韓光潔，田 晨，緱林峰，邵 冬，羅 斌，徐甜甜，林 川

1(大連理工大學(xué) 軟件學(xué)院，遼寧 大連 116620)

2(西北工業(yè)大學(xué) 動力與能源學(xué)院，西安 710072)

3(中國航空發(fā)動機研究院，北京 101304)

4(東北大學(xué) 軟件學(xué)院，沈陽 110819)

E-mail：hanguangjie@gmail.com

1 引 言

航空發(fā)動機作為飛機的“心臟”，是飛機最重要的部件，它的高可靠性對于獲得理想的飛行效率至關(guān)重要.隨著航空發(fā)動機性能的改進，其內(nèi)部結(jié)構(gòu)更加復(fù)雜.航空發(fā)動機的很多零部件需要在高溫、高壓、高轉(zhuǎn)速和高負(fù)荷等嚴(yán)苛條件下可靠運行，這導(dǎo)致零部件發(fā)生故障的頻率越來越高.在多工況下，航空發(fā)動機的不同部件會出現(xiàn)不同程度的性能衰退，進而導(dǎo)致不同的故障.維修費用已經(jīng)成為航空維修領(lǐng)域中不可忽視的重要因素，減少不必要和不準(zhǔn)確的維修工作能夠有效地促進航空產(chǎn)業(yè)的發(fā)展.航空發(fā)動機的故障預(yù)測和健康管理(Prognostic and Health Management，PHM)是確保設(shè)備可靠運行，降低維護成本的有效手段.同時，對于避免設(shè)備使用后發(fā)生災(zāi)難性事故具有重要意義[1].

發(fā)動機故障診斷的方法可分為兩類：基于物理模型的方法[2]和基于數(shù)據(jù)驅(qū)動的方法[3，4].基于物理模型的方法使用一些物理模型和數(shù)學(xué)方法建立退化模型來估計當(dāng)前的健康狀況和預(yù)測未來的健康狀況.Li等人提出了一種基于模型的最小二乘參數(shù)估計故障診斷系統(tǒng)[5].所采用的超級電容器電路模型為二階模型，具有較高的精度.但是，基于物理模型的方法難以獲得精確且適用的物理模型，并且需要關(guān)于物理系統(tǒng)的先驗知識.基于數(shù)據(jù)驅(qū)動的方法使用數(shù)據(jù)挖掘和機器學(xué)習(xí)技術(shù)，直接從收集的狀態(tài)監(jiān)測數(shù)據(jù)中學(xué)習(xí)機械行為.然后，利用學(xué)習(xí)到的知識來評估健康狀況，獲取退化趨勢，并對設(shè)備的故障進行診斷.Jin等人基于Kolmogorov-Smirnov檢驗、自組織圖和無味卡爾曼濾波器(Unscented Kalman Filter，UKF)提出了一種軸承故障預(yù)測方法[6].該方法分為兩步，第1步是通過學(xué)習(xí)歷史數(shù)據(jù)來檢測軸承的退化過程，第2步是借助退化模型和UKF預(yù)測對軸承進行診斷.

