基于ABC-LSTM的飞机发动机故障诊断

崔建国，宋博文，崔 霄，王景霖，杜文友，于明月，刘 冬，蒋丽英

(1.沈阳航空航天大学 自动化学院,沈阳 110136;2.航空工业空气动力研究院 模型天平与风洞设备五部,沈阳 110034;3.中航工业集团 故障诊断与健康管理技术航空科技重点实验室,上海 201601)

飞机发动机是飞机最核心的部分之一，是飞机飞行的动力来源，飞机发动机性能的好坏直接关系到飞机的飞行性能和安全性[1]。飞机发动机的物理结构非常复杂，对发动机的故障诊断尤为重要，如果飞机发动机的故障不能得到及时准确的反馈，还可能会引发其他连锁问题，将会造成严重不可逆后果，更有可能威胁到飞行员的安全。因此，利用先进的故障诊断技术对飞机发动机进行系统故障分析和诊断具有重要的实际意义。

作为飞机核心部件之一，发动机由复杂的机械模块和电子模块组成，在空中飞行的工作环境十分恶劣，其不可避免地会产生各种各样的系统故障和零部件故障[2]。发生故障的原因有很多，可能是突发性原因造成的故障，也有可能是由于长时间工作造成部件磨损、腐蚀而导致性能蜕化，当性能降低到一定阈值的时候，就会发生故障[3]。由于发动机处于非常复杂的工作环境之中，受很多因素的共同作用，加上环境噪声的影响，使得测量数据与故障类型之间呈现复杂的非线性关系，即同一种故障特征可能由不同的故障所导致[4]。有资料表明，约有30%的飞机飞行事故是由发动机发生故障造成的，而且每年发动机的维护费用要远高于其本身的购买费用，占整个飞机总维护费用的31%[5]。飞机发动机故障诊断技术是根据发动机提供的各种工况条件信息[6]，依靠先进的技术手段整理、分析这些信息，然后确定故障的产生原因、故障的严重程度和具体的发生位置，提出有针对性的维护方案和维修措施，保证发动机处于良好状态。因此，利用故障诊断技术对飞机发动机进行系统的故障分析和诊断，提出故障解决方案具有重要的现实意义。

我国从20世纪80年代才开始研究飞机故障诊断[7]。80年代末，中国民航学院、北京航空航天大学、东方航空公司和北京机械维修工程公司联合研发了具有故障诊断和趋势分析功能的 EMD 发动机诊断和监测系统。90年代初，国防科技大学为液体火箭发动机研发了具有故障检测功能的健康管理系统 HMS。近年来，我国在航空发动机故障诊断方面的研究取得了一定成果。中国民航学院采用数据挖掘技术分析飞机飞行和维护数据，开发了飞机健康管理系统，该系统具有分类、监测和预报功能。西北工业大学为穿越大气层飞行器开发了健康管理系统。南京航空航天大学研究了基于滑油磨粒分析和机载自适应模型的故障诊断。空军工程大学为航空发动机开发了故障诊断专家系统。哈尔滨工业大学为航天器开发了集成的健康管理系统。北京航空航天大学与 University of Maryland 联合设计了 PHM 软硬件系统的主要环节、关键技术和结构框图，并且通过与沈阳飞机设计研究所合作，提出了一种开放式的 PHM 体系[8]。

由于人工神经网络算法具有自学习、自适应等特点，在发动机故障诊断中也取得了广泛应用[9]。其中LSTM神经网络在序列建模问题上有一定优势，具有长时记忆功能，而且解决了长序列训练过程中存在的梯度消失和梯度爆炸问题，实现起来也较为简单[10]。因此LSTM神经网络被广泛地应用于故障诊断中[11]，但其模型的隐含层节点数选取是一个需要解决的难题，选取不当则诊断结果会大打折扣。针对LSTM模型隐含层节点数的选取问题，本文采用ABC算法对LSTM模型隐含层个数中的隐含层节点数进行优化，构建ABC-LSTM模型，并与粒子群算法(Particle Swarm Optimization，PSO)和遗传算法(Genetic Algorithm，GA)优化得到的LSTM模型进行对比。研究结果表明，相比PSO-LSTM模型和GA-LSTM模型，采用ABC-LSTM模型对发动机进行故障诊断的准确率更高，具有重要的实际应用价值。

