CN114136622B - 一种基于dbn-dtl的航空发动机气路故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于DBN‑DTL的航空发动机气路故障诊断方法。包括：采集航空发动机不同工作点的气路故障数据，得到源域数据集与目标域数据集；源域数据集和目标域数据集归一化预处理，划分训练集和测试集；将训练集输入DBN‑DTL故障诊断模型中进行训练，在模型的损失函数中加入表征源域数据集与目标域数据集距离的函数，训练好的模型同时适用于源域数据和目标域数的故障诊断；之后将测试集输入到故障诊断模型中，判断故障诊断模型的故障诊断精度，得到既适用于不同工作点的航空发动机气路故障故障诊断模型。本优点：针对航空发动机不同工作点训练样本不均衡，导致故障诊断模型在全飞行包线范围内诊断精度低的问题，本发明具有较高的诊断精度。

Description

一种基于DBN-DTL的航空发动机气路故障诊断方法

技术领域

本发明是一种基于DBN-DTL的航空发动机气路故障诊断方法，属于航空发动机技术领域。

背景技术

航空发动机被称为飞机的“心脏”，其运行时的安全性与稳定性将会直接影响到飞机的安全性。发动机故障在飞机故障中所占比例甚大，故而解决发动机故障是保证飞行安全的首要任务。

深度信念网络(Deep Belief Network，DBN)是Hinton于2006年提出的一种深度神经网络，具有良好的特征提取以及处理复杂数据的能力，预测精度高。De-long FENG等人提出了基于信息熵IE-DBN的深度信念网络，解决了在复杂环境下使用有限传感数据进行发动机故障诊断的问题。Xu等人提出了一种基于深度信念网络(DBN)的燃气轮机气路故障诊断方案，故障诊断准确率高达96.59％。

然而，上述基于深度信念网络的故障诊断模型虽然能够用于故障诊断，但需要大量的有标签样本来训练神经网络，而实际中航空发动机在不同工作点可获得的有故障的训练样本分布不均衡。

迁移学习可以通过已知的领域知识(源域)求解出相关领域(目标域)的问题，将故障样本数量多的工作点迁移到故障样本数量少的工作点，解决故障样本分布不均的问题。深度迁移学习(Deep Transfer Learning，DTL)是基于迁移学习构建和训练深度神经网络，能实现从样本数量多、有标签的源域工作点到样本数量少、标签缺失的目标域工作点的特征迁移，提高目标域工作点的故障诊断精度。

发明内容

本发明提出的是一种基于DBN-DTL的航空发动机气路故障诊断方法，其目的在于针对航空发动机不同工作点训练样本不均衡，导致故障诊断模型在全飞行包线范围内诊断精度低的问题，提出一种新的航空发动机气路故障诊断模型DBN-DTL，DBN具有良好的特征提取以及处理复杂数据的能力，预测精度高，而深度迁移学习可以实现从样本数量多、有标签的源域工作点到样本数量少、标签缺失的目标域工作点的特征迁移，提高目标域工作点的故障诊断精度，将二者相结合来达到提高故障诊断模型在故障样本不均衡的工作点的故障诊断精度的目的。

本发明的技术解决方案：一种基于DBN-DTL的航空发动机气路故障诊断方法，包括如下步骤：

(1)在全飞行包线内，采集航空发动机不同工作点的正常数据和故障数据，故障样本数量充足且标签完整的工作点作为源域，故障样本数量较少且标签缺失的工作点作为目标域。

其中，全飞行包线的划分：将飞行包线划分为若干个矩形子区域，横坐标代表飞行速度、单位为马赫数，纵坐标代表飞行高度、单位为英尺，航空发动机工作于区域内时，其工作点用标称点作为代表；源域数据集带有标签，目标域数据集没有标签，且源域数据集与目标域数据集的数据比例为10:1。在图1中，圆点表示子区域的标称点，航空发动机工作于区域内时，其工作点都可用标称点作为代表。考虑发动机部件故障对应于三个健康参数—风扇效率、高压压气机效率以及高压涡轮效率的变化，气路故障数据的分类如表1所示。

