2017年第36卷第9期
传感器与微系统(Transducer and Microsystem Technologies）
147
DOI:10.13873/J.10009787(2017)09014704
基于深度学习的航空发动机传感器故障检测
刘云龙，谢寿生，郑晓飞，边涛
（空军工程大学航空航天工程学院，陕西西安710038）
摘要：针对传统反向传播（BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等间题，提出了一种基于深度学习算法的航空发动机传感器故检测方法。对发动机参数记录仅采集的多维数据进行预处理，建立基于深度置信网络（DBN)的故障检测模型，利用预处理后的数据对检测模型进行训练，经过DBN故障检测模型逐层特征学习实现了传感器故障检测。仿真结果表明：在无人工特征
提取和人工特征提取的情况下，基于DBN故障检测的准确率均高于BP神经网络和SVM模型。关键词：航空发动机传感器；故障检测；深度学习；深度置信网络；飞参数据
中图分类号：TP212
文献标识码：A
文章编号：1000-9787(2017)09-0147-04
Fault diagnosis of aero-enginesensorbased ondeeplearning
LIU Yun-long, XIE Shou-sheng, ZHENC Xiao-fei, BIAN Tao
( College of Aeronautics and Astronautics Engineering,Air Force Engineering University,Xi' an 710038, China) Abstract: Aiming at the problems of traditional back propogation( BP) neural network and support vector machine(SVM) leaming algorithm, such as over fiting, dimension disaster and difficulty of parameter selection, put forward an aircraft engine sensor fault detection method learning algorithm based on deep leaming algorithm. Preprocess the multi dimensional data acquired by aero-engine parameter recorder;fault detection model based on the deep belief network( DBN) is set up; fault detection model is trained using proprocessed data, after DBN fault detection model characteristices leaming layer by layer, sensor fault detection is realized. It is shown from the simulation results,in the absence of artificial feature extraction and feature extraction,accuracy based on DBN fault detection is higher than that of BP neural network and SVM model.
Key words: aero-engine sensor; fault detection; deep learming; deep belief network( DBN) ; flight parameter
0引
言
航空发动机传感器通常于在高温、高压等恶劣、复杂的工作环境下，传感器故障频发，占发动机控制系统故障的很大比例"]。因此，研究传感器故障检测技术，提高故障检测水平，对于保证飞行安全具有重要意义。
传感器故障诊断技术理论方法主要分为三大类：基于余技术的传感器故障诊断方法、基于信号处理的故障诊断方法和人工智能方法[23]。在人工智能方法中，反向传播（backpropogation，BP）神经网络、支持向量机（support vectormachine,SVM)及其改进方法被广泛用于航空发动机传感器故障检测中，并取得了一定的成果。在长期实践中， BP神经网络和SVM等具有单隐含层节点的浅层机器学习模型的间题显现。浅层模型假设靠人工经验抽取样本特征，因此，特征的好坏成为检测系统的瓶颈)。此外，神经网络和SVM存在过拟合、维数灾难、参数选择困难等问
收稿日期；2017-01-02
*基金项目：国家自然科学基金资助项目（51476187，51506221）
题(5)。深度学习通过模拟人脑对知识的抽象过程，从训练样本中学习并获得统计规律，从而解决分类（故障检测)问题。其实质是通过构建具有很多隐含层的机器学习模型和海量的训练数据，学习更有用的特征，最终提升分类或预测的准确性。其主要特点是模型结构深度往往包含多层隐节点，通过逐层特征变换，将样本在原空间的特征变换到新的特征空间，分类更加简单}。
本文以发动机传感器数据检测为例，提出了一种基于大数据-深度学习的故障检测方法。利用飞行参数记录仪记录的机载传感器数据之间的关联性，进行数据集训练深度置信网络（deepbeliefnetwork，DBN），实现传感器故障检测。
1
数据的采集与预处理
文献[7~12]显示了DBN优异的特征提取能力。本文
从某型国产飞机的参数据中随机挑选了7000组数据，建立