基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)氣路故障診斷研究

石向陽

(濱州學(xué)院 飛行學(xué)院，山東 濱州 256603)

0 引言

由于航空發(fā)動(dòng)機(jī)在飛機(jī)系統(tǒng)中的特殊重要性，維修過程中不允許出現(xiàn)差錯(cuò)，一旦出現(xiàn)故障就可能導(dǎo)致飛機(jī)出現(xiàn)空中停車[1]等危險(xiǎn)事故，嚴(yán)重影響飛機(jī)的正常使用，甚至釀成航空事故，從而造成大的經(jīng)濟(jì)損失。因此，航空發(fā)動(dòng)機(jī)的故障診斷和狀態(tài)監(jiān)控格外重要。

近年來，有關(guān)神經(jīng)網(wǎng)絡(luò)的算法研究成為人工智能領(lǐng)域熱點(diǎn)問題。神經(jīng)元模型來源于生物的大腦，大腦里有非常多的腦細(xì)胞，每一個(gè)腦細(xì)胞可以看作是一個(gè)神經(jīng)元，神經(jīng)元之間相互連接構(gòu)成一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)[2]。神經(jīng)網(wǎng)絡(luò)包含有多種模型，例如基于梯度算法的BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和RBF徑向基神經(jīng)網(wǎng)絡(luò)等[3]，每種算法的特點(diǎn)不同，適用范圍也有所區(qū)別，其中，BP神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍最廣。BP神經(jīng)網(wǎng)絡(luò)屬于一種依據(jù)誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的特殊多層前饋網(wǎng)絡(luò)，該方法能夠解決一些復(fù)雜問題，且能夠?qū)Υ苏归_推測(cè)、聯(lián)想與記憶等系列環(huán)節(jié)[4]，使得故障診斷率得以提高，所以BP神經(jīng)網(wǎng)絡(luò)很適合應(yīng)用于現(xiàn)代大型儀器設(shè)備，例如汽車、飛機(jī)等的故障診斷。

國內(nèi)外許多學(xué)者針對(duì)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用展開了研究，例如FENG提出了基于BP神經(jīng)網(wǎng)絡(luò)的航空活塞發(fā)動(dòng)機(jī)機(jī)油系統(tǒng)故障診斷[5]，喬文生等提出了將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于立磨齒輪箱專家診斷系統(tǒng)[6]，牛華提出了將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽車發(fā)動(dòng)機(jī)故障診斷[7],朱濤提出將ABC-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于航空發(fā)動(dòng)機(jī)故障診斷[8]，均為該領(lǐng)域研究奠定了一定基礎(chǔ)。本文采用目前應(yīng)用最廣泛的BP神經(jīng)網(wǎng)絡(luò)算法，針對(duì)PW4000航空發(fā)動(dòng)機(jī)氣路故障進(jìn)行診斷研究。

1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)可以包含大量的輸入與輸出關(guān)系，它的網(wǎng)絡(luò)結(jié)構(gòu)包含三層：輸入層、隱含層和輸出層[3]。在隱含層的傳輸輸入后，如果樣本輸出的期望值與實(shí)際輸出值相差比較大，則轉(zhuǎn)向反向傳播，系統(tǒng)調(diào)整各層的連接權(quán)值以減少誤差，直到滿足精度要求。一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[7]。

