一种航空发动机故障部位识别方法及系统

1.本发明涉及故障管理技术领域，特别是涉及一种航空发动机故障部位识别方法及系统。


背景技术：

2.航空发动机润滑系统中包含大量摩擦副，因其工作在高转速的环境中，导致大量的磨损颗粒游离于润滑油中，而这些金属磨粒成分及含量能够反映发动机磨损状态及磨损部位等信息。滑油磨损颗粒的能谱分析能够检测出金属磨粒中各元素的相对含量，为实现航空发动机磨损部位识别提供了基础。而如何将能谱分析的结果数据映射至发动机磨损部位，是实现航空发动机磨损部位端到端智能识别的前提与关键。
3.深度学习因具有端到端的学习能力，近年来，在各类故障诊断领域取得了不错的效果。但是，在航空发动机故障识别方面尚不存在应用深度学习的技术方案。


技术实现要素：

4.本发明的目的是提供一种航空发动机故障部位识别方法及系统，基于神经网络对航空发动机故障部位进行识别，实现端到端的故障诊断，提高故障识别效率和准确性。
5.为实现上述目的，本发明提供了如下方案：
6.一种航空发动机故障部位识别方法，包括：
7.获取待检测能谱分析数据和训练集；所述训练集包括多组样本，每组样本包括能谱分析样本数据和对应的样本材料牌号；
8.采用所述训练集和损失函数对神经网络模型进行训练，以确定最佳的神经网络模型；所述最佳的神经网络模型为发动机故障识别模型；所述神经网络模型包括依次连接的多层残差网络、第一全连接网络、长短期记忆网络和第二全连接网络；
9.将所述待检测能谱分析数据输入至所述发动机故障识别模型，以确定材料牌号；
10.根据所述材料牌号确定航空发动机的故障部位。
11.可选地，所述训练集的建立过程，具体包括：
12.获取航空发动机内油液的历史能谱分析数据；
13.针对每一个历史能谱分析数据，根据所述历史能谱分析数据中的组分元素百分比含量，确定初始材料牌号；每组历史能谱分析数据与对应的初始材料牌号构成历史样本；
14.对所述历史能谱分析数据中的组分元素百分比含量进行扩充，以确定扩充能谱分析数据；
15.根据所述扩充能谱分析数据中的组分元素百分比含量，确定扩充材料牌号；每组扩充能谱分析数据与对应的扩充材料牌号构成扩充样本，各组历史样本和各组扩充样本构成训练集。
16.可选地，所述对所述历史能谱分析数据中的组分元素百分比含量进行扩充，以确定扩充能谱分析数据，具体包括：
17.根据公式km＝(u
b-u
l
)
×
r1 u
l
确定扩充能谱分析数据；
18.其中，km表示扩充能谱分析数据中第m个组分元素的组分元素百分比含量，ub表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的上限，u
l
表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的下限，r1为[0,1]之间的随机数。
[0019]
可选地，所述采用所述训练集和损失函数对神经网络模型进行训练，以确定最佳的神经网络模型，具体包括：
[0020]
将所述能谱分析样本数据依次输入至所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络，以得到输出材料牌号；
[0021]
根据所述损失函数计算所述输出材料牌号与所述样本材料牌号的损失值；
[0022]
当所述损失值未处于设定阈值范围时，调整所述长短期记忆网络的权重和偏置，然后返回至将所述能谱分析样本数据依次输入至所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络，以得到输出材料牌号的步骤，直至所述损失值处于设定阈值范围；当所述损失值处于设定阈值范围时，所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络构成的神经网络模型为最佳的神经网络模型。
[0023]
可选地，所述多层残差网络包括第一残差模块、第二残差模块、第三残差模块和第四残差模块；
[0024]
所述第一残差模块的输入端用于输入所述能谱分析样本数据；
[0025]
所述第一残差模块的输出端用于与所述第一残差模块的输入端跳跃连接，执行特征相加，以得到第一输出特征；
[0026]
所述第二残差模块的输入端用于输入所述第一输出特征；
[0027]
所述第二残差模块的输出端用于与所述第二残差模块的输入端跳跃连接，执行特征相加，以得到第二输出特征；
[0028]
所述第三残差模块的输入端用于输入所述第二输出特征；
[0029]
所述第三残差模块的输出端用于与所述第三残差模块的输入端跳跃连接，执行特征相加，以得到第三输出特征；
