法主要是基于模型的诊断方法、基于数据驱动的诊断方法以及基于混合模型的诊断方法。滚动轴承作为航空发动机的关键部 件处在十分复杂的工作环境，而航空发动机含有各种不同的型号的轴承，想要建立统 一、精准的、强泛化性能的物理数学模型来揭示航空发动机关键部件滚动轴承的故障 机理及演化规律对专家知识就有很高的需求，因此基于模型的诊断方法难以直接应用 到实际航空发动机的故障诊断问题。支持向量机和人工神经网络作为普遍应用的基于 数据驱动的诊断方法成为二十世纪以来关注的焦点，通过获得各种传感器采集到的振 动、电流、声音信号数据，利用先进的信号处理方法以及数据挖掘方法得到海量数据 的重要信息，然后利用支持向量机和人工神经网络对其评估。然而，数据驱动方法虽 然拥有很好的效果，但其弊端也不容忽视，航空发动机由于其众多的分系统，因而历 史数据量往很大，如果利用数据驱动方法，需要将更多的精力花费在利用先进的信号 处理方法和数据挖掘方法中，而这往往要耗费大量的时间以及海量数据重要信息的获 得往往严重依赖于实际工程知识，而这对于及时诊断航空发动机故障往往是无法接受 的。

发明内容

本发明目的是探索一种新的故障诊断方法，可以快速的分析非线性、非平稳、高耦合的航空发动机关键部件数据，及时诊断出航空发动机关键部件的故障。

深度学习可以实现输入数据的多次和多维空间变换，自动捕获数据内部的代表性信息，直接建立输入数据和输出模式间的高度非线性映射关系，有利于减少科研人员 在信号预处理与特征提取中的工作量，也同时降低了人为失误及主观因素对结果的影 响。如果能够将深度学习引入故障诊断领域，无疑会为故障特征学习和故障模式识别 的研究带来新的动力，解决传统智能方法的不足。而门控循环神经网络是一种新颖的 深度学习模型，由于其具有特殊的循环连接结构，使其能够学习到数据的长时间依赖， 正因如此它十分适合于处理时间序列数据。因此，通过构建含有多个隐层的门控循环 神经网络来分析非线性、非平稳、高耦合的时序信号，利用极限学习机对深度门控循 环神经网络提取的深层特征进行分类，这样就可以快速、精准的完成航空发动机关键 部件的故障诊断任务。

本发明提出了一种基于增强门控循环神经网络的航空发动机关键部件故障诊断方 法。首先提取航空发动机关键部件故障信号的时域特征，然后利用压缩感知对提取的时域特征处理获得更精简、易于识别的时域特征，再利用深度门控循环神经网络对时 域特征进行逐层特征提取来构建一个高效、可靠的深度门控循环神经网络故障诊断模 型，最后将经过深度门控循环神经网络提取得到的深层特征输入到极限学习机得到最 终的诊断结果。结果表明该发明方法诊断速度快、准确率高、鲁棒性好，有利于保障 航空发动机安全平稳的运行。

本发明的技术方案为：

所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：包括以下步骤：

步骤1：获取航空发动机滚动轴承故障信号，提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征进行处理，得到压缩处理后的时域特征；

步骤2：通过堆叠隐层的方法构造深层门控循环神经网络故障诊断模型；

步骤3：以步骤1得到的所述压缩处理后的时域特征为样本数据，采用梯度下降 结合自适应学习率算法训练深层门控循环神经网络故障诊断模型；

步骤4：将经过深层门控循环神经网络故障诊断模型提取得到的深层特征输入到极限学习机进行分类，得到最终的诊断结果。

进一步的，步骤1中提取的时域特征包括包含峰值、均值、均方根值、方差、峰 值因子、峭度指标、波形因子和脉冲指标。

进一步的，步骤1中利用压缩感知对提取的时域特征进行处理的过程为：

将提取的航空发动机滚动轴承故障信号的时域特征组成特征矩阵；将特征矩阵进行稀疏表示；然后选择满足RIP有限等距准则的高斯随机矩阵作为观测采样矩阵；最 后采用凸优化算法从采样观测信号中重构原始信号。

