丁發(fā)軍，劉義平，孫琪，安思曈

（中國民用航空飛行學(xué)院，四川 廣漢 618307）

0 引言

航空發(fā)動機(jī)是一種制造、工況、運行條件都極為復(fù)雜的機(jī)械裝配體，復(fù)雜結(jié)構(gòu)使得航空發(fā)動機(jī)的故障幾率呈冪次上升，而普通的專家系統(tǒng)已經(jīng)無法滿足故障診斷的要求。集成神經(jīng)網(wǎng)絡(luò)、基于徑向基函數(shù)的支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)及后續(xù)優(yōu)化的淺層神經(jīng)網(wǎng)絡(luò)均具有較強(qiáng)的特征分類能力，缺點是容易陷入局部最優(yōu)和參數(shù)選取影響診斷結(jié)果分析單一數(shù)據(jù)源（滑油參數(shù)），進(jìn)行故障診斷，單一的滑油數(shù)據(jù)很難準(zhǔn)確判定振動故障發(fā)生的源頭。集成神經(jīng)網(wǎng)絡(luò)對多信息源數(shù)據(jù)處理表現(xiàn)出較強(qiáng)的分析處理能力。郭風(fēng)等[1]使用徑向基神經(jīng)網(wǎng)絡(luò)診斷發(fā)動機(jī)氣路故障，徑向基神經(jīng)網(wǎng)絡(luò)表現(xiàn)出學(xué)習(xí)速度快、診斷精度高的特點。John Platt等[2]研究表明，RBF網(wǎng)絡(luò)解決了BP網(wǎng)絡(luò)只有一個解的問題，減少了訓(xùn)練樣本病態(tài)的影響。呂升等[3]利用遺傳算法與自聯(lián)想神經(jīng)網(wǎng)絡(luò)優(yōu)化SDQ算法，對航空發(fā)動機(jī)傳感器數(shù)據(jù)預(yù)處理，優(yōu)化后的SDQ算法在故障診斷和除噪方面性能優(yōu)異，提高了階躍故障定位的準(zhǔn)確率。楊虞微[4]在現(xiàn)代航空燃?xì)鉁u輪發(fā)動機(jī)故障分析與智能診斷技術(shù)的研究中總結(jié)了故障類型、介紹了淺層智能診斷網(wǎng)絡(luò)。元尼東珠等[5]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對航空發(fā)動機(jī)氣路故障進(jìn)行診斷，CNN在故障診斷時表現(xiàn)出超強(qiáng)的自學(xué)習(xí)、并處理、容錯性能好等優(yōu)點，且降低了網(wǎng)絡(luò)模型的復(fù)雜性和權(quán)重數(shù)量。

本文在研究航空發(fā)動機(jī)故障診斷的基礎(chǔ)上，總結(jié)了航空發(fā)動機(jī)的故障類型、故障診斷數(shù)據(jù)來源，簡單介紹了幾種典型優(yōu)化算法和診斷網(wǎng)絡(luò)，分析了優(yōu)化算法對淺層神經(jīng)網(wǎng)絡(luò)優(yōu)化方式，研究了深度神經(jīng)網(wǎng)絡(luò)在相鄰領(lǐng)域的應(yīng)用及其成效。并提出基于混合自適應(yīng)粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)診斷航空發(fā)動機(jī)故障。

1 故障類型與故障數(shù)據(jù)來源

1.1 故障類型

航空發(fā)動機(jī)作為一個復(fù)雜機(jī)械裝配體，其零件組成樣類數(shù)目繁多、機(jī)械與電子交錯、工況條件復(fù)雜、瞬態(tài)穩(wěn)態(tài)不斷切換，其故障也是錯綜復(fù)雜、相互影響。航空發(fā)動機(jī)故障可以分為氣路故障、機(jī)械故障、機(jī)械電子故障、渦輪損傷、液壓油路失效等幾類主要故障。

