崔建國(guó)，宋博文，崔 霄，王景霖，杜文友，于明月，劉 冬，蔣麗英

(1.沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院,沈陽(yáng) 110136;2.航空工業(yè)空氣動(dòng)力研究院 模型天平與風(fēng)洞設(shè)備五部,沈陽(yáng) 110034;3.中航工業(yè)集團(tuán) 故障診斷與健康管理技術(shù)航空科技重點(diǎn)實(shí)驗(yàn)室,上海 201601)

飛機(jī)發(fā)動(dòng)機(jī)是飛機(jī)最核心的部分之一，是飛機(jī)飛行的動(dòng)力來(lái)源，飛機(jī)發(fā)動(dòng)機(jī)性能的好壞直接關(guān)系到飛機(jī)的飛行性能和安全性[1]。飛機(jī)發(fā)動(dòng)機(jī)的物理結(jié)構(gòu)非常復(fù)雜，對(duì)發(fā)動(dòng)機(jī)的故障診斷尤為重要，如果飛機(jī)發(fā)動(dòng)機(jī)的故障不能得到及時(shí)準(zhǔn)確的反饋，還可能會(huì)引發(fā)其他連鎖問(wèn)題，將會(huì)造成嚴(yán)重不可逆后果，更有可能威脅到飛行員的安全。因此，利用先進(jìn)的故障診斷技術(shù)對(duì)飛機(jī)發(fā)動(dòng)機(jī)進(jìn)行系統(tǒng)故障分析和診斷具有重要的實(shí)際意義。

1 問(wèn)題描述

作為飛機(jī)核心部件之一，發(fā)動(dòng)機(jī)由復(fù)雜的機(jī)械模塊和電子模塊組成，在空中飛行的工作環(huán)境十分惡劣，其不可避免地會(huì)產(chǎn)生各種各樣的系統(tǒng)故障和零部件故障[2]。發(fā)生故障的原因有很多，可能是突發(fā)性原因造成的故障，也有可能是由于長(zhǎng)時(shí)間工作造成部件磨損、腐蝕而導(dǎo)致性能蛻化，當(dāng)性能降低到一定閾值的時(shí)候，就會(huì)發(fā)生故障[3]。由于發(fā)動(dòng)機(jī)處于非常復(fù)雜的工作環(huán)境之中，受很多因素的共同作用，加上環(huán)境噪聲的影響，使得測(cè)量數(shù)據(jù)與故障類(lèi)型之間呈現(xiàn)復(fù)雜的非線性關(guān)系，即同一種故障特征可能由不同的故障所導(dǎo)致[4]。有資料表明，約有30%的飛機(jī)飛行事故是由發(fā)動(dòng)機(jī)發(fā)生故障造成的，而且每年發(fā)動(dòng)機(jī)的維護(hù)費(fèi)用要遠(yuǎn)高于其本身的購(gòu)買(mǎi)費(fèi)用，占整個(gè)飛機(jī)總維護(hù)費(fèi)用的31%[5]。飛機(jī)發(fā)動(dòng)機(jī)故障診斷技術(shù)是根據(jù)發(fā)動(dòng)機(jī)提供的各種工況條件信息[6]，依靠先進(jìn)的技術(shù)手段整理、分析這些信息，然后確定故障的產(chǎn)生原因、故障的嚴(yán)重程度和具體的發(fā)生位置，提出有針對(duì)性的維護(hù)方案和維修措施，保證發(fā)動(dòng)機(jī)處于良好狀態(tài)。因此，利用故障診斷技術(shù)對(duì)飛機(jī)發(fā)動(dòng)機(jī)進(jìn)行系統(tǒng)的故障分析和診斷，提出故障解決方案具有重要的現(xiàn)實(shí)意義。