表1气路故障分类

	小故障	中故障	大故障
				FAN效率	1-0.98	0.98-0.95	0.95以下
HPC效率	1-0.98	0.98-0.95	0.95以下
				HPT效率	1-0.98	0.98-0.95	0.95以下

获取到的源域数据集带有标签，目标域数据集没有标签，且源域数据集与目标域数据集的数据比例为10:1。

(2)将源域数据和目标域数据进行归一化预处理，将归一化后的数据集划分为训练集和测试集：全部的源域数据和部分目标域数据作为训练集，剩余的目标域数据作为测试集，根据公式(1)对采集到的数据进行处理，将数值缩放至[0,1]区间：

其中，x_min是数据的最小值，x_max是数据的最大值，x是未归一化的数据，x*是归一化后的数据，归一化处理后，各输入数据均变为0-1之间的无量纲数，将归一化后的数据集划分为训练集和测试集：训练集由全部的源域数据集和50％的目标域数据集构成，测试集由50％的目标域数据集构成。

(3)将训练集输入基于DBN-DTL的故障诊断模型中训练模型，模型的损失函数中加入表征源域数据集与目标域数据集距离的函数，使训练好的模型既可以用于源域数据的故障诊断，又可以对目标域数据进行故障诊断。

所述步骤(3)分为以下具体步骤：

1)将训练集数据输入到基于DBN-DTL的航空发动机气路故障诊断模型中，故障诊断模型分为并行的两路，具体结构如图2所示，包括1个并行的输入层、3个并行的隐藏层和1个输出层；其中，并行的输入层包括1*8的源域数据和1*8的目标域数据；隐藏层有三层，每层的节点数均为15，并行的隐藏层共享同样的参数；最后一层为输出层。在模型的最后一层隐含层得到源域数据与目标域数据的特征，在输出层得到源域数据的故障预测值；

2)计算源域数据与目标域数据特征间的距离，在经过第三层隐藏层，得到源域数据与目标域数据的特征后，计算源域数据与目标域数据的距离，如公式(2)所示：

Dist(φ(X_S),φ(X_T))＝tr(KL)                       (2)

其中，X_S为源域数据的特征矩阵，X_T为目标域数据的特征矩阵，

其中，

分别是源域和源域间的核矩阵、源域和目标域间的核矩阵、目标域和源域间的核矩阵、目标域和目标域间的核矩阵；核矩阵中的元素为K_i,j＝φ(x_i)^Tφ(x_j)；矩阵L的元素为

3)计算故障预测值与实际故障标签的相对误差，如公式(3)所示：

其中，Y_i为源域标签的真实值，

为源域标签的预测值。

4)计算得到源域数据与目标域数据的距离及故障预测值与实际故障标签的相对误差后，损失函数如公式(4)所示：

Loss(W,b)＝MSE+αDist(φ(X_S),φ(X_T))                  (4)

其中，α为比例系数，根据损失函数Loss(W,b)对网络层参数的梯度，采用Adam算法对网络层参数进行更新；训练结束后将测试数据集输入到故障诊断模型中，得到基于DBN-DTL的航空发动机气路故障诊断模型的测试精度。

本发明的有益效果：

航空发动机是一个复杂的强非线性、多变量系统，DBN具有优良的特征提取能力，而深度迁移学习可以完成不同工作点间数据的迁移学习，将二者相结合可以解决航空发动机不同工作点训练样本不均衡，导致故障诊断模型在全飞行包线范围内诊断精度低的问题，与传统神经网络故障诊断算法相比具有明显优势。

