留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的航空发动机故障融合诊断

车畅畅 王华伟 倪晓梅 洪骥宇

车畅畅, 王华伟, 倪晓梅, 等 . 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018, 44(3): 621-628. doi: 10.13700/j.bh.1001-5965.2017.0197
引用本文: 车畅畅, 王华伟, 倪晓梅, 等 . 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018, 44(3): 621-628. doi: 10.13700/j.bh.1001-5965.2017.0197
CHE Changchang, WANG Huawei, NI Xiaomei, et al. Fault fusion diagnosis of aero-engine based on deep learning[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(3): 621-628. doi: 10.13700/j.bh.1001-5965.2017.0197(in Chinese)
Citation: CHE Changchang, WANG Huawei, NI Xiaomei, et al. Fault fusion diagnosis of aero-engine based on deep learning[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(3): 621-628. doi: 10.13700/j.bh.1001-5965.2017.0197(in Chinese)

基于深度学习的航空发动机故障融合诊断

doi: 10.13700/j.bh.1001-5965.2017.0197
基金项目: 

国家自然科学基金 71401073

民航联合研究基金 U1233115

详细信息
    作者简介:

    车畅畅 男, 硕士研究生。主要研究方向:可靠性、维修性及维修工程

    王华伟  女, 博士, 教授, 博士生导师。主要研究方向:民航安全工程、民航维修工程、可靠性工程

    通讯作者:

    王华伟, E-mail: wang_hw66@163.com

  • 中图分类号: V263.6;TK418

Fault fusion diagnosis of aero-engine based on deep learning

Funds: 

National Natural Science Foundation of China 71401073

Joint Research Foundation for Civil Aviation U1233115

More Information
  • 摘要:

    通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。

     

  • 图 1  RBM结构

    Figure 1.  Structure of RBM

    图 2  DBN训练流程图

    Figure 2.  Flowchart of DBN training

    图 3  RBM训练过程

    Figure 3.  RBM training process

    图 4  基于深度学习的航空发动机故障融合诊断流程

    Figure 4.  Fault fusion diagnosis folw chart for aero-engine based on deep learning

    图 5  网络结构为[4, 8, 9, 10]的DBN网络重构误差图

    Figure 5.  DBN reconstruction error graph with network structure of [4, 8, 9, 10]

    图 6  BP神经网络误差图

    Figure 6.  Graph of BP neutral network error

    表  1  JT9D发动机故障

    Table  1.   Engine failure of JT9D

    序号 发动机故障类型 性能参数偏差
    ΔEGT/℃ ΔFF/% ΔN1/% ΔN2/%
    F01 风扇效率+1% -1.00 -0.25 -0.25 -0.05
    F02 风扇流量+1% 4.50 0.80 -0.85 0.05
    F03 低压压气机效率+1% -2.00 -0.15 0.10 -0.15
    F04 低压压气机流量+1% -2.00 -0.40 -2.00 -0.05
    F05 高压压气机效率+1% -7.00 -0.85 -0.10 0.10
    F06 高压压气机流量+1% -0.05 -0.10 0 -0.25
    F07 高压涡轮效率+1% -0.85 -1.05 -0.10 0.20
    F08 低压涡轮效率+1% -4.50 0 0.45 0
    F09 3.0+3.5放气活门开度-20% -11.20 -2.40 -0.04 -0.24
    F10 第1级涡轮导向叶片面积+1% 2.50 0.35 0.05 -0.15
    下载: 导出CSV

    表  2  DBN网络结构与重构误差

    Table  2.   DBN network structure and reconstruction error

    DBN网络结构 重构误差
    [4, 6, 10] 0.083
    [4, 8, 10] 0.047
    [4, 6, 8, 10] 0.076
    [4, 8, 12, 10] 0.037
    [4, 8, 9, 10] 0.028
    [4, 8, 9, 12, 10] 0.049
    [4, 6, 8, 12, 10] 0.065
    下载: 导出CSV