进一步的，步骤2中构造循环神经网络故障诊断模型时，采用门控循环单元代替循环神经元；所述门控循环单元含有重置门和更新门，门控循环单元的工作过程为：

Z_i＝sig(W_XZX_i+U_HZH_i-1+B_Z)

R_i＝sig(W_XRX_i+U_HRH_i-1+B_R)

其中i表示样本的序列号，X_i表示i个输入序列，Z_i和R_i分别表示相应的更新门和重置门的当前激活值，

表示候选单元的当前值，H_i表示门控循环单元的输出值，H_i-1表示其上一时刻的输出值；sig表示sigmoid函数，tanh为双曲正切函数；W_XZ表示 输入层到更新门的权值矩阵，U_HZ表示隐层上一时刻输出到更新门的权值矩阵，B_Z表 示相应的偏置向量；W_XR表示输入层到重置门的权值矩阵，U_HZ表示上一时刻隐层 输出到重置门的权值矩阵，B_R表示相应的偏置向量；W_XH表示输入层到候选单元的 权值矩阵，U_HH表示隐层上一时刻输出到候选单元的权值矩阵，B_H表示相应的偏置 向量；·表示点乘。

进一步的，步骤3中，采用梯度下降结合自适应学习率算法训练深层门控循环神经网络故障诊断模型的具体步骤如下：

步骤3.1：设置输入层维度S₀，设置网络隐层数n，以及各隐层神经元数S_j，j 取1-n，且S₁～S_n逐渐变小，设置网络学习率为η，设置网络迭代次数为Max_ep；

步骤3.2：提供一组训练样本并输入深层门控循环神经网络故障诊断模型，采用均方误差函数作为目标损失函数，训练的目标是将均方误差达到最小；

步骤3.3：计算误差，利用误差反向求导算出模型参数的更新梯度g_M，M是 当前迭代次数，更新公式如下所示：

θ_M＝θ_M-1-η_M·g_M

其中η表示初始学习率，η_M指当前迭代时学习率，ξ为余量，防止分母为零，k是迭代次数变量，θ_M是各层间的网络权值及偏置参数；

步骤3.4：判断当前迭代次数M是否达到最大迭代次数Max_ep，若满足，则 训练结束；否则，重复进行步骤3.2和步骤3.3。

有益效果

本发明的有益效果是：本发明通过提取滚动轴承故障信号的时域特征，利用压缩感知方法对提取到的时域特征进行处理获得更精简、易于识别的时域特征；然后利用 利用提取到的时域特征逐层学习门控循环神经网络来获得深度门控循环神经网络故障 诊断模型；最后将故障预测模型提取的深层特征输入到极限学习机来获得更高的故障 预测结果。本发明所采集的滚动轴承故障信号来自于实际轴承，另外故障不仅包含单 个故障，还包含多个故障混合的复杂结果，所以实验所用数据满足非线性、非平稳、 高度耦合以及含有噪声的要求。结果表明，本发明提出方法在诊断滚动轴承故障中比 其他方法准确率更高，鲁棒性更好，可以应用于航空发动机滚动轴承的状态检测。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明滚动轴承故障预测方法的流程图；

图2为本发明所用滚动轴承振动信号时域图；

分为：九类轴承振动信号.(1)正常状态.(2)外圈轻微损伤故障.(3)外圈严重损伤故 障.(4)滚动体故障.(5)内圈损伤故障.(6)复合故障(外圈损伤和内圈损伤).(7)复合故障 (外圈损伤和滚动体故障).(8)复合故障(滚动体故障和内圈损伤).(9)复合故障(外圈损伤、 内圈损伤和滚动体故障).