[0030]
所述第四残差模块的输入端用于输入所述第三输出特征；
[0031]
所述第四残差模块的输出端用于与所述第四残差模块的输入端跳跃连接，执行特征相加，以得到第四输出特征，然后将所述第四输出特征输入至所述第一全连接网络。
[0032]
可选地，所述第一残差模块包括两个残差子模块；
[0033]
每个所述残差子模块包括依次连接的卷积层、批归一化层和激活函数层。
[0034]
可选地，所述长短期记忆网络包括依次连接的多个lstm单元和一个softmax函数层；
[0035]
首个lstm单元的输入端用于输入第一特征矩阵；所述第一特征矩阵为所述第一全连接网络输出的特征矩阵；
[0036]
首个lstm单元的输出端与下一个lstm单元的输入端连接；
[0037]
最后一个lstm单元用于对上一个lstm单元输出的特征矩阵进行学习训练，得到第二特征矩阵；
[0038]
所述softmax函数层用于对所述第二特征矩阵进行分类。
[0039]
为达上述目的，本发明还提供了如下技术方案：
[0040]
一种航空发动机故障部位识别系统，包括：
[0041]
数据获取模块，用于获取待检测能谱分析数据和训练集；所述训练集包括多组样本，每组样本包括能谱分析样本数据和对应的样本材料牌号；
[0042]
模型训练模块，用于采用所述训练集和损失函数对神经网络模型进行训练，以确定最佳的神经网络模型；所述最佳的神经网络模型为发动机故障识别模型；所述神经网络模型包括依次连接的多层残差网络、第一全连接网络、长短期记忆网络和第二全连接网络；
[0043]
模型数据识别模块，用于将所述待检测能谱分析数据输入至所述发动机故障识别模型，以确定材料牌号；
[0044]
故障部位确定模块，用于根据所述材料牌号确定航空发动机的故障部位。
[0045]
可选地，在训练集的建立方面，所述模型训练模块具体包括：
[0046]
历史数据获取子模块，用于获取航空发动机内油液的历史能谱分析数据；
[0047]
初始材料牌号确定子模块，用于针对每一个历史能谱分析数据，根据所述历史能谱分析数据中的组分元素百分比含量，确定初始材料牌号；每组历史能谱分析数据与对应的初始材料牌号构成历史样本；
[0048]
数据扩充子模块，用于对所述历史能谱分析数据中的组分元素百分比含量进行扩充，以确定扩充能谱分析数据；
[0049]
扩充牌号确定子模块，用于根据所述扩充能谱分析数据中的组分元素百分比含量，确定扩充材料牌号；每组扩充能谱分析数据与对应的扩充材料牌号构成扩充样本，各组历史样本和各组扩充样本构成训练集。
[0050]
可选地，所述数据扩充子模块，具体包括：
[0051]
组分元素扩充单元，用于根据公式km＝(u
b-u
l
)
×
r1 u
l
确定扩充能谱分析数据；
[0052]
其中，km表示扩充能谱分析数据中第m个组分元素的组分元素百分比含量，ub表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的上限，u
l
表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的下限，r1为[0,1]之间的随机数。
[0053]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0054]
本发明提供了一种航空发动机故障部位识别方法及系统，基于多层残差网络、第一全连接网络、长短期记忆网络和第二全连接网络构建的发动机故障识别模型，对待检测能谱分析数据进行处理，确定出对应的材料牌号，进而确定航空发动机的故障部位。其中，发动机故障识别模型中所采用的多层残差网络能够避免在训练过程中模型因梯度消失而导致的精度低的问题，所采用的长短期记忆网络能够较好处理序列特征数据，基于上述优点训练得到的发动机故障识别模型能够实现对航空发动机磨损部位的定位识别，提高故障识别的准确性和识别效率。
附图说明
[0055]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0056]
图1为本发明航空发动机故障部位识别方法的流程示意图；
[0057]
图2为本发明实施例中发动机故障识别模型的结构示意图；
[0058]
图3为本发明航空发动机故障部位识别系统的结构示意图。
具体实施方式
[0059]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