氣路故障涉及整個渦扇發(fā)動機(jī)，包括的部件有風(fēng)扇、低壓壓氣機(jī)（LPC）、高壓壓氣機(jī)（HPC）、高壓渦輪（HPT）、低壓渦輪（LPT），以及低壓轉(zhuǎn)子和高壓轉(zhuǎn)子，其中低壓轉(zhuǎn)子與高壓轉(zhuǎn)子之間只有氣動聯(lián)系沒有機(jī)械連接。氣路部件長時間處于高溫、高壓、腐蝕的環(huán)境中，還有不時的外來物損傷等，都會造成發(fā)動機(jī)氣路部件出現(xiàn)性能衰退。

機(jī)械故障主要有振動故障、轉(zhuǎn)子部件磨損故障、篦齒件封嚴(yán)故障、整機(jī)振動故障。機(jī)械電子故障主要是傳感器、電磁繼電器故障，包括壓力傳感器、溫度傳感器、油位傳感器等。

渦輪損傷包括葉冠掉塊、高低壓渦輪盤裂紋，渦輪葉片的燒蝕、腐蝕、葉尖卷邊等[6]。液壓油路失效主要有液壓管道堵塞、液壓油泵失效、液壓回路油濾堵塞等。

國內(nèi)外的航空發(fā)動機(jī)故障診斷主要集中在機(jī)械故障、整機(jī)振動故障及氣路故障，故障診斷算法的驗證也是基于以上三種故障類型展開的。

1.2 故障數(shù)據(jù)來源

故障數(shù)據(jù)是支撐故障診斷算法的必要條件?；趯＜蚁到y(tǒng)和神經(jīng)網(wǎng)絡(luò)故障診斷都需要大量的故障數(shù)據(jù)集。故障數(shù)據(jù)集根據(jù)作用不同分為訓(xùn)練數(shù)據(jù)集和診斷數(shù)據(jù)集。通過訓(xùn)練數(shù)據(jù)集對網(wǎng)絡(luò)的不斷訓(xùn)練，使其具有相應(yīng)的學(xué)習(xí)能力，再通過故障診斷數(shù)據(jù)集驗證神經(jīng)網(wǎng)絡(luò)診斷精度。故障數(shù)據(jù)的來源目前有兩種：一是航空發(fā)動機(jī)維修數(shù)據(jù)，優(yōu)點是此類數(shù)據(jù)來源真實，指導(dǎo)意義強(qiáng)，有良好的工程實踐性。缺點是同類故障數(shù)據(jù)少，故障類型不全面，神經(jīng)網(wǎng)絡(luò)訓(xùn)練存在缺失，特殊故障無法識別，失去工程實踐意義；二是通過發(fā)動機(jī)模擬軟件模擬發(fā)動機(jī)發(fā)生相應(yīng)故障時的參數(shù)變化，該數(shù)據(jù)來源的優(yōu)點是可模擬多故障狀態(tài)下的發(fā)動機(jī)參數(shù)，同一故障下的多種發(fā)動機(jī)參數(shù)，獲得故障數(shù)據(jù)包線。缺點是數(shù)據(jù)過于理想，與實際故障切合不夠，工程應(yīng)用困難。

通過發(fā)動機(jī)模擬軟件模擬發(fā)動機(jī)主要故障類型獲取故障數(shù)據(jù)集，用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具有更加強(qiáng)大的識別故障的能力。通過不斷增加的真實故障數(shù)據(jù)驗證網(wǎng)絡(luò)判定精度，并加入到網(wǎng)絡(luò)訓(xùn)練中以增強(qiáng)故障識別能力。真實的故障數(shù)據(jù)可強(qiáng)化網(wǎng)絡(luò)的學(xué)習(xí)能力，并驗證網(wǎng)絡(luò)的識別能力。

2 優(yōu)化算法

遺傳算法是一種基于種群的優(yōu)化算法，具有強(qiáng)大的隱并行模式空間搜索能力，可以隨機(jī)、穩(wěn)定地搜索整個解空間，特征選擇能力強(qiáng)，自適應(yīng)程度高。