隨著深度學(xué)習(xí)的興起，典型的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)，如卷積神經(jīng)網(wǎng)絡(luò)[7-9](Convolution Neural Network，CNN)、深度信念網(wǎng)絡(luò)[10，11](Deep Belief Network，DBN)、堆疊降噪自編碼器[12](Stacked Denoising Auto Encoder，SDAE)等，被廣泛應(yīng)用于工業(yè)應(yīng)用中.因為它們能夠從大數(shù)據(jù)中自動學(xué)習(xí)數(shù)據(jù)的內(nèi)在特征，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)泛化能力不足、容易產(chǎn)生局部最優(yōu)解等問題，削弱了監(jiān)測數(shù)據(jù)中的個體差異和明顯的數(shù)據(jù)噪聲.Dongzhu等人提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和支持向量機的航空發(fā)動機軸承故障診斷方法[13].首先，利用短時傅立葉變換對時間序列信號進行時頻分析，得到相應(yīng)的時頻圖像.然后，使用卷積神經(jīng)網(wǎng)絡(luò)提取所獲得的時頻圖像的特征，然后使用支持向量機對提取的特征進行分類和診斷.Wen 等人提出了一種使用振動圖像和CNN的新的數(shù)據(jù)驅(qū)動型智能軸承故障診斷方法[14].該方法將信號轉(zhuǎn)換為二維圖像，消除了手工特征的影響.Wang 等人提出了一種基于對稱點模式和CNN的軸承故障診斷新方法[15].首先，利用對稱點模式技術(shù)將時域振動信號直接轉(zhuǎn)換成極坐標(biāo)下的雪花圖像，使故障可視化，建立了各個運行狀態(tài)的可視化對稱點模式圖樣本庫.然后，通過設(shè)計的CNN模型自動提取對稱點模式圖像的形狀差異特征，以形成特征向量.最后，將形成的特征向量用作分類器的輸入，以識別軸承故障狀態(tài).該方法不僅可以準(zhǔn)確識別軸承狀態(tài)，而且可以識別故障發(fā)生的相對位置.Li 等人提出了一種基于短時傅立葉變換(Short-Time Fourier Transform，STFT)和CNN的故障診斷方法[16].首先，對滾動軸承的振動信號進行STFT，將其頻譜樣本分為訓(xùn)練集和測試集.然后，將訓(xùn)練集輸入到CNN中以進行學(xué)習(xí)和更新CNN的參數(shù).最后，將具有更新參數(shù)的CNN模型應(yīng)用于測試集中，以輸出故障識別結(jié)果.該方法對不同類型的故障具有較高的識別精度.

但是，這些研究大多數(shù)都需要使用不同算法將信號轉(zhuǎn)換為圖像，然后再進行故障診斷.在得到準(zhǔn)確率較高的診斷模型的同時，也花費了大量時間用于信號轉(zhuǎn)換.在本文研究中，旨在使用一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimensional Convolutional Neural Network，1D-CNN)解決這些缺點和局限性.

近年來，1D-CNN被用來處理具有時間依賴特性的振動信號，在準(zhǔn)確度和時間方面表現(xiàn)出了良好的性能[17].振動信號可以直接輸入模型中進行訓(xùn)練.Ince 等人提出了一種基于1D-CNN的電機故障診斷模型，該模型不僅避免了生成手工特征，而且獲得了較高的故障診斷性能[18].Li 等人提出了一種將1D-CNN和隨機森林相結(jié)合的故障診斷方法用于旋轉(zhuǎn)機械齒輪箱[19].該方法使用1D-CNN從收集的多個傳感器信號中提取特征，然后使用隨機森林算法進行分類.Zhang 等人針對故障數(shù)據(jù)分布不均勻的問題提出了一種基于代價敏感學(xué)習(xí)的新型一維卷積神經(jīng)網(wǎng)絡(luò)模型，用于變壓器故障分類[20].Wang等人使用1D-CNN和門控循環(huán)單元(Gated Recurrent Unit，GRU)提出了一種基于時間序列的混合故障診斷方法[21].首先，利用1D-CNN自動提取傳感器序列數(shù)據(jù)的局部抽象特征.其次，使用GRU捕獲全局特征以及序列的動態(tài)信息.該方法在迭代次數(shù)很小的情況下可以達(dá)到較高的精度.Guo等人使用1D-CNN模型從原始振動信號中自動學(xué)習(xí)特征并識別機器的健康狀況[22].Wang等人提出了一種多注意力的1D-CNN來診斷軸承故障.該方法可以自適應(yīng)地重新校準(zhǔn)每層的特征，并可以增強故障脈沖特征的學(xué)習(xí)，忽略不相關(guān)的特征[23].

