基于RBF神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)磨損故障分析

申江江+孫中華+齊銀鵬

摘要：針對(duì)光譜分析技術(shù)在實(shí)際應(yīng)用時(shí)難以準(zhǔn)確診斷出發(fā)動(dòng)機(jī)產(chǎn)生磨損故障的部位，本文在滑油光譜分析數(shù)據(jù)的基礎(chǔ)上，提出將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于發(fā)動(dòng)機(jī)的磨損故障檢測(cè)中。首先通過(guò)對(duì)發(fā)動(dòng)機(jī)典型數(shù)據(jù)庫(kù)，建立標(biāo)準(zhǔn)故障模式，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后根據(jù)待檢滑油光譜數(shù)據(jù)建立待識(shí)別樣本，用已訓(xùn)練神經(jīng)網(wǎng)絡(luò)對(duì)待識(shí)別樣本進(jìn)行檢測(cè)。檢測(cè)結(jié)果證實(shí)了本文方法的可行性。

關(guān)鍵詞：航空發(fā)動(dòng)機(jī)；RBF神經(jīng)網(wǎng)絡(luò)；光譜分析；磨損故障診斷

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）33-0177-03

Abstract： As the spectral analysis technology in practical application is difficult to accurately diagnose the malfunction of the parts， this paper puts forward applying artificial neural network to engine wear fault detection. on the basis of spectral analysis for lubricating oil data. First of all， through the typical engine maintenance records data sets， the RBF neural network is established. Then according to the data of spectral analysis for lubricating oil to detect unknown samples， and use the trained RBF neural network to identify sample for testing. Test results verifies the correctness of neural network model diagnosis.

Key words： aero-engine； RBF neural network； spectral analysis； wear fault diagnosis

1 引言

由于磨損而引發(fā)的故障在平時(shí)發(fā)動(dòng)機(jī)維護(hù)過(guò)程最為常見(jiàn)，但磨損故障常常發(fā)生在飛機(jī)內(nèi)部，直接在飛機(jī)上檢查磨損情況十分困難，若是將零部件拆裝下來(lái)檢查則程序太過(guò)繁瑣[1]。滑油檢測(cè)技術(shù)通過(guò)分析滑油里面所含金屬元素的信息并和飛機(jī)發(fā)動(dòng)機(jī)系統(tǒng)里面的齒輪和軸承等部件所含的金屬元素進(jìn)行對(duì)比分析，進(jìn)而對(duì)摩擦部件的磨損狀況進(jìn)行分析，迅速、準(zhǔn)確地判斷出故障產(chǎn)生部位和預(yù)測(cè)摩擦部件可能產(chǎn)生故障的時(shí)間，對(duì)于減少飛機(jī)發(fā)動(dòng)機(jī)故障的維修時(shí)間，維持飛機(jī)的完好狀態(tài)，保證飛機(jī)的出勤率具有重大意義[2]。

本文通過(guò)對(duì)航空發(fā)動(dòng)機(jī)的滑油進(jìn)行光譜分析，根據(jù)滑油中各種金屬元素濃度的變化趨勢(shì)分析發(fā)動(dòng)機(jī)的磨損狀態(tài)，并基于RBF神經(jīng)網(wǎng)絡(luò)建立故障診斷模型，對(duì)發(fā)動(dòng)機(jī)的磨損故障狀態(tài)和可能產(chǎn)生故障的部位進(jìn)行診斷。

2 油液檢測(cè)及光譜分析技術(shù)

2.1 油液檢測(cè)技術(shù)

油液檢測(cè)技術(shù)是指在不對(duì)設(shè)備進(jìn)行拆卸的前提下，在包含待檢測(cè)部位磨損信息的滑油流動(dòng)的位置上，從中采集一定數(shù)量的油樣。通過(guò)多種分析方法對(duì)油樣進(jìn)行分析，根據(jù)這些信息，診斷待檢測(cè)部位的故障狀態(tài)和可能產(chǎn)生故障的嚴(yán)重程度，或者是預(yù)測(cè)設(shè)備可能會(huì)產(chǎn)生故障的時(shí)間，對(duì)故障進(jìn)行維修甚至提前更換即將產(chǎn)生故障的零部件，預(yù)防故障的產(chǎn)生。實(shí)現(xiàn)故障維修方式從事后維修轉(zhuǎn)變?yōu)橐暻榫S修，保持設(shè)備的完好狀態(tài)和減少事故的發(fā)生，提高經(jīng)濟(jì)效益和社會(huì)效益[3]。

