在阅读此文前，麻烦您点击一下“关注”，方便您进行讨论和分享，给您带来不一样的参与感，感谢您的支持。
文| 晓山青
编辑| 晓山青
●— 前言 —●
在航空发动机液压管路故障信号中，因含有噪声的干扰，导致针对液压管路故障的识别准确率较低。
为此，提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。
开展实例分析，将采集的液压管路原始振动信号加入了高斯噪声，并创建成液压管路数据集，利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合。
针对液压管路不同的故障情况，进行对比分析，验证LSTM模型对航空液压管路故障分类的可行性和有效性。
●— LSTM模型的应用 —●
作为一种在循环神经网络基础上的新生算法，LSTM可以有效地解决RNN中出现的梯度消失与爆炸问题问。
LSTM神经网络与RNN拥有同样的自循环反馈的全连接神经网络结构，但是RNN的网络结构是相对比较简单的细胞结构。
而LSTM神经网络在神经元中增加了遗忘门、输入门和输出门等3个独特的“门”结构，使状态信息可以被添加和筛除，LSTM基本细胞结构如图1所示。
基于UTM神经网络原理，并结合航空液压管路振动信号的特点，笔者对长短期记忆神经网络模型进行了优化，建立了具有学习一维时间序列的I^TM模型。
该模型主要包括输入层、展开层、2个I5TM层、全连接层和输出层等5部分，首先，笔者将一维液压管路振动信号输入到LSTM模型中。
然后，利用模型中的LSTM层对管路数据进行特征学习，将提取到的特征被映射到样本标记空间。
全连接层对时域信号的特征分类是关键的一步，主要是通过其对管路特征进行加权计算实现特征空间转换何)。
最后，通过SoftMax层进行分类诊断，利用适量的样本数据和ADAM优化算法，对模型中重要的参数W、b进行多次迭代更新，从而使得模型具有较好的诊断能力。
LSTM模型的主要参数如表1所示。
航空发动机液压管路系统结构复杂，同时液压管路受流固耦合振动特性及外界强大噪声干扰等因素影响，导致液压管路的振动信号呈现强大的非线性和非平稳性。
该模型在一定程度上综合了全局特征，从而可以应用于液压管路健康状态、不同故障类型和不同故障位置的诊断识别中。
液压管路故障诊断的具体流程图如图2所示。
管路信号采集，利用传感器对每一类工况下的航空液压管路进行振动信号的拾取，2个传感器分别拾取布置在管路端部和管路中间等两个测点位置。
数据集创建后，将采集的振动信号创建成航空液压管路数据集，并将数据集划分为数据集A和数据集B。
数据集A主要是由航空液压管路的原始振动信号组成，数据集B主要是由航空液压管路的原始振动信号加随机噪声信号组成。
鲁棒性验证，将数据集B输入到设计的模型中，从而有效地验证该模型的鲁棒性。
管路智能诊断，利用测试集验证基于HTM模型的液压管路故障诊断模型的有效性，并基于同一数据集，与RNN、CNN、SVM和BPNN模型的训练结果进行对比分析。
●— 模型实验与分析 —●
为了验证模型的有效性，笔者利用航空液压管路实验台对管路数据进行采集。
首先，笔者对液压管路进行故障植入；其次，将故障实验件在航空液压管路模拟实验台上进行固定；最后，利用振动信号采集仪进行数据采集，实验的基本设置参数如表2所示。
由图3可以看出：该实验主要是由2个加速度传感器同步进行航空液压管路振动信号拾取，该实验分别选取管路中间位置为测点1，管路端部位置为测点2，管路两端由块状卡箍约束固定。
由表2可以看出：实验选用的液压系统压力为12MPa，管路内部的最大流量为39.2I7min。
设定2个参数，即电动机转速分别为1500r/min和1800r/min等，振动数据采集仪的采样频率选用4096Hz，且符合香农采样定理。
为验证模型在大量噪声环境下的鲁棒性，笔者依据航空发动机在实际工作中的状态，在测试集B信号中加入20dB的高斯白噪声，以模拟实际工程中液压管路的工作状态输入到模型中。
染噪后，笔者选取测点1采集的液压弯管管路健康振动信号的时域波形图，如图4所示。
由图4可以发现：染噪前，当液压管路状态健康时，航空液压管路振动信号的幅度均较小，时域波形较规律，幅值大小为0.2g左右。
染噪后，笔者选取测点1采集的管路裂纹故障信号的时域波形图，如图5所示。
由图5可以发现：当航空液压管路在不同位置出现裂纹或者凹坑故障时，振动信号的幅度将明显增大，幅值大小在0.4g以上。
该幅值为液压管路健康状态时的2~3倍，振动信号的幅值和时域波形均有类似变化。
染噪声后，液压管路振动信号的幅度增大，幅度增加1倍左右，且时域波形发生较大变化。
由于航空液压管路在实际工程中振动信号受强大噪声干扰，因此，仅通过振动信号的时域波形，很难准确地识别出航空液压管路裂纹和凹坑等管路典型故障。