航空發(fā)動機數(shù)據(jù)由多個傳感器獲得的時間序列組成.基于目前的文獻(xiàn)研究，1D-CNN適合處理時間序列，可以自動提取航空發(fā)動機的故障特征.在實現(xiàn)分類任務(wù)的同時，降低了模型的訓(xùn)練時間，這使其成為實現(xiàn)航空發(fā)動機故障模式分類的理想網(wǎng)絡(luò)模型.

針對多工況下不同數(shù)據(jù)集的故障模式類別，本文使用無需其他特征融合算法的1D-CNN模型提出了一種航空發(fā)動機故障模式分類方法.首先，分別為具有單個故障模式的單一數(shù)據(jù)集和具有兩個故障模式的混合數(shù)據(jù)集設(shè)置標(biāo)簽.針對不同工況下航空發(fā)動機的傳感器測量值存在巨大差異問題，本文將數(shù)據(jù)按操作條件類別分別進行標(biāo)準(zhǔn)化處理.然后，將處理后的數(shù)據(jù)輸入1D-CNN模型中訓(xùn)練，得到分類模型.

本文的后續(xù)內(nèi)容安排如下：第2部分詳細(xì)介紹了故障模式分類框架，第3部分是實驗結(jié)果及分析，最后一部分是總結(jié).

2 基于1D-CNN航空發(fā)動機故障模式分類

2.1 1D-CNN模型

CNN作為一種代表性的深度學(xué)習(xí)模型，已成功用于從噪聲振動信號中提取缺陷特征以進行故障檢測和診斷.CNN包括1D-CNN，二維卷積神經(jīng)網(wǎng)絡(luò)以及三維卷積神經(jīng)網(wǎng)絡(luò).所有CNN都具有相同的特性，包括卷積操作、共享權(quán)重和池化操作.CNN在一定程度上具備了平移不變性和縮放不變性，并且減少了要訓(xùn)練參數(shù)的數(shù)量，提高了網(wǎng)絡(luò)的訓(xùn)練效率.1D-CNN的基本結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層及輸出層.其中卷積層由一組卷積核組成，卷積核就是一個權(quán)重矩陣.隨著卷積核滑動，依次對目標(biāo)輸入進行局部的卷積操作.池化層可以提取卷積結(jié)果中最主要的特征.1D-CNN的輸入為一維向量，內(nèi)部結(jié)構(gòu)也是一維的.一維卷積的操作示意圖如圖1所示，例如假設(shè)一維輸入數(shù)據(jù)的維度為10，卷積核大小為4，步長為1，沿著箭頭的方向在數(shù)據(jù)序列上滑動并進行卷積操作，則輸出的維度為7.

2.2 分類框架

在使用神經(jīng)網(wǎng)絡(luò)的過程中，為了提高模型學(xué)習(xí)特征的能力，可以采用增加網(wǎng)絡(luò)層數(shù)的方法.但隨著網(wǎng)絡(luò)層數(shù)的增加，網(wǎng)絡(luò)模型需要訓(xùn)練的參數(shù)個數(shù)也會增加.CNN的權(quán)值共享和局部連接可以減少網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)，減小了程序運行所需的內(nèi)存，并且大大降低了過擬合的風(fēng)險.航空發(fā)動機的傳感器數(shù)據(jù)一般是一維的時間序列數(shù)據(jù)[24，25]，本研究中的數(shù)據(jù)同樣采用了上述標(biāo)準(zhǔn).結(jié)合航空發(fā)動機已有數(shù)據(jù)集中的故障模式及數(shù)據(jù)子集的樣本分布，本文提出了一種基于1D-CNN模型的故障模式分類方法，該方法將特征提取和分類任務(wù)合并到一個網(wǎng)絡(luò)模型中，降低了模型的訓(xùn)練時間.