本发明提出一种航空发动机故障部位识别方法及系统，使用改进后的一维卷积网络，提出一种端到端的基于深度学习的航空发动机故障部位识别方法。
[0061]
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0062]
实施例一
[0063]
如图1所示，本实施例提供一种航空发动机故障部位识别方法，包括：
[0064]
步骤100，获取待检测能谱分析数据和训练集；所述训练集包括多组样本，每组样本包括能谱分析样本数据和对应的样本材料牌号。
[0065]
具体地，所述训练集的建立过程，包括：
[0066]
1)获取航空发动机内油液的历史能谱分析数据。
[0067]
通过能谱仪(energy dispersive spectrometer，eds)对航空发动机内油液中组分元素种类与含量进行分析，获取如表1所示的航空发动机能谱分析数据，构造历史能谱分析数据。
[0068]
表1航空发动机能谱分析数据(部分数据)
[0069]
[0070][0071]
2)针对每一个历史能谱分析数据，根据所述历史能谱分析数据中的组分元素百分比含量，确定初始材料牌号；每组历史能谱分析数据与对应的初始材料牌号构成历史样本。
[0072]
考虑到历史能谱分析数据中的数据是元素百分比含量，而常用元素有33种，若是对33中元素的元素百分比含量全部进行数据处理，计算量大且数据繁琐。因此，根据能谱分析元素的特点，将历史能谱分析数据获取到的样本分为29组，分别对应29类已知的材料牌号，每种材料牌号对应33种元素百分比含量。如表2所示，为材料牌号与对应的元素含量表(部分数据)。
[0073]
表2材料牌号与对应的元素含量表
[0074]
[0075][0076]
3)对所述历史能谱分析数据中的组分元素百分比含量进行扩充，以确定扩充能谱分析数据。具体地，根据公式km＝(u
b-u
l
)
×
r1 u
l
确定扩充能谱分析数据。
[0077]
其中，km表示扩充能谱分析数据中第m个组分元素的组分元素百分比含量，ub表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的上限，u
l
表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的下限，r1为[0,1]之间的随机数。
[0078]
4)根据所述扩充能谱分析数据中的组分元素百分比含量，确定扩充材料牌号；每组扩充能谱分析数据与对应的扩充材料牌号构成扩充样本，各组历史样本和各组扩充样本构成训练集。进一步地，根据上述1)-4)的步骤确定出测试集，所述训练集与所述测试集的比例为7:3。
[0079]
步骤200，采用所述训练集和损失函数对神经网络模型进行训练，以确定最佳的神经网络模型；所述最佳的神经网络模型为发动机故障识别模型；所述神经网络模型包括依次连接的多层残差网络、第一全连接网络、长短期记忆网络和第二全连接网络。
[0080]
步骤200具体包括：
[0081]
1)将所述能谱分析样本数据依次输入至所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络，以得到输出材料牌号。具体地，设置pytorch下的神经网络模型，该模型主要由4层残差网络(residual network，resnet)、第一全连接层(fully connected layer，fc)和lstm(long shorttermmemorynetwork，lstm)网络和第二全连接层组成。所述神经网络模型的模型参数设置如表3所示。
[0082]
表3神经网络模型的模型参数表
[0083]
[0084]
其中，神经网络模型的训练中，采用的gpu为nvidia gtx16606g，处理器为i5-9600k处理器，8g内存，运行系统为windows10，编程语言为python3.7。在神经网络模型训练前，设置批处理样本量为64，迭代训练次数为100。
[0085]
2)根据所述损失函数计算所述输出材料牌号与所述样本材料牌号的损失值。
[0086]
3)当所述损失值未处于设定阈值范围时，调整所述长短期记忆网络的权重和偏置，然后返回至将所述能谱分析样本数据依次输入至所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络，以得到输出材料牌号的步骤，直至所述损失值处于设定阈值范围；当所述损失值处于设定阈值范围时，所述多层残差网络、所述第一全连接网络、所述长短期记忆网络和所述第二全连接网络构成的神经网络模型为最佳的神经网络模型。