基本遺傳算法在生成的初始種群的基礎(chǔ)上按一定概率進(jìn)行雜交及變異，按照一定規(guī)則尋找、選擇、復(fù)制優(yōu)秀個體并組成新種群，不斷迭代。CHC遺傳算法是基本遺傳算法的改進(jìn)優(yōu)化，是Eshelman在1991年提出的[8]，首次提出跨世代優(yōu)個選擇（Cross Generation Elitist Selection）、相異物種雜交（Heterogeneous Combination）和大變異（Cataclysmic Mutation）三個概念?？缡来鷥?yōu)秀個體選擇和大變異可以形成優(yōu)秀個體，同時保證個體間的多樣性，增強(qiáng)了算法跳出局部最優(yōu)解，在整個解空間內(nèi)尋優(yōu)的能力。

基本粒子群算法（PSO）是Eberhart博士和Kennedy博士發(fā)明的一種具有個體數(shù)目少，計算量小且魯棒性好的全局進(jìn)化優(yōu)化算法。粒子群在更新法則下以單向的信息流不斷搜尋最優(yōu)解，缺點是容易陷入局部最優(yōu)，無法在全局范圍內(nèi)搜索最優(yōu)解，早熟收斂問題嚴(yán)重。

粒子群算法中，粒子位置代表問題的可能解，通過粒子適應(yīng)度衡量其有效性，一般通過交叉驗證（x-cv）的精度作為適應(yīng)度函數(shù)值。

混合粒子群算法是CHC遺傳算法與粒子群算法的綜合體，CHC遺傳算法具有克服粒子群算法陷入局部最優(yōu)，并在全局范圍內(nèi)選取最優(yōu)個體的特點。

自適應(yīng)粒子群算法（H-PSO）[9]先通過AIM策略獲得全局解空間，并使用ADRM誘導(dǎo)粒子群跳出局部最優(yōu)空間，獲得全局最優(yōu)解。鄭波等[10]利用自適應(yīng)粒子群算法改進(jìn)S-Kohonen的方法對航空發(fā)動機(jī)故障進(jìn)行分類，解決了T-Kohonen分類故障中聚類不唯一和無法有效辨識的問題。

單個AIM策略代表某一可能解，單個粒子p=（p1,p2…pmn）,ADRM策略是通過不斷地檢測進(jìn)化代的粒子適應(yīng)度值，作出是否相應(yīng)的判斷，直到滿足條件。fita+i－fitpg＜ε時粒子可能陷入局部最優(yōu)解，保存當(dāng)前最優(yōu)解并觸發(fā)相應(yīng)更新粒子群中一定比例粒子, fita+i－fitpg＞ε，粒子尚在搜索最優(yōu)解。

3 故障診斷網(wǎng)路

3.1 淺層神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)的出現(xiàn)，提高了復(fù)雜機(jī)械故障診斷的效率和準(zhǔn)確率。支持向量機(jī)（Support Vector Machine, SVM）具有解決小樣本數(shù)據(jù)、非線性、高維次問題的獨特優(yōu)勢，但支持向量機(jī)對參數(shù)的選取較為嚴(yán)格，并且參數(shù)選取的隨機(jī)性會影響學(xué)習(xí)的機(jī)診斷準(zhǔn)確率。利用支持向量機(jī)可以解決航空發(fā)動機(jī)故障數(shù)據(jù)不足、非線性預(yù)測的難題。徐啟華等[11]研究了應(yīng)用SVM發(fā)動機(jī)故障診斷的若干問題。吳文杰等[12]使用基于信息融合的故障診斷方法。

反向傳播神經(jīng)網(wǎng)絡(luò)在模型的建立、預(yù)測、控制、診斷領(lǐng)域廣泛應(yīng)用，尤其在復(fù)雜機(jī)械系統(tǒng)，如航空發(fā)動機(jī)機(jī)器部件的故障診斷中有著廣泛的研究應(yīng)用基礎(chǔ)。BP網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)，且只能給出一個最優(yōu)解，受訓(xùn)練樣本病態(tài)影響嚴(yán)重。ABC-BP神經(jīng)網(wǎng)絡(luò)是人工蜂群算法（Artificial Bee Colony）與反向傳播神經(jīng)網(wǎng)絡(luò)算法的融合[13]，王志等[14]使用BP神經(jīng)網(wǎng)絡(luò)診斷航空發(fā)動機(jī)整機(jī)振動故障，該網(wǎng)絡(luò)表現(xiàn)出優(yōu)異的故障特征與故障模式的映射能力。具有更高的診斷準(zhǔn)確率和更快的收斂速度，且不會陷入局部最優(yōu)。