图3为本发明实验诊断结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1所示，本发明的内容可主要分为两部分。第一部分是提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征处理获得更精简、易于 识别的时域特征，利用深度门控循环神经网络对时域特征进行逐层特征提取来构建一 个高效、可靠的深度门控循环神经网络故障诊断模型；第二部分是通过极限学习机对 所构建模型获得的特征进行最终的故障诊断可以实现更高的准确精度。

参照图2所示，滚动轴承全寿命周期振动信号时域图，图中横坐标表示样本点数；纵坐标表示振动幅值，单位为m/s²。

参照图3所示，滚动轴承各类故障的准确率都可以直接从图中得到，由图中可知，单个故障很容易识别，而复杂故障很难识别，所以单个故障的准确率也要高于复杂故 障。

本发明按以下步骤实施：

1)提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征处理获得更精简、易于识别的时域特征，利用深度门控循环神经网络对时域特征进 行逐层特征提取来构建一个高效、可靠的深度门控循环神经网络故障诊断模型。

2)通过极限学习机对所构建模型获得的特征进行最终的故障诊断可以实现更高的 准确精度。

所述提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征处理获得更精简、易于识别的时域特征的具体步骤如下：

步骤1：采集航空发动机滚动轴承的振动加速度信号，每个样本一般包含 1024～4096个样本点，然后从每个样本中分别提取振动信号的8个时域统计特征，包 含峰值、均值、均方根值、方差、峰值因子、峭度指标、波形因子和脉冲指标，构成 一个n×8的特征矩阵。

步骤2：利用压缩感知方法对特征矩阵进行数据约简：首先将信号特征进行稀疏表示，将其分解为过完备字典和系数分量的组合，若特征X中含有K个非零值时，则 称信号X为K稀疏。

∑_k＝{X＝ψa:||X||≤K}

使用上式表示一些K系数信号的总体，就可以把一些本身不具有稀疏性但是通过ψ的 变换基表达后具有稀疏性的稀疏信号。

步骤3：选取合适的观测矩阵是压缩重构过程一个重要的步骤，对于精确重构原始信号非常重要，因此选择满足RIP有限等距准则的高斯随机矩阵作为观测采样矩阵， 观测矩阵δ∈R^M×N,用ε_k表示δ中的RIP常量约束等距参数，当ε_k满足：

此式的最小值时，且满足ε_k<1时，则称δ满足k阶RIP准则。

步骤4：凸优化算法可以成功的将无解的求解l₀范数问题转化成了l₁范数最小化的方法，因此选择凸优化算法从采样观测信号中重构原始信号，l₁范数最小化可以用：

‖A‖₁＝∑_i|a_i|≤R,R>0

来表示，可以看出l₁范数是具有系数特性的可分离函数，运用l₁范数凸优化算法就可以 实现信号的重构恢复。

所述的利用深度门控循环神经网络对时域特征进行逐层特征提取来构建一个高效、 可靠的深度门控循环神经网络故障诊断模型，具体步骤如下：

步骤1：利用得到的压缩数据特征来构建深度门控循环神经网络的故障诊断方法。传统的循环神经网络存在梯度消失和梯度爆炸问题，这里我们引入门控循环单元 (GRU)用于替代传统的循环神经元。门控循环单元含有重置门和更新门等结构，使 得网络真正具有学习序列数据中的长距离依赖的能力。门控循环神经网络的原理可由 如下所示：

Z_i＝sig(W_XZX_i+U_HZH_i-1+B_Z)

R_i＝sig(W_XRX_i+U_HRH_i-1+B_R)