圖1 一維卷積操作過程Fig.1 One-dimensional convolution operation process

基于1D-CNN的航空發(fā)動機故障模式分類方法可分為數(shù)據(jù)預(yù)處理、特征提取和分類識別3步.具體流程如圖2所示.

圖2 提出方法的框架圖Fig.2 Framework of the proposed method

2.2.1 數(shù)據(jù)預(yù)處理

圖2第一個虛線框為數(shù)據(jù)預(yù)處理過程，分為4個部分.首先為不同故障模式數(shù)據(jù)集設(shè)置標(biāo)簽.本文將具有一種故障模式的數(shù)據(jù)集稱之為單一故障模式數(shù)據(jù)集；將具有兩種故障模式的數(shù)據(jù)集稱之為混合故障模式數(shù)據(jù)集.由于單一故障模式數(shù)據(jù)集中只有一種故障模式，將該數(shù)據(jù)集的標(biāo)簽置為‘0’，混合故障模式數(shù)據(jù)集的標(biāo)簽置為‘1’.

然后根據(jù)航空發(fā)動機的傳感器測量值的變化，剔除隨著飛行循環(huán)數(shù)的增加，測量值恒定不變的傳感器.其中，一個飛行循環(huán)數(shù)指的是飛機一個起飛到降落的過程，一般用作發(fā)動機運行時間的單位.

不同的操作條件下各個傳感器的值的范圍也不同且差異明顯，將這些數(shù)據(jù)直接輸入到1D-CNN網(wǎng)絡(luò)中將導(dǎo)致輸入特征的權(quán)重不均衡，減慢了模型的學(xué)習(xí)和收斂速度.因此，在模型訓(xùn)練之前，本文根據(jù)操作條件將剔除傳感器后的數(shù)據(jù)聚類.這里采用基于密度的噪聲應(yīng)用空間聚類(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)方法，將相同運行條件下的數(shù)據(jù)劃分到一個類中.因為DBSCAN相比于其他傳統(tǒng)聚類方法，可以在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，且對噪聲數(shù)據(jù)不敏感.

2.2.2 特征抽取

1D-CNN可以利用卷積操作自動地學(xué)習(xí)航空發(fā)動機數(shù)據(jù)的內(nèi)部關(guān)系，提取出有效的特征，利用全連接網(wǎng)絡(luò)將特征進行綜合，從而得出故障模式分類結(jié)果.圖2第2個虛線框為特征抽取過程.1D-CNN模型的特征抽取過程如下：

1)將處理后的數(shù)據(jù)輸入1D-CNN網(wǎng)絡(luò)模型，通過卷積層的卷積操作實現(xiàn)航空發(fā)動機退化特征的提取.一維卷積運算過程如公式(1)所示：

xlk=∑Nl-1i=1conv1D(wl-1ik，sl-1i)+blk

(1)

其中，xlk和blk分別為卷積層l第k個神經(jīng)元的輸入和偏置，wl-1ik為卷積層l-1第i個神經(jīng)元與卷積層l第k個神經(jīng)元之間的卷積核，sl-1i為卷積層l-1第i個神經(jīng)元的輸出，Nl-1為卷積層l-1的神經(jīng)元個數(shù).conv1D(·)為一維卷積運算.

為了增加1D-CNN模型的非線性，使用激活函數(shù)將卷積結(jié)果進行非線性激活操作.卷積層中每個神經(jīng)元的最終輸出表示為：

slk=f(xlk)

(2)

其中，本文選擇修正線性單元(Rectified Linear Unit，ReLU)作為激活函數(shù)，公式如(3)所示.

f(x)=max(0，x)

(3)

2)通過池化層的池化操作降低傳感器數(shù)據(jù)維度，實現(xiàn)高計算效率.池化操作可以通過多種池化函數(shù)來執(zhí)行，常用的池化有平均池化、最大值池化.本文選擇最大值池化，計算公式如(4)所示：

slk=max(k-1)H+1≤j≤kH(sl-1j)

(4)

其中，H為卷積核寬度.

