一种改进的DBN航空发动机滑油系统故障诊断方法

Vol. 37 No. 6Dec. 2 0 2 0
第37卷第6期2020年12月
沈阳航空航天大学学报Journal of Shenyang Aerospace University 厂_!----
1---f ---f ---f ---f ---
+信息科学与工程+
I ——I ——I ——I ——I ——I ——I —
文章编号；2095 -1248(2020)06 -0049 -06
一种改进的DBN
航空发动机滑油系统
故障诊断方法
崔建国2,李勇2，崔霄2,王景霖3,蒋丽英2,于明月2
（2.沈阳航空航天大学自动化学院，沈阳110136；4航空工业空气动力研究院洞设备研发部，沈阳20034；
3.故障诊断与健康管理技术航空科技重点实验室，上海201602）
摘要：为提高航空发动机滑油系统的故障诊断有效性，提岀了一种改进的DBN 航空发动机
滑油系统故障诊断方法,首先对航空发动机滑油系统参数数据进行预处理，利用DBN 的特
征提取能力和ELM 的快速学习优势创建DBN 与ELM 结合的故障诊断模型。

为减少人为 调节网络参数随机性对诊断结果造成的影响,采用粒子群算法优化DBN-ELM 的网络参数， 得到最优的网络结构，创建改进的DBN 故障诊断模型。

最后，对所创建的改进的DBN 故障 诊断模型进行了试验验证技术研究，结果表明，所提出的改进的DBN 故障诊断方法能有效
提升航空发动机故障诊断准确率，诊断效果明显优于DBN-ELM ，具有很好的应用前景。

关键词：航空发动机;深度置信网络;极限学习机;粒子群算法;故障诊断
中图分类号：TH123；TP226 + .3 文献标志码：A
doi : 16. 3665/j. issn. 2095 - 1229. 2022. 06. 007
An improved DBN fault diagnosis method of aero-engine
lubricant oii system
CUI Jian-guo 2 ,LI Yong 2, CUI Xiao 2, WANG Jing-lin 3, JIANG Li-ying 2, YU Ming-yue 2
（.School of Automation ,Shenyang Aerospace University,Shenyang,112136,6）-0；2. Wing Tunnel Equipment Research ang Development Department , A V IC AeroOygamice Research Igstitute , Shenyang 2 2 0034, China ； 3. Aviation Key
LaOoratorc of Science and Technology on Fanii Diagnosis and HealtU Management,Shanghni 201661，Chinn ）
Abstroct : C orOes to impTove tUe effechvenest of fanie diaggosis fos aero-yngiye luUriceting oii syn
tem ，an improven DBN fade diagnosit metUod oO aero-yngine luUricani o P system it poposen. FP s U, pre-yrocest tUe parametec date oO aero-yngine luUriceting system ，and use tUe feature exUochog capabipi
ties oO DBN ang the opin learning advenUges oO ELM Uo create c fade diagnosis model. C orOee U o-
duce the impaclU oO the 0—0X11—85 oO artificiai adustment oO getworO parameten cm the diagnosis n- sdts,usp the particle swarm tgonthm Ur optimize the netwoO parameters ot DBN-ELM,onwip Ue op-
timci getwoTk 81x 0000 , and create an improven DBN OaU diagnosis moPei. Finallg , the experimental
收稿日期：2222 -05 -12
基金项目：国家自然科学基金（项目编号：51605309）;航空科学基金（项目编号：201533054002）;航空科学基金（项目编号:
20163354004）
作者简介：崔建国（1963 -）,男，辽宁沈阳人，教授，博士，主要研究方向：飞行器健康诊断、预测与综合健康管理,E-man ：gon
dog_cjg@ 103. com 。

50沈阳航空航天大学学报第37卷
verification technology of the created improved DBN fault diagnosis model is studied.The results show that the progosed improved DBN fauti diagnosis method cau effectively improve the acccrucc of aero- edoine fault diagnosis,aud he diagnosis effect is siynificauhy betto thau DBN-ELM.It has yood agpli-cation pTospects.
Key words:aero-Edoind；deed belief network；exhemd learniny machind；particld swarm ogtimizatiog；
fauO diagnosis
航空发动机作为飞机的主要动力装置，是一个极其复杂的系统，其工作环境恶劣,长期受到高温、高速、强振动、大应力等内外部不利因素的影响而容易出现异常状态。