徑向基神經(jīng)網(wǎng)絡(luò)（RBF）是由輸入層、隱藏層、輸出層三層網(wǎng)絡(luò)組成的算法結(jié)構(gòu)，與BP算法不同的是，徑向基神經(jīng)網(wǎng)絡(luò)隱藏層函數(shù)是高斯函數(shù)，而輸出層是簡單的線性函數(shù)[15]。因此學(xué)習(xí)策略也不同，隱藏層采用非線性優(yōu)化、輸出層采用線性優(yōu)化策略。最大的特點是采用徑向基函數(shù)作為激勵函數(shù)，在普通BP算法中一般使用Sigmoid函數(shù)。RBF學(xué)習(xí)精度高診斷速度快、診斷精度較BP網(wǎng)絡(luò)精度高，有出色的學(xué)習(xí)能力和聯(lián)想推廣能力。

集成神經(jīng)網(wǎng)絡(luò)診斷先是對不同信息源做預(yù)處理，使用信息特征分配單元將處理好的信息傳遞到診斷子網(wǎng)絡(luò)，診斷子網(wǎng)絡(luò)又通過該單元將診斷結(jié)果傳遞至融合診斷子網(wǎng)絡(luò)，經(jīng)融合診斷處理后得出診斷結(jié)果。集成神經(jīng)網(wǎng)絡(luò)可處理多信息源數(shù)據(jù)、通過診斷判定機(jī)制獲得診斷結(jié)果，是一種典型淺層神經(jīng)網(wǎng)絡(luò)，可解決多數(shù)據(jù)源引起的診斷效率低、診斷精度低的問題。李洪偉等[16]利用集成神經(jīng)網(wǎng)絡(luò)對航空發(fā)動機(jī)飛行參數(shù)據(jù)和滑油數(shù)據(jù)進(jìn)行分析，經(jīng)信息融合判定振動故障。

Kohonen網(wǎng)絡(luò)是一種基于數(shù)據(jù)驅(qū)動的智能數(shù)據(jù)處理方法，廣泛應(yīng)用于模式識別和特征分類[10]。基本的T-Kohonen通過無監(jiān)督競爭學(xué)習(xí)策略調(diào)整權(quán)值，進(jìn)而進(jìn)化為即判別器。T-Kohonen存在對未知樣本聚類結(jié)果不唯一，識別判定能力低的問題。S-Kohonen采用有監(jiān)督競爭學(xué)習(xí)策略調(diào)整權(quán)值，且輸出層神經(jīng)元數(shù)與數(shù)據(jù)類別數(shù)相同，同時分別調(diào)整輸入層與競爭優(yōu)勝層、競爭優(yōu)勝層與輸出層的權(quán)值。S-Kohonen相對于T-Kohonen，其解決了未知樣本的不可辨識性。聚類結(jié)果不唯一的問題可通過采用融合自適應(yīng)粒子的方式解決。

淺層神經(jīng)網(wǎng)絡(luò)經(jīng)過不斷地自身改進(jìn)優(yōu)化，如增加網(wǎng)絡(luò)層數(shù)，改進(jìn)激活函數(shù)、優(yōu)化權(quán)值與初值，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)及返回值等，已經(jīng)具有了較高的故障識別精度。與優(yōu)化算法相互融合診斷故障，改進(jìn)了淺層神經(jīng)網(wǎng)絡(luò)局部收斂的缺點。

