基于BP神經網絡的航空發動機磨損部位識別

王 琳, 張代國, 葉 晨, 宋 丹

(1.海軍航空大學, 山東 煙臺 264001; 2.海軍駐洛陽407代表室, 河南 洛陽 471000;3.東部戰區海軍保障部,浙江 寧波 315000;4.中國人民解放軍92095部隊,浙江 臺州 318000)

某型發動機結構復雜,多個油潤部件存在大量摩擦副。在航空發動機運行過程中,摩擦副之間的相互作用導致金屬磨粒進入潤滑油,懸浮于潤滑油中的金屬磨粒的成分及含量蘊含著航空發動機磨損狀態的重要信息。光譜分析技術是監測與診斷航空發動機磨損故障的重要手段[1],如何從金屬磨粒信息中挖掘出表征磨損狀態的有效故障特征,是航空發動機油潤部件磨損故障正確診斷及預測的關鍵因素。

神經網絡具有很強的非線性映射能力和容錯性,在設備故障診斷領域得到了廣泛應用[2-3]。針對某型航空發動機,本文提出了基于光譜分析及神經網絡的磨損故障定位診斷方法,并通過算例驗證了該方法的可行性。

1 BP神經網絡的介紹

人工神經網絡(ANN)指人類在對自身大腦神經網絡認識的基礎上人工構造的能夠實現某種功能的神經網絡[4-5],是理論化的人腦神經網絡的數學模型,也是為模仿人腦神經網絡結構和功能而建立的一種信息處理系統。實際上,人工神經網絡是由大量簡單元件相互連接而成的復雜網絡,具有高度的非線性,能夠實現復雜的邏輯操作和非線性關系。

眾多的人工神經網絡中,最常用的是BP神經網絡(backpropagation neural network),即利用誤差反向傳播算法求解的多層前向神經網絡,是一種反向傳遞并能修正誤差的多層映射網絡,其結構如圖1所示。

除輸入節點和輸出節點外,BP神經網絡還有一層或多層隱層節點。一個典型的3層前饋BP神經網絡的拓撲結構如圖2所示。圖2中:LA層(輸入層)含有n個節點,對應于BP神經網絡可感知的n個輸入;LC層(輸出層)含有m個節點,與BP神經網絡的m個輸出響應相對應;LB層(中間層)的節點數目u可根據需要設置。

圖1 BP神經網絡結構Fig.1 Structure of BP neural network

圖2 3層前饋BP神經網絡結構Fig.2 Structure of three-level feedforward BP neural network

令LA層節點ai與LB層節點br間的連接權為ωir,LB層節點br與LC層節點cj間的連接權為vrj,Tr為LB層節點的閾值,θj為LC層節點的閾值,則LB層節點的輸出函數

(1)

LC層節點的輸出函數

(2)

式(1)、(2)中:f()為S型函數。

BP神經網絡可看成是一個從輸入到輸出的高度非線性映射,即:

F∶Rp→Rq,f(X)=Y

對于輸入xk∈Rp和輸出yk∈Rq,可認為存在某一映射g,使得

g(xk)=yk,k=1,2,…,n

若要求出映射f,在某種意義下(通常是最小二乘意義下)f則是g的最佳逼近。BP神經網絡通過對簡單非線性函數的數次復合來近似復雜函數。

2 BP神經網絡的應用

BP神經網絡用于某型航空發動機潤滑部件磨損故障的識別需要遵循以下步驟:

(1)根據診斷對象的特點劃分故障類型,獲取故障信息,然后選取對故障比較敏感的一些參數作為信號的特征參數,同時作為BP神經網絡的輸入單元。

(2)根據診斷對象的特點構造BP神經網絡的結構,即輸入節點個數、隱層數、輸出節點個數等。

(3)用已知診斷結果作為樣本數據對BP神經網絡進行訓練,調整數值矩陣、閾值矢量。若訓練不成功,則需要改變網絡結構參數。

(4)將待檢征兆數據輸入到訓練成功的BP神經網絡,計算輸出向量。根據輸出向量的結果來確定故障類型。

結合某型航空發動機轉動部件的結構設計特點,統計設備使用過程中出現的與發動機磨損相關的故障情況和故障發動機返廠檢修情況。在分析磨損故障原因的基礎上,確定某型航空發動機的主要磨損部位為:低壓壓氣機、中介機匣、高壓壓氣機、低壓渦輪、高壓渦輪、附件傳動裝置、滑油泵。每個磨損部位的主要部件如下所示:

(1)低壓壓氣機(前軸承、后軸承、止推軸承、軸承保持架、軸承襯套、前軸、后軸)。

(2)中介機匣(軸承、軸承保持架、殼體)。

(3)高壓壓氣機(前軸承、后軸承、軸承保持架、前軸、后軸、軸承支座)。

(4)低壓渦輪(低壓渦輪后軸承、低壓渦輪軸、軸承保持架)。

(5)高壓渦輪(鼠籠式彈性支承、軸承襯套、高壓渦輪軸)。

(6)附件傳動裝置(軸承襯套、齒輪、軸承、軸承保持架、殼體)。

(7)滑油泵(齒輪、殼體、軸承襯套、軸承、軸承保持架)。

將上述磨損部位故障模式定義為:低壓壓氣機P1、中介機匣P2、高壓壓氣機P3、低壓渦輪P4、高壓渦輪P5、附件傳動裝置P6、滑油泵P7。另外,定義系統正常P8。

3 BP神經網絡的構建

本文建立了滑油光譜定位診斷3層BP神經網絡。S1,S2,…,S8為神經網絡輸入,分別對應8種金屬元素(Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn)的濃度;P1,P2,…,P8為神經網絡輸出,分別對應8個故障模式。根據經驗公式,隱層節點數

