一种基于深度学习并具备自动超参数优化的反向旋转压缩机的旋转失速预警方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A rotating stall warning method for a contra-rotating compressor based on deep learning with automatic hyperparameter optimization

　　薛飞|王阳刚|李春叶|孟向卓
西北工业大学动力与能源学院，中国西安710129

摘要
压缩机在旋转失速过程中的动态压力信号表现出明显的非线性和非平稳性。此外，失速前扰动的幅度较小，使得早期失速识别和预警成为一个具有挑战性的信号处理问题。而且，传统神经网络模型的超参数依赖于手动、基于经验的调整，这限制了它们在复杂运行条件下的预测准确性和鲁棒性。为了解决这些问题，本研究提出了一种基于卷积神经网络（CNN）与长短期记忆网络（CNN-LSTM）相结合的旋转失速早期预警方法，并实现了超参数的自动优化。选择了一种低速轴流逆向旋转压缩机作为测试对象。在不同的入口和旋转速度配置下进行了失速实验。使用安装在前后转子叶片尖端的传感器阵列获取动态压力时间序列数据。经过预处理，包括滤波、归一化和重采样后，构建了用于神经网络训练和验证的数据集。引入了Northern Goshawk Optimization（NGO）算法来全局优化CNN-LSTM网络的关键超参数。然后将最优的NGO-CNN-LSTM模型应用于预测动态压力失速时间序列数据。结果表明，NGO-CNN-LSTM模型的预测准确性高于传统的CNN-LSTM模型。此外，还采用了核密度估计（KDE）方法来适应性地确定不同运行条件下的失速预警阈值。在均匀入口条件下，NGO-CNN-LSTM模型在大多数速度配置下实现了超过10秒的失速预警提前时间，并改善了CNN-LSTM模型在某些速度条件下的较差预警性能。在入口畸变条件下，所提出的模型仍然提供了不少于7秒的稳定失速预警时间。将预测数据与原始测量结果进行比较表明，NGO-CNN-LSTM模型能够在更早的阶段识别出具有明显物理意义的较小幅度失速前扰动。其预测结果与原始数据的一致性更高，从而获得了更可靠的失速预警结果。

引言
旋转失速作为轴流压缩机中常见的流动不稳定现象，是与喘振并列的涡轮机械中最严重的空气动力灾难之一[1]。为了防止压缩机失速，已经开发了多种控制方法和技术解决方案。其中，Epstein等人提出的主动控制技术可以有效抑制失速的发生并扩大压缩机的稳定运行范围[2][3]。然而，建立可靠的失速早期预警方法对于提高主动控制技术的实际效果至关重要。
在研究的早期阶段，主要致力于从理论角度开发数学模型来预测失速。例如，Moore和Greitzer提出的Moore-Greitzer（M-G）模型可以在失速发生前捕捉到失速前兆，这一结论在后续实验中得到了证实[4][5]。然而，这类理论方法通常依赖于多个简化假设，这限制了它们在实践中的适用性。1991年，Inoue等人[6]发现，当压缩机接近失速条件时，叶片尖端区域会出现强烈的非稳态压力波动，而在稳态条件下观察到的周期性特征会消失。随后，Dhingra等人提出使用相关参数分析与叶片通过事件相关的压力信号的重复性，并证明该参数可以作为失速预警的标准[7]。Tahara等人[8]和Dhingra等人[9]使用自相关方法分析了同一叶片通过过程中两个旋转周期内的压力信号的周期性特征。他们发现，随着压缩机流量系数的减小，相关系数也会减小。Li等人[10]通过使用互相关方法分析同一时刻但不同周向位置的压力信号的相似性，成功抑制了失速并扩大了稳定运行范围。Sun等人[11]提出了一种多相关分析方法，能够协调分析多传感器信号，并阐明了其与自相关和互相关方法的数学关系。结果表明，多相关方法具有更好的鲁棒性。Young等人[12]提出使用均方根值来表征叶片通过信号的不规则性。基于这一想法，Xu等人[13]和Dong等人[14]引入了一个称为Rc的参数来量化叶片通过信号的周期性。通过评估在不同流量系数下Rc低于预定阈值的概率，他们判断压缩机是否接近失速。尽管这种方法实现了有效的失速预警性能，但其适用性很大程度上取决于叶片尖端间隙和转子偏心度。2020年，Lou等人[15]首次应用了Pincus提出的近似熵（一种非线性特征提取算法）进行失速早期预警。他们表明，其有效性不受失速前兆类型的影响，这一结论后来被Liu[17]所证实。除了时域方法外，快速傅里叶变换（FFT）、功率谱密度（PSD）和小波分析等频域技术也被广泛应用于压缩机失速预警[18][19][20][21][22][23][24]。Liu等人[25]比较了在不同运行条件下自相关、互相关、均方根和快速小波变换（FWT）方法的失速预警性能。结果表明，无论传感器位于畸变还是未畸变的入口区域，互相关方法的表现都很好。时频分析结合了时域和频域方法的优点。Yue提出的经验模态分解（EMD-LMD）方法结合了EMD的强大鲁棒性和LMD提供的瞬时频率的明确物理意义，因此在分析强非线性失速数据时表现良好[26]。然而，这些方法的实际应用仍然受到它们对失速类型敏感性和依赖于经验定义的阈值的限制。
近年来，深度学习在学习和拟合强非线性数据方面的出色能力引起了广泛关注。大量研究表明神经网络在故障诊断方面的成功。Olivier等人[27]开发了一种基于卷积神经网络（CNN）的轴承故障诊断方法，使用不同的齿轮故障特征。结果表明，其诊断准确性高于使用手工特征和随机森林分类器的传统特征工程方法。Guo等人[28]提出了一种具有分层自适应学习率的新型深度卷积神经网络，在轴承故障类型识别和故障严重程度评估方面取得了良好的性能。循环神经网络（RNN）非常适合时间序列建模，并在故障诊断中表现出色[29][30]。长短期记忆（LSTM）网络作为一种RNN，进一步增强了序列数据的记忆和预测能力。Malhotra等人[31]使用正常时间序列数据训练LSTM模型来预测多个时间步长上的值。他们将预测误差建模为多变量高斯分布来估计故障发生概率。结果在四种不同的异常检测任务中表现出色。压缩机失速和故障诊断都涉及强非线性信号。因此，神经网络在故障诊断方面的成功为失速早期预警提供了一个有前景的新方向。Hipple等人[32]比较了使用压缩机旋转速度数据训练的两种类型的LSTM模型，分类模型和回归模型。结果表明，LSTM回归模型在失速发生前5-20毫秒提供了更好的预警性能。Xue等人[33]比较了LSTM网络与标准差、互相关和离散小波变换方法在不同速度配置下的逆向旋转压缩机的失速预警性能。结果表明，LSTM网络在大多数工作条件下表现良好，但在某些速度配置下表现较差。为了解决这个问题，Xue等人[34]将CNN和LSTM结合成一个CNN-LSTM框架，并引入了核密度估计（KDE）方法来自动确定失速阈值。实验结果证实，这种混合框架在所有速度配置下都能实现有效的失速预警时间。应该注意的是，关键超参数（如学习率、层数和神经元数量）仍然主要通过经验指导的手动调整来选择。这个过程高度主观，往往导致性能不佳。2024年，Li等人[35][36]使用Northern Goshawk Optimization（NGO）算法和Whale Optimization Algorithm（WOA）来优化LSTM网络的层数和学习率。他们的结果表明，集成优化算法的LSTM模型可以在失速发生前1秒稳定地发出失速预警。
上述研究表明，神经网络作为有效的压缩机失速预警工具具有巨大潜力。然而，压缩机失速实验涉及高成本和高风险，这限制了用于神经网络训练的高质量数据的可用性。此外，大多数将神经网络与优化算法结合的研究仅关注层数和学习率。选择其他关键超参数的有效策略仍然缺乏。因此，本研究旨在开发一个具有高性能和强泛化能力的完全自动化的神经网络框架用于压缩机失速预警。这项工作为压缩机失速预警方法的工程应用提供了理论和技术支持。
在本研究中，选择了西北工业大学的一种低速轴流逆向旋转压缩机作为测试对象。使用高频动态压力传感器阵列收集失速期间的非线性压力信号。然后通过滤波、归一化和特征增强处理原始实验数据，以构建用于神经网络训练的数据集。此外，使用KDE方法适应性地学习不同运行条件下的失速预警阈值。应用NGO算法对CNN-LSTM混合神经网络的超参数进行多维优化。优化后的参数包括CNN卷积层的数量、每个卷积层中的神经元数量、LSTM层的数量、每个LSTM层中的神经元数量、学习率和批量大小。从而建立了一个最优的NGO-CNN-LSTM混合神经网络框架。为了验证所提出方法的有效性，使用开发的框架评估了逆向旋转压缩机在不同速度配置和入口条件下的失速预警性能。结果表明，所提出框架的有效性和泛化能力。

