CN115587290A - 基于变分自编码生成对抗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变分自编码生成对抗网络的航空发动机故障诊断方法，首先获取航空发动机关键部件的振动信号；其次构建深度变分自编码生成对抗网络，其中编码器结构增强了对故障信号的特征学习能力，从而提高数据生成质量，同时将梯度惩罚机制应用到判别器结构中以避免网络训练过程发生模式崩溃现象。利用构建的生成对抗网络生成与采集信号相似的样本来扩充不平衡数据集；最后将模型提取的深层特征输入到卷积神经网络来获得更高的故障诊断结果。本发明效果卓越、简单易行、诊断快速，可以高效的解决航空发动机故障诊断。

Description

基于变分自编码生成对抗网络的航空发动机故障诊断方法

技术领域

本发明属于航空发动机技术领域，具体涉及一种航空发动机故障诊断方法。

背景技术

航空发动机设备在现代工业中应用广泛，且智能化和集成化程度越来越高。滚动轴承作为航空发动机的关键部件，长时间运行于高空、高速、大载荷的严酷环境中，将不可避免地发生多种形式的蜕化甚至失效，容易造成巨大的经济损失或安全事故。因此，对滚动轴承进行准确又高效的故障诊断具有重要意义。

航空发动机的工作条件往往比较恶劣，在运行过程中对材料，加工精度和设备等要求很高，尽管如此还是很大可能会产生航空发动机关键部件的裂纹、磨损、断裂、腐蚀等故障。鉴于对航空发动机安全性、可靠性和经济性的需求，航空发动机的故障诊断已经成为世界各国政府、军工企业、以及研究机构和专家学者争相研究的对象，并且开展了大量的研究和应用工作，取得丰硕的成果。通过对航空发动机进行健康监测和故障诊断，监控其性能变化趋势、预测其关键系统和部件故障发生的可能性和剩余使用寿命，实现视情维修，可以减缓性能衰退与失效的过程，并延长使用寿命，避免因故障导致的意外事件和安全事故，同时也可以大大提高运行效率与维修经济效益。

故障诊断技术发展到今天，已经成为一门独立的综合信息处理技术多学科相互渗透、相互交叉、相互促进的产物。故障诊断技术与当今前沿科学的融合是航空发动机故障诊断的发展方向。当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断模型、诊断理论的多元化，诊断技术的智能化。传统的健康监测和故障诊断方法主要包括基于信号处理技术的健康监测方法和基于传统机器学习的健康监测方法。基于信号处理技术的故障诊断方法，主要依赖于先进的现代信号处理技术，从复杂非线性的传感器信号中提取关键部件的敏感特征，以达到故障检测的目的。但是基于信号处理的健康监测方法，除了依赖先进的信号处理技术以外，还需要专家经验和先验知识。基于传统机器学习的智能诊断方法，主要通过人工提取并选择敏感的时域、频域或时频域特征，然后输入到浅层的人工神经网络或是支持向量机中实现故障预测、识别等功能，常用的方法有：模糊推理、专家系统、人工神经网络和支持向量机等。基于传统机器学习的智能诊断方法，主要存在两大缺陷。一是，严重依赖于人工特征提取和特征选择，这会导致效率低与模型泛化性差等问题。二是，人工神经网络和支持向量机等属于浅层模型，特征提取性能差，易出现过拟合等问题。三是，无法处理大数据问题。

近年来随着深度学习在图像识别、语音识别等领域上的成功应用，相对传统方法在提取特征，准确率识别等方面都具有明显优势。国内外学者陆续开发出了受限玻尔兹曼机、深度置信网络、卷积神经网络、自动编码器和循环神经网络等深受欢迎的深度学习模型用于智能故障诊断。研究结果表明深度学习克服了浅层模型的不足，能够实现数据内部信息的自动获取，自适应提取有效特征，有利于减少科研中数据预处理与特征提取等步骤；不需要人工特征提取，可以直接处理原始传感器数据，提高学习效率的同时降低了人为失误和主观因素对结果的影响；通过逐层的特征学习可以提高故障预测与故障识别准确率。

在现有的发明中，大多数基于数据驱动的故障诊断方法都是在假设可以获得大规模均衡的训练样本的情况下进行的，这意味着在不同的故障状态下可以获得相似数量的标记数据对模型进行训练。然而，这种假设在工程中通常是不现实的。在实际工程中，不同健康状态下的训练数据往往是不平衡的。对于航空发动机而言，考虑到经济性和安全性，它大部分时间都在健康状态下运行，因此采集的代表正常状态的振动样本是充足的，但机器在故障状态下的工作频率很低，相应的故障样本远少于正常样本。因此，正常样本和故障样本之间存在明显的不平衡，这将严重影响故障诊断的准确性。数据不平衡下的故障诊断问题一直是学者们关注的焦点。

