引言
气路分析（Gas Path Analysis, GPA）是航空发动机独有的故障诊断技术，其通过发动机气路测量参数来诊断发动机的状态或性能。发动机气路系统一般包括：进气道、压气机、燃烧室、涡轮、尾喷管等，由于气路故障模式复杂、种类繁多，导致发动机气路部件的维修费用占总维修费用的一半以上，因此气路故障的监测与诊断对发动机稳定运行起着至关重要的作用。
目前，具有代表性的发动机气路故障诊断方法[1]主要有趋势图分析法、指印图分析法、支持向量机、专家系统、BP神经网络等。随着深度学习的不断发展，深度置信网络（DBN）、循环神经网络（RNN）、卷积神经网络（CNN）等模型越来越多的用在故障诊断领域，但在发动机气路故障诊断领域的研究还比较少。本文结合CFM56-7B发动机系统实际工作参数，利用GSP（Gas turbine Simulation Program）软件对发动机气路故障进行仿真，获取气路故障样本；搭建训练一种基于一维卷积神经网络的发动机气路故障诊断模型，通过与经典深度置信网络和支持向量机等方法对比试验，验证一维卷积神经网络在发动机气路故障诊断上的优异性。
1 发动机气路故障诊断与建模
1.1 气路故障诊断的原理
发动机的气路参数和发动机各个气路部件的特性存在严格的非线性气动热力学关系[5]。如图1所示，航空发动机实际故障常常通过各个部件的性能降低来反映，这也最终表现在可测参数的变化上。因此可以利用航空发动机可测参数的异常变化与发动机实际的故障状态之间的内在联系，作为发动机气路故障诊断的依据。气路故障诊断分为直接诊断和间接诊断两种方式[2]，间接诊断是指根据航空发动机可测参数的变化确定发动机部件性能的改变，再根据部件性能变化对故障进行定位；直接诊断则是由发动机可测参数的变化直接定位发动机的物理故障。
图1 发动机气路故障诊断原理图
1.2 CFM56-7B发动机仿真模型建立
虽然航空发动机试车故障数据比软件仿真故障数据更能反映发动机真实状况，但是由于航空发动机实际试车平台搭建耗资巨大，试车故障数据的规范性较差，不利于样本库的建立；同时大多数机型上测量参数的个数小于未知量的个数、故障之间的相关性较强[3]，所以本文采用仿真模拟数据建立模型训练所需的样本库。GSP是荷兰宇航实验室开发的一种面向对象的涡轮发动机数值仿真软件[4]，其通过能量守恒、流量平衡、燃气动量守恒等七大方程实现迭代求解发动机各个截面的热力参数，具有强大的建模功能。根据GSP软件建立CFM56-7B发动机仿真模型如图2所示。
图2 CFM56-7B发动机仿真模型
1.3 气路故障数据集的构建
利用GSP软件建立发动机仿真模型后，总结文献[5][6]，结合CFM56-7B发动机常见的气路故障，建立了如表1所示的发动机气路故障诊断规则。故障F1-F8包含了风扇叶片顶端间隙增大、风扇叶片损伤、增压器叶片外物损伤等8类故障模式。
表1 发动机气路故障诊断规则
仿真CFM56-7B发动机在飞行包线内的启动、慢车、爬升、巡航等运行工况，选取发动机在巡航过程中的运行数据，建立气路故障样本库。CFM56-7B发动机飞行包线如图3所示。
图3 CFM56-7B发动机飞行包线
为了使故障数据更具代表性，模拟发动机在不同巡航高度、不同巡航马赫速度下的运行状态，每个巡航高度间隔300m，同一巡航高度、巡航速度仿真30组数据；主要包括以下发动机参数信息[7]：风扇入口总温、总压（TT2、PT2）；低压压气机入口总温、总压（TT24、PT24）；总压（TT3、PT3）；燃烧室出口总温、总压（TT4、PT4）；高压涡轮出口总温、总压（TT45、PT45）；低压涡轮出口总温（TT5）；推力（FN）等。
为了加快训练速度、提高模型的准确率，本研究对仿真的发动机数据进行了归一化处理，采用线性归一化的方法将数据比例缩放到[-1,1]区间，计算方法如公式（1）所示：
（1）式中
：、
为映射目标区间最大最小值；
、
为样本数据最大最小值；
X为需要归一化的数据；Y为归一化后的值。
经过上述预处理操作，收集到8类故障样本、1类正常样本总计1945组发动机气路数据，按照3：2：1的比例随机分为训练集、验证集和测试集，其中训练集1167组，验证集532组，测试集246组。
2 一维卷积神经网络
卷积神经网络（CNN）是一种多级连接的深度学习模型，结构通常包括卷积层（Conv layer）、池化层（Pooling layer）、全连接层（FC layer）等。CNN与传统机器学习模型相比有很大的不同，通过将特征提取与分类检测相融合，利用权值共享原理自动从输入数据提取特征，极大减少了网络的参数，降低网络过拟合程度。CNN基本结构如图4所示。
图4 CNN基本结构流程图
CNN根据处理数据和卷积核的差异分为一维卷积神经网络（1D-CNN）、二维卷积神经网络（2D-CNN）和三维卷积神经网络（3D-CNN）。1D-CNN主要用于一维的序列模型和自然语言处理领域；2D-CNN和3D-CNN在原理和基本结构上与1D-CNN类似，主要用于计算机视觉和图形图像处理领域。由于发动机气路故障数据是一维的连续信号，所以选取一维卷积神经网络对发动机故障数据进行分类预测。
3 实验与验证
3.1 气路故障诊断模型搭建
