傅联钊

摘 要：数据挖掘通过分析数据间的联系与特征，能够从大量数据中获得有用的规律和知识，在航空发动机领域的研究中，数据挖掘技术也得到了充分应用。本文从数据挖掘的主要功能出发，介绍了数据挖掘主要功能对应的研究对象与研究方法，简述了不同功能在航空发动机中研究中的应用情况。

关键词：数据挖掘;航空发动机;故障诊断;健康管理

中图分类号：V263.6 文献标识码：A 文章编号：1671-2064（2020）06-0027-02

0引言

近年来，数据挖掘引起了各个领域的极大关注，其主要原因是信息时代数据泛滥，各行各业都存在将这些数据转换成有用的信息和知识的需求。航空发动机作为工业皇冠上的明珠，一直在吸收各类高新技术，数据挖掘技术也不例外。相对于建立数理模型解决问题的传统方法，数据挖掘的优势在于能够越过问题本身的数理模型，直接对作为结果呈现的数据进行研究，并建立基于数据挖掘方法的模型对问题进行解决，而航空发动机的工作过程是一个极为复杂的热力学循环过程，同时存在大量外界因素如环境温度，空气湿度等都可能对发动机工作状态造成影响，因此将数据挖掘方法应用于航空发动机研究中有时能起优于传统方法的效果。航空发动机在研制、使用、维修等各个阶段都会产生大量数据，为了深入研究这些数据隐含的信息与知识，将数据挖掘技术应用于航空发动机研究中是十分有必要的。

数据挖掘流程一般包括三部分：数据准备、数据建模、结果表达与解释。数据准备主要指从数据源中获取目标数据并进行包括数据清理、数据集成、数据选择和数据转换在内的数据预处理，整个数据准备过程工作量可占数据挖掘完整流程的70%以上;数据建模是数据挖掘过程的核心部分，具体工作为根据挖掘任务选择适当的算法，并利用其來寻找有趣的模式和知识，之后用某种方式来表示模式;结果表达与解释主要指对挖掘出的模式进行评估，并利用可视化等方式向用户展示挖掘结果。在实际应用中，数据挖掘流程是一个反复循环的过程，从数据准备、数据建模到结果表达，各部分之间不存在明显界限，可以从任何一个步骤返回前面的环节[1]，甚至部分数据挖掘工作本身就可以作为后续数据挖掘工作的数据预处理环节。数据挖掘的主要功能有关联分析、聚类分析、分类分析和回归分析等，不同功能在航空发动机中的应用主要如下。

1数据挖掘技术在航空发动机中的应用

1.1 关联分析在航空发动机中的应用

关联分析主要解决和发现不同事物之间相关程度，通过分析数据中频繁一起出现的数据集合（频繁项集），总结出关联规则。典型的关联分析方法有Apriori算法，FP-growth算法等。在航空发动机领域的研究中，关联分析常用于辅助故障分析，李正欣，郭建胜等[2]提出一种权重式多重支持度关联规则挖掘算法针对不同重要度的故障定出不同的支持度阈值，由此产生的关联规则，可以解决高重要度但出现较少的故障不易被挖掘的问题。南陈铭、顾宏斌等[3]采用关联规则数据挖掘方式，利用决策偏好分析算法，通过分析2005 年全球航空事故信息，研究并挖掘了可能在飞机起飞和降落过程中，影响飞机安全运行的环境等因素。美国开发并定义了航空安全上报系统ASRS（Aviation Safety Reporting System），通过收集飞行员、管制员和其他飞行相关人员自主提交的航空安全事件报告，分析其中隐含的信息，进而发现飞行过程中可能存在的缺陷，提出整改意见，以降低相似航空事故再次发生的可能性[4]。

通过积累故障数据进行关联分析，能够尽可能收集与故障关联的因素，快速定位故障根源，为改善发动机设计提供指导。

1.2聚类分析在航空发动机中的应用

聚类分析将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，但事先并不知道事物能够分为几类，也不知道有哪些分类，是一种无监督分析方法。典型的聚类分析方法有K-均值算法，系统聚类方法、层次聚类方法、模糊聚类方法等。国内杜宇飞等[5]对发动机载荷谱进行了聚类分析研究，对二代机和三代机对应的航空发动机载荷谱进行了聚类和分析对比，并进一步开展基于典型任务剖面的综合任务谱编制，并验证了编制的载荷谱的合理有效性。侯胜利[6]基于免疫聚类分析特点对发动机故障应对进行了研究，在分析当中将克隆选择算法与聚类分析的方式相结合，提出了基于免疫聚类分析的故障特征提取方法，让发动机的状态监测与故障诊断方面有了更多依据。

聚类分析的应用范围极广，但大部分时候都作为其他数据挖掘工作的前置工作，将相似的数据聚集在一起能够极大便利后续研究。在发动机的整个飞行包线内，发动机的进口条件可发生巨大变化，进行聚类分析能够有效简化研究问题。