2.2 光譜分析技術(shù)

由于不同元素原子所吸收和釋放光的波長(zhǎng)不同，油液光譜分析技術(shù)就是通過(guò)對(duì)油樣進(jìn)行處理，根據(jù)油液中不同元素吸收或者釋放的光的波長(zhǎng)，以及不同濃度元素吸收或者釋放的光的含量不同，來(lái)判斷油液中元素的種類和濃度。目前最主要的光譜分析技術(shù)有原子吸收光譜分析、原子發(fā)射光譜分析技術(shù)、X射線熒光光譜分析法、紅外光譜分析法和等離子體發(fā)射光譜分析技術(shù)五種。這五種技術(shù)基本原理相同，只是具體方法有所區(qū)別。

通過(guò)光譜分析技術(shù)可以檢測(cè)零部件的金屬元素組成，對(duì)發(fā)動(dòng)機(jī)的磨損狀態(tài)進(jìn)行診斷，以及對(duì)產(chǎn)生磨損故障的部位進(jìn)行確定。對(duì)未出現(xiàn)故障的零部件，依據(jù)其磨損狀態(tài)，預(yù)測(cè)可能產(chǎn)生故障的部位和時(shí)間。另外，通過(guò)油液的光譜分析數(shù)據(jù)，還可以分析得到滑油中的添加劑元素含量和不屬于添加劑和零部件的污染物元素含量，對(duì)滑油的品質(zhì)進(jìn)行鑒定，判斷是否對(duì)滑油進(jìn)行更換[4，5]。

3 人工神經(jīng)網(wǎng)絡(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)也被稱為神經(jīng)網(wǎng)絡(luò)，是由大量簡(jiǎn)單的神經(jīng)元相互連接而形成的復(fù)雜網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是通過(guò)工程技術(shù)方面的手段來(lái)模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能特征的一種技術(shù)系統(tǒng)，它能對(duì)已有的數(shù)據(jù)進(jìn)行學(xué)習(xí)，并自動(dòng)地歸納規(guī)則，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，最終建立出在一定誤差允許范圍內(nèi)的神經(jīng)網(wǎng)絡(luò)模型，具有很強(qiáng)的非線性映射能力。因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)是通過(guò)模擬人類大腦的結(jié)構(gòu)和思維功能而形成的，所以，人工神經(jīng)網(wǎng)絡(luò)具有高度的并行性、很強(qiáng)的自學(xué)習(xí)和自組織能力、良好的容錯(cuò)性及聯(lián)想記憶功能等人類大腦的一些特點(diǎn)[6]。

3.2 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，它是具有單隱層的三層前饋網(wǎng)絡(luò)：第一層為輸入層，由信號(hào)源節(jié)點(diǎn)構(gòu)成；第二層為隱含層，神經(jīng)元個(gè)數(shù)由所描述的問(wèn)題而定，神經(jīng)元的激勵(lì)函數(shù)（基函數(shù)）是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)（徑向基函數(shù)），該徑向基函數(shù)通常為高斯函數(shù)；第三層為輸出層，它對(duì)輸入模式的作用做出響應(yīng)。如圖1所示。

其中，權(quán)值向量（基函數(shù)的中心）是通過(guò)學(xué)習(xí)自動(dòng)確定的，而閾值是人為選定的。

RBF網(wǎng)絡(luò)要通過(guò)學(xué)習(xí)訓(xùn)練確定輸入層與隱含層之間的權(quán)值向量[W1]和隱含層與輸出層之間的權(quán)值向量[W2]。隱含層每個(gè)神經(jīng)元與輸入層相連的權(quán)值向量[W1i]和輸入矢量[X]之間的距離乘上閾值[b1i]作為基函數(shù)的輸入值，如圖3所示。