我國(guó)從20世紀(jì)80年代才開(kāi)始研究飛機(jī)故障診斷[7]。80年代末，中國(guó)民航學(xué)院、北京航空航天大學(xué)、東方航空公司和北京機(jī)械維修工程公司聯(lián)合研發(fā)了具有故障診斷和趨勢(shì)分析功能的 EMD 發(fā)動(dòng)機(jī)診斷和監(jiān)測(cè)系統(tǒng)。90年代初，國(guó)防科技大學(xué)為液體火箭發(fā)動(dòng)機(jī)研發(fā)了具有故障檢測(cè)功能的健康管理系統(tǒng) HMS。近年來(lái)，我國(guó)在航空發(fā)動(dòng)機(jī)故障診斷方面的研究取得了一定成果。中國(guó)民航學(xué)院采用數(shù)據(jù)挖掘技術(shù)分析飛機(jī)飛行和維護(hù)數(shù)據(jù)，開(kāi)發(fā)了飛機(jī)健康管理系統(tǒng)，該系統(tǒng)具有分類(lèi)、監(jiān)測(cè)和預(yù)報(bào)功能。西北工業(yè)大學(xué)為穿越大氣層飛行器開(kāi)發(fā)了健康管理系統(tǒng)。南京航空航天大學(xué)研究了基于滑油磨粒分析和機(jī)載自適應(yīng)模型的故障診斷?？哲姽こ檀髮W(xué)為航空發(fā)動(dòng)機(jī)開(kāi)發(fā)了故障診斷專(zhuān)家系統(tǒng)。哈爾濱工業(yè)大學(xué)為航天器開(kāi)發(fā)了集成的健康管理系統(tǒng)。北京航空航天大學(xué)與 University of Maryland 聯(lián)合設(shè)計(jì)了 PHM 軟硬件系統(tǒng)的主要環(huán)節(jié)、關(guān)鍵技術(shù)和結(jié)構(gòu)框圖，并且通過(guò)與沈陽(yáng)飛機(jī)設(shè)計(jì)研究所合作，提出了一種開(kāi)放式的 PHM 體系[8]。

由于人工神經(jīng)網(wǎng)絡(luò)算法具有自學(xué)習(xí)、自適應(yīng)等特點(diǎn)，在發(fā)動(dòng)機(jī)故障診斷中也取得了廣泛應(yīng)用[9]。其中LSTM神經(jīng)網(wǎng)絡(luò)在序列建模問(wèn)題上有一定優(yōu)勢(shì)，具有長(zhǎng)時(shí)記憶功能，而且解決了長(zhǎng)序列訓(xùn)練過(guò)程中存在的梯度消失和梯度爆炸問(wèn)題，實(shí)現(xiàn)起來(lái)也較為簡(jiǎn)單[10]。因此LSTM神經(jīng)網(wǎng)絡(luò)被廣泛地應(yīng)用于故障診斷中[11]，但其模型的隱含層節(jié)點(diǎn)數(shù)選取是一個(gè)需要解決的難題，選取不當(dāng)則診斷結(jié)果會(huì)大打折扣。針對(duì)LSTM模型隱含層節(jié)點(diǎn)數(shù)的選取問(wèn)題，本文采用ABC算法對(duì)LSTM模型隱含層個(gè)數(shù)中的隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化，構(gòu)建ABC-LSTM模型，并與粒子群算法(Particle Swarm Optimization，PSO)和遺傳算法(Genetic Algorithm，GA)優(yōu)化得到的LSTM模型進(jìn)行對(duì)比。研究結(jié)果表明，相比PSO-LSTM模型和GA-LSTM模型，采用ABC-LSTM模型對(duì)發(fā)動(dòng)機(jī)進(jìn)行故障診斷的準(zhǔn)確率更高，具有重要的實(shí)際應(yīng)用價(jià)值。

2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是一種功能強(qiáng)大的人工神經(jīng)網(wǎng)絡(luò)算法，該神經(jīng)網(wǎng)絡(luò)可以在輸入和輸出之間的對(duì)應(yīng)過(guò)程中利用上下文的相關(guān)信息。它不同于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)(Feed-forward Neural Network，F(xiàn)NN)，循環(huán)神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)中引入定性循環(huán)，使信息從其中一個(gè)神經(jīng)元傳遞到另一個(gè)神經(jīng)元的同時(shí)保存了部分有用信息，信息不會(huì)立即消失。循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)保存歷史信息來(lái)幫助當(dāng)前的決策[12]，循環(huán)神經(jīng)網(wǎng)絡(luò)可以更好地利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不能建模的信息。但是當(dāng)診斷信息的時(shí)間間隔有長(zhǎng)有短，循環(huán)神經(jīng)網(wǎng)絡(luò)的診斷效率也會(huì)受影響，因此引入了長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)進(jìn)行故障診斷。