实验搭建的发动机气路故障诊断模型由1个输入层、8个一维卷积层、4个归一化层（batch normalization, BN）、1个Dropout层和1个全连接层构成。具体结构如图5所示：
图5 发动机气路故障诊断模型结构图
上图中每个Feature maps 表示两个完全相同的卷积过程，其中输入层表示大小为15×1的标量，对应着发动机15个可测参数的数据；第1、第2个卷积层分别定义了3个大小为3×1的卷积核，卷积步长为1，第2个卷积层输出为13×3大小的向量；同时在卷积层后加入归一化层进行标准化处理，加快网络的收敛速度。第7、第8个卷积层分别定义了128个大小为1的卷积核，卷积步长为1，在实现增加网络维度的基础上提升了网络的非线性特性，从而提高气路故障诊断模型的表达能力。
全连接层将上一个卷积层的输出映射成大小为9的向量，分别对应着发动机的8类气路故障样本和1类正常情况样本。在传统卷积神经网络处理图像问题过程中，卷积层后通常都会有一个池化操作，对局部感受野中的特征取最大值或是平均值，达到精简卷积层的特征并减少计算量的目的。但在发动机气路故障诊断模型中，气路可测参数的维度即是对发动机气路故障的的精简，加入池化层后会相应的减少一些特征，所以在模型中移除了池化层的结构，搭建了一个全卷积的气路故障诊断模型。
3.2 训练过程
网络模型训练平台是在Windows10操作系统下搭建的，所用到的深度学习框架为Tensorflow-gpu1.9和Keras2.3.1；硬件为NVIDIA GTX1080 Ti的显卡，Intel i5-9400F的处理器。数据集按照3：2：1的比例随机分为训练集、验证集和测试集。发动机气路故障诊断网络模型设置的初始学习率为0.0004，batch_size设置为30，epoch设置为90。调用Tensorflow的内置函数matplotlib，生成气路故障诊断模型的准确率和损失函数随epoch的变化趋势，如图6所示。
图6 准确率和损失函数变化趋势图
上图中，黑色实线表示网络模型在训练集上准确率和损失，红色虚线表示网络模型在验证集上准确率和损失；从图中可以看出诊断模型在前30个epoch迭代过程中，准确率得到了较大的提升，从30%上升到95%左右；在第30个epoch后模型准确率上升缓慢，并逐渐趋于稳定；最终诊断模型在训练集的准确率达到99.1%，在验证集的准确率达到97.8%。取诊断模型趋于稳定后，且在验证集准确率最高的模型作为最终模型，使用测试集对其进行评估。
3.3 模型评估
在神经网络中常用准确率(Accuracy)评价指标对模型进行评估，公式如（2）。其中，准确率是正确预测数量与总样本数量的比值，它是最常见的评价指标。
（2）式中：TP表示真正例，即正类中正确预测的样本；TN表示真反例，即反类中正确预测的样本；FP表示假正例，即反类中错误预测的样本；FN表示假反例，即正类中错误预测的样本。
为了验证基于一维卷积神经网络在发动机气路故障诊断中的可行性，训练了和CNN相同网络层数的SVM网络模型和DBN网络，用相同的发动机气路故障数据测试集进行对比实验。测试集的样本总数为246，各模型的准确率如表2所示：
表2 模型准确率对比表
从表中可以看出基于一维卷积神经网络的发动机气路故障诊断模型在相同数据集上的诊断准确率达到了98.4%，明显优于传统DBN和SVM网络模型。
4 结论
本文以CFM56-7B发动机为研究对象，研究了基于一维卷积神经网络的气路故障诊断方法。通过GSP仿真软件建立发动机在飞行包线内巡航阶段的故障数据，搭建基于一维卷积神经网络的全卷积气路故障诊断模型，在测试集上的诊断准确率达到了98.4%。通过在相同测试集上与经典DBN和SVM网络模型对比实验，验证了一维卷积神经网络在发动机气路故障诊断领域的优异性。
参考文献：
[1] 林敏. 极限学习机在航空发动机气路故障诊断中的应用[D].上海交通大学,2015:11-19.
[2] URBAN L.Gas path analysis applied to turbine engine condition monitoring[J]. AIAA Paper,1972:72-1082.
[3] 郝英,孙健国,白杰.航空燃气涡轮发动机气路故障诊断现状与展望[J].航空动力学报,2003(06):753-760.
[4] 苏三买，聂乾鑫．燃气涡轮发动机数值仿真软件GSP综述[C]．中国航空学会第三届航空发动机可靠性学术交流会，2005：181-185.
[5] 彭淑宏. 航空发动机气路故障诊断技术研究[D].上海交通大学,2012:20-35.
[6] LI Y ,PILIDIS P. GA-based design-point performance adaptation and its comparison with ICM-based approach[J]. Applied Energy. 2009 (1).
[7] 胡良权,陈敏,唐海龙,郭昆.双轴分排涡扇发动机气路故障诊断测量参数选择方法[J].航空动力学报,2015,30(08):1853-1861.
作者简介：马瑞阳（1996-），男，河南洛阳人，硕士研究生，研究方向为发动机智能检测与分析。
敖良忠（1971—），男，重庆铜梁人，教授，硕士生导师，研究方向：航空发动机维护、状态监控和故障诊断、发动机智能检测等。