圖1 BP神經(jīng)網(wǎng)絡(luò)圖

2 故障數(shù)據(jù)的處理

2.1 故障數(shù)據(jù)收集

因?yàn)楹娇瞻l(fā)動(dòng)機(jī)的數(shù)據(jù)很多，根據(jù)相關(guān)的文獻(xiàn)資料，確定出幾個(gè)可以反映出發(fā)動(dòng)機(jī)故障類型的數(shù)據(jù)。本文所選取的數(shù)據(jù)來自某航空公司PW4000發(fā)動(dòng)機(jī)的巡航狀態(tài)時(shí)的歷史監(jiān)測(cè)數(shù)據(jù)，一共討論了4種氣路故障，分別是：發(fā)動(dòng)機(jī)高壓壓氣機(jī)故障、低壓壓氣機(jī)故障、高壓渦輪故障和低壓渦輪故障[9]。為簡(jiǎn)便計(jì)算，數(shù)據(jù)的采集只有4種，分別是發(fā)動(dòng)機(jī)排氣溫度TEGT(K)、燃油流量mf(kg/s)、高壓轉(zhuǎn)子轉(zhuǎn)速N2(rpm)和低壓轉(zhuǎn)子轉(zhuǎn)速N1(rpm)。實(shí)驗(yàn)中，每種故障各收集了50組數(shù)據(jù)，故障總數(shù)為200組。將40組數(shù)據(jù)用做測(cè)試，10組數(shù)據(jù)用來驗(yàn)證。

2.2 線性函數(shù)歸一化處理數(shù)據(jù)

線性函數(shù)歸一化在處理數(shù)據(jù)中很常見，通過線性函數(shù)歸一化可以把數(shù)據(jù)放置于單位為一的區(qū)間內(nèi)，可以更快更方便的計(jì)算數(shù)據(jù)。公式如下：

x=(xi-xmin)/(xmax-xmin),

式中，x表示線性函數(shù)歸一化處理后得到的數(shù)值，xi表示每個(gè)發(fā)動(dòng)機(jī)性能參數(shù)第i個(gè)樣本值，xmin表示數(shù)據(jù)樣本中的最小值，xmax表示數(shù)據(jù)樣本中的最大值。

因?yàn)樗幚頂?shù)據(jù)太多，本文僅選擇部分典型數(shù)值，以作為線性函數(shù)歸一化數(shù)據(jù)，見表1。

表1 部分線性函數(shù)歸一化數(shù)據(jù)

2.3 確定故障優(yōu)先級(jí)

神經(jīng)網(wǎng)絡(luò)一般會(huì)有很多個(gè)輸入變量，每個(gè)變量的特征都很難預(yù)先判定。其中會(huì)有很多無關(guān)的輸入變量，這些變量會(huì)增加模型運(yùn)算的復(fù)雜程度，使模型的誤差變大。所以，對(duì)輸入變量進(jìn)一步篩選后再入模型成為很重要的一步。本文采用的是平均影響值算法，它用來表示輸入對(duì)輸出影響的大小，運(yùn)算結(jié)果的符號(hào)代表是正相關(guān)還是負(fù)相關(guān)，絕對(duì)值的大小表示產(chǎn)生影響的大小。將訓(xùn)練的樣本同時(shí)增加10%，構(gòu)成一組新的數(shù)據(jù)，把這組數(shù)據(jù)作為模型的輸入向量。在一般的情況下，TEGT、mf、N1、N2這4個(gè)性能參數(shù)為主要的監(jiān)測(cè)對(duì)象。運(yùn)算的公式如下：

Miv=|Y-Yout|。

式中，Yout表示輸出向量，Y表示輸入向量增加10%后的結(jié)果，Miv值表示無量綱。

經(jīng)過計(jì)算，平均影響值如表2所示。

表2 故障平均影響值表

由表2可以得出，N2的總和最小，說明N2對(duì)網(wǎng)絡(luò)的影響程度最小，當(dāng)要簡(jiǎn)化時(shí)，可以首先考慮減少N2的數(shù)據(jù)。

3 BP神經(jīng)網(wǎng)絡(luò)模型在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用

3.1 故障模型的建立

將上述確定的4種故障類型，分別用Y1～Y4表示，數(shù)字1表示該部件發(fā)生了故障，數(shù)字0表示該部件完好。故障模式Y(jié)=(Y1,Y2,Y3,Y4)為神經(jīng)網(wǎng)絡(luò)的輸出量，并將它們的輸出量用阿拉伯?dāng)?shù)字1、2、3、4表示，得表3故障模式。綜上，本文確定的故障模式為Y=(TEGT,mf,N1,N2)。