3.2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

典型的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)有深度置信網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等。目前在航空發(fā)動機(jī)故障診斷領(lǐng)域內(nèi)應(yīng)用的只有基于卷積神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)氣路故障診斷和基于深度置信網(wǎng)絡(luò)學(xué)習(xí)的航空發(fā)動機(jī)部件故障診斷。

卷積神經(jīng)網(wǎng)絡(luò)具有以下幾個特點：1）非完全連接的神經(jīng)元；2）共享同一層中連接神經(jīng)元的權(quán)值；3）較強(qiáng)的并處理、自學(xué)習(xí)、容錯能力；4）更小的權(quán)重數(shù)量和更簡單的模型。卷積神經(jīng)網(wǎng)絡(luò)主要由兩部分組成：一是從樣本中取樣并輸入到網(wǎng)絡(luò)，計算相應(yīng)的輸出結(jié)果；二是計算真實結(jié)果與預(yù)期結(jié)果之間的差值，并根據(jù)最小化誤差法調(diào)整權(quán)值矩陣。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如圖1所示。

圖1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)權(quán)值閾值更新

深度置信網(wǎng)絡(luò)是由受限波爾茲曼機(jī)（RBM）疊加而成的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，是由隨機(jī)神經(jīng)元（神經(jīng)元以特定概率取0/1，表示O/I,即開或閉）組成的二值型隨機(jī)網(wǎng)絡(luò)，由底層的可見層和頂層的隱藏層組成如圖3所示。RBM2接收RBM1的輸出作為自身的輸入，同時處理數(shù)據(jù)并向RBM3輸出數(shù)據(jù)，逐層疊加的受限波爾茲曼機(jī)會逐層提取特征，最頂層的BP神經(jīng)網(wǎng)絡(luò)則根據(jù)逐層提取的特征進(jìn)行分類，深度置信網(wǎng)絡(luò)的學(xué)習(xí)算法是數(shù)學(xué)意義上的極大似然估計，可學(xué)習(xí)參數(shù)使值擬合給定的訓(xùn)練數(shù)據(jù)。

圖2 受限波爾茨茲曼機(jī)（RBM）

圖3 深度置信網(wǎng)絡(luò)結(jié)構(gòu)圖

深度置信網(wǎng)絡(luò)包括預(yù)訓(xùn)練和后期調(diào)整兩個階段，一是對受限波爾茲曼機(jī)做無監(jiān)督的底層訓(xùn)練，取得初始值和網(wǎng)絡(luò)權(quán)值；二是通過BP神經(jīng)網(wǎng)絡(luò)的反傳算法調(diào)整整個網(wǎng)絡(luò)權(quán)值。兩個階段分工協(xié)同，克服了淺層網(wǎng)絡(luò)結(jié)構(gòu)算法的不足，使得該網(wǎng)絡(luò)在避免陷入局部最優(yōu)的同時，其網(wǎng)絡(luò)收斂速度快、有效性強(qiáng)。彭軍等[17]利用深度置信網(wǎng)絡(luò)對航空發(fā)動機(jī)中的關(guān)鍵部件故障進(jìn)行診斷，深度置信網(wǎng)絡(luò)表現(xiàn)出高于淺層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。

4 優(yōu)化算法與診斷網(wǎng)絡(luò)的融合應(yīng)用

基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的智能故障診斷框架基本解決了小樣本條件下故障診斷問題。全局平均池化層代替?zhèn)鹘y(tǒng)的全連接層，大幅減少了訓(xùn)練參數(shù)[18]。為了評估故障分類精度，從模型特征、可視化和計算效率三個方面評估該算法的性能，相應(yīng)研究表明，在小樣本條件下，與其他6種學(xué)習(xí)算法相比, 優(yōu)化后的的卷積神經(jīng)網(wǎng)絡(luò)具有更高的診斷精度、更強(qiáng)的搜索拓展能力、對計算機(jī)性能要求更小。基于混合自適應(yīng)粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)，可以避免故障診斷網(wǎng)絡(luò)陷入局部最優(yōu)，可在全局范圍內(nèi)搜索最優(yōu)解；可以發(fā)揮深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)學(xué)習(xí)、強(qiáng)判斷的能力；混合粒子群可以聯(lián)想拓展搜索邊界，不斷更新迭代。