在2014年的一篇文章《Generative Adversarial Nets》中，蒙特利尔大学的IanGoodfellow提出了一种深度学习无监督模型—生成对抗网络。这是一种完全新颖的想法。从那之后，生成对抗网络就一直是学术界的研究热点。目前的研究在解决不平衡故障诊断问题时取得了良好的效果，提高了生成对抗网络的训练和数据生成性能。然而，生成对抗网络方法在故障诊断中的研究还不成熟，不平衡故障数据下的一维故障信号诊断效果并不理想。由于在输入数据的深层特征中缺乏辅助信息，一旦判别器被欺骗，生成对抗网络的博弈论会使生成器输出，但有时生成的数据是不合理的。此外，由于对原始振动信号深层特征的学习能力不理想，现有的基于生成对抗网络的模型很难对所有故障类型保持良好的数据生成性能，这降低了故障检测的准确性和鲁棒性。

因此，将生成对抗网络引入故障诊断领域，无疑会为数据不平衡下的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。

发明内容

为了克服现有技术的不足，本发明提供了一种基于变分自编码生成对抗网络的航空发动机故障诊断方法，首先获取航空发动机关键部件的振动信号；其次构建深度变分自编码生成对抗网络，其中编码器结构增强了对故障信号的特征学习能力，从而提高数据生成质量，同时将梯度惩罚机制应用到判别器结构中以避免网络训练过程发生模式崩溃现象。利用构建的生成对抗网络生成与采集信号相似的样本来扩充不平衡数据集；最后将模型提取的深层特征输入到卷积神经网络来获得更高的故障诊断结果。本发明效果卓越、简单易行、诊断快速，可以高效的解决航空发动机故障诊断。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：采集航空发动机部件的振动加速度信号，得到故障信号，对故障信号通过归一化以及滑动窗口采样操作构建模型训练集和测试集；

步骤2：构建变分自编码生成对抗网络模型对故障信号进行数据生成；

步骤2-1：将编码器添加到深度生成对抗网络中，使编码器和生成器构成自动编码器；

步骤2-2：通过编码和重构学习输入数据的分布特征；

在训练过程中，编码器从真实数据集x中随机采样，然后通过神经网络将其编码到潜在编码空间中；为了使编码器获得的后验分布q(z|x)尽可能接近预期分布，选择KL散度计算两个分布之间的距离，作为损失函数的一部分；编码器的目标函数如式(1)所示：

L_E＝-E_q(z|x)[log p(x|z)]+D_KL(q(z|x)||p(z)) (1)

式中，右边前一部分是变分自动编码器的重建误差，后一部分是先验分布正则化；p(z)表示所需编码空间z的先验分布；D_KL(·)表示两个变量之间的KL散度；

步骤2-3：所构建的变分自编码生成对抗网络模型原理如式(2)：

其中G表示生成器，D表示判别器，P_da和P_g分别表示原始样本分布x和噪声z的先验分布，D(x)表示判别器的输出，G(z)表示生成器输出的生成数据；

步骤3：生成器从编码器提供的潜在编码空间z采样；通过使变分自动编码器中的解码器和生成对抗网络中的生成器共享参数并一起训练，将它们组合成一个整体。其中判别器的损失函数如下所示：

其中，式(3)右边最后一项表示梯度惩罚项，λ表示梯度惩罚系数；D(y)表示判别器对生成的数据的判别值，P_r表示真实数据的分布；

步骤4：在生成器中采用特征匹配算法来匹配生成数据的深层特征，测量特征向量均值之间的L₂距离，改进之后的生成器损失函数如下所示：

其中h(x)表示从判别器中间层提取的特征向量，选择判别器第二卷积层的输出作为特征h(x)；w表示特征匹配的权重系数，h(y)表示生成样本在判别器第二卷积层的输出；

步骤5：将生成器生成的数据与原始数据一起提供给判别器，在梯度罚损失函数的基础上，采用随机梯度下降法更新鉴别器的参数，通过对判别器的目标函数施加梯度惩罚的公式如式(5)：