其中i表示样本的序列号，X_i表示i个输入序列，Z_i和R_i分别表示相应的更新门和重置门的当前激活值，

表示候选单元的当前值，H_i表示门控循环单元的输出值，H_i-1表示其上一时刻的输出值；sig表示sigmoid函数，tanh为双曲正切函数；W_XZ表示 输入层到更新门的权值矩阵，U_HZ表示隐层上一时刻输出到更新门的权值矩阵，B_Z表 示相应的偏置向量；W_XR表示输入层到重置门的权值矩阵，U_HZ表示上一时刻隐层 输出到重置门的权值矩阵，B_R表示相应的偏置向量；W_XH表示输入层到候选单元的 权值矩阵，U_HH表示隐层上一时刻输出到候选单元的权值矩阵，B_H表示相应的偏置 向量；·表示点乘。

步骤2：由于采集的轴承振动信号非线性、非平稳、高耦合以及含有噪声，而常 规的门控循环神经网络很难充分的挖掘出轴承振动信号的故障信息，因此堆叠多层的 门控循环神经网络来充分挖掘轴承振动信号中的故障信息。深层门控循环神经网络的 隐层数一般设为3-4。

步骤3：采用梯度下降结合自适应学习率算法训练深层门控循环神经网络，具体步骤如下：

步骤3.1：首先网络结构参数初始化，设置输入层维度S₀，网络隐层数设为3-4， 对应的隐层神经元数S_j,取50～500，j取1-n，且S₁～S_n逐渐变小，设置网络学习率为 η，取0.01～0.2，设置网络迭代次数为Max_ep,取100-600；

步骤3.2：将样本按比例分为训练样本和测试样本，训练样本数一般大于测试样本数，采用均方误差函数作为目标损失函数，训练的目标就是将均方误差达到最小。

步骤3.3：计算误差，利用误差反向求导算出模型参数的更新梯度gM，M是 当前迭代次数，更新公式如下所示：

θ_M＝θ_M-1-η_M·g_M

其中η表示学习率，η_M指当前迭代时学习率，ξ为余量，防止分母为零，k是迭代次数变量，θ_M是各层间的网络权值及偏置参数。

步骤3.4：判断当前迭代次数M是否达到最大迭代次数Max_ep。若满足，则 训练结束；否则，重复进行步骤3.2和步骤3.3。

所述通过极限学习机来对经过深度循环神经网络最后一层获得的深度特征进行分 类获得最终的诊断结果。

步骤1：为了更精准、快速的诊断航空发动机关键部件的故障，直接将获得的深 度特征输入到极限学习机来获得故障预测结果，对于M样本(y_j,t_j)∈R^M×R^N，N是 样本的维度，一个拥有K个隐藏层节点的网络能够表示为：

输出权重是β_i，第i个隐藏层节点参数是α_i和γ_i。F(α_i,γ_i,y_j)是第i个隐藏层节点的输 出，o_j是第j个样本输出。

步骤2：设定极限学习机的隐层节点K，其值一般小于输入样本的维度，设定极 限学习机的学习率η，其值一般设定(0.01-0.2)，设定迭代次数L，其值一般在(50-100) 之间。得到最终的故障预测结果，如果结果一般，则重新进行上一步骤和本步骤，直 到得到满意的故障诊断结果。

基于上述方法，本例中使用实际滚动轴承故障数据来验证本发明方法应对实际复杂问题的诊断能力。轴承型号为52732QT，轴承每列有17个滚动体，接触角是0°。 每个轴承上都有两个垂直安置的PCB 353B33高灵敏度加速度传感器，采集振动加速 度信号，在9800N负载下,以12.8KHZ的采样频率采集各工况下的振动信号，采样时 间为32s。

构建增强门控循环神经网络故障诊断模型，采用梯度下降结合自适应学习率算法训练该模型，以均方误差MSE为目标损失函数，本例中，初始学习率η＝0.12，隐层 数量为n＝3，各隐层神经元数量分别是S₁＝250，S₂＝120，S₃＝50，网络迭代次数Max_ep ＝230。本发明的深度循环神经网络结构为“1024-250-120-50”。采用该模型来提取深度 特征，最后将学习到的深度特征输入到极限学习机来获得最终的诊断结果。极限学习 机的隐藏节点K为20，学习率为0.05，迭代次数L为60，本发明的极限学习机网络 结构为“50-20-9”。采用该模型来诊断采集到的轴承故障。为了避免结果的偶然性，选 取连续十次诊断结果，求其平均值和标准差。即诊断平均值越高说明诊断能力越好， 标准差越低说明诊断稳定性越强，诊断结果如图3所示。表1给出了本发明方法与人 工神经网络和支持向量机的诊断结果对比。由表1可见，本发明方法的故障诊断准确 率更高，鲁棒性更好，因此本发明方法可以有效地完成滚动轴承状态检测和故障诊断 任务。

