基于ABC-BP神經網絡的航空發動機故障診斷方法

鮮倪軍

（中國民航大學航空工程學院，天津300300）

航空發動機中存在大量摩擦副，由于摩擦副的作用導致許多金屬磨屑懸浮在滑油之中，而磨屑蘊含著發動機磨損狀態的重要信息，因此滑油金屬磨屑成為檢測發動機機械磨損狀態的一項重要指標[1]。

針對航空發動機機械磨損問題，國內外有關學者進行了相應的研究，文[2]基于信號處理方面，運用傳感器實時監測，利用小波變換對時域和頻域進行處理處理。文[3]基于模型方面，對發動機滑油系統進行建模來判斷發動機滑油系統機械磨損的狀態，單個發動機滑油系統結構不同，構建的模型缺乏普遍適用性。文[4]主要利用決策樹構建專家系統進行故障診斷，單故障模式的判別比較單一。文[5]基于數據驅動，引入智能算法進行磨損故障診斷，具有很好的數據自適應性，隨著人工智能的發展，基于數據驅動的優勢越發明顯。

本文基于滑油磨屑特征參數和鐵譜數據，采用BP神經網絡[6]，引入人工蜂群算法[7]（Artificial Bee Colony，ABC），提出一種基于ABC-BP神經網絡的滑油故障診斷模型，實驗結果表明，與BP神經網絡和粒子群優化BP神經網絡相比，該方法收斂速度更快，診斷準確率更高，根據滑油金屬屑的特征分析進行故障診斷，結合發動機磨損模式識別庫，可以有效識別發動機磨損模式，為實現故障預測和健康管理奠定基礎。

1　航空發動機機械磨損診斷模型

1.1　研究問題描述

發動機內部一旦發生機械磨損，會造成機械部件表面材料損傷或脫落，脫落的材料以金屬磨屑的形式存在滑油系統當中[8]。對金屬屑的自動識別研究有助于故障趨勢的分析，大大縮短人為診斷的時間和漏檢性，從而保證了飛機發動機的可靠性。

1.2　基于ABC-BP神經網絡的發動機故障診斷模型

BP神經網絡是一種多層前向反饋神經網絡，采用誤差后向傳播學習算法，具有良好的學習自適應能力。此模型利用ABC算法優化BP神經網絡，避免了陷入局部最優，提高了收斂速度，分類效果好，診斷結果準確率高。

1.2.1人工蜂群算法

人工蜂群算法主要的思想是模仿蜜蜂群的覓食行為，算法很好的結合了全局搜索和局部搜索，在算法的探索和開采兩個方面達到較好的平衡。

ABC算法主要包括三部分：食物源、雇傭蜂和非雇傭蜂，其中非雇傭蜂又包括觀察蜂和偵察蜂。

（1）在ABC算法初始化階段：設置種群規模，食物源位置NP/2=SN，每個食物源位置由式（1）計算：

（2）在雇傭蜂階段，每個雇傭蜂根據式（2）在當前食物源位置附近找到一個新的位置，即一個新的解。

其中，k∈（i=1，2，…，NP）和 j∈（1，2，3，…，D）是隨機選擇的索引，并且k≠ i.φij是在[-1，1]之間產生一個隨機數。通過適應度函數fit計算食物源位置的適應度值。

（3）在觀察蜂階段：觀察蜂根據食物源位置的適應度值，按照概率選擇函數來選擇一個食物源。

（4）在偵察蜂階段：如果一個食物源的適應度值經過limit次循環之后沒有得到改善，則該食物源位置將被移除，該食物源的雇傭蜂變成偵察蜂，再次根據式（12）隨機產生一個新的食物源位置。

1.3　ABC-BP神經網絡流程

基于ABC改進的BP神經網絡，將BP神經網絡的誤差函數作為人工蜂群的適應度函數，依靠人工蜂群優秀的局部和全局的搜索能力，可使網絡在訓練中避免陷入局部最小，提高了網絡學習速度和收斂性。具體流程描述如下：

step1：對樣本數據進行規范化處理。

step2：初始化BP神經網絡參數，輸入訓練樣本。

step3：初始化人工蜂群參數，計算待優化參數個數D，設定最大迭代次數，將神經網絡的均方誤差作為ABC算法的適應度函數

step4：運行ABC算法直到MCN次，根據最優食物源屬性計算權值和閾值，將權值和閾值作為初始參數訓練BP神經網絡。

step5：輸入測試樣本數據，計算誤差，判斷是否滿足誤差要求，如果滿足則轉到step8，否則執行step6.