循环神经网络(Recurrent Neural Network，RNN)是一种功能强大的人工神经网络算法，该神经网络可以在输入和输出之间的对应过程中利用上下文的相关信息。它不同于传统的前馈神经网络(Feed-forward Neural Network，FNN)，循环神经网络在网络中引入定性循环，使信息从其中一个神经元传递到另一个神经元的同时保存了部分有用信息，信息不会立即消失。循环神经网络通过保存历史信息来帮助当前的决策[12]，循环神经网络可以更好地利用传统神经网络结构不能建模的信息。但是当诊断信息的时间间隔有长有短，循环神经网络的诊断效率也会受影响，因此引入了长短时记忆神经网络(LSTM)进行故障诊断。

LSTM是一种特殊的RNN网络，它学习长期的依赖信息，同时避免了梯度消失的问题。传统RNN网络的隐藏层只有一个状态h，它对于短期的输入很敏感[13]。若增加一个状态c保存长期的状态，并按照时间维度展开，问题就会得到解决，如图1所示。

图1 按照时间维度展开LSTM结构图

LSTM神经网络的关键之处在于它的神经元状态，神经元状态就像是一个输送带。它的线性作用很小，贯穿整个链式结构。信息很容易在输送带上传递且状态不变。LSTM可以增加或者删减神经元状态中的信息，这一机制是通过门限结构进行管理的。门限结构是一种让信息选择性通过的方式，它们是由Sigmoid神经网络层和逐点相乘器构成的，Sigmoid层输出的0～1之间的数字代表某个神经元有多少信息可以被通过。输出“0”意味着“全都不能通过”，输出“1”意味着“全部可以通过”。一个LSTM有3个这样的门限保护和控制神经元状态[14]。

人工蜂群算法主要思想是模拟生活中的蜜蜂群的采蜜过程，该算法主要是结合了全局搜索和局部搜索进行寻优。人工蜂群算法模型中将蜜蜂分为以下3种类型：侦查蜂、雇佣蜂和跟随蜂。蜜源代表的是需要优化问题的目标函数值，蜜源质量的好坏取决于需要优化问题的目标函数值，其中雇佣蜂的个数与蜜源个数一一对应。这里设第i个蜜源xi=(xi1,xi2,…，xiD),i=1,2,…,N,其中N表示蜜源的总数，D为待求问题解的维数。3种蜜蜂寻找最优蜜源的过程如下[15]：

(1)雇佣蜂对蜜源的领域进行搜索，搜索方式如公式(1)所示，如果搜索到的新蜜源质量比之前蜜源的质量好，则用新蜜源位置替代之前的蜜源位置，否则保持之前蜜源的位置不变。

new_xid=xid+r(xid-xkd)

(1)

式(1)中new_xid为第i个新蜜源中第d维的值；
r为[-1,1]上的随机数；
k为除第i个蜜源外的任意蜜源。

(2)雇佣蜂在完成一次蜜源搜寻后，在蜂巢中的一片跳舞区域通过跳尾巴舞的方式将蜜源的信息传递给跟随蜂，跟随蜂以一定概率选取蜜源，当跟随蜂选择新的蜜源后，跟随蜂转变为雇佣蜂在蜜源附近进行新的蜜源搜索，并记录新的蜜源所在位置。蜜源被选择的概率计算方式为式(2)，蜜源搜索方式为式(1)。

(2)

式中：pi为第i个蜜源被选中的概率；
hi为第i个蜜源的适应度值；
N为蜜源的总个数。

(3)若某个蜜源的改进次数大于设定值limit，则雇佣蜂放弃该蜜源，此时雇佣蜂成为侦查蜂，蜜源被新侦查蜂找到的蜜源代替，替换见式(3)。

(3)

式中：xij为第i个蜜源的第j维的值，j∈{1,2,…,D}。

在标准的人工蜂群算法中，蜜源适应度值的计算如式(4)所示。

(4)

式中：fi为第i个蜜源的目标函数值。

LSTM神经网络中隐含层节点数的选取对诊断结果会产生很大的影响，若选取不当，可能会导致故障诊断的准确率降低。ABC算法具有全局寻优的能力，因此在LSTM模型对样本训练和测试之前使用它对隐含层节点数进行优化，把隐含层节点数作为蜂群的蜜源，诊断的准确率作为适应度函数。3种类型的蜜蜂根据自己的工作对蜜源进行寻优，从而得到最优的隐含层节点数。利用得到的最优隐含层节点数构建LSTM模型，对样本进行故障诊断。图2为人工蜂群算法优化LSTM模型的流程图。

