基于人工神經網絡的航空發動機故障診斷方法

于宗艷　韓連濤　孟嬌茹

摘 要：針對航空發動機工作環境和結構的復雜性，設計了一種基于人工神經網絡的航空發動機故障診斷方法。使用BP神經網絡實現對航空發動機故障的診斷和識別，為了加快BP算法的收斂速度，采用帶慣性項的批處理BP算法對BP神經網絡進行訓練。通過對檢驗樣本的測試驗證了該方法的有效性和可行性，將不同隱含層數及不同誤差精度的算法性能進行了比較分析，結果表明本設計的網絡結構及選取的誤差精度能滿足實際需要。

關鍵詞：故障診斷； BP神經網絡； BP算法； 航空發動機

中圖分類號：TN911?34； TP181 文獻標識碼：A 文章編號：1004?373X（2013）02?0065?03

由于航空發動機的工作環境復雜、狀態變化多端[1?2]，以及系統結構的復合性[3]，使得發動機的故障機理和故障類型也非線性化[4?5]。由于人工神經網絡（ANN）具有良好的非線性特性、自學習及信息的并行處理能力[6]，本文采用BP神經網絡對航空發動機進行故障診斷和識別。

1 BP神經網絡

BP神經網絡[7]是一種使用最廣泛的前饋網絡，它含有輸入層一個，輸出層一個，隱含層一個或多個。每層上的各節點之間沒有連接關系，信息從輸入層依次經過各隱含層最后到輸出層從而實現信息的單向傳播。BP前饋神經網絡將Sigmoid函數作為隱含層節點的激活函數，而當BP網絡用于分類時，其輸出層節點的激活函數常采用Sigmoid或硬極限函數。目前，應用最為廣泛的BP網絡為三層BP網絡，其結構如圖1所示。

4 結 語

本文設計了一種基于人工神經網絡的航空發動機故障診斷方法，采用BP神經網絡實現對航空發動機故障的識別和診斷。BP網絡使用帶慣性項的基于批處理的BP算法進行訓練， 通過仿真分析，表明該方法能夠有效的對航空發動機的故障進行診斷。為設備維修提供有效參考。

參考文獻

[1] 苗卓廣，謝壽生，吳勇，等.基于改進粒子群算法的航空發動機狀態變量建模[J].推進技術，2012，33（1）：73?77.

[2] 馬建倉，葉佳佳.基于小波包分析的航空發動機故障診斷[J].計算機仿真，2010，27（2）：48?51.

[3] 牛偉，王國慶，翟正軍，等.航空發動機的多參數快速故障診斷模型[J].計算機應用研究，2011，28（12）：4564?4567.

[4] 俞剛，黃金泉.基于支持向量機和卡爾曼濾波器的航空發動機故障診斷研究[J].航空發動機，2012，38（1）：47?49.

[5] 王英，沙云東.航空發動機故障診斷技術綜述[J].沈陽航空工業學院學報，2007，24（2）：12?13.

[6] 周世官，張云.基于進化神經網絡的模擬電路故障診斷[J].計算機測量與控制，2007，15（8）：991?993.

[7] 謝宏，程浩忠.前向神經網絡的神經元分層逐個線性化快速學習算法[J].電子學報，2005，33（1）：111?112.

[8] 趙洪宇，李蔚，盛德仁，等.基于BP神經網絡的凝汽器故障診斷研究[J].電站系統工程，2004，20（6）：32?34.

[9] 宮新保，臧小剛，周希朗.基于免疫算法的前向神經網絡學習方法[J].系統工程與電子技術，2004，26（12）：1927?1929.

[10] 郝紅勛，白杰，郝英.基于BP神經網絡方法的民用航空發動機故障診斷[J].中國民航飛行學院學報，2006，17（5）：37?38.