LSTM是一種特殊的RNN網(wǎng)絡(luò)，它學(xué)習(xí)長(zhǎng)期的依賴(lài)信息，同時(shí)避免了梯度消失的問(wèn)題。傳統(tǒng)RNN網(wǎng)絡(luò)的隱藏層只有一個(gè)狀態(tài)h，它對(duì)于短期的輸入很敏感[13]。若增加一個(gè)狀態(tài)c保存長(zhǎng)期的狀態(tài)，并按照時(shí)間維度展開(kāi)，問(wèn)題就會(huì)得到解決，如圖1所示。

圖1 按照時(shí)間維度展開(kāi)LSTM結(jié)構(gòu)圖

LSTM神經(jīng)網(wǎng)絡(luò)的關(guān)鍵之處在于它的神經(jīng)元狀態(tài)，神經(jīng)元狀態(tài)就像是一個(gè)輸送帶。它的線性作用很小，貫穿整個(gè)鏈?zhǔn)浇Y(jié)構(gòu)。信息很容易在輸送帶上傳遞且狀態(tài)不變。LSTM可以增加或者刪減神經(jīng)元狀態(tài)中的信息，這一機(jī)制是通過(guò)門(mén)限結(jié)構(gòu)進(jìn)行管理的。門(mén)限結(jié)構(gòu)是一種讓信息選擇性通過(guò)的方式，它們是由Sigmoid神經(jīng)網(wǎng)絡(luò)層和逐點(diǎn)相乘器構(gòu)成的，Sigmoid層輸出的0～1之間的數(shù)字代表某個(gè)神經(jīng)元有多少信息可以被通過(guò)。輸出“0”意味著“全都不能通過(guò)”，輸出“1”意味著“全部可以通過(guò)”。一個(gè)LSTM有3個(gè)這樣的門(mén)限保護(hù)和控制神經(jīng)元狀態(tài)[14]。

3 ABC算法優(yōu)化LSTM參數(shù)實(shí)現(xiàn)過(guò)程

人工蜂群算法主要思想是模擬生活中的蜜蜂群的采蜜過(guò)程，該算法主要是結(jié)合了全局搜索和局部搜索進(jìn)行尋優(yōu)。人工蜂群算法模型中將蜜蜂分為以下3種類(lèi)型：偵查蜂、雇傭蜂和跟隨蜂。蜜源代表的是需要優(yōu)化問(wèn)題的目標(biāo)函數(shù)值，蜜源質(zhì)量的好壞取決于需要優(yōu)化問(wèn)題的目標(biāo)函數(shù)值，其中雇傭蜂的個(gè)數(shù)與蜜源個(gè)數(shù)一一對(duì)應(yīng)。這里設(shè)第i個(gè)蜜源xi=(xi1,xi2,…，xiD),i=1,2,…,N,其中N表示蜜源的總數(shù)，D為待求問(wèn)題解的維數(shù)。3種蜜蜂尋找最優(yōu)蜜源的過(guò)程如下[15]：

(1)雇傭蜂對(duì)蜜源的領(lǐng)域進(jìn)行搜索，搜索方式如公式(1)所示，如果搜索到的新蜜源質(zhì)量比之前蜜源的質(zhì)量好，則用新蜜源位置替代之前的蜜源位置，否則保持之前蜜源的位置不變。

new_xid=xid+r(xid-xkd)

(1)

式(1)中new_xid為第i個(gè)新蜜源中第d維的值；r為[-1,1]上的隨機(jī)數(shù)；k為除第i個(gè)蜜源外的任意蜜源。

(2)雇傭蜂在完成一次蜜源搜尋后，在蜂巢中的一片跳舞區(qū)域通過(guò)跳尾巴舞的方式將蜜源的信息傳遞給跟隨蜂，跟隨蜂以一定概率選取蜜源，當(dāng)跟隨蜂選擇新的蜜源后，跟隨蜂轉(zhuǎn)變?yōu)楣蛡蚍湓诿墼锤浇M(jìn)行新的蜜源搜索，并記錄新的蜜源所在位置。蜜源被選擇的概率計(jì)算方式為式(2)，蜜源搜索方式為式(1)。

(2)

