航空發(fā)動機氣路改進神經(jīng)網(wǎng)絡故障診斷研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

盧俊文　吳　瑞　常虎山　王威風　尚澤譯

(中國民用航空飛行學院，四川 廣漢　618307)

航空發(fā)動機氣路改進神經(jīng)網(wǎng)絡故障診斷研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

盧俊文吳瑞常虎山王威風尚澤譯

(中國民用航空飛行學院，四川 廣漢618307)

摘要：針對航空發(fā)動機氣路故障，建立了基于改進BP神經(jīng)網(wǎng)絡的航空發(fā)動機氣路故障診斷模型。采用該模型尋找發(fā)動機狀態(tài)參數(shù)與不同故障模式之間的映射關(guān)系，并利用收集的JT9D發(fā)動機的氣路故障樣本數(shù)據(jù)對診斷模型進行訓練與檢驗。試驗結(jié)果表明，改進的BP神經(jīng)網(wǎng)絡故障診斷模型對JT9D發(fā)動機氣路部件故障模式的識別具有較高的準確率，能夠為基于狀態(tài)的維修決策提供有效的指導與建議，進而提高航空發(fā)動機的可靠性。

中國民用航空飛行學院面上基金資助項目(編號：J2012-06)；

中國民用航空飛行學院研究生創(chuàng)新基金資助項目(編號：X2012-10)。

修改稿收到日期：2014-07-09。

第一作者盧俊文(1985-)，男，2012年畢業(yè)于中國民用航空飛行學院載運工具運用工程專業(yè)，獲碩士學位，助理工程師；主要從事航空器故障診斷與預測、航空器可靠性等方面的研究。

關(guān)鍵詞：航空發(fā)動機氣路故障診斷BP神經(jīng)網(wǎng)絡BP算法Levenberg-Marquardt算法

Abstract：In accordance with the faults of gas path of aeroengine, the fault diagnostic model based on improved neural network is built up for gas path of aeroengine, to find out the mapping relation between condition parameters of engine and different fault modes. Then the diagnostic model is trained and tested by adopting the sample data of gas path collected from JT9D engine. The experimental results indicate that the fault diagnostic model based on improved neural network possesses higher accuracy for recognizing the fault mode of parts in gas path; it can provide effective guidance and advice for maintenance decision based on the status, thus the reliability of the aeroengine can be enhanced.

Keywords：AeroengineGas path fault diagnosisBP neural networkBP algorithmLevenberg-Marquardt algorithm

0引言

大涵道比航空渦輪風扇發(fā)動機的氣路零部件維修費用占總維修費用的一半以上，且此類零部件故障率高(通常占到發(fā)動機故障的90%左右[1-2])、故障程度嚴重、判斷難度大。因此，研究航空渦輪發(fā)動機氣路故障的智能診斷技術(shù)具有非常重要的工程價值和實際意義。

航空發(fā)動機系統(tǒng)極為復雜，建立系統(tǒng)的非線性解析模型非常困難[3-5]。目前，基于模糊理論的診斷方法、專家系統(tǒng)故障診斷方法以及一些常規(guī)故障診斷方法的應用存在很大的局限性[6]。然而，基于神經(jīng)網(wǎng)絡的診斷方法，其自學與數(shù)據(jù)處理能力強，適合處理征兆量豐富的航空發(fā)動機數(shù)據(jù)；同時，其良好的非線性特性也很適合對故障機理復雜、故障類型繁多的非線性航空發(fā)動機系統(tǒng)進行故障診斷[7]。本文選用改進的BP神經(jīng)網(wǎng)絡對JT9D航空發(fā)動機氣路故障進行診斷與識別。

1BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種使用較為廣泛的前饋網(wǎng)絡，它含有輸入層、隱含層與輸出層，其中隱含層可以包含一層或多層[8]。航空發(fā)動機故障診斷屬于模式識別與分類問題，其輸出層節(jié)點的傳遞函數(shù)常采用Sigmoid或硬極限函數(shù)。目前，在實際應用中，三層BP網(wǎng)絡就能夠解決大多數(shù)問題，其結(jié)構(gòu)如圖1 所示，V、W為連接權(quán)矩陣。