图2 ABC优化LSTM故障诊断模型流程图

算法实现过程如下：

步骤1：对ABC算法中的控制参数进行初始化。初始化的参数有蜂群规模、蜜源的数量，即雇佣蜂的数量、蜜源的最大循环次数、最大迭代次数、惩戒因子和核函数参数取值范围的上下界。

步骤2：确定ABC算法中的适应度函数。优化LSTM模型中的参数是为了提高飞机发动机故障诊断模型的准确率，由此定义适应度目标函数，这里的目标函数值为故障诊断的准确率。

步骤3：雇佣蜂根据式(1)对当前蜜源附近的领域进行搜索得到新的蜜源，并根据步骤6计算新的蜜源适应度，若比之前的蜜源适应度值好，则替换之前的蜜源，否则原蜜源保持不变。

步骤4：跟随蜂根据式(2)选择蜜源，并转化为雇佣蜂在蜜源附近按照式(1)搜索新的蜜源，若新的蜜源适应度值大于之前的蜜源，则替换原先的蜜源，否则保持原蜜源不变。

步骤5：判断蜜源的循环次数是否大于limit，若大于则按照式(3)产生新的蜜源来替换原来蜜源。

步骤6：记录当前最优蜜源，并判断是否满足循环终止条件，若满足条件则转到步骤7，否则转到步骤3重新寻优。

步骤7：得到的全局最优蜜源即为最优隐含层节点数，并用此隐含层节点数值构建LSTM故障诊断模型。

本文根据某型飞机发动机数据，选取发动机起动系统健康状态和切油故障状态2种数据样本作为原始数据。其中特征参数分别为高压转子转速、压气机可调叶片角度、涡轮后燃气温度、喷口喉部直径、加力内涵燃油流量计量活门位移、增加泵出口燃油温度、滑油液位等22个参数。共选取51个样本数据作为诊断研究对象，其中健康状态选取45个样本，切油故障选取6个样本。为了测试本文算法的有效性，将从每个不同类型样品中选择一半作为训练样品,另一半作为测验样品，运用ABC算法优化了LSTM模型下隐含层节点的数量。经过大量实验验证,将人工蜂群算法中的参数设定为:蜜源个数为10,蜜源最大循环次数 limit 为100,LSTM隐含层节点个数的搜索区间为[1,100]。然后,利用ABC算法对所有参数进行优化,构建LSTM故障诊断模型。为了充分验证ABC-LSTM故障诊断模型的精确性,本文同时采用PSO算法和GA算法对LSTM隐含层节点的数量进行了优化,3种算法计算得到LSTM隐含层节点数如表1所示。

表1 不同优化算法得到的LSTM隐含层节点数

最后，分别将ABC-LSTM模型、PSO-LSTM模型和GA-LSTM模型对测试样本进行测试。图3～图5分别为3种模型对其中某个切油故障数据的诊断结果。纵坐标1为健康，2为切油故障。以上3种模型与不做参数优化的LSTM模型对测试样本的诊断率对比如表2所示。

表2 不同模型对测试样本集的诊断准确率 %

图3 ABC-LSTM模型测试数据诊断结果

图4 PSO-LSTM模型测试数据诊断结果

从研究结果可以看出，所创建的ABC-LSTM故障诊断模型的诊断准确率达到了93.14%，而诊断同样的测试样本，不做参数优化的LSTM、PSO-LSTM和GA-LSTM故障诊断模型的诊断准确率分别为89.22%、91.18%和86.28%，都低于ABC-LSTM的诊断准确率。因此，ABC-LSTM故障诊断模型可更好实现对飞机发动机起动系统的故障诊断。

图5 GA-LSTM模型测试数据诊断结果

针对目前飞机发动机难以快速准确诊断故障的现状，本文采用人工蜂群算法对长短时记忆神经网络的隐含层节点数进行优化，有效减少了人为因素对飞机发动机故障诊断结果的不良影响。提出并建立了ABC-LSTM故障诊断模型，对某型发动机实际数据进行训练和测试，结果表明ABC-LSTM发动机故障诊断模型的准确率高达93.14%，诊断效果明显优于LSTM模型、PSO-LSTM模型和GA-LSTM模型，具有很好的实际应用价值。