附图说明

附图1为全飞行包线划分图；

附图2为基于DBN-DTL的航空发动机气路故障诊断模型结构图；

附图3为某型涡扇发动机截面示意图；

附图4为故障数据产生原理图；

附图5为实验案例结果图。

图中3是高压压气机出口、44是高压涡轮出口、5是低压涡轮出口。

具体实施方式

下面结合附图对本发明技术方案进一步说明

在航空发动机气路故障诊断中，直接获取大量的发动机故障数据是很困难的，因此通常根据已有的基于TMATS工具箱的航空发动机部件级模型生成气路故障的数据，并进行模型的训练、测试。鉴于此施行以下步骤：

步骤1：由于航空发动机的强非线性，故障诊断模型在某个区域内能很好且精准地工作，但是在整个包线内，其诊断精度就会大大下降，为此，将飞行包线划分为如图1所示的若干个矩形子区域，横坐标代表飞行速度(马赫数)，纵坐标代表飞行高度(英尺)，圆点表示子区域的标称点，航空发动机工作于区域内时，其工作点都可用标称点作为代表，选取不同的工作点分别作为源域与目标域，并在部件级模型上生成源域工作点与目标域工作点的正常数据与故障数据。考虑发动机部件故障对应于三个健康参数—风扇效率、高压压气机效率以及高压涡轮效率的变化，气路故障数据的分类如表1所示。获取到的源域数据集带有标签，目标域数据集没有标签，且源域数据集与目标域数据集的数据比例为10:1。

步骤2：将源域数据和目标域数据进行归一化预处理，将归一化后的数据集划分为训练集和测试集：全部的源域数据和部分目标域数据作为训练集，剩余的目标域数据作为测试集，根据公式(1)对采集到的数据进行处理，将数值缩放至[0,1]区间：

其中，x_min是数据的最小值，x_max是数据的最大值，x是未归一化的数据，x*是归一化后的数据，归一化处理后，各输入数据均变为0-1之间的无量纲数，将归一化后的数据集划分为训练集和测试集：训练集由全部的源域数据集和50％的目标域数据集构成，测试集由50％的目标域数据集构成。

步骤3：将训练集输入基于DBN-DTL的故障诊断模型中训练模型，故障诊断模型分为并行的两路，具体结构如图1所示，包括1个并行的输入层、3个并行的隐藏层和1个输出层；其中，并行的输入层包括1*8的源域数据和1*8的目标域数据；隐藏层有三层，每层的节点数均为15，并行的隐藏层共享同样的参数；最后一层为输出层。在模型的最后一层隐含层得到源域数据与目标域数据的特征，在输出层得到源域数据的故障预测值。

步骤4：计算源域数据与目标域数据特征间的距离，在经过第三层隐藏层，得到源域数据与目标域数据的特征后，计算源域数据与目标域数据的距离，如公式(2)所示：

Dist(φ(X_S),φ(X_T))＝tr(KL)                       (2)

其中，X_S为源域数据的特征矩阵，X_T为目标域数据的特征矩阵，

其中，

分别是源域和源域间的核矩阵、源域和目标域间的核矩阵、目标域和源域间的核矩阵、目标域和目标域间的核矩阵；核矩阵中的元素为K_i,j＝φ(x_i)^Tφ(x_j)；矩阵L的元素为

步骤5：计算故障预测值与实际故障标签的相对误差，如公式(3)所示：

其中，Y_i为源域标签的真实值，

为源域标签的预测值。

步骤6：计算得到源域数据与目标域数据的距离及故障预测值与实际故障标签的相对误差后，损失函数如公式(4)所示：

Loss(W,b)＝MSE+αDist(φ(X_S),φ(X_T))                  (4)

其中，α为比例系数，根据损失函数Loss(W,b)对网络层参数的梯度，采用Adam算法对网络层参数进行更新，使训练好的模型既可以用于源域数据的故障诊断，又可以对目标域数据进行故障诊断。训练结束后将测试数据集输入到故障诊断模型中，得到基于DBN-DTL的航空发动机气路故障诊断模型的测试精度。