[0087]
进一步地，如图2所示，搭建多层残差网络对能谱数据，输入能谱分析样本数据，经过四层残差网络的残差映射后，得到特征提取结果。所述多层残差网络包括第一残差模块、第二残差模块、第三残差模块和第四残差模块。所述第一残差模块的输入端用于输入所述能谱分析样本数据；所述第一残差模块的输出端用于与所述第一残差模块的输入端跳跃连接，执行特征相加，以得到第一输出特征。所述第二残差模块的输入端用于输入所述第一输出特征；所述第二残差模块的输出端用于与所述第二残差模块的输入端跳跃连接，执行特征相加，以得到第二输出特征。所述第三残差模块的输入端用于输入所述第二输出特征；所述第三残差模块的输出端用于与所述第三残差模块的输入端跳跃连接，执行特征相加，以得到第三输出特征。所述第四残差模块的输入端用于输入所述第三输出特征；所述第四残差模块的输出端用于与所述第四残差模块的输入端跳跃连接，执行特征相加，以得到第四输出特征，然后将所述第四输出特征输入至所述第一全连接网络。
[0088]
具体地，所述第一残差模块包括两个残差子模块；每个所述残差子模块包括依次连接的卷积层、批归一化层(batchnormalization，bn)和激活函数层(relu)。卷积层对输入的数据进行滤波处理；批归一化层用来加快网络收敛速度，同时防止梯度消失；利用激活函数层得到全局特征。
[0089]
进一步地，残差子模块的网络模型为：
[0090][0091]
其中，x
l
为第l个残差块的输入；f(xi)为经过卷积、批归一化、激活函数的残差映射输出，x
l
为第l个残差块的输出。
[0092]
多层残差网络输出的特征量经过第一全连接网络后，将多层残差网络输出的特征量的维度转化为长短期记忆网络所需要的输入维度。
[0093]
长短期记忆网络以提取的第一特征矩阵作为输入，使用relu激活函数对该网络的输出进行激活操作，避免网络出现梯度消失的情况。具体地，所述长短期记忆网络包括依次连接的多个lstm单元和一个softmax函数层；首个lstm单元的输入端用于输入第一特征矩阵；所述第一特征矩阵为所述第一全连接网络输出的特征矩阵；首个lstm单元的输出端与下一个lstm单元的输入端连接；最后一个lstm单元用于对上一个lstm单元输出的特征矩阵进行学习训练，得到第二特征矩阵；所述softmax函数层用于对所述第二特征矩阵进行分类，并输出故障分类结果概率值。其中，softmax分类函数对第二特征矩阵进行材料牌号分
类时，所采用的公式如下：
[0094][0095]
其中，i为材料牌号的肿瘤数量，i＝29，vi表示模型输出的29个数值(材料牌号)中第i个元素，pi表示vi对应的概率值。
[0096]
综上可知，该深度学习模型以航空发动机油液磨损颗粒能谱分析数据为输入，采用所搭建的多层残差网络实现对能谱数据的特征提取；然后，在此基础上，应用所提取的特征数据，采用长短期记忆网络实现航空发动机磨损部位的定位识别。
[0097]
进一步地，上文2)中提到的所述损失函数为交叉熵损失函数：
[0098][0099]
式中，i为材料牌号的肿瘤数量，i＝29，pi为softmax分类函数的输出，yi为真实样本标签，j为损失函数值。交叉熵损失函数的值越大说明预测值与真实值的差距越大，即分类效果越差，反之，分类效果越好。
[0100]
另外，神经网络模型优化的目标是让损失函数值j趋近于0，在进行网络训练时，优化算法选用adam随机梯度下降法，用来动态调整网络参数w和b，其中，w为基于adam算法的权重更新值，b表示偏置，其具体公式如下：
[0101][0102][0103][0104][0105][0106]
其中，超参数γ、β和ε分别设置为0.9、0.999和10-8
，超参数用于维持数据稳定；m称为动量，表示先对梯度进行动量下降；s为关于梯度的指数加权移动平方和；为m偏差修正的值，为s偏差修正的值，使得过去梯度权值和为1，防止值过小。具体应用到本发明的神经网络模型中，lstm网络前向计算方式可以表示为：
[0107]ft
＝σ(wf[h
t-1
,x
t
] bf)
[0108]it
＝σ(wi[h
t-1
,x
t
] bi)
[0109]
[0110][0111]ot
＝σ(wo[h
t-1
,x
t
] bo)
[0112]ht
＝o
t
tanh(c
t
)
[0113]
公式中，x
t
为多层残差网络经过全连接层后的第t个输出；f
t
表示一个被遗忘的阈值，指示输入阈值。o
t
表示输出阈值，t是前一时刻的细胞状态或候选向量，c
t