4 神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)磨損故障滑油光譜分析

4.1標(biāo)準(zhǔn)故障模式的構(gòu)建

通過(guò)滑油光譜分析，本文選擇Fe、Ag、Ni、Al、Mo、Mg、Cu、Ti八種元素對(duì)滑油進(jìn)行分析。

根據(jù)某型飛機(jī)發(fā)動(dòng)機(jī)內(nèi)部產(chǎn)生摩擦零部件的磨損方式、特點(diǎn)和該型發(fā)動(dòng)機(jī)由于磨損而產(chǎn)生故障的維修記錄，確定該型發(fā)動(dòng)機(jī)的主要故障模式：低壓壓氣機(jī)故障（F1）、中介機(jī)匣故障（F2）、高壓壓氣機(jī)故障（F3）、高壓渦輪故障（F4）、低壓渦輪故障（F5）、附件傳動(dòng)裝置故障（F6）、滑油泵故障（F7）、發(fā)動(dòng)機(jī)正常（F8）。根據(jù)某型發(fā)動(dòng)機(jī)滑油系統(tǒng)部位主要組成元素，建立以二進(jìn)制表示的標(biāo)準(zhǔn)故障模式，其中“1”表示含有該元素，“0”則表示不含有該元素。標(biāo)準(zhǔn)故障模式二進(jìn)制表示如表1所示：

本文中選擇構(gòu)建三層的RBF神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)的數(shù)目有8個(gè)（I1，I2，I3，I4，I5，I6，I7，I8），分別于8種金屬元素（Fe、Ag、Ni、Al、Mo、Mg、Cu、Ti）相對(duì)應(yīng)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4.2待識(shí)別樣本的構(gòu)建

對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí)，分別選取一組正常磨損狀態(tài)下和產(chǎn)生異常磨損故障的滑油光譜分析數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。

根據(jù)滑油光譜分析數(shù)據(jù)，有一組數(shù)據(jù)中的Fe、Ni、Cu元素濃度增幅較大，可能發(fā)生了磨損故障。前5組標(biāo)準(zhǔn)化后的數(shù)據(jù)如表2所示。

構(gòu)建待識(shí)別模式如表3所示。

4.3診斷結(jié)果

將構(gòu)建的待識(shí)別樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，得到輸出如表4所示：

神經(jīng)網(wǎng)絡(luò)對(duì)于發(fā)生異常磨損故障的待識(shí)別樣本的診斷，從結(jié)果中可以看出，最有可能低壓壓氣機(jī)異常磨損，但也不排除發(fā)生滑油泵故障，只是發(fā)生滑油泵故障的可能性較低。再根據(jù)制造低壓壓氣機(jī)和滑油泵材料的金屬元素組成，均含有Fe、Cu、Ni三種元素，這與故障模式中含有的元素種類相同，因此，診斷結(jié)果是可靠的。

5 結(jié)論

本文將傳統(tǒng)的油液光譜分析技術(shù)和RBF人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，應(yīng)用在某型發(fā)動(dòng)機(jī)磨損故障檢測(cè)中。建立了神經(jīng)網(wǎng)絡(luò)的模型，并結(jié)合某型發(fā)動(dòng)機(jī)的滑油光譜分析數(shù)據(jù)進(jìn)行驗(yàn)證，肯定了這種方法的可行性。

參考文獻(xiàn)：

[1] 卿華，王新軍.飛機(jī)油液監(jiān)控技術(shù)[M].北京：航空工業(yè)出版社，2011.

[2] 陳衛(wèi)，程禮，李全通，等. 航空發(fā)動(dòng)機(jī)監(jiān)控技術(shù)[M].北京：國(guó)防工業(yè)出版社， 2011. 94-129

[3] 尉詢楷，馮悅，劉芳，等.軍用航空發(fā)動(dòng)機(jī)PHM發(fā)展策略及關(guān)鍵技術(shù)[J].航空動(dòng)力學(xué)報(bào)，2011，26（9）：2107-2115.

[4] 姜彩虹，孫志巖，王曦.航空發(fā)動(dòng)機(jī)預(yù)測(cè)健康管理系統(tǒng)設(shè)計(jì)的關(guān)鍵技術(shù)[J].航空動(dòng)力學(xué)報(bào)，2009，24（11）：2589-2594.

[5] 鄧森，楊軍鋒，楊樸，等.基于混沌粒子群優(yōu)化LS-SVM的發(fā)動(dòng)機(jī)磨損狀態(tài)監(jiān)測(cè)研究[J].計(jì)算機(jī)測(cè)量與控制，2011，19（8）：1853-1856.

[6] 肖迪.新型粗糙神經(jīng)網(wǎng)絡(luò)的模式識(shí)別和故障診斷方法的研究[D]. 南京航空航天大學(xué)，2005.