实施例1

本实验选择基于某型涡扇发动机部件级模型开展仿真试验，如图3所示，该发动机主要部件包括进气道、风扇、高压压气机、燃烧室、高压涡轮、低压涡轮和尾喷管等，其中3表示高压压气机出口，44表示高压涡轮出口，5表示低压涡轮出口。

对于故障诊断模型的输入，为确保故障诊断模型可行性，需要其在不干扰信号控制的情况下对传感器输出信号不断检测，选择合适的传感器信号至关重要，因此选取机内自检测设备所检测的模拟量作为故障诊断模型的输入最为合适，一共选取了8个典型参数作为航空发动机故障诊断模型的输入特征参数包括燃油流量(W_f)，进气道进口总压(P_t1)，发动机进口总温(T_t1)，低压压气机转速(LPS)，高压压气机转速(HPS)，高压压气机出口总压(P_t3)，高压压气机进口总温(T_t25)，低压涡轮出口总压(P_t6)。

根据气路故障数据的分类表1，选取了4种发生概率较大的单一类型故障和5种可能发生的混合故障作为主要诊断目标，每种类型的故障又包含三种不同的故障等级，最终确定故障诊断模型输出为10种故障类型(包括一种无故障的健康状态)，故障类型标签采用二进制形式表示详见表2。

为了更为准确地检测出故障的发生，我们将油门杆控制指令(PLA)，飞行条件高度(Alt)，马赫数(Ma)和环境温度(DTAMB)作为真实发动机和机载模型的输入，将部件的性能退化的健康参数单独输入代表真实发动机的TMATS模型中，采用传感器信号的残差值作为故障诊断模型的输入。图4为具体故障数据生成流程。

根据图1的飞行包线，选取高度为9.5km，马赫数为0.75的工作点A作为源域，生成带标签的源域数据20000个，高度7.5km，马赫数为0.55的工作点B作为目标域，生成不带标签的数据2000个。将全部的源域数据与随机的1000个目标域数据作为训练集，剩余的1000个目标域数据作为测试集。

传统的故障诊断模型有DBN与本文提出的DBN-DTL模型进行性能对比分析。传统的DBN诊断模型结构包括1个输入层、3个隐藏层和1个输出层，其中输入层包括1*8的源域数据，隐藏层有三层，每层的节点数均为15，最后一层为输出层。本文的DBN-DTL模型包括1个并行的输入层、3个并行的隐藏层和1个输出层；其中，并行的输入层包括1*8的源域数据和1*8的目标域数据；隐藏层有三层，每层的节点数均为15，并行的隐藏层共享同样的参数；最后一层为输出层。

两种模型的学习率均为0.001，训练回合数均为10000。本实验选择预测值的准确率作为评估算法的性能指标。所有实验都在配置为

CoreTM、i5-7400CPU、3.00GHz主频、8G内存、Windows10系统和Python3.6版本的台式电脑上执行。

建立DBN以及DBN-DTL航空发动机气路故障诊断模型并进行训练和测试，得到如图5所示各诊断模型的精度曲线，纵坐标为诊断精度，横坐标为模型训练回合数。从图5可见，DBN故障诊断模型的训练和测试精度较低，只有81.02％和57.75％，DBN-DTL故障诊断模型的训练和测试精度明显更高，分别达到了97.69％和97.02％。实施例1结果表明结合了深度迁移学习知识的DBN故障诊断网络拥有了对不同工作点进行故障诊断的能力，可有效解决航空发动机不同工作点训练样本不均衡导致的在全飞行包线内故障诊断精度低的问题。

Claims (8)

1.一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征在于包括以下步骤：

(1)在全飞行包线内划分区域，采集航空发动机不同工作点的正常数据和故障数据，故障样本数量充足且标签完整的工作点作为源域，故障样本数量较少且标签缺失的工作点作为目标域；