式中：pi為第i個(gè)蜜源被選中的概率；hi為第i個(gè)蜜源的適應(yīng)度值；N為蜜源的總個(gè)數(shù)。

(3)若某個(gè)蜜源的改進(jìn)次數(shù)大于設(shè)定值limit，則雇傭蜂放棄該蜜源，此時(shí)雇傭蜂成為偵查蜂，蜜源被新偵查蜂找到的蜜源代替，替換見(jiàn)式(3)。

(3)

式中：xij為第i個(gè)蜜源的第j維的值，j∈{1,2,…,D}。

在標(biāo)準(zhǔn)的人工蜂群算法中，蜜源適應(yīng)度值的計(jì)算如式(4)所示。

(4)

式中：fi為第i個(gè)蜜源的目標(biāo)函數(shù)值。

LSTM神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)的選取對(duì)診斷結(jié)果會(huì)產(chǎn)生很大的影響，若選取不當(dāng)，可能會(huì)導(dǎo)致故障診斷的準(zhǔn)確率降低。ABC算法具有全局尋優(yōu)的能力，因此在LSTM模型對(duì)樣本訓(xùn)練和測(cè)試之前使用它對(duì)隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化，把隱含層節(jié)點(diǎn)數(shù)作為蜂群的蜜源，診斷的準(zhǔn)確率作為適應(yīng)度函數(shù)。3種類(lèi)型的蜜蜂根據(jù)自己的工作對(duì)蜜源進(jìn)行尋優(yōu)，從而得到最優(yōu)的隱含層節(jié)點(diǎn)數(shù)。利用得到的最優(yōu)隱含層節(jié)點(diǎn)數(shù)構(gòu)建LSTM模型，對(duì)樣本進(jìn)行故障診斷。圖2為人工蜂群算法優(yōu)化LSTM模型的流程圖。

圖2 ABC優(yōu)化LSTM故障診斷模型流程圖

算法實(shí)現(xiàn)過(guò)程如下：

步驟1：對(duì)ABC算法中的控制參數(shù)進(jìn)行初始化。初始化的參數(shù)有蜂群規(guī)模、蜜源的數(shù)量，即雇傭蜂的數(shù)量、蜜源的最大循環(huán)次數(shù)、最大迭代次數(shù)、懲戒因子和核函數(shù)參數(shù)取值范圍的上下界。

步驟2：確定ABC算法中的適應(yīng)度函數(shù)。優(yōu)化LSTM模型中的參數(shù)是為了提高飛機(jī)發(fā)動(dòng)機(jī)故障診斷模型的準(zhǔn)確率，由此定義適應(yīng)度目標(biāo)函數(shù)，這里的目標(biāo)函數(shù)值為故障診斷的準(zhǔn)確率。

步驟3：雇傭蜂根據(jù)式(1)對(duì)當(dāng)前蜜源附近的領(lǐng)域進(jìn)行搜索得到新的蜜源，并根據(jù)步驟6計(jì)算新的蜜源適應(yīng)度，若比之前的蜜源適應(yīng)度值好，則替換之前的蜜源，否則原蜜源保持不變。

步驟4：跟隨蜂根據(jù)式(2)選擇蜜源，并轉(zhuǎn)化為雇傭蜂在蜜源附近按照式(1)搜索新的蜜源，若新的蜜源適應(yīng)度值大于之前的蜜源，則替換原先的蜜源，否則保持原蜜源不變。

步驟5：判斷蜜源的循環(huán)次數(shù)是否大于limit，若大于則按照式(3)產(chǎn)生新的蜜源來(lái)替換原來(lái)蜜源。

步驟6：記錄當(dāng)前最優(yōu)蜜源，并判斷是否滿(mǎn)足循環(huán)終止條件，若滿(mǎn)足條件則轉(zhuǎn)到步驟7，否則轉(zhuǎn)到步驟3重新尋優(yōu)。

步驟7：得到的全局最優(yōu)蜜源即為最優(yōu)隱含層節(jié)點(diǎn)數(shù)，并用此隱含層節(jié)點(diǎn)數(shù)值構(gòu)建LSTM故障診斷模型。