——近日，針對中國醫(yī)學(xué)學(xué)生的培養(yǎng)問題，以及“60萬醫(yī)學(xué)生僅10萬從醫(yī)”這樣的新聞，浙江大學(xué)醫(yī)學(xué)院康復(fù)研究中心主任陳作兵在《光明日報》上發(fā)文說

3)在若干層卷積和池化操作之后，得到局部特征.將局部特征輸入全連接層進行綜合得到全部特征.

2.2.3 分類識別

利用2.2.2節(jié)得到的全部特征對航空發(fā)動機故障模式進行分類識別，得到故障模式分類結(jié)果.針對已有數(shù)據(jù)集中航空發(fā)動機的故障模式類別，本文使用sigmoid分類器.第i個輸入樣本判別為1的概率為：

p(y(i)=1|x(i)；θ)=11+e-θTx(i)

(5)

在模型訓(xùn)練過程中，采用反向傳播算法以生成每一層的誤差梯度，結(jié)合有標(biāo)簽的樣本對整個1D-CNN模型進行參數(shù)的微調(diào).

3 實驗結(jié)果及分析

3.1 數(shù)據(jù)集介紹

為了說明所提方法的有效性，本文使用了渦扇發(fā)動機公開數(shù)據(jù)集.該數(shù)據(jù)集由美國國家航空航天局(National Aeronautics and Space Administration，NASA)創(chuàng)建，它模擬了渦輪風(fēng)扇發(fā)動機的實際退化過程，稱為C-MAPSS數(shù)據(jù)集.根據(jù)故障模式和運行條件，C-MAPSS數(shù)據(jù)集分為4個不同的子集，如表1所示.C-MAPSS數(shù)據(jù)集中發(fā)動機的故障模式有兩種，其中單一故障模式數(shù)據(jù)集FD002只包含HPC退化，混合故障模式數(shù)據(jù)集FD004包含HPC退化和Fan退化.在每個子集中，提供訓(xùn)練集和測試集，分別記錄了發(fā)動機編號、工作循環(huán)數(shù)、發(fā)動機的工況參數(shù)(飛行高度H、馬赫數(shù)Ma和油門解算器角度TRA)和21個傳感器測量值.在訓(xùn)練集中，故障的嚴(yán)重程度會不斷增加，直到系統(tǒng)出現(xiàn)故障為止.

表1 C-MAPSS數(shù)據(jù)集組成Table 1 Composition of the C-MAPSS dataset

為了研究多工況下發(fā)動機故障模式類別，本文選擇C-MAPSS數(shù)據(jù)集中的“train_FD002.txt”和“train_FD004.txt”作為研究的數(shù)據(jù).

3.2 數(shù)據(jù)預(yù)處理

1)傳感器參數(shù)選擇

FD002和FD004數(shù)據(jù)集包含6種工況，由數(shù)據(jù)集得出6種工況的操作條件分布在如下附近范圍：1)H=0kft，Ma=0，TRA=100；2)H=10kft，Ma=0.25，TRA=100；3)H=20kft，Ma=0.7，TRA=100；4)H=25kft，Ma=0.62，TRA=60；5)H=35kft，Ma=0.84，TRA=100；6)H=42kft，Ma=0.84，TRA=100.在不同的工況類別下，某些傳感器測量值恒定不變.所以在發(fā)動機整個生命周期中，這些傳感器測量值可被視為常數(shù).為了模型更有效地學(xué)習(xí)發(fā)動機的退化特征，將測量值為常數(shù)的傳感器剔除.最終，本文選擇了15個傳感器參數(shù)，分別為T24，T30，T50，P15，P30，Nf，Nc，Ps30，Phi，NRf，NRc，BPR，htBleed，W31，W32，這些傳感器參數(shù)的具體含義見表2.