圖1　三層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

1.1　BP算法學習規(guī)則描述

由于BP算法具備很強的局部搜索能力，是一種有效的算法，所以經(jīng)常采用BP算法訓練BP神經(jīng)網(wǎng)絡。BP算法通過正向傳播和反向傳播兩個階段訓練BP神經(jīng)網(wǎng)絡。

① 正向傳播: 輸入的樣本從輸入層經(jīng)隱含層單元向輸出層傳播。在這一過程中，下一層神經(jīng)元的狀態(tài)只受到來自上一層神經(jīng)元狀態(tài)的影響[9]。當傳播到達神經(jīng)網(wǎng)絡的輸出層后，比較當前計算的輸出值與期望輸出值。若兩者的均方誤差大于特定值，網(wǎng)絡將進入反向傳播。

② 反向傳播: 對比當前計算得到的輸出值與期望輸出值的差異，并按正向傳播的通路將誤差信號反向傳回，從而逐層調(diào)節(jié)每個神經(jīng)元節(jié)點的連接權(quán)值系數(shù)，減小誤差信號。

BP算法的學習過程通常是一個多周期迭代的過程，只有當網(wǎng)絡實際輸出值與網(wǎng)絡期望輸出值之間的均方誤差小于某一個給定值時，網(wǎng)絡才結(jié)束訓練。對于前向傳播的神經(jīng)網(wǎng)絡, 定義性能指標函數(shù)如下：

F(x)=E(eTe)=E[(t-a)T(t-a)]

(1)

實際應用中，用G(x)來近似計算均方誤差：

G(x)=(t-a)T(t-a)

(2)

式中：x為權(quán)值W和偏置b；t為目標輸出；a為實際輸出。

需要找到理想的W與b，使得F(x)最小，或者小到某個特定值ε。以神經(jīng)網(wǎng)絡第m層為例。

(3)

輸出層M：

(4)

其矩陣形式：

(5)

(6)

雅克比矩陣：

(7)

則：

(8)

(9)

由式(8)可建立遞歸關(guān)系，直至網(wǎng)絡的輸出層結(jié)束遞歸，即式(5)。最后，利用近似的最速下降法對網(wǎng)絡權(quán)值W和偏置值b依次進行調(diào)整，如下所示。

(10)

(11)

式中：k為迭代次數(shù)；α為學習速度。

式(10)、式(11)就是反向傳播算法(BP)反向計算過程中修正權(quán)值矩陣W和偏置值b的方法。

1.2　改進的L-M算法

神經(jīng)網(wǎng)絡的訓練實質(zhì)上是一個非線性目標函數(shù)的優(yōu)化問題，因此可以將傳統(tǒng)的數(shù)值優(yōu)化算法應用于神經(jīng)網(wǎng)絡[10]。

在經(jīng)典BP神經(jīng)網(wǎng)絡的性能優(yōu)化算法中，梯度下降法往往在開始幾步下降較快;但隨著接近最優(yōu)值時，由于梯度趨近于零，目標函數(shù)便下降緩慢。而Newton法可以在最優(yōu)值附近產(chǎn)生一個理想的搜索方向，因此能保持較快的下降速度，但該算法不可能出現(xiàn)振蕩，也不能保證收斂。L-M算法是Newton法的變形，它綜合了標準梯度下降法與Newton法兩種性能優(yōu)化方法的優(yōu)點，用以最小化作為其他非線性函數(shù)平方和的函數(shù)，非常適用于性能指數(shù)是均方差(meansquareerror，MSE)的神經(jīng)網(wǎng)絡訓練。

對Gauss-Newton算法進行改進，即可得到L-M算法的迭代公式：

(12)

(13)

式中：e為網(wǎng)絡目標輸出與實際輸出的誤差；J為e的雅克比矩陣；I為單位矩陣；μ為一個非負值；ΔX表示網(wǎng)絡權(quán)值或閾值變化量。

當μ趨近于0時，L-M算法趨近于Gauss-Newton算法；當μ趨近于無窮大時，L-M算法趨近于標準梯度下降法。以式(12)對權(quán)值與閾值進行迭代計算，不斷進行網(wǎng)絡訓練，直到達到目標要求。L-M算法的步驟如下。