式中，δ表示正态分布N中的弱扰动；

步骤6：在完成判别器的训练后，生成器根据判别器的反馈更新参数，训练产生更多的生成样本；；

步骤7：重复步骤3到步骤6；在训练过程结束时，生成器从正态分布N(0,I)中采样，生成合成样本；

步骤8：以步骤7生成的数据为训练数据，以步骤1得到的真实数据为测试数据，构建卷积神经网络分类器进行训练和测试，对轴承数据进行故障类型诊断。

优选地，所述p(z)为标准正态分布。

优选地，所述卷积神经网络分类器包括卷积层、池化层以及全连接层；

卷积层是提取输入的特征；包含多个特征映射，每个特征映射由多个神经元组成；为了计算新的特征映射，输入的特征映射被可学习卷积核卷积，如下所示：

表示位于第n个隐层的第i个特征图，

是连接第j个输入特征图和第i个特征图的卷积核，

是余量，·表示卷积操作，f(·)是激活函数；

池化层被用于降低特征图的维度并实现数据压缩，输出表示成：

σ(·)指激活函数，

是权重系数，p(·)是池化操作；

全连接层的作用是将三维的特征图谱转化成一维结构，输出通过如下公式计算：

θ(·)是激活函数，

是权值系数。

本发明的有益效果如下：

本发明提出了变分自编码生成对抗网络来更好地生成故障数据，从而提高不平衡故障诊断性能。该方法结合了变分自动编码器和生成对抗网络这两种深度生成模型的优点，利用变分自动编码器对原始数据潜在特征的学习能力，同时克服了随机噪声采样导致的生成过程不稳定和生成数据质量低的问题。仿真结果表明，本发明提出方法在诊断航空发动机的关键部件不平衡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的状态检测。

附图说明

图1为本发明滚动轴承故障诊断方法的流程图。

图2为本发明实施例所用和所生成的滚动轴承振动信号时域图。

图3为本发明实施例所用变分自编码生成对抗网络提取的特征可视化图。

图4为本发明实施例实验诊断结果图。

图5为本发明方法与其他方法对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明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部件数据，及时诊断出航空发动机中存在的故障。通过生成对抗网络对不平衡数据集进行数据扩充，然后基于平衡的数据集进行智能故障诊断，能够快速、精准的完成航空发动机的故障诊断任务。

本发明步骤如下：

1)将编码器结构添加到深度生成对抗网络中，构建包含编码器、生成器、判别器结构的深度生成对抗网络，通过编码器对原始信号特征的提取来增强特征学习能力，从而提高生成数据的质量。通过对判别器网络的目标函数施加梯度惩罚，避免网络训练发生模式崩溃现象。最终建立一个高效、训练稳定的深度生成对抗网络故障诊断模型。

2)在生成器中采用特征匹配算法来匹配生成数据的深层特征，加快模型的训练过程，将模型提取的深层特征输入到卷积神经网络来获得更高的故障诊断结果。

将编码器结构添加到深度生成对抗网络中，构建包含编码器、解码器、判别器结构的深度生成对抗网络，通过编码器对原始信号特征的提取来增强特征学习能力，从而提高生成数据的质量。通过对判别器网络的目标函数施加梯度惩罚，避免网络训练发生模式崩溃现象。最终建立一个高效、训练稳定的深度生成对抗网络故障诊断模型。

步骤1：采集航空发动机关键部件的振动加速度信号，得到故障信号，对故障信号通过归一化以及滑动窗口采样操作构建模型训练集和测试集；

步骤2：原始的振动数据集存在故障信号缺少导致数据不平衡的现象，因此通过构建生成对抗网络模型来对少量的故障信号进行数据生成；

步骤2-1：将编码器结构添加到深度生成对抗网络中来增强对真实数据的特征学习能力，从而提高数据生成质量；所提方法包括编码器、生成器和判别器，其中编码器和生成器构成自动编码器结构；

步骤2-2：通过编码和重构学习输入数据的分布特征；

在训练过程中，编码器从真实数据集x中随机采样，然后通过神经网络将其编码到潜在编码空间中；潜在向量包含输入数据的深层特征信息，为了使编码器获得的后验分布q(z|x)尽可能接近预期分布，选择KL散度计算两个分布之间的距离，作为损失函数的一部分；编码器的目标函数如式(1)所示：

L_E＝-E_q(z|x)[log p(x|z)]+D_KL(q(z|x)||p(z)) (1)

式中，右边前一部分是变分自动编码器的重建误差，后一部分是先验分布正则化。p(z)表示所需编码空间z的先验分布，通常选择标准正态分布；

步骤2-3：所构建的变分自编码生成对抗网络模型原理如式(2)：

其中P_da和P_g分别表示原始样本分布x和噪声z的先验分布，D(x)表示判别器的输出；生成器的训练目标是使损失函数第二项最小化，而鉴别器的训练目标是使损失函数最大化，即通过在生成的样本和真实样本源之间进行优化来获得对数似然最大值。通过这种对抗性训练，生成器和鉴别器的性能不断提高，最终使假样本和真实数据的分布保持一致。通过数据扩充，解决了原始数据集的不平衡问题。