(2)将源域数据和目标域数据归一化预处理，将归一化后的数据集划分为训练集和测试集：全部的源域数据和部分目标域数据作为训练集，剩余的目标域数据作为测试集；

(3)将训练集输入基于DBN-DTL的故障诊断模型中训练模型，模型的损失函数中加入表征源域数据集与目标域数据集距离的函数，使训练好的模型既可以用于源域数据的故障诊断，又可以对目标域数据进行故障诊断；

所述步骤(3)包括以下具体步骤：

1)将训练集数据输入到基于DBN-DTL的航空发动机气路故障诊断模型中，在模型的最后一层隐含层得到源域数据与目标域数据的特征，在输出层得到源域数据的故障预测值；

2)计算源域数据与目标域数据特征间的距离，以及故障预测值与实际故障标签的相对误差，采用特征距离与均方误差的和作为损失函数；

所述步骤1)中，基于DBN-DTL的航空发动机气路故障诊断模型采用的结构，将DBN与迁移学习相结合，故障诊断模型分为并行的两路，具体结构包括1个并行的输入层、3个并行的隐藏层和1个输出层；其中，并行的输入层包括1*8的源域数据和1*8的目标域数据；隐藏层有三层，每层的节点数均为15，并行的隐藏层共享同样的参数；最后一层为输出层，输出源域数据的标签预测值。

2.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤(1)中，所述全飞行包线的划分方法为：飞机的飞行包线，是指以飞机的飞行参数如飞行高度、飞行马赫数、偏离标准温度作为坐标，表示飞机飞行范围和飞机使用限制条件的封闭几何图形，将飞行包线划分为若干个矩形子区域，横坐标代表飞行速度、单位为马赫数，纵坐标代表飞行高度、单位为英尺，航空发动机工作于区域内时，其工作点用标称点作为代表；源域数据集带有标签，目标域数据集没有标签，且源域数据集与目标域数据集的数据比例为10:1。

3.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤(1)中，故障样本的选取参数包括风扇效率、高压压气机效率以及高压涡轮效率的变化，气路故障数据的分类如下表所示：

4.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤(2)中，所述归一化预处理为：根据公式(1)对采集到的数据进行处理，将数值缩放至[0,1]区间：

其中，x_min是数据的最小值，x_max是数据的最大值，x是未归一化的数据，x*是归一化后的数据，归一化处理后，各输入数据均变为0-1之间的无量纲数。

5.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤(2)中，所述训练集由全部的源域数据集和50％的目标域数据集构成，测试集由50％的目标域数据集构成。

6.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤2)中，计算源域数据与目标域数据特征间的距离，在经过第三层隐藏层，得到源域数据与目标域数据的特征后，计算源域数据与目标域数据的距离，如公式(2)所示：

Dist(φ(X_S),φ(X_T))＝tr(KL)    (2)

其中，X_S为源域数据的特征矩阵，X_T为目标域数据的特征矩阵，

其中，

分别是源域和源域间的核矩阵、源域和目标域间的核矩阵、目标域和源域间的核矩阵、目标域和目标域间的核矩阵；核矩阵中的元素为K_i,j＝φ(x_i)^Tφ(x_j)；矩阵L的元素为

7.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤2)中，计算故障预测值与实际故障标签的相对误差，如公式(3)所示：

其中，Y_i为源域标签的真实值，

为源域标签的预测值。

8.根据权利要求1所述的一种基于DBN-DTL的航空发动机气路故障诊断方法，其特征是所述步骤2)中，计算得到源域数据与目标域数据的距离及故障预测值与实际故障标签的相对误差后，损失函数如公式(4)所示：

Loss(W,b)＝MSE+αDist(φ(X_S),φ(X_T))    (4)

其中，α为比例系数，根据损失函数Loss(W,b)对网络层参数的梯度，采用Adam算法对网络层参数进行更新；训练结束后将测试数据集输入到故障诊断模型中，得到基于DBN-DTL的航空发动机气路故障诊断模型的测试精度。

Images