① 初始化神經(jīng)網(wǎng)絡權(quán)值W和閾值b，設置訓練誤差允許值ε，常數(shù)β(β>1)和μ0，置迭代次數(shù)n=0，μ=μ0。

② 計算網(wǎng)絡輸出值a與目標t的誤差e。

③ 計算雅克比矩陣J。

④ 利用式(13)計算網(wǎng)絡權(quán)值或閾值的變化量。

⑤ 若e<ε，則訓練結(jié)束，否則以Xn+1=Xn+ΔX得到新的權(quán)值與閾值，用新的權(quán)值和閾值做新的前向過程。若新的誤差en+1小于原先的誤差en，則使用新的權(quán)值與閾值(令n=n+1)，并令μ=μ/β，并轉(zhuǎn)到步驟②；反之，若新的誤差en+1大于原先的誤差en，則令μ=μβ，轉(zhuǎn)到步驟④。

2航空發(fā)動機氣路BP模型

2.1　故障類型與BP網(wǎng)絡輸出

航空渦輪風扇發(fā)動機由風扇、低壓壓氣機、高壓壓氣機、燃燒室、高壓渦輪、低壓渦輪和排氣系統(tǒng)組成。選擇其中最容易出現(xiàn)氣路故障同時也是核心的組件。該組件具有重要的研究價值。一個組件的失效代表神經(jīng)網(wǎng)絡診斷所需要識別的一種發(fā)動機故障類型。選取的5個氣路故障類型如表1所示。相應地，可確定BP網(wǎng)絡輸出層的節(jié)點數(shù)為5。

表1　航空發(fā)動機氣路故障類型

2.2　征兆變量與BP網(wǎng)絡輸入

征兆變量即航空發(fā)動機的狀態(tài)參數(shù)，能直接或間接地反映出發(fā)動機整機或部件的運行狀態(tài)。發(fā)動機的狀態(tài)參數(shù)有很多，根據(jù)能夠顯著反映發(fā)動機狀態(tài)、對故障敏感、狀態(tài)參數(shù)之間相關(guān)性小的參數(shù)選取原則[11]，得到的征兆變量如表2所示。相應地，可確定BP網(wǎng)絡輸入層的節(jié)點數(shù)為4。

表2　航空發(fā)動機征兆變量

2.3　BP網(wǎng)絡隱含層

隱含層節(jié)點數(shù)的選取是BP神經(jīng)網(wǎng)絡的設計與建模的難點。若隱含層節(jié)點數(shù)過少，則從樣本中獲取信息的能力會很差，無法全面概括和體現(xiàn)訓練樣本的規(guī)律，會導致新樣本識別困難；若節(jié)點過多，可能將樣本中非規(guī)律性的內(nèi)容(如數(shù)據(jù)中夾雜的噪聲)記住，降低網(wǎng)絡的泛化能力，同時隱含層過多的節(jié)點將導致網(wǎng)絡訓練時間增加[12-13]。通常，隱含層節(jié)點數(shù)用試湊法來確定。首先根據(jù)經(jīng)驗公式(14)，暫時確定一個隱含層節(jié)點數(shù)，從而縮小試湊的范圍；再以此節(jié)點數(shù)值為原點，分別以其自身及其附近的數(shù)值作為隱含層節(jié)點數(shù)目對BP網(wǎng)絡進行樣本訓練，根據(jù)訓練的時間及誤差精度篩選出最佳的節(jié)點數(shù)。

s=2n+1

(14)

式中：s為隱含層節(jié)點數(shù)；n為輸入層的節(jié)點數(shù)。由于n=4，因此，隱含層節(jié)點數(shù)暫定為9。

2.4　輸出向量的確定

由前文可知，根據(jù)發(fā)動機結(jié)構(gòu)組件的不同，把JT9D發(fā)動機常見的氣路故障分為5類故障，分別是：風扇故障、低壓壓氣機故障、高壓壓氣機故障、低壓渦輪故障、高壓渦輪故障。根據(jù)Sigmoid函數(shù)輸出值在0~1之間的輸出特點，設定以0~1之間的數(shù)值大小表示發(fā)動機組件的故障程度。哪種故障類型對應的輸出項數(shù)值越接近于1，表明這種故障發(fā)生的可能性越大。