染噪后，笔者选取测点1采集的管路凹坑故障信号的时域波形图，如图6所示。
由图6可以发现：当管路凹坑故障时，振动信号的时域波形图与管路裂纹故障时的振动信号的时域波形图类似。
幅值大小均在0.4g以上；且染噪声后，时域波形发生较大变化，幅度增至未染噪时的两倍。
为避免故障信息遗漏，笔者将数据堆叠成一个通道样本，其中，每段样本信号包含3570个数据点。
基于样本信号创建数据集，其中，训练集为2313个样本，测试集A为356个样本，测试集B为1071个样本。
训练样本数量和预测样本数量的比例为8：2，基于同一数据集，笔者利用LSTM与RNN、CNN、BPNN和SVM等5种故障诊断模型"I，对液压管路故障诊断进行对比分析。
液压管路训练迭代次数与损失值曲线如图7所示。
由图7可看出：基于优化LSTM模型的训练样本损失值，随着迭代次数的增加而不断减小，并在迭代2轮以后基本趋近于零。
该模型达到收敛条件，说明训练效果较理想，实际输出能很好地逼近理论输出。
而由于强噪声干扰，CNN模型训练前期损失值波动较大，当迭代4轮以后，CNN模型基本达到收敛条件，但是迭代到14轮以后模型陷入了局部收敛，说明CNN模型的泛化性能较差。
而RNN模型当迭代次数达到20轮以后，仍有波动的训练误差，损失值还不能趋近于零，说明RNN网络模型训练收敛性较差且稳定性不高。
为了进一步展示UTM模型对于航空液压管路不同故障类型特征的学习能力，笔者利用t-SNE降维算法进行特征可视化，其中丄STM模型全连接层样本分类结果如图8所示。
由图8可看出：在航空液压管路振动样本数据中，基于I^TM模型能够清晰地区分出液压管路系统中健康状态和4类故障状态。
不同类型的液压管路故障数据具有鲜明的分簇，未发现交叉重叠的部分。
由此可以说明，其聚类效果十分明显，基本上达到理想的聚类效果，CNN模型全连接层样本分类结果如图9所示。
由图9可以看出：由于噪声及干扰信号的影响，基于CNN模型能够大致区分出5类液压管路故障数据。
其中，液压管路健康状态、液压管路中间裂纹和液压管路端部凹坑等3种数据能够形成自己的分簇，而簇内的聚集度相对较差。
同时，液压管路端部裂纹和液压管路中间凹坑等2类故障的分簇出现严重的交叉现象，两簇数据点的距离相对比较近，RNN模型全连接层样本分类结果如图10所示。
由图10可以看出：基于RNN模型可以比较清晰地将液压管路健康状态区分出来。
其他4种液压管路状态分簇不明显，聚集度十分分散，出现严重的数据交叉重叠现象，说明CNN和RNN模型的聚类效果相对较差。
为验证LSTM模型对航空液压管路故障分类的可行性和有效性，笔者分别采用准确率(Accuracy)，精确率(Precision)、召回率(Recall)和Fj-sore等4个评价指标，用于评价该模型的分类性B。
混淆矩阵是深度学习中一种常见的可视化工具，能够更全面地反映每种故障状态的识别情况。
在同一数据集中，利用所建的LSTM故障诊断模型对航空液压管路数据进行训练，得到的混淆矩阵如图11所示。
由图11(a)可以看出：当数据集中加入噪声前，LSTM模型对航空发动机液压管路故障的总体识别率为99.9%。
准确率较高，仅有0.1%的管路端部裂纹故障数据被错误地识别为中间凹坑故障，从而导致总体出现0.1%的错误率。
而当数据集中加入噪声后，受噪声干扰，LSTM模型对航空发动机液压管路故障的总体识别率为99.1%，由于深度学习强大的结构优势。
LSTM模型中遗忘门会将不重要的部分数据进行遗忘和筛除，从而保证LSTM模型对航空液压管路的识别准确率不至于明显下降，在总体准确率上仅降低0.8%。
数据集中加入噪声后，由图11(b)可以看出：LSTM模型对于航空液压管路健康状态、液压管路端部凹坑和液压管路中间凹坑等单一故障识别的精确率均为100%。
而对于端部裂纹故障的识别，有0.2%的样本数据被错误地识别为中间凹坑故障。
对于中间裂纹故障，则有0.7%的样本数据被错误地识别为端部凹坑故障，从而导致端部凹坑故障的错误率最高，达到3.5%，这也导致了LSTM模型总体出现99.1%的识别率。
●— 结论 —●
针对航空发动机液压管路故障特征微弱，且难以识别的问题，提出了一种基于时间融合的深度学习航空液压管路故障诊断方法。
该方法具有结构简洁、泛化能力强等特点，对液压管路故障诊断具有适应性和实用性。
利用LSTM网络对时序信息的提取能力，建立了航空液压管路I^TM故障诊断模型，实测数据结果表明，LSTM方法能达到99.3%的准确性，明显优于SVM和BPNN等传统的浅层神经网络模型。
航空液压管路LSTM故障诊断模型在抗噪性能方面明显优于近年来所用的CNN和RNN诊断方法，说明该方法具有较强的鲁棒性能。
---END---