表3 故障模式

3.2 確定網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)建立的故障模型，確定該BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層是4個(gè)神經(jīng)元，輸出層是1個(gè)神經(jīng)元。由于BP神經(jīng)網(wǎng)絡(luò)的自身局限性，無法確定隱含層的神經(jīng)元數(shù)目?？紤]到該數(shù)目將會(huì)直接影響輸出層結(jié)果，甚至影響準(zhǔn)確度。因此，本文依據(jù)試驗(yàn)數(shù)據(jù)與經(jīng)驗(yàn)總結(jié)的公式相結(jié)合的方法，公式為

式中，m表示輸入節(jié)點(diǎn)數(shù)目，n表示輸出節(jié)點(diǎn)數(shù)目，a為1～10 之間的整數(shù)，l表示取值范疇的區(qū)間(1，12)。因?yàn)閘的取值為1～12，所以從1至12逐個(gè)進(jìn)行實(shí)驗(yàn)驗(yàn)證，算出每個(gè)節(jié)點(diǎn)數(shù)對(duì)應(yīng)的均方誤差值，均方誤差表達(dá)式為

根據(jù)表4所示，當(dāng)l取值為7時(shí)均方誤差的值最小，說明當(dāng)隱含層為7時(shí)，運(yùn)算的誤差最小。所以確定的網(wǎng)絡(luò)結(jié)構(gòu)為(4-7-1)型。

表4 不同隱含層的均方誤差表

3.3 故障的診斷與分析

根據(jù)上述信息，基本確定網(wǎng)絡(luò)結(jié)構(gòu)模型，然后采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。按照前面數(shù)據(jù)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)迭代次數(shù)的精確度定為0.001，上限設(shè)為50 000步，只要程序符合其中任一條件，就會(huì)終止訓(xùn)練。該程序運(yùn)行結(jié)果能夠反映網(wǎng)絡(luò)的運(yùn)行情況，結(jié)果如圖2所示。圖3為BP網(wǎng)絡(luò)訓(xùn)練時(shí)的誤差收斂曲線，變化平穩(wěn)，無較大波動(dòng)，收斂情況良好。

圖2 BP神經(jīng)網(wǎng)絡(luò)界面

圖3 BP神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)，判斷是否達(dá)到了預(yù)期目標(biāo)。為了證明所設(shè)計(jì)的BP網(wǎng)絡(luò)結(jié)構(gòu)模型準(zhǔn)確度，采用航空公司更為成熟的Elman網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證。將所采集的PW4000發(fā)動(dòng)機(jī)故障數(shù)據(jù)，按照前文4個(gè)公式依次計(jì)算，然后建立相應(yīng)的故障數(shù)據(jù)模型，并對(duì)數(shù)據(jù)展開訓(xùn)練，最后通過MATLAB軟件仿真輸出曲線圖和預(yù)測(cè)絕對(duì)誤差對(duì)比圖，具體如圖4、圖5所示。

由圖4和圖5可知，BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出曲線值很接近，兩者的絕對(duì)誤差也都很接近。但是，考慮到Elman神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)訓(xùn)練速度慢和容易陷入局部極小點(diǎn)的缺點(diǎn)，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練較難達(dá)到全局最優(yōu)。BP神經(jīng)網(wǎng)絡(luò)的誤差不僅保持在10%內(nèi)，而且具備速度更快、誤差率更低等優(yōu)點(diǎn)。因此，可以驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)更能夠確定氣路故障的位置。

圖4 BP神經(jīng)網(wǎng)絡(luò)輸出曲線圖

圖5 BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)的預(yù)測(cè)絕對(duì)誤差對(duì)比圖

4 結(jié)論

本文以航空公司常用的PW4000航空發(fā)動(dòng)機(jī)為研究對(duì)象，以該型發(fā)動(dòng)機(jī)的多種氣路故障作為案例，借助MATLAB軟件，對(duì)有關(guān)故障數(shù)據(jù)進(jìn)行訓(xùn)練，通過BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出曲線進(jìn)行比較，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)算法診斷速度更快、診斷結(jié)果更精確、誤差率更低，更能夠確定氣路故障的位置，并在一定程度上彌補(bǔ)了其他診斷方法的不足。