步骤3：生成器从编码器提供的潜在编码空间z采样；由于变分自动编码器的预训练，编码空间已经包含关于输入数据分布的深层特征信息，这更有利于生成高质量且分布相同的虚假数据。通过使变分自动编码器中的解码器和生成对抗网络中的生成器共享参数并一起训练，将它们组合成一个整体。判别器的损失函数如下所示：

其中，式(3)右边最后一项表示梯度惩罚项，λ表示梯度惩罚系数，D(y)表示判别器对生成的数据的判别值，P_r表示真实数据的分布。

步骤4：在生成器中采用特征匹配算法来匹配生成数据的深层特征，消除网络训练过拟合现象，深度特征匹配减少了真实样本和生成数据之间的统计距离，测量特征向量均值之间的L₂距离，改进之后的生成器损失函数如下所示：

其中h(x)表示从判别器中间层提取的特征向量，选择判别器第二卷积层的输出作为特征h(x)，w表示特征匹配的权重系数，h(y)表示生成样本在判别器第二卷积层的输出。

步骤5：将生成的数据与原始数据一起提供给判别器，在梯度罚损失函数的基础上，采用随机梯度下降法更新鉴别器的参数；通过对判别器的目标函数施加梯度惩罚的公式如式(5)，此方法能够避免网络训练发生模式崩溃现象；

步骤6：在完成判别器的训练后，生成器根据判别器的反馈更新参数，训练产生更多的与真实样本相似的生成样本；

步骤7：重复步骤3-6；在训练过程结束时，生成器从正态分布N(0,I)中采样，生成高质量合成样本；

步骤8：以步骤7生成的数据为训练数据，以步骤1得到的真实数据为测试数据，构建卷积神经网络分类器进行训练和测试，对轴承数据进行故障类型诊断。

卷积神经网络分类器包括卷积层、池化层以及全连接层。

卷积层是提取输入的特征；包含多个特征映射，每个特征映射由多个神经元组成；为了计算新的特征映射，输入的特征映射被可学习卷积核卷积，如下所示：

表示位于第n个隐层的第i个特征图，

是连接第j个输入特征图和第i个特征图的卷积核，

是余量，·表示卷积操作，f(·)是激活函数。

池化层被用于降低特征图的维度并实现数据压缩，输出表示成：

σ(·)指激活函数，

是权重系数，p(·)是池化操作。

全连接层的作用是将三维的特征图谱转化成一维结构，输出通过如下公式计算：

θ(·)是激活函数，

是权值系数。

具体实施例：

下面结合附图对本发明的内容作进一步详细说明：参照图1所示，本发明的内容可主要分为两部分。第一部分是构建变分自编码生成对抗网络，然后采用不平衡振动数据对网络模型进行训练；第二部分是采用训练好的网络对少量故障数据进行生成，基于平衡数据集通过卷积神经网络得到诊断结果。

参照图2所示，随机选取的六类轴承故障振动信号时域对比图，图中横坐标表示时间；纵坐标表示振动幅值，单位为m/s²。

参照图3所示，深度卷积神经网络提取到的特征利用Tsne可视化的效果图。十种颜色分别代表十种轴承故障，相同颜色下三角形表示真实样本，而方形表示生成样本。由图可知，各类故障特征可以准确的识别，且同类故障下生成数据特征与原始数据特征十分接近，也证明了变分自编码生成对抗网络强大的数据生成能力。

参照图4所示，滚动轴承各类故障的准确率都可以直接从图中得到。

参照图5所示，本发明所提方法的十次试验结果与三个对比方法支持向量机、堆叠自动编码器、卷积神经网络的十次试验结果对比柱状图，从图中可知所提方法的十次诊断结果显著高于其他对比方法的诊断结果,这也更进一步验证了本发明方法的先进性。

实例1:本例中，使用来自电力机车轴承故障振动数据组成的数据集进行测试，该数据集更接近工程中轴承的实际运行情况，失效模式更为复杂。该数据集包含五种故障状态，即内圈故障、外圈故障、滚动体故障和内外圈混合故障，三种单故障和一种复合故障。采样频率12.8khz。

利用所发明方法来诊断电力机车轴承故障振动数据故障。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。表1给出了本发明方法与三个对比方法支持向量机、堆叠自动编码器、卷积神经网络的诊断结果对比。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航空发动机关键部件的故障诊断任务。