表1预测结果对比

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和 宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：包括以下步骤：

步骤1：获取航空发动机滚动轴承故障信号，提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征进行处理，得到压缩处理后的时域特征；

步骤2：通过堆叠隐层的方法构造深层门控循环神经网络故障诊断模型；

步骤3：以步骤1得到的所述压缩处理后的时域特征为样本数据，采用梯度下降结合自适应学习率算法训练深层门控循环神经网络故障诊断模型；

步骤4：将经过深层门控循环神经网络故障诊断模型提取得到的深层特征输入到极限学习机进行分类，得到最终的诊断结果。

2.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤1中提取的时域特征包括包含峰值、均值、均方根值、方差、峰值因子、峭度指标、波形因子和脉冲指标。

3.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤1中利用压缩感知对提取的时域特征进行处理的过程为：

将提取的航空发动机滚动轴承故障信号的时域特征组成特征矩阵；将特征矩阵进行稀疏表示；然后选择满足RIP有限等距准则的高斯随机矩阵作为观测采样矩阵；最后采用凸优化算法从采样观测信号中重构原始信号。

4.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤2中构造循环神经网络故障诊断模型时，采用门控循环单元代替循环神经元；所述门控循环单元含有重置门和更新门，门控循环单元的工作过程为：

Z_i＝sig(W_XZX_i+U_HZH_i-1+B_Z)

R_i＝sig(W_XRX_i+U_HRH_i-1+B_R)

其中i表示样本的序列号，X_i表示i个输入序列，Z_i和R_i分别表示相应的更新门和重置门的当前激活值，

表示候选单元的当前值，H_i表示门控循环单元的输出值，H_i-1表示其上一时刻的输出值；sig表示sigmoid函数，tanh为双曲正切函数；W_XZ表示输入层到更新门的权值矩阵，U_HZ表示隐层上一时刻输出到更新门的权值矩阵，B_Z表示相应的偏置向量；W_XR表示输入层到重置门的权值矩阵，U_HZ表示上一时刻隐层输出到重置门的权值矩阵，B_R表示相应的偏置向量；W_XH表示输入层到候选单元的权值矩阵，U_HH表示隐层上一时刻输出到候选单元的权值矩阵，B_H表示相应的偏置向量；·表示点乘。

5.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤3中，采用梯度下降结合自适应学习率算法训练深层门控循环神经网络故障诊断模型的具体步骤如下：

步骤3.1：设置输入层维度S₀，设置网络隐层数n，以及各隐层神经元数S_j，j取1-n，且S₁～S_n逐渐变小，设置网络学习率为η，设置网络迭代次数为Max_ep；

步骤3.2：提供一组训练样本并输入深层门控循环神经网络故障诊断模型，采用均方误差函数作为目标损失函数，训练的目标是将均方误差达到最小；

步骤3.3：计算误差，利用误差反向求导算出模型参数的更新梯度g_M，M是当前迭代次数，更新公式如下所示：

θ_M＝θ_M-1-η_M·g_M

其中η表示初始学习率，η_M指当前迭代时学习率，ξ为余量，防止分母为零，k是迭代次数变量，θ_M是各层间的网络权值及偏置参数；

步骤3.4：判断当前迭代次数M是否达到最大迭代次数Max_ep，若满足，则训练结束；否则，重复进行步骤3.2和步骤3.3。

Images