因此,对航空发动机进行有效的监控和诊断是实现航空发动机视工作情况进行维修、降低使用维护成本、保证飞行安全的关键[1]0目前，常用的故障诊断方法有BP(Back propagation,BP)神经网络、SVM(Support VectOT Machine,SVM)等，但以反向传播神经网络BP为代表的传统浅层神经网络存在泛化能力弱，易产生局部极小值等问题;而SVM参数选择复杂，训练速度较慢，在发动机故障诊断中的应用受到限制⑵0
近年来，深度学习的不断发展为故障诊断技术提供了新的解决方案。

深度学习网络是通过构建多层神经网络，逐层学习和提取数据特征，最终实现对数据复杂特征信息的挖掘。

姜洪开等⑶将深度学习算法用于飞行器的故障诊断;李梦诗等⑷将深度置信网络(Deep Beliei Network,DBN)用于风力发电机的故障诊断；李巍华等⑸利用DBN可以组合低层特征并逐层学习得到更好的特征表示的特点，直接从轴承的振动原始数据出发,对轴承故障进行分类识别。

由于无需运用其他特征提取方法减少了人为参与因素，增强了故障诊断的智能性。

可见，深度学习在故障诊断领域具有较好的效果。

但深度置信网络结构的选择，隐藏层数量以及学习速率的设置等都会对DBN的分类结果产生很大的影响。

目前,DBN算法多是凭借经验或者通过耗费大量时间多次调节参数来确定网络结构⑷，一定程度上限制了它的发展与应用0
基于此，本文提出了一种改进的深度信念网络，采用粒子群算法(Particle Swarm Optimi­zation,PSO)优化DBN-ELM混合网络参数,得到最优的网络结构，创建改进的最优故障诊断模型，对飞机发动机的滑油系统进行了故障诊断技术研究,取得了很好的诊断效果。

1相关理论
1.1深度置信网络
作为一种深层网络模型，深度置信网络具有良好的特征学习能力，通过对数据的底层特征进行学习和训练，形成更适用于分类的高层表示，使分类效果更加显著。

DBN深度神经网络模型由多个RBM堆栈而成⑺o
RBM的网络结构如图1所示，由一个可见层和一个隐含层构成单个的RBM结构模型,层内神经元无连接，不同层之间的神经元通过权重全连接。

可见层v连接观测数据或上一RBM输出,w为可见层与隐含层的连接权重，表示隐含层。

RBM是一种基于能量的模型，网络中神经元有激活状态和未激活状态两种状态⑷。

状态确定的RBM系统所具有的能量可表示为
n m
E(,h I e)=-X a i v i-X bjhj-
i=1j=1
nm
X X vwA⑴i=1j=1
式中：0=(W y,a i,bj)表示RBM内部参数;可见层与隐含层的神经元数量分别为n、m 。

第6期崔建国，等：一种改进的DBN航空发动机滑油系统故障诊断方法51
h2h3h'm
%v2v3v',
图1受限玻尔兹曼机结构图
由于RBM层内各神经元激活状态是相互独立的，可以根据可见层神经元的状态计算出隐含层第j个神经元的激活概率，激活概率为: p(%=llv，)=------g r(2)
1+exp(-bj-^v iWij)
由隐含层重建可见层第i个神经元，激活概率为:
p(匕=1丨V，)=--------1—-----------------
1+exp(-a t-
乂vw,/
⑶DBN是一个由多个无监督的RBM层和一个有监督的BP层堆叠而成的深层神经网络。

