ELM在航空鉛酸蓄電池容量檢測中的應用

胡　焱，楊　陽，謝家雨，李衛青，蔣陵平

（中國民用航空飛行學院航空工程學院，四川廣漢618307）

?

ELM在航空鉛酸蓄電池容量檢測中的應用

胡焱，楊陽，謝家雨，李衛青，蔣陵平

（中國民用航空飛行學院航空工程學院，四川廣漢618307）

摘要：針對傳統BP神經網絡訓練速度慢、參數選擇難、易陷入局部極值等缺點，提出基于極限學習機（ELM）的航空鉛酸蓄電池容量檢測模型。極限學習機是一種新的單隱層前饋神經網絡（SLFNs）學習算法，不但可以簡化參數選擇過程，而且可以提高網絡的訓練速度。在確定最優參數的基礎上，建立ELM的航空鉛酸蓄電池容量檢測模型。實驗結果表明：LM獲得較高的分類準確率和較快的訓練速度，從而驗證ELM用于航空鉛酸蓄電池容量檢測模型的可行性和有效性。

關鍵詞：極限學習機；航空鉛酸蓄電池；容量預測；檢測模型

0　引言

航空鉛酸蓄電池作為機載備用直流電源，用于飛機發動機的起動、照明、通信、導航及隨航應急備用。由于其具有安全、穩定、高性能、經濟等優點，被廣泛應用在中小型飛機及大部分直升機上，其性能直接影響飛行安全。容量是決定航空蓄電池性能的最主要參數[1]，因此，對航空鉛酸蓄電池進行容量檢測極為重要。

鉛酸蓄電池的容量檢測方法較多，目前公認的是負載放電測試法（這也是蓄電池廠家推薦的）[2]。這種方法雖然可靠，但頻繁的滿容量放電會加速蓄電池老化，縮短使用壽命。

極限學習機（extreme learning machine，ELM）算法是南洋理工大學Huang等[3-5]在2004年提出的一種人工神經網絡模型訓練新算法，它能夠有效克服傳統神經網絡訓練參數選取復雜、易陷入局部最優等問題。由于具有學習速度快，泛化性能好等優點，該算法被廣泛應用于非線性擬合和模式分類。

通過對中國民用航空飛行學院各分院的調研得知，當航空鉛酸蓄電池的容量達到額定容量的80%時才可用，否則不可用。因此，航空鉛酸蓄電池容量檢測亦可看成一個模式分類問題：將影響航空鉛酸蓄電池容量的參數作為模型的輸入參數，容量類別（可用，不可用）作為輸出參數從而對電池容量進行有效的分類檢測。

1　ELM原理

ELM是針對傳統的單隱含層前饋神經網絡（single -hidden layer feedforward neural network，SLFN）固有缺點提出的一種思想。該算法隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，且在訓練過程中無需調整，只需設置隱含層神經元的個數，即可獲得唯一的最優解。極限學習機神經網絡由輸入層、隱含層和輸出層組成，其網絡結構如圖1所示。

圖1　ELM網絡結構

由文獻[6]可知在ELM中不僅許多非線性激活函數可以使用，還可以使用不可微函數，甚至可以使用不連續的函數作為激活函數。

2　基于ELM的航空鉛酸蓄電池容量檢測模型

2.1數據來源和特征量的選擇

為了驗證所建立模型的有效性，對中國民用航空飛行學院各分院容量已知的G-241型航空鉛酸蓄電池的數據進行采集。文獻[7]研究表明，在鉛酸蓄電池的老化過程中，隨著極板的硫酸化、活性物質的脫落，蓄電池的容量減少，同時蓄電池的內阻呈逐漸增加的趨勢。因此，鉛酸蓄電池內阻可以在一定程度上反應鉛酸蓄電池容量的狀況。相關研究[8-10]表明，鉛酸蓄電池的電壓和循環次數也可以反應其容量狀況。另外，隨著激活時間的增加，電池老化程度加重，容量也會減小；因此，對G-241型鉛酸蓄電池的電壓、內阻、循環次數、激活時間4個參數數據進行了采集，并將其作為特征分量，這樣綜合考慮多個因素對航空鉛酸蓄電池進行容量檢測。其中，可用和不可用的蓄電池各80個，并選取其中40個可用的與40個不可用的電池的數據作為訓練樣本，剩下的40個可用的與40個不可用的電池的數據作為測試樣本。

2.2激活函數的選擇和隱含層神經元個數的確定

為選取較好的激活函數和隱含層神經元個數，以提高ELM的分類準確率，本文選取4種不同的激活函數（Sine、Sigmoidal、Hardlim、Radial Basis），同時將每個激活函數的隱含層神經元個數初始為10，以10為周期增加隱含層神經元個數，分析不同的激活函數和隱含層神經元個數對分類準確率的影響，結果如圖2所示。