2.5　BP網(wǎng)絡的整體模型結(jié)構(gòu)

整個BP神經(jīng)網(wǎng)絡故障診斷模型由輸入層、1層隱含層和輸出層組成。其中輸入層節(jié)點數(shù)為4，用于診斷故障的4個征兆變量由此輸入。隱含層的節(jié)點暫定為9個，其節(jié)點的傳遞函數(shù)為tansig函數(shù)。輸出層節(jié)點數(shù)為5，通過輸出向量判斷發(fā)動機的故障類型，其節(jié)點的傳遞函數(shù)為logsig函數(shù)。網(wǎng)絡的訓練方法采用Levenberg-Marquardt算法。性能函數(shù)采用均方誤差性能函數(shù)(MSE)來對BP網(wǎng)絡的計算結(jié)果進行校核[14]。整個BP網(wǎng)絡的模型結(jié)構(gòu)如圖2所示。

圖2　BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

3故障診斷仿真試驗

本文以美國普拉特-惠特尼公司研制的JT9D渦輪風扇發(fā)動機為例，研究BP神經(jīng)網(wǎng)絡在航空發(fā)動機故障診斷中的應用。

3.1　BP神經(jīng)網(wǎng)絡訓練

訓練樣本即故障樣本描述的是JT9D發(fā)動機在馬赫數(shù)為0.8、高度10 668 m、發(fā)動機壓力比(engine pressure ratio，EPR)為常數(shù)的巡航狀態(tài)下5種典型發(fā)動機故障類型對應的4個征兆變量的數(shù)值樣本，共50組數(shù)值[15]。

利用以上所得的樣本集對BP網(wǎng)絡進行訓練，設定網(wǎng)絡的誤差精度為0.001。在訓練的過程中，利用試湊法依次對隱含層節(jié)點數(shù)目為6、7、8、9、10、11、12、13的網(wǎng)絡進行訓練，選出性能最佳的網(wǎng)絡。訓練結(jié)束后，綜合網(wǎng)絡訓練的時間與均方誤差的精度兩個因素發(fā)現(xiàn)，隱含層節(jié)點數(shù)為12的BP網(wǎng)絡最好。隱含層節(jié)點數(shù)為12的BP網(wǎng)絡的訓練記錄如圖3所示。訓練次數(shù)共153次，訓練過程中Best值與Goal值是重合一致的，即最佳值等于目標值。隨著訓練次數(shù)的增加，均方誤差逐漸下降，訓練終止時均方誤差精度為9.8672×1e-4。至此，BP神經(jīng)網(wǎng)絡訓練完畢，基于BP神經(jīng)網(wǎng)絡的JT9D航空發(fā)動機故障診斷模型建立完成。

圖3　BP神經(jīng)網(wǎng)絡訓練記錄

3.2　BP故障診斷性能測試

為檢驗建立的BP神經(jīng)網(wǎng)絡模型對航空發(fā)動機故障診斷能力，使用JT9D發(fā)動機7組典型的高壓渦輪實際故障(HPT)樣本對其進行測試。

樣本集如表3所示。

表3　JT9D發(fā)動機實際故障樣本

將實際故障的征兆變量作為輸入向量，輸入訓練好的BP神經(jīng)網(wǎng)絡故障診斷模型，得到的診斷結(jié)果如表4所示。

表4　診斷結(jié)果

從表4可以看出，BP網(wǎng)絡故障診斷模型成功地判斷出了第1、4、5、6、7個樣本的發(fā)動機故障類型是高壓渦輪故障；網(wǎng)絡在分析第2、3個樣本時出現(xiàn)錯誤，認為發(fā)動機同時發(fā)生了風扇與高壓渦輪故障，平均診斷正確率為71%。引起這一結(jié)果的主要原因有：數(shù)據(jù)沒有初始化，存在噪聲，干擾網(wǎng)絡正確學習；用于網(wǎng)絡訓練的樣本相對較少，造成網(wǎng)絡不能充分訓練。但從檢驗的結(jié)果來看，基于BP神經(jīng)網(wǎng)絡的航空發(fā)動機故障診斷模型能夠較為準確地對故障類型進行診斷識別。