2)數(shù)據(jù)標(biāo)準(zhǔn)化處理

按照工況類型將剔除傳感器參數(shù)的數(shù)據(jù)進行聚類后，將聚類后的數(shù)據(jù)分別進行標(biāo)準(zhǔn)化處理.本文采用Z-score標(biāo)準(zhǔn)化方法，具體公式如(6)所示：

s′k=sk-μpkσpk

(6)

其中，sk和s′k分別為第k個傳感器處理前和處理后的數(shù)據(jù)，μpk和σpk分別為在工況p下第k個傳感器的均值和標(biāo)準(zhǔn)差.

3.3 評估指標(biāo)

為了評估性能并驗證所提出方法的有效性，本文應(yīng)用了3個常用的性能指標(biāo)，即精確率、召回率和準(zhǔn)確率.精確率表示正確分類的正例個數(shù)占預(yù)測為正例總數(shù)的比例.召回率表示正確分類的正例個數(shù)占真實正例總數(shù)的比例.

表2 傳感器數(shù)據(jù)描述Table 2 Sensor data description

此外，還使用準(zhǔn)確率(Accuracy)進行比較，用來說明模型對測試數(shù)據(jù)分類準(zhǔn)確率情況，可以將其計算為：

Accuracy=TP+TNTP+TN+FP+FN

(7)

其中，TP表示樣本真實類別為正，預(yù)測出的類別也為正，F(xiàn)P表示樣本真實類別為負(fù)，預(yù)測出的類別卻為正，F(xiàn)N表示樣本真實類別為正，預(yù)測出的類別卻為負(fù)，TN表示樣本真實類別為負(fù)，預(yù)測出的類別也為負(fù).

3.4 實驗結(jié)果

1)網(wǎng)絡(luò)參數(shù)

1D-CNN的網(wǎng)絡(luò)結(jié)構(gòu)由兩個卷積層，一個最大池化層和一個完全連接層組成.其中，第1個卷積層的神經(jīng)元個數(shù)為150，第2個卷積層的神經(jīng)元個數(shù)為70.考慮到深度學(xué)習(xí)模型中的過度擬合問題，采用了dropout技術(shù).在訓(xùn)練1D-CNN時，需要設(shè)置學(xué)習(xí)率控制參數(shù)的更新速度.表3給出了1D-CNN的超參數(shù)設(shè)置.

表3 1D-CNN的超參數(shù)設(shè)置Table 3 Hyperparameter settings of 1D-CNN

由于本文解決的問題屬于二分類問題，本文使用二分類交叉熵?fù)p失函數(shù)，如公式(8)所示：

Loss=-(yt*log(yp)+(1-yt)log(1-yp))

(8)

其中，yt為某個樣本點的真實標(biāo)簽，yp為該樣本點取yt=1的概率.

在訓(xùn)練模型過程中，分別從“train_FD002.txt”和“train_FD004.txt”兩個數(shù)據(jù)集中隨機選擇70%的數(shù)據(jù)集作為訓(xùn)練集，30%的數(shù)據(jù)集作為測試集.將參數(shù)validation_split設(shè)置為0.2，即從訓(xùn)練集中使用將選擇20%數(shù)據(jù)集作為驗證集.

圖3顯示了在微調(diào)階段的1D-CNN的分類精度變化.可以看到，隨著Epoch的增加，1D-CNN模型的分類精度不斷提高.當(dāng)Epoch僅為100時，已獲得95%的訓(xùn)練精度.當(dāng)Epoch約為500時，幾乎所有訓(xùn)練樣本都將被1D-CNN模型有效識別.圖4詳細(xì)描述了Epoch對1D-CNN模型分類精度影響.可以看出，當(dāng)Epoch達(dá)到200時，模型的分類效果趨于穩(wěn)定.在Epoch達(dá)到600時分類準(zhǔn)確率最高.因此，Epoch設(shè)置為600.