4 發(fā)動(dòng)機(jī)故障診斷試驗(yàn)驗(yàn)證

本文根據(jù)某型飛機(jī)發(fā)動(dòng)機(jī)數(shù)據(jù)，選取發(fā)動(dòng)機(jī)起動(dòng)系統(tǒng)健康狀態(tài)和切油故障狀態(tài)2種數(shù)據(jù)樣本作為原始數(shù)據(jù)。其中特征參數(shù)分別為高壓轉(zhuǎn)子轉(zhuǎn)速、壓氣機(jī)可調(diào)葉片角度、渦輪后燃?xì)鉁囟取娍诤聿恐睆健⒓恿?nèi)涵燃油流量計(jì)量活門(mén)位移、增加泵出口燃油溫度、滑油液位等22個(gè)參數(shù)。共選取51個(gè)樣本數(shù)據(jù)作為診斷研究對(duì)象，其中健康狀態(tài)選取45個(gè)樣本，切油故障選取6個(gè)樣本。為了測(cè)試本文算法的有效性，將從每個(gè)不同類(lèi)型樣品中選擇一半作為訓(xùn)練樣品,另一半作為測(cè)驗(yàn)樣品，運(yùn)用ABC算法優(yōu)化了LSTM模型下隱含層節(jié)點(diǎn)的數(shù)量。經(jīng)過(guò)大量實(shí)驗(yàn)驗(yàn)證,將人工蜂群算法中的參數(shù)設(shè)定為:蜜源個(gè)數(shù)為10,蜜源最大循環(huán)次數(shù) limit 為100,LSTM隱含層節(jié)點(diǎn)個(gè)數(shù)的搜索區(qū)間為[1,100]。然后,利用ABC算法對(duì)所有參數(shù)進(jìn)行優(yōu)化,構(gòu)建LSTM故障診斷模型。為了充分驗(yàn)證ABC-LSTM故障診斷模型的精確性,本文同時(shí)采用PSO算法和GA算法對(duì)LSTM隱含層節(jié)點(diǎn)的數(shù)量進(jìn)行了優(yōu)化,3種算法計(jì)算得到LSTM隱含層節(jié)點(diǎn)數(shù)如表1所示。

表1 不同優(yōu)化算法得到的LSTM隱含層節(jié)點(diǎn)數(shù)

最后，分別將ABC-LSTM模型、PSO-LSTM模型和GA-LSTM模型對(duì)測(cè)試樣本進(jìn)行測(cè)試。圖3～圖5分別為3種模型對(duì)其中某個(gè)切油故障數(shù)據(jù)的診斷結(jié)果?？v坐標(biāo)1為健康，2為切油故障。以上3種模型與不做參數(shù)優(yōu)化的LSTM模型對(duì)測(cè)試樣本的診斷率對(duì)比如表2所示。

表2 不同模型對(duì)測(cè)試樣本集的診斷準(zhǔn)確率 %

圖3 ABC-LSTM模型測(cè)試數(shù)據(jù)診斷結(jié)果

圖4 PSO-LSTM模型測(cè)試數(shù)據(jù)診斷結(jié)果

從研究結(jié)果可以看出，所創(chuàng)建的ABC-LSTM故障診斷模型的診斷準(zhǔn)確率達(dá)到了93.14%，而診斷同樣的測(cè)試樣本，不做參數(shù)優(yōu)化的LSTM、PSO-LSTM和GA-LSTM故障診斷模型的診斷準(zhǔn)確率分別為89.22%、91.18%和86.28%，都低于ABC-LSTM的診斷準(zhǔn)確率。因此，ABC-LSTM故障診斷模型可更好實(shí)現(xiàn)對(duì)飛機(jī)發(fā)動(dòng)機(jī)起動(dòng)系統(tǒng)的故障診斷。

圖5 GA-LSTM模型測(cè)試數(shù)據(jù)診斷結(jié)果

5 結(jié)論

針對(duì)目前飛機(jī)發(fā)動(dòng)機(jī)難以快速準(zhǔn)確診斷故障的現(xiàn)狀，本文采用人工蜂群算法對(duì)長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化，有效減少了人為因素對(duì)飛機(jī)發(fā)動(dòng)機(jī)故障診斷結(jié)果的不良影響。提出并建立了ABC-LSTM故障診斷模型，對(duì)某型發(fā)動(dòng)機(jī)實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明ABC-LSTM發(fā)動(dòng)機(jī)故障診斷模型的準(zhǔn)確率高達(dá)93.14%，診斷效果明顯優(yōu)于LSTM模型、PSO-LSTM模型和GA-LSTM模型，具有很好的實(shí)際應(yīng)用價(jià)值。