圖2　不同的激活函數和隱含層神經元個數對分類準確率的影響

由圖可知，在初始階段4種激活函數都隨著隱含層神經元個數的增加分類正確率有所增加。當隱含層神經元增加到一定個數后，Hardlim激活函數的分類正確率隨隱含層神經元個數的增加趨于平穩，其余3種激活函數的分類正確率隨隱含層神經元個數的增加逐漸下降。但是當隱含層神經元個數為40時，Sigmoidal激活函數的分類正確率最高，達到95%。因此本文選用Sigmoidal函數作為激活函數并且隱含層個數取40來建立基于極限學習機的航空鉛酸蓄電池容量檢測模型，利用該模型對測試集進行分類檢測，分類結果如圖3所示。

由圖可知測試集樣本中有4個樣本被錯誤分類，其中兩個第1類樣本被錯分到第2類，兩個第2類樣本被錯分到第1類，分類正確率為95%。

圖3　測試集樣本分類結果

圖4　ELM航空鉛酸蓄電池容量檢測流程圖

2.3ELM航空鉛酸蓄電池容量檢測步驟

ELM航空鉛酸蓄電池的容量檢測流程如圖4所示。

ELM航空鉛酸蓄電池容量檢測步驟如下：

1）進行樣本數據的采集；

2）進行樣本訓練集與測試集的劃分，其中訓練集用來訓練網絡；

3）選擇激活函數和隱含層神經元個數，利用Matlab神經網絡工具箱建立ELM模型；

4）利用訓練集對ELM模型進行訓練；

5）利用訓練好的ELM模型對電池容量進行分類預測。

3　結束語

本文將極限學習機引入航空鉛酸蓄電池容量檢測，并利用采集的G-241航空鉛酸蓄電池數據對極限學習機容量檢測模型進行了驗證，測試集的分類準確率達到95%。因此將極限學習機應用于航空鉛酸蓄電池容量檢測具有一定的理論意義和應用價值。

下一步工作的重點如下：

1）擴大樣本數量，提高分類準確度；

2）對該算法進一步研究，如隱含層節點數能否通過自適應確定；

3）降低參數獲取的硬件成本；

4）將該算法與硬件及管理系統軟件結合實現在線參數獲取、容量檢測以及日常管理以提高自動化水平，從而降低人力資源成本。

參考文獻

[1]胡恒生.航空化學電源[D].徐州：徐州空軍學院，2007.

[2]歐陽名三，余世杰. VRLA蓄電池容量預測技術的現狀及發展[J].蓄電池，2004，41（2）：59-63.

[3] HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine：theory and applications[J]. Neurocomputing，2006，70（1）：489-501.

[4] LAN Y，SOH Y C，HUANG G B. Ensemble of online sequential extreme learning machine[J]. Neurocomputing，2009，72（13-15）：3391-3395.

[5] HUANG G B，ZHU Q Y，SIEWC K. Real-time learning capability of neural networks[C]∥IEEE Transact ions on Neural Networks，2006，17（4）：863-878.

[6]史峰，王輝，郁磊，等. Matlab智能算法30個案例分析[M].北京：北京航空航天大學出版社，2011：103-110.

[7]鮑世靜.鉛酸蓄電池剩余容量預測研究和工程應用[D].西安：西安電子科技大學，2011.

[8] Modeling and evaluation of valve-regulated lead-acid batteries [R]. Espoo：Helsinki University of Technology Control Engineering Laboratory，2004.

[9] VICTOR L G. Battery charge cycle counter：US0051366 20A[P]. 1992.

[10]張榮魁.蘭州西固熱電廠閥控式鉛酸蓄電池在線監測及應用研究[D].重慶：重慶大學，2004.

（編輯：莫婕）

Aviation lead-acid battery capacity detection using extreme learning machine

HU Yan，YANG Yang，XIE Jiayu，LI Weiqing，JIANG Lingping
（Aviation Engineering Institute，Civil Aviation Flight University of China，Guanghan 618307，China）

Abstract:Aiming at the traditional BP neural network models are inefficient and prone to fall into local extreme values，the extreme learning machine（ELM）was proposed as an alternative in the detection of aviation lead-acid battery capacities. This new learning algorithm for the studies of single-hidden layer feed forward neural networks（SLFNs）can both simplify the parameter selection process and improve the network training speed. The optimal parameters obtained by this algorithm were used to design a model for detecting aviation lead-acid battery capacities. According to the experimental results，the ELM has made classification more accurate and has quickened network training. Thus，it can be used to test the capacity of aviation lead-acid batteries.

Keywords:extreme learning machine；aviation lead-acid battery；capacity detection；detection model

通訊作者：蔣陵平（1971-），男，重慶市人，教授，碩士生導師，主要從事航空發動機維修、復合材料修理技術研究。

作者簡介：胡焱（1973-），男，四川大英縣人，副教授，碩士生導師，主要從事航空電子設備相關研究。

基金項目：中國民用航空飛行學院自然科學面上項目（XM0514）

收稿日期：2015-02-24；收到修改稿日期：2015-04-15

doi：10.11857/j.issn.1674-5124.2016.02.027

文獻標志碼：A

文章編號：1674-5124（2016）02-0119-03