每个RBM层的输出是下个RBM层的输入，通过多个RBM层的特征提取，在顶层形成一个更适合模式分类的特征向量⑼。

无监督训练完成后，通过BP算法对整个网络参数在细节上微调，使整个DBN网络全局最优达到最佳效果。

1.2极限学习机
极限学习机是一种新型快速的单隐层前馈神经网络[10]o其结构简单，由输入层、隐含层和输出层组成，其中输入层与隐含层之间的权重和偏置随机给定；隐含层与输出层神经元权重通过广义逆矩阵求最小二乘解得到[11-12]0假设该网络共有N个样本!(x,,,)}~1,隐含层有m个神经元，激活函数为g(-)的ELM 算法模型为:
f m(x)=X A-g(x e R”,,e R”
i=1
(4)式中是输入节点与第i个隐含层节点连接权值;b是第i个隐含层神经元的偏置;0,是第i个隐含层神经元和输出神经元的权值；
通过设定隐层节点的参数,相对应的隐层输出矩阵H就被唯一确定U3]0通过最小二乘方法求得隐含层与输出层间的连接权值,其解为:
,=H+T(5)式中,H+是矩阵H的广义逆矩阵。

elm训练目的就是快速找到使输出误差最小的网络输出权值,使得ELM网络的输出值尽可能接近真实值。

2基于PSO改进DBN网络
基于PSO优化DBN算法主要分为两部分:DBN网络结构初始化和PSO优化DBN网络结构0
2.2DBN网络结构初始化
DBN是由多个RBM堆叠而成,DBN的训练过程包含对多层RBM网络的逐层训练和误差反向微调两个阶段[140
第一阶段为前向堆叠RBM训练学习过程。

该阶段为无监督学习过程，将无监督学习到的模型参数作为有监督学习模型的初始值,相当于为有监督学习过程提供了输入数据的先验知识；
第二阶段为DBN的反向微调过程。

从DBN的最后一层出发，利用已知标签向低层通过BP算法进行反向微调，模型的参数在全局上得到进一步的优化，对于多分类问题,本文在DBN网络的最后一层选择ELM作为分类器模型0
DBN-ELM网络模型包含一个数据输入层、、-1个挖掘数据特征的隐含层、一个ELM 隐含层和一个输出诊断结果的输出层。

其中,输入层和1到k_1个隐含层共同组成DBN网络，第k_1个、第k个隐含层和输出层组成ELM分类层。

在分类层将DBN
提取后的信息
52
沈阳航空航天大学学报第37卷
转换为故障诊断结果。

(输出数据I稀准标注信倉
一亠—
/ 发动机参数数据
~7
ELM 训练祥本~I I~测试祥本
I 训练样本掠准化处理I I 测试样本踪准顾顼1 " ——DBN-ELM 网络参数初始化
RBMl
RBM —1------丄一才——十―—方—一］
—微调1 v (••••
• •••)!
输入数据.
图2 DBN-ELM 结构图
在进行故障诊断时,输入层的神经元数为 输入样本的参数个数，各隐含层神经元个数通 过PSO 算法进行寻优来确定，输出神经元数可 以根据故障类别设置。

2. 2 PSO 优化DBN 网络结构
为了提高DNB 网络在后期的学习和训练
过程中的局部寻优能力，本文采用粒子群算法 优化DBN 网络参数。

PSO 是把目标函数的寻
优问题转化为解集空间内的最优粒子搜寻问 题3。

对一个i 隐藏层DBN,每层分别有m^m 2 和m,个神经元,学习率ne ［O,l )。

对粒子群 进行编码时，设定粒子种群中的每一个粒子为 一个多维向量X(m 】 ,m 2--m i )。

基于PSO 优化DBN 的航空发动机故障诊
断流程如图7所示,具体步骤为：
(()由航空发动机滑油系统数据构造训练
和测试样本集，对构造好的样本集进行标准化 处理，即数据按式(6)进行归一化处理,处理后 的数据在［0,1］之间。

^=(^-^min )/(^max-^min )
(6)式中,，理”为原数据中的最小值,，"皿为原数据中
的最大值；
(2)初始化网络参数。

建立改进深度信念 神经网络的初始模型。

|创建DEN ：ELM 网络|I 1~~J ---------i ---------------
|训练DEN ：ELM 网络| |更新每个遵子的局部粒子群优化>BN
超参数
更新所有粒子位置和速度
I 最优值号呈局最优值I
I
得到最优的网络参数
航空发动机故障诊断模型
训练得到最优的DBN-ELM 网路
/ 诊断结果 /
图3航空发动机故障诊断流程
(3) 初始化粒子群算法参数。