表1电力机车轴承诊断结果对比

实例2：本例中，采用凯斯西储大学实验室的轴承故障数据进行实验分析，使用高精度振动加速度传感器收集振动数据，加速度传感器的采样频率为12000HZ,并以每秒48000个样本收集数据以用于驱动端轴承故障。选择零载荷下驱动端轴承的滚子故障、内圈故障和外圈故障作为故障状态。损伤直径分别取0.007英寸、0.014英寸、0.021英寸，共取9个故障状态和正常状态数据作为训练数据和测试数据。

利用所发明方法来诊断凯斯西储大学滚动轴承故障。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4所示。表2给出了本发明方法与三个对比方法支持向量机、堆叠自动编码器、卷积神经网络的诊断结果对比。由表2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2滚动轴承诊断结果对比

Claims (3)

1.一种基于变分自编码生成对抗网络的航空发动机故障诊断方法，其特征在于，包括如下步骤：

步骤1：采集航空发动机部件的振动加速度信号，得到故障信号，对故障信号通过归一化以及滑动窗口采样操作构建模型训练集和测试集；

步骤2：构建变分自编码生成对抗网络模型对故障信号进行数据生成；

步骤2-1：将编码器添加到深度生成对抗网络中，使编码器和生成器构成自动编码器；

步骤2-2：通过编码和重构学习输入数据的分布特征；

在训练过程中，编码器从真实数据集x中随机采样，然后通过神经网络将其编码到潜在编码空间中；为了使编码器获得的后验分布q(z|x)尽可能接近预期分布，选择KL散度计算两个分布之间的距离，作为损失函数的一部分；编码器的目标函数如式(1)所示：

L_E＝-E_q(z|x)[log p(x|z)]+D_KL(q(z|x)||p(z)) (1)

式中，右边前一部分是变分自动编码器的重建误差，后一部分是先验分布正则化；p(z)表示所需编码空间z的先验分布；D_KL(·)表示两个变量之间的KL散度；

步骤2-3：所构建的变分自编码生成对抗网络模型原理如式(2)：

其中G表示生成器，D表示判别器，P_da和P_g分别表示原始样本分布x和噪声z的先验分布，D(x)表示判别器的输出，G(z)表示生成器输出的生成数据；

步骤3：生成器从编码器提供的潜在编码空间z采样；通过使变分自动编码器中的解码器和生成对抗网络中的生成器共享参数并一起训练，将它们组合成一个整体；其中判别器的损失函数如下所示：

其中，式(3)右边最后一项表示梯度惩罚项，λ表示梯度惩罚系数；D(y)表示判别器对生成的数据的判别值，P_r表示真实数据的分布；

步骤4：在生成器中采用特征匹配算法来匹配生成数据的深层特征，测量特征向量均值之间的L₂距离，改进之后的生成器损失函数如下所示：

其中h(x)表示从判别器中间层提取的特征向量，选择判别器第二卷积层的输出作为特征h(x)；w表示特征匹配的权重系数，h(y)表示生成样本在判别器第二卷积层的输出；

步骤5：将生成器生成的数据与原始数据一起提供给判别器，在梯度罚损失函数的基础上，采用随机梯度下降法更新鉴别器的参数，通过对判别器的目标函数施加梯度惩罚的公式如式(5)：

式中，δ表示正态分布N中的弱扰动；

步骤6：在完成判别器的训练后，生成器根据判别器的反馈更新参数，训练产生更多的生成样本；；

步骤7：重复步骤3到步骤6；在训练过程结束时，生成器从正态分布N(0,I)中采样，生成合成样本；

步骤8：以步骤7生成的数据为训练数据，以步骤1得到的真实数据为测试数据，构建卷积神经网络分类器进行训练和测试，对轴承数据进行故障类型诊断。

2.根据权利要求1所述的一种基于变分自编码生成对抗网络的航空发动机故障诊断方法，其特征在于，所述p(z)为标准正态分布。

3.根据权利要求1所述的一种基于变分自编码生成对抗网络的航空发动机故障诊断方法，其特征在于，所述卷积神经网络分类器包括卷积层、池化层以及全连接层；

卷积层是提取输入的特征；包含多个特征映射，每个特征映射由多个神经元组成；为了计算新的特征映射，输入的特征映射被可学习卷积核卷积，如下所示：

表示位于第n个隐层的第i个特征图，

是连接第j个输入特征图和第i个特征图的卷积核，

是余量，·表示卷积操作，f(·)是激活函数；

池化层被用于降低特征图的维度并实现数据压缩，输出表示成：

σ(·)指激活函数，

是权重系数，p(·)是池化操作；

全连接层的作用是将三维的特征图谱转化成一维结构，输出通过如下公式计算：

θ(·)是激活函数，

是权值系数。

Images