    表  3  故障分类置信度

    Table  3.   Confidence level of fault classification

    故障类型 置信度1 置信度2 置信度3 置信度4 置信度5
    F01 9.00×10-8 1.08×10-6 6.01×10-7 2.35×10-6 4.90×10-5
    F02 2.41×10-7 7.09×10-7 5.39×10-7 3.77×10-7 6.06×10-7
    F03 5.16×10-3 2.60×10-3 3.05×10-3 1.40×10-3 6.57×10-5
    F04 6.30×10-5 2.35×10-4 1.81×10-4 1.15×10-4 2.50×10-5
    F05 2.78×10-1 7.97×10-1 6.44×10-1 9.47×10-1 9.99×10-1
    F06 1.16×10-5 2.05×10-6 3.78×10-6 3.17×10-7 1.91×10-9
    F07 1.01×10-3 7.27×10-4 1.08×10-3 1.88×10-4 1.18×10-5
    F08 1.10×10-5 4.65×10-5 2.30×10-5 8.12×10-5 4.31×10-4
    F09 7.16×10-1 2.01×10-1 3.52×10-1 5.14×10-2 5.54×10-4
    F10 4.66×10-7 4.68×10-7 4.34×10-7 1.40×10-7 3.39×10-8
    下载: 导出CSV

    表  4  故障诊断结果

    Table  4.   Results of fault diagnosis

    故障类型 C(F) 诊断结果
    F01 3.9×10-5 0
    F02 7.6×10-7 0
    F03 7.16×10-5 0
    F04 0.38×10-3 0
    F05 0.998 1
    F06 4.32×10-9 0
    F07 3.25×10-5 0
    F08 0.161×10-3 0
    F09 0.129 0
    F10 4.14×10-8 0
    下载: 导出CSV

    表  5  故障诊断正确率对比

    Table  5.   Comparison of fault diagnosis accuracy

    模型 正确率/%
    基于深度学习的故障融合诊断模型 99.58
    深度信念网络模型 95.30
    BP神经网络模型 82.13
    下载: 导出CSV
  • [1] 黄强, 王建, 张桂刚.一种航空发动机传感器故障诊断方法[J].传感技术学报, 2014, 27(10):1315-1320. doi: 10.3969/j.issn.1004-1699.2014.10.003

    HUANG Q, WANG J, ZHANG G G.A kind of approach for aero-engine sensor fault diagnosis[J].Chinese Journal of Sensors and Actuators, 2014, 27(10):1315-1320(in Chinese). doi: 10.3969/j.issn.1004-1699.2014.10.003
    [2] 薛薇, 王涛.基于一组卡尔曼滤波器信息融合的故障诊断[J].计算机测量与控制, 2015, 23(7):2285-2287. http://d.old.wanfangdata.com.cn/Periodical/jsjzdclykz201507013

    XUE W, WANG T.Application of a bank of Kalman filters for aircraft engine sensor actuator fault diagnosis[J].Computer Measurement and Control, 2015, 23(7):2285-2287(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/jsjzdclykz201507013
    [3] 俞刚, 黄金泉.基于支持向量机和卡尔曼滤波器的航空发动机故障诊断研究[J].航空发动机, 2012, 38(1):47-50. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hkfdj201201015

    YU G, HUANG J Q.Aeroengine fault diagnosis based on support vector machine and Kalman filter[J].Aero-Engine, 2012, 38(1):47-50(in Chinese). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hkfdj201201015
    [4] 廖洪一. 基于极限学习机的航空发动机故障诊断研究[D]. 广汉: 中国民用航空飞行学院, 2012.

    LIAO H Y. Research on aero-engine fault diagnosis based on extreme learning machine[D]. Guanghan: Civil Aviation Flight University of China, 2012(in Chinese).
    [5] 赵世荣, 黄向华.应用神经网络信息融合诊断航空发动机故障[J].航空动力学报, 2008, 23(1):164-168. http://d.wanfangdata.com.cn/Periodical_hkdlxb200801028.aspx

    ZHAO S R, HUANG X H.Fault diagnosis for aeroengine gas path components based on neural network multisensor data fusion[J].Journal of Aerospace Power, 2008, 23(1):164-168(in Chinese). http://d.wanfangdata.com.cn/Periodical_hkdlxb200801028.aspx
    [6] 徐启华, 师军, 耿帅.应用快速多分类SVM的航空发动机故障诊断方法[J].推进技术, 2012, 33(6):961-967. http://d.old.wanfangdata.com.cn/Periodical/tjjs201206021

    XU Q H, SHI J, GENG S.Aero-engine fault diagnosis by a new fast multi-class support vector algorithm[J].Journal of Propulsion Technology, 2012, 33(6):961-967(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/tjjs201206021
    [7] 孙伟超, 李文海, 李文峰.融合粗糙集与D-S证据理论的航空装备故障诊断[J].北京航空航天大学学报, 2015, 41(10):1902-1909. http://bhxb.buaa.edu.cn/CN/abstract/abstract13502.shtml