(4) 适应度计算。

运用交叉验证的方法, 以交叉验证的平均准确率作为适应度函数。

式中：n 为交叉验证的次数;7P 为正确分类的
样本个数;TN 为划分错误的样本个数;
(5) 更新粒子的速度和位置
^+1 k k k ' k k
v =wv i +C"(Pi -X,) +C2『2(P0 -X ”)
(8)
琉+1 =琉+巧+ ()
式中:w 为惯性权重;C ［、2为加速因子;八,2 e
rand ［0,l ］,巧,肿爲p ：分别为第k 次迭代中
参数i 的第+维变量的速度、位置、个体极值最 优位置和群体极值最优位置［6］。

(6) 判断是否满足判别条件。

若满足转为
下一步;若不满足返回(4),继续寻优。

(7) 将最优解网络参数，赋给改进的网络 结构，创建最优的深度信念神经网络改进模型, 对航空发动机进行故障诊断。

第6期崔建国，等：一种改进的DBN航空发动机滑油系统故障诊断方法53
(8)利用测试数据样本集对基于优化的深
度信念网络的航空发动机故障诊断模型进行测
试，并对测试结果进行分析。

3航空发动机故障诊断试验验证
依据飞机发动机滑油系统结构和理论知识
对该系统众多参数进行分析，选取能够较好反
应滑油系统性能的供油压力、滑油压差、供油温
度、中轴承腔回油温度、后轴承腔回油温度、滑
油总回油温度、滑油后轴承腔腔压和滑油液位
8个表征参数。

通过专业试验平台采集航空发动机滑油系统表征参数数据,并划分工作状态,每种状态都包含8个表征参数,并对数据进行归一化处理。

选取其中的900组数据作为训练样本集(其中健康状态样本360组，三级油泵损坏故障样本180组，放油开关故障样本180组，离心通风器故障样本10组)，选取其中的10组数据作为测试样本集(其中健康状态样本44组,三级油泵损坏故障样本22组，放油开关故障样本2组，离心通风器故障样本2组)其工作状态名称及数据样本数量分布如表1所示。

表1滑油系统工作状态及样本分布
编号工作状态训练样本数测试样本数1健康状态36044
2三级油泵损坏1802
3放油开关故障1802
4离心通风器故障1802
对DBN与ELM混合网络选用两隐含层的DBN和ELM,设置DBN每层神经元数分别为加1、加20进行粒子群寻优时，设定PSO中的每个粒子为一个二维向量x(m1;m2)o种群大小设为20,最大迭代数设为30,惯性权重最大和最小为0.9和0.5,加速因子最大和最小分别为0.9和0.5。

经PSO进行寻优后,得到如图4的适应度曲线。

从图4可知，当粒子群迭代次数超过5时,以准确率作为适应度的曲线趋于平稳。

经迭代寻优得到的最优神经元个数分别为1和22,最优值为0.9990o因此,最终选用的模型结构参数设置情况如表2所示。

表2DBN-ELM网络结构参数设置
参数参数值
输入层神经元数8
隐含层1神经元数12
隐含层2神经元数22隐含层3/ELM隐含层神经元数15
输出神经元数4
RBM迭代次数200
DBN网络学习率0.01
测试阶段：真实值与诊断值
*真实值。

诊断值
通过网络参数建立PSO-DBN-ELM故障诊断模型，对10组测试数据进行故障诊断，诊断结果如图5所示。

可以看出有两处出现误报,其余测试样本都能正确分类。

4.0
3.5
3.0
雷久5
金2.0
1.5
1.0
020*********
测试集样本数
图5PSO-DBN-ELM
故障诊断结果
54沈阳航空航天大学学报第37卷
为验证改进DBN航空发动机故障诊断模型的有效性，本文分别创建PSO-DBN-ELM、DBN-ELM故障诊断模型，对同样的数据进行了测试，得到如表3所示的诊断效果。