4結(jié)束語

本文研究了基于BP神經(jīng)網(wǎng)絡的航空發(fā)動機氣路故障診斷的模型建立過程，探索了利用BP神經(jīng)網(wǎng)絡良好的非線性特性尋找發(fā)動機狀態(tài)參數(shù)即征兆變量與不同故障模式之間的映射關(guān)系的可能性。實踐表明，BP神經(jīng)網(wǎng)絡系統(tǒng)用于航空發(fā)動機氣路故障診斷是完全可行的，具有快速、準確和數(shù)據(jù)處理能力強、容錯性能高等優(yōu)點。若該診斷系統(tǒng)在技術(shù)成熟后能在民航領(lǐng)域內(nèi)得到實際應用，不但能夠為維修人員在發(fā)動機的維修過程中提供有效的指導與幫助，并且還可以實時監(jiān)控發(fā)動機在工作狀態(tài)下的各種故障征兆，提出維護建議，確保航空發(fā)動機的安全可靠運行。

參考文獻

[1] 張光明.航空發(fā)動機氣路故障診斷技術(shù)研究[D].沈陽：沈陽航空工業(yè)學院，2010.

[2] Donald L,Simon S,Olivier L,et al.Aircraft engine gas path diagnostic methods:public benchmarking results[J].Journal of Engineering for Gas Turbines and Power,2014,136(4):1-10.

[3] 張金玉.裝備智能故障診斷與預測[M].北京：國防工業(yè)出版社，2013:1-6.

[4] 瓦克塞萬諾斯.工程系統(tǒng)中的智能故障診斷與預測[M].北京：國防工業(yè)出版社，2013:1-10.

[5] Mykola K,Sergiy D,Oleksandr Y.Method of formulating input parameters of neural network for diagnosing gas-turbine engines[J].Aviation,2013,17(2):52-56.

[6] 李紅衛(wèi),楊東升,孫一蘭.智能故障診斷技術(shù)研究綜述與展望[J].計算機工程與設計,2013,34(2):632-637.

[7] 于宗艷，韓連濤，孟嬌茹.基于人工神經(jīng)網(wǎng)絡的航空發(fā)動機故障診斷方法[J].現(xiàn)代電子技術(shù)，2013,36(2)：65-67.

[8] 季偉東.進化計算優(yōu)化前向神經(jīng)網(wǎng)絡的學習方法研究[D].東北林業(yè)大學，2013：12-36.

[9] 余賓.基于神經(jīng)網(wǎng)絡的飛機發(fā)動機性能趨勢預測系統(tǒng)[J].中國制造業(yè)信息化，2008，37(21)：58-63.

[10]于春艷，楊德輝，劉艷麗，等.基于神經(jīng)網(wǎng)絡的某型飛機發(fā)動機故障診斷研究[J].電子設計工程，2012，20(11)：89-92.

[11]彭淑宏.航空發(fā)動機氣路故障診斷技術(shù)研究[D].上海：上海交通大學，2012：15-17.

[12]魏江濤,陳方濤,姜美雷.BP神經(jīng)網(wǎng)絡在設備故障診斷方面的應用[J].現(xiàn)代電子技術(shù),2012,35(19):131-134.

[13]Changduk K,Seonghee K,Gwanglim P.Development of practical integral condition monitoring system for a small turbojet engine using Matlab/Simulink and LabVIEW[J].International Journal of Turbo & Jet-Engines,2014,31(1):73-78.

[14]張德豐.Matlab神經(jīng)網(wǎng)絡應用設計[M].2版.北京：機械工業(yè)出版社，2012：92-128.

[15]范作明，孫春林，白杰.航空發(fā)動機故障診斷導論[M].北京：科學出版社，2004：361-392.

中圖分類號：V263+.6

文獻標志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201501002