基于混合自適應(yīng)粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)故障診斷方法的一般核心流程設(shè)計：

1）故障類型選擇——航空發(fā)動機(jī)氣路故障。航空發(fā)動機(jī)在氣路故障診斷方面有較多研究，故障數(shù)據(jù)集豐富，便于搜集相關(guān)資料。氣路故障數(shù)據(jù)類型多，易泛化，挖掘潛力高。

2）優(yōu)化算法——混合粒子群自適應(yīng)算法?；旌狭Ｗ尤核惴ǎ谌诤细倪M(jìn)遺傳算法的同時，又加入了自適應(yīng)粒子群算法。不僅可以增大粒子間的變異范圍，考慮相異物種雜交，還可以通過自適應(yīng)粒子群AIM的策略來拓展整個解空間，自適應(yīng)檢測響應(yīng)機(jī)制引導(dǎo)粒子群跳出局部最優(yōu)空間，確保獲得全局最優(yōu)解。

3）深度學(xué)習(xí)網(wǎng)絡(luò)——改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)結(jié)構(gòu)可以解決小樣本條件下故障診斷問題。全局平均池化層代替?zhèn)鹘y(tǒng)的全連接層可減少模型訓(xùn)練參數(shù)的數(shù)量。

4）故障分類精度評估——模型特征、可視化和計算效率。

5 總結(jié)與展望

航空發(fā)動機(jī)作為復(fù)雜機(jī)械，其工作狀態(tài)多樣、故障類型多樣，隨之產(chǎn)生的改進(jìn)優(yōu)化診斷方法也是極為豐富的，但總的來說，需要從以下幾個方面出發(fā)：

1）總結(jié)故障類型。航空發(fā)動機(jī)主要故障有氣路故障、機(jī)械故障、機(jī)械電子故障、渦輪損傷、液壓油路失效等幾類主要故障。

2）故障數(shù)據(jù)的兩種來源各有優(yōu)缺。通過發(fā)動機(jī)模擬軟件模擬發(fā)動機(jī)主要故障類型獲取故障數(shù)據(jù)集，用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具有更加強(qiáng)大的識別故障的能力。通過不斷增加的真實故障數(shù)據(jù)驗證網(wǎng)絡(luò)判定精度，并加入到網(wǎng)絡(luò)訓(xùn)練中以增強(qiáng)故障識別能力。真實的故障數(shù)據(jù)可強(qiáng)化網(wǎng)絡(luò)的學(xué)習(xí)能力，并驗證網(wǎng)絡(luò)的識別能力。

3）淺層診斷網(wǎng)絡(luò)的自身改進(jìn)已經(jīng)使其具有相當(dāng)高的精度，初步的優(yōu)化算法與機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)融合，優(yōu)化了神經(jīng)網(wǎng)絡(luò)的權(quán)值和初值，改善了神經(jīng)網(wǎng)絡(luò)故障診斷時容易陷入局部最優(yōu)的缺點。

4）深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)故障診斷方面，深度置信網(wǎng)絡(luò)的兩個階段分工協(xié)同，克服了淺層網(wǎng)絡(luò)結(jié)構(gòu)算法的不足，使得該網(wǎng)絡(luò)在避免陷入局部最優(yōu)的同時，其網(wǎng)絡(luò)收斂速度快、有效性強(qiáng)。 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)診斷精度更高、泛化能力更強(qiáng)、計算負(fù)擔(dān)更小?？咕矸e神經(jīng)網(wǎng)絡(luò)解決智能診斷模型訓(xùn)練樣本與實際模型部署的測試樣本分布特征不匹配的問題。將改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到航空發(fā)動機(jī)故障診斷中，可以解決淺層神經(jīng)網(wǎng)絡(luò)診斷精度的不足，也可以改善基本卷積神經(jīng)網(wǎng)絡(luò)對大量數(shù)據(jù)樣本集的需求。