    SUN W C, LI W H, LI W F.Avionic devices fault diagnosis based on fusion method of rough set and D-S theory[J].Journal of Beijing University of Aeronautics and Astronautics, 2015, 41(10):1902-1909(in Chinese). http://bhxb.buaa.edu.cn/CN/abstract/abstract13502.shtml
    [8] 于劲松, 沈琳, 唐荻音.基于贝叶斯网络的故障诊断系统性能评价[J].北京航空航天大学学报, 2016, 42(1):35-40. http://bhxb.buaa.edu.cn/CN/abstract/abstract13670.shtml

    YU J S, SHEN L, TANG D Y.Performance evaluation of fault diagnosis system based on Bayesian network[J].Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(1):35-40(in Chinese). http://bhxb.buaa.edu.cn/CN/abstract/abstract13670.shtml
    [9] TAI A H, CHING W K, CHAN L Y.Detection of machine failure:Hidden Markov model approach[J].Computers & Industrial Engineering, 2009, 57(2):608-619. https://www.sciencedirect.com/science/article/pii/S0360835208002386
    [10] GÓMEZ M J, CASTEJÍN C, GARCÍA-PRADA J C.Automatic condition monitoring system for crack detection in rotating machinery[J].Reliability Engineering & System Safety, 2016, 152:239-247.
    [11] BAJRIC R, ZUBER N, SKRIMPAS G A, et al.Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox[J].Shock & Vibration, 2016, 2016(1):1-10. http://orbit.dtu.dk/en/publications/feature-extraction-using-discrete-wavelet-transform-for-gear-fault-diagnosis-of-wind-turbine-gearbox(c44ca0bc-9202-4ec5-b645-2d2a5ce80cfe).html
    [12] SIMANI S.Residual generator fuzzy identification for automotive diesel engine fault diagnosis[J].International Journal of Applied Mathematics & Computer Science, 2013, 23(2):419-438.
    [13] 周利敏, 闫国华, 瞿红春.一种云环境下的发动机健康管理系统及其应用[J].计算机测量与控制, 2014, 22(12):3926-3928. doi: 10.3969/j.issn.1671-4598.2014.12.026

    ZHOU L M, YAN G H, QU H C.Engine health management system in cloud and its applications[J].Computer Measurement and Control, 2014, 22(12):3926-3928(in Chinese). doi: 10.3969/j.issn.1671-4598.2014.12.026
    [14] 单外平. 基于深度信念网络的变速器故障分类识别研究[D]. 广州: 华南理工大学, 2015.

    SHAN W P. Classification and recognition of transmission fault based on deep belief network[D]. Guangzhou: South China University of Technology, 2015(in Chinese).
    [15] 刘伟峰, 杨爱兰.基于BIC准则和Gibbs采样的有限混合模型无监督学习算法[J].电子学报, 2011, 39(S1):134-139. http://www.cqvip.com/QK/90131X/2011A03/38153760.html

    LIU W F, YANG A L.Unsupervised learning for finite mixture models based on BIC criterion and Gibbs sampling[J].Acta Electronica Sinica, 2011, 39(S1):134-139(in Chinese). http://www.cqvip.com/QK/90131X/2011A03/38153760.html
    [16] 李文立, 郭凯红.D-S证据理论合成规则及冲突问题[J].系统工程理论与实践, 2010, 30(8):1422-1432. doi: 10.12011/1000-6788(2010)8-1422

    LI W L, GUO K H.Combination rules of D-S evidence theory and conflict problem[J].Systems Engineering Theory and Practice, 2010, 30(8):1422-1432(in Chinese). doi: 10.12011/1000-6788(2010)8-1422
    [17] 张光明. 航空发动机气路故障诊断技术研究[D]. 沈阳: 沈阳航空工业学院, 2010.

    ZHANG G M. Research on gas path fault diagnosis for aero-engine[D]. Shenyang: Shenyang Institute of Aeronautical Engineering, 2010(in Chinese).
  • 加载中
图(6) / 表(5)
计量
  • 文章访问数:  1084
  • HTML全文浏览量:  187
  • PDF下载量:  938
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-04-05
  • 录用日期:  2017-06-09
  • 网络出版日期:  2018-03-20

目录

    /

    返回文章
    返回
    常见问答