step6：誤差逆傳播過程，根據梯度下降法的原則修正權值和閾值。

step7：若網絡的全局誤差達到要求，則執行step8，否則重復step6直到滿足誤差要求。

step8：計算輸出層。

2　仿真研究

2.1　初始化模型參數

一般情況下航空發動機潤滑油磨屑中的常見磨屑類型可分為如下五類：①摩擦拋光磨屑；②摩擦掉塊磨屑；③切削磨屑；④疲勞剝落磨屑：它包括了疲勞剝塊、鍍層脫落磨屑；⑤氧化磨屑。本文基于實際測定數據暫不考慮氧化磨屑。

將本文提出的故障診斷模型應用于某航空發動機機械磨損故障診斷中，現有某型航空發動機的鐵譜分析數據160組，部分數據如表1、表2所示。

表1　鐵元素含量光譜分析數據（1）

表2　鐵元素含量光譜分析數據（2）

隨機選取110組作為訓練樣本，另外50組作為測試樣本，本文將對BP神經網絡，ABC-BP神經網絡和PSO-BP神經網絡進行對比分析。

2.1.1確定BP神經網絡判斷矩陣

本文根據實際情況將故障分成4類，其判斷矩陣對應故障類型如表3所示，因此可以得出神經網絡的輸入層節點n數為21，輸出層節點q數為4，隱含層節點p根據經驗公式，最終取25時為最佳。

表3　判斷矩陣及故障類型

2.1.2計算個體（食物源）的向量維數D

每個個體對應一個食物源，其向量維數為D，其輸入層、隱含層、輸出層的節點數分別為n，p，q，D可以由BP神經網絡的權值和閾值求得，如式（3）和表4所示。

表4　BP神經網絡的權值閾值

根據式（3）可計算得出本模型中ABC個體的向量維數D.

D=21×25+25+25×4+4=654

2.1.3構造適應度函數fit

不同于一般BP神經網絡選擇優先選擇適應度值大的個體，本文將BP神經網絡的均方誤差函數MSE作為ABC算法的適應度函數fit，如式（4）所示。優先選擇適應度值小的個體引入種群，計算公式如式（5）所示。

其中，yt是網絡的期望輸出，ct是網絡的計算輸出。

2.1.4構造食物源選擇概率公式

每個觀察蜂根據雇傭蜂分享的食物源適應度值的信息，以一定的概率選擇一個食物源。選擇概率公式如下：

2.1.5診斷模型參數輸入

根據以上計算結果，確定ABC-BP神經網絡的初始化參數，并將其余BP神經網絡，PSO-BP神經網絡進行對比，三種模型的初始化參數如表5所示。

表5　三種模型的初始化參數

2.2　診斷結果和對比

測試樣本的診斷結果如圖1所示，表6是三種診斷模型的準確率對比。

圖1　ABC-BP、PSO-BP、BP分類結果與實際分類對比

表6　三種診斷模型準確率對比

如表6所示，改進后的BP神經網絡診斷準確率有所提高，ABC-BP神經網絡比PSO-BP神經網絡準確率更高，從圖2可以看出各自的適應度收斂效果。

圖2　ABC-BP與PSO-BP進化代數對比

從圖2中可知ABC-BP相比PSO-BP，在迭代至15代時已經趨于穩定，具有更快的收斂速度。

2.3　結果分析

通過人工蜂群算法調整權值和閾值后，避免了BP神經網絡陷入局部最優，使得ABC-BP神經網絡誤差更小，診斷準確率更高。相對于PSO-BP神經網絡迭代次數更少，收斂速度更快。

3　結束語

本文采用基于人工蜂群算法改進的BP神經網絡作為診斷模型，提高了收斂的速度和準確率，并將該模型應用于某航空發動機機械磨損故障診斷中，檢驗了診斷模型的有效性。結合根據滑油金屬含量對發動機軸承、機匣和齒輪進行的故障預測，該診斷模型可以為實現故障預測和健康管理奠定基礎，有效地監控發動機傳動系統零部件的磨損情況，降低維修成本。