圖3 訓(xùn)練過程中1D-CNN的分類精度變化Fig.3 Classification accuracy change of 1D-CNN in the training procedure

圖4 Epoch對1D-CNN分類精度的影響Fig.4 Effect of epoch on the classification accuracy of 1D-CNN

2)方法對比

為了證明所用模型的有效性和優(yōu)越性，本文將1D-CNN模型與典型的分類器模型進行對比，對比模型分別為長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)、雙向長短期記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory，BLSTM)和支持向量機(Support Vector Machine，SVM).SVM基于結(jié)構(gòu)風(fēng)險最小化原則，這樣就避免了過學(xué)習(xí)問題，泛化能力強，分類速度快.SVM作為傳統(tǒng)的機器學(xué)習(xí)方法，在訓(xùn)練模型之前一般需要進行特征選擇.LSTM和BLSTM作為深度學(xué)習(xí)模型，可以自動學(xué)習(xí)數(shù)據(jù)的特征.LSTM解決了梯度反傳過程中由于逐步縮減而產(chǎn)生的梯度消失的問題.但是LSTM網(wǎng)絡(luò)只能捕獲當(dāng)前狀態(tài)對前一狀態(tài)的依賴性.BLSTM網(wǎng)絡(luò)同時朝兩個方向處理數(shù)據(jù)，捕獲過去和未來的信息.因此，BLSTM模型的需要訓(xùn)練的參數(shù)也會增加.

表4 不同模型的分類結(jié)果對比Table 4 Comparison of classification results of different models

模型的分類對比結(jié)果如表4所示.其中，LSTM和BLSTM 的網(wǎng)絡(luò)結(jié)構(gòu)與1D-CNN類似，隱藏層為2層，第1個隱藏層的神經(jīng)元個數(shù)為150，第2個隱藏層的神經(jīng)元個數(shù)為70.SVM模型的內(nèi)核函數(shù)采用高斯核函數(shù).在精確率、召回率和準(zhǔn)確率方面，深度學(xué)習(xí)模型LSTM、BLSTM和1D-CNN的分類效果比SVM好，且1D-CNN的性能優(yōu)于LSTM和BLSTM模型.訓(xùn)練時間方面，在提高精度的同時，深度學(xué)習(xí)模型的訓(xùn)練時間也會增長.但是1D-CNN模型的訓(xùn)練時間相對較短，因為在優(yōu)化參數(shù)過程中，LSTM和BLSTM優(yōu)化參數(shù)的數(shù)目比1D-CNN模型的參數(shù)多.比較結(jié)果表明，1D-CNN對于航空發(fā)動機的故障模式分類是有效的.

1D-CNN在保證較高診斷精度的同時，大大縮短了整個網(wǎng)絡(luò)的訓(xùn)練時間.因此，本文選擇1D-CNN作為航空發(fā)動機故障模式分類的方法.

4 結(jié) 語

本文針對現(xiàn)有航空發(fā)動機數(shù)據(jù)集C-MAPSS中故障模式的類別和相關(guān)數(shù)據(jù)分布情況，在多工況下提出了一種基于1D-CNN的航空發(fā)動機故障模式分類方法.該方法可執(zhí)行航空發(fā)動機特征提取和故障模式分類任務(wù).此外，考慮到工況參數(shù)對傳感器測量值的影響，將數(shù)據(jù)按照工況條件分別處理.通過對比典型的分類模型，驗證了1D-CNN模型在航空發(fā)動機故障模式的分類問題中具有較高的分類精度，并且降低了網(wǎng)絡(luò)的訓(xùn)練時間.

診斷航空發(fā)動機的故障模式對其后續(xù)維修有重要意義.未來，隨著航空發(fā)動機研究的發(fā)展，對于航空發(fā)動機故障模式的研究會越來越多，本文提出的方法可以提供一個較好的研究基礎(chǔ).