1.3分类分析在航空发动机中的应用

分类分析研究将特定数据划分为给定类别中的某一个，与聚类分析不同，存在哪些分类是事先已知的，所以分类方法通常是半监督的或全监督的。典型的分类方法有决策树，支持向量机，人工神经网络等。分类分析多用于进行航空发动机的故障诊断，研究通过如何通过现有信息判断发动机此时是否产生故障，产生的是何种故障。周海仓[7]采用支持向量机模型对发动机转子-滚动轴承碰磨故障进行了诊断分析，对仿真样本的识别率达到100%，实验样本的识别率达到86%;Tamilsevan等[8]利用深度置信网络（DBN）作为故障模式分类器，对发动机的健康状态实现了准确的预测和分类;Elsaid等[9]利用蚁群优化算法（ACO）优化长短期记忆网络（LSTM）网络拓扑参数，并将其用于预测航空发动机中超标振动的发生。

前文中提到关联分析能够辅助发动机的故障分析，提前定位导致故障的因素并进行改善，但即使如此依然无法避免所有故障的发生。为了在故障出现时飞机/发动机控制系统与安全系统能够即使发现并做出响应，对故障数据进行分类分析研究是十分有必要的。

1.4回归分析在航空发动机中的应用

在數据挖掘技术中，回归分析主要研究是因变量（目标）和自变量之间的定量联系，通过一个或多个自变量对因变量的数值进行预测。分类分析针对离散型的变量，而回归分析针对连续型的变量，两者原理上都基于现有数据建立预测模型以对未知数据进行预测，因此相关典型数据挖掘方法也存在较多重合，如支持向量机方法诞生时主要用于分类，但经过改进后很快也被用于回归分析中。其他典型的回归分析预测方法有随机森林、人工神经网络，卡尔曼滤波等方法。回归分析在航空发动机领域进行的预测研究一般服务于发动机的健康管理，对性能参数进行预测有利于对发动机当前状态进行判断，同时对发动机是否需要维修提供参考。宋云雪[10]通过建立发动机排气温度与多个发动机性能参数之间的回归方程来对发动机排气温度进行预测分析，当发动机实际测量的排气温度和预测的排气温度相差较大时，可以怀疑发动机出现了某种故障;李冬、李本威等[11]通过主元分析方法与卡尔曼滤波方法对发动机性能衰退趋势进行研究，对发动机性能变化趋势做出了较为准确的预测，并通过预测结果为及时采取维护措施提供了一定指导作用;S.Borguet[12]通过建立的基于卡尔曼滤波发动机性能状态突变检测工具，对发动机性能参数状态发生突变进行检测，对发动机性能参数发生突变的发动机进行识别，并给出了发动机健康状态性评估标准。

健康管理与故障诊断是保障发动机安全不可或缺的两项重要功能，因此分类分析与回归分析通常是结合使用的，甚至回归分析获得的定量预测结果可以作为故障分类模型输入，对发动机当前状态做出更加准确的评估。

2结语

在国外尤其是美国，已经对数据挖掘技术在航空发动机中的应用进行了深入研究，美国NASA航空安全大纲中，利用数据挖掘技术进行航空发动机的故障预测和健康管理的蓝图已规划到了2025年[13]，国内虽然也开展了诸多研究，但总体来说对先进数据挖掘技术的重视程度依然不足，如何更好地将数据挖掘技术应用于航空发动机中，亟需研究机构与研究者们进行尝试与深入。

参考文献

[1] 蒋丹丹，杨忠林.数据挖掘技术综述[J].海军工程大学电子工程学院学报，2001（4）：59-62.

[2] 李正欣，郭建胜.关联规则挖掘在发动机故障分析中的应用[J].火力与指挥控制，2009，34（2）：55-58.

[3] 陈铭，顾宏斌.数据挖掘技术在航空事故分析中的应用[C]//全国第19届计算机技术与应用（CACIS）学术会议论文集（上册），2008.

[4] ASRS Program Briefing[EB/OL].http：//asrs.arc.nasa.gov/overview/summary.html，2015.

[5] 杜宇飞，孙志刚，陆琪，等.基于任务段的航空发动机载荷谱聚类方法[J].航空动力学报，2019，34（5）：34-43.

[6] 侯胜利，李应红，尉询楷，等.基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用[J].推进技术，2006，27（6）：554-558.

[7] 周海仑.含碰摩故障的航空发动机整机振动建模与分析[D].南京：南京航空航天大学，2009.

[8] Tamilselvan P，Wang P.Failure diagnosis using deep belief learning based health state classification[J].Reliability Engineering & System Safety，2013，115（7）：124-135.

[9] Elsaid A E， Wild B， Jamiy F E， et al.Optimizing LSTM RNNs using ACO to predict turbine engine vibration[C]. Genetic & Evolutionary Computation Conference Companion， ACM，2017.

[10] 宋云雪，张科星，永胜.基于多元线性回归的发动机性能参数预测[J].航空动力学报，2009，24（2）：428-431.

[11] 李冬，李本威，赵鹏飞，等.基于卡尔曼滤波和主元分析的发动机性能衰退[J].海军航空工程学院学报，2013，28（2）：127-132.

[12] S. Borguet， Olivier Léonard.Assessment of an Anomaly Detector for Jet Engine Health Monitoring[J].International Journal of Rotating Machinery，2011，17（4）：494-502.

[13] Jonathan Litt， Donald L Simon， Claudia Meyer，et al.NASA aviation safety program aircraft engine health management data mining tools roadmap[R].NASA/TM-2000 -210030.April 2000.