表3不同方法的故障诊断结果(％)序号故障诊断模型诊断准确率2PSOEDBNEELM/8
2DBNEELM/2
9结论
本文将粒子群优化参数的方法运用到深度置信网络中，在DBN监督训练之前，通过粒子群算法求解网络参数的最佳解,避免网络训练时陷入局部最优。

另外，多隐含层的DBN有利于提取输入数据的内在特征,ELM作为分类层加快了网络的训练输出，从而使模型具有较好的诊断性能并缩短监督训练的时间。

研究表明，采用DBN-ELM网络模型滑油系统的故障诊断准确率为92%,本文提出的基于PSO- DBN-ELM故障诊断模型，故障诊断率为95%,诊断效果明显高于DBN-ELM故障诊断模型。

本文提出的基于改进的DBN故障诊断模型克服了人为给定参数的缺点，通过优化DBN 网络参数中的参数,使故障诊断率得到提高，模型的泛化能力加强，与传统方法相比，模型的全局搜索能力和稳定性大大提升,适合航空发动机故障诊断。

参考文献(Refereecet):
[2]Wu Y H,Shan M X,Qian Y N,et at.Aero enyine
ruU-impact faait diaggosis Oasen og wavelet pachet
transform ang the locai discrimigate Oases[J].Ap­
plied Mechanics ang Materials,2212,222-228：
749-744.
[2]逢珊,杨欣毅，张勇，等•应用深度核极限学习机
的航空发动机部件故障诊断[]•推进技术,217
(12)：218-226.[3]姜洪开，邵海东,李兴球.基于深度学习的飞行器
智能故障诊断方法[]•机械工程学报JOI/,55
(4)：24-39．
[4]李梦诗，余达，陈子明，等.基于深度置信网络的
风力发电机故障诊断方法[]•电机与控制学报,
ZU,23(2)：114-122.
[5]李巍华，单外平，曾雪琼•基于深度信念网络的轴
承故障分类识别[J]振动工程学报,2416,29
(2)：390-394
[6]李益兵，王磊，江丽.基于PSO改进深度置信网络
的滚动轴承故障诊断[]•振动与冲击,2424,39
(5):.-56.
[7]涂小卫，张士强，王明.基于深度置信网络的牵引
电机轴承故障诊断方法[J]■城市轨道交通研究,
2424,23(1)：174-174+125.
[]王应晨，段修生•深度学习融合模型在机械故障诊断中的应用[J]振动•测试与诊断JOI/,39
(6)：1272-1276+1363-1364.
[6]Codville A,Bensna J,Bengio Y.A spike and slab
nstkcwe BoUzmarm machige[J].Jodvai ot Ma-
chineLearniny Research-Proceeninys Tuck,2212,
25:233-241.
[12]Shuang Wu,Le Zheng,Wei Hu,et at.Improven
deep Oelief network and moOei intervretatiog meth­
od foc powec system transient skbilCo assessment
[J].Sodnai ot MoOerv Powec Systems ang Clean
Egena,2424,8(l)：27-37.
[2]刘磊,陈增强，杨鹏，等.采用鱼群算法进化极限
学习机的假肢步态识别[J.振动.测试与诊断,
ZU,39(6)：1225-1271+1360-1362.
[12]吴杰康，覃炜梅,梁浩浩，等.基于自适应极限学
习机的变压器故障识别方法[J]电力自动化设
备JU/,36(10):：82-286.
[13]张钦尧，杨艳萍.基于极限学习机的多传感器旋
转机械故障诊断[J].科技创新与应用，2012
(23)：28-2/
[4]蒋丽英，栗文龙,崔建国，等.基于PCA与DBN
的航空发动机气路系统故障诊断[J].沈阳航空
航天大学学报,ZO®,36(01)：57-62.
[15]李状,柳亦兵，滕伟，等.基于粒子群优化KFCM
的风电齿轮箱故障诊断[J].振动.测试与诊断,
2014,34(3)：484-488+627-674.
[16]秦琪，赵帅，陈绍炜，等.基于粒子群优化粒子滤
波的电容剩余寿命预测[J].计算机工程与应用,
ZU,54(20)：237-222+254
(责任编辑:刘划英文审校:齐义文)。