是当前细胞状态(当前循环发生)，w表示权重因子矩阵(例如，wi表示输入门的权重因子矩阵)。b表示偏置向量(例如，一个bi表示输入门中的偏置向量)，h
t-1
是前一时刻的单位输出，h
t
是当前单元格的输出，σ是σ函数，tanh是双曲正切激活函数，下面的字母t表示时刻。
[0114]
网络参数w分别为长短期记忆网络中的一个lstm单元中的wf、wi、wc和wo，分别对应遗忘门、输入门、细胞状态和输出门，同样，网络参数b分别为lstm单元中的bf、bi、bc和bo。
[0115]
步骤300，将所述待检测能谱分析数据输入至所述发动机故障识别模型，以确定材料牌号。
[0116]
步骤400，根据所述材料牌号确定航空发动机的故障部位。
[0117]
在一个实际应用中，获取29000组样本数据及相应的样本标签(样本数据对应的材料牌号)，通过样本数据训练得到发动机故障识别模型后，通过验证集对模型进行验证，部分验证结果如表4所示。表4中列出了经过扫描电镜能谱分析后所得材料元素的百分比含量、由本文算法诊断后所得的材料牌号(输出概率大于50％的前3种的材料牌号。)和由专家结果诊断后所得的材料牌号及磨损部位，表中未罗列出的元素百分比含量为0。
[0118]
表4发动机故障识别模型验证结果数据表
[0119]
[0120][0121]
根据表4即可清楚得到航空发动机故障的部位。
[0122]
实施例二
[0123]
如图3所示，本实施例提供一种航空发动机故障部位识别系统，包括：
[0124]
数据获取模块101，用于获取待检测能谱分析数据和训练集；所述训练集包括多组样本，每组样本包括能谱分析样本数据和对应的样本材料牌号。
[0125]
模型训练模块201，用于采用所述训练集和损失函数对神经网络模型进行训练，以确定最佳的神经网络模型；所述最佳的神经网络模型为发动机故障识别模型；所述神经网络模型包括依次连接的多层残差网络、第一全连接网络、长短期记忆网络和第二全连接网络。
[0126]
模型数据识别模块301，用于将所述待检测能谱分析数据输入至所述发动机故障识别模型，以确定材料牌号；
[0127]
故障部位确定模块401，用于根据所述材料牌号确定航空发动机的故障部位。
[0128]
进一步地，在训练集的建立方面，所述模型训练模块具体包括：
[0129]
历史数据获取子模块，用于获取航空发动机内油液的历史能谱分析数据。
[0130]
初始材料牌号确定子模块，用于针对每一个历史能谱分析数据，根据所述历史能谱分析数据中的组分元素百分比含量，确定初始材料牌号；每组历史能谱分析数据与对应的初始材料牌号构成历史样本。
[0131]
数据扩充子模块，用于对所述历史能谱分析数据中的组分元素百分比含量进行扩充，以确定扩充能谱分析数据。具体地，所述数据扩充子模块包括组分元素扩充单元；组分元素扩充单元用于根据公式km＝(u
b-u
l
)
×
r1 u
l
确定扩充能谱分析数据。
[0132]
其中，km表示扩充能谱分析数据中第m个组分元素的组分元素百分比含量，ub表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的上限，u
l
表示历史能谱分析数据中第m个组分元素的组分元素百分比含量的下限，r1为[0,1]之间的随机数。
[0133]
扩充牌号确定子模块，用于根据所述扩充能谱分析数据中的组分元素百分比含量，确定扩充材料牌号；每组扩充能谱分析数据与对应的扩充材料牌号构成扩充样本，各组历史样本和各组扩充样本构成训练集。
[0134]
相对于现有技术，本发明还具有以下优点：
[0135]
(1)本发明航空发动机故障部位识别方法及系统所使用的神经网络模型可以直接将原始能谱分析数据作为模型的输入，充分保留一维数据的原始特征，节省了使用者的操作难度。
[0136]
(2)本发明引入四层残差网络通过直接映射的方式，避免了模型拟合和梯度消失问题，同时提高了模型的特征提取能力。
[0137]
(3)本发明航空发动机故障部位识别方法及系统所使用的神经网络模型，使用了lstm网络，在实现航空发动机磨损部位识别的基础上较好的处理了序列特征数据，避免了数据过长带来的数据失真问题。
[0138]
(4)本发明航空发动机故障部位识别方法及系统，具有一定的实际应用价值，易于实现，准确性高，可广泛应用于航空发动机故障部位识别中。
[0139]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0140]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。