部分片段
测试装置
图1显示了低速轴流逆向旋转压缩机测试台。空气动力结构包括入口导叶（IGVs）、前转子（R1）和后转子（R2），具体参数列在表1中。沿气流方向，前转子顺时针旋转，后转子逆时针旋转。表1中的负号表示顺时针旋转。为了简化后续讨论，不再使用负号来表示失速阈值自学习方法。
应设置合理的报警阈值，以便系统能够有效执行失速预警。本文使用核密度估计（KDE）和稳态下收集的压力来为不同的速度配置设置阈值。

CNN-LSTM模型
LSTM神经网络适用于处理具有时间特征的信号。与传统的RNN相比，LSTM模型在处理具有长期依赖性的信号时可以缓解梯度消失和梯度爆炸问题。因此，它可以更有效地处理长依赖性序列。图10展示了LSTM网络的内部结构。有关LSTM网络的更详细描述可以在[32]中找到。

NGO-CNN-LSTM网络的性能评估
通过NGO算法的迭代优化过程，获得了一组优化后的网络超参数。使用方程（11）定义的验证集的均方根误差（RMSE）作为性能指标来识别最优的NGO-CNN-LSTM网络框架。相应的超参数配置列在表2中。图12比较了通过手动经验调整的CNN-LSTM网络和未经调整的CNN-LSTM网络在验证集上的RMSE结果。

结论
本研究通过失速实验研究了不同速度配置和入口条件下的低速轴流逆向旋转压缩机。在实验过程中，使用安装在前后转子叶片尖端附近的高频压力传感器阵列收集动态压力序列。原始数据经过过滤、归一化和重采样等预处理步骤，以构建用于神经网络训练和验证的数据集。NGOCRediT项目的作者贡献声明如下：
薛飞：负责撰写初稿、数据验证、软件开发、研究方法设计、资金筹集以及数据分析；
王洋洋：负责撰写稿件修订与编辑、项目监督、项目管理以及资金筹集；
李春叶：负责撰写初稿、软件开发及研究方法设计；
孟向卓：负责撰写初稿、软件开发及研究方法设计，并参与数据分析。

作者声明：他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢：
本研究得到了国家自然科学基金（项目编号：52276039）以及西北工业大学“1 to 0”博士创新专项基金（项目编号：ZX2025017）的支持。