式中:ni為輸入層節點數;no為輸出層節點數;l為1～10之間的整數。本文選取隱層節點數為12。

4 標準故障樣本的構建

將某型航空發動機的8個磨損部位故障模式構造成8種標準模式(也可稱典型模式),每一種標準模式都包含金屬元素的個數和種類信息。Kj表示所含金屬元素的種類,則X={K1,K2,…,K8}。用二進制方法表示金屬元素的存在性,“1”為存在,“0”為不存在。8種標準模式如下所示:

X1={1,1,1,1,1,0,1,0}

X2={1,1,0,0,0,1,1,0}

X3={1,1,0,1,1,0,1,0}

X4={1,1,1,0,1,0,0,0}

X5={1,1,1,0,1,0,0,0}

X6={1,1,1,0,0,1,0,0}

X7={1,1,0,1,0,0,1,1}

X8={0,0,0,0,0,0,0,0}

由此得到光譜子診斷網絡的訓練樣本,如表1所示。

隱層神經元傳遞函數采用S形正切函數tansig,其表達式為

表1 光譜子診斷網絡的訓練樣本Tab.1 Training samples for spectral subdiagnostic network

輸出層神經元傳遞函數采用S型對數函數logsig,其表達式為

網絡的訓練函數采用traingda函數,學習函數采用learndm函數,性能函數采用mse函數。

根據BP神經網絡算法,對光譜子診斷網絡進行編程訓練。

系統設定總誤差為0.01,經過119次訓練后,光譜子診斷網絡的性能達到要求,結果如圖3所示。

5 磨損部位待識別樣本的構建

(1) 樣本矩陣選取

當檢測到的金屬元素濃度發生異常時,可根據相應金屬磨粒的成分確定哪些部件將要或已經發生了異常磨損。在實際工作中,當確定有異常磨損發生后,機務人員往往是憑借經驗進行判斷,如:當檢測到Fe和Cu濃度超過異常值時,判斷主軸承發生了嚴重磨損;當Al濃度超過異常值時,判斷離心通風器偏磨或滑油泵磨損等。這種判斷方式不規范、不嚴謹且誤判概率大。因此,為提高磨損部件故障判斷的精度,需要用數學手段對光譜監測數據之間的關聯性進行深入分析。

圖3 光譜子診斷網絡訓練結果Fig.3 Training results of spectral subdiagnostic network

油液監測信息源非單一信息源,而是由多個信息源共同疊加的混合信息源。存在于潤滑油中的金屬磨粒是發動機內多種部件磨損產物的混合結果,即每一種金屬元素的濃度都不是獨立的,金屬元素之間有一種內在的關聯性。采用聚類分析,可以把具有相同或相近性質的金屬元素聚為一類。如果具有相同或相近性質的金屬元素對應發動機上的某一摩擦副材料,則可以確認該摩擦副材料與金屬元素濃度變化的關系,這就是基于滑油光譜監測數據的磨損部位識別的基本理論依據。

根據采集到的光譜數據,對比界限值,發現某一組數據的Fe濃度超過異常值,這表明可能出現異常磨損。根據發動機的結構特點,選取8種元素進行重點監控,同時選取濃度超過界限值的異常光譜數據的前8組采樣點數據(U1～U8)作為原始數據進行聚類分析。設U={u1,u2,…,u8},其中u1～u8分別對應Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn的濃度。接著,將發生異常磨損時前8個光譜各金屬元素濃度組成樣本矩陣,如表2所示。

表2 前8個光譜各金屬元素濃度組成的樣本矩陣Tab.2 Sample matrix consisting of the first 8 spectra of metallic element concentrations

(2)ui與uj之間相似關系建立

目前相似關系的建立方法主要有數量積法、相關系數法、最大最小法、算數平均最小法、幾何平均最小法等,不同方法的聚類結果會有差異,選取哪種方法要根據大量實踐經驗而定。根據實際情況,本文選取相關系數法來建立相似關系矩陣。相似關系計算公式為根據式(3)得到的相似關系矩陣如表3所示。

(3)

表3 相似關系矩陣Tab.3 Similarity relation matrix

(3) 傳遞矩陣求解

(4) 截矩陣求解并聚類

先求出不同λ值下的截矩陣Rλ,然后根據所求截矩陣進行聚類,各因素聚為一類的充分條件是

Rλ(xi,xj)=1,i,j=1,2,…,7

據此即可得到不同λ值下的分類結果,如下所示:

當0<λ≤0.89時,將U分為1類,即:{u1,u2,u3,u4,u5,u6,u7,u8}。

當0.89<λ≤0.94時,將U分為2類,即:{u2}、{u1,u3,u4,u5,u6,u7,u8}。

當0.94<λ≤0.97時,將U分為3類,即:{u2}、{u4}、{u1,u3,u5,u6,u7,u8}。

當0.97<λ≤0.98時,將U分為5類,即:{u1}、{u2}、{u4}、{u7}、{u8}、{u3,u5,u6}。

當0.98<λ≤1.00時,將U分為7類,即:{u1}、{u2}、{u3}、{u4}、{u5}、{u6}、{u7}、{u8}。

由此可以構造待識別模式,根據上述聚類結果選取λ=0.97,則得到待識別模式X0={1,1,0,1,0,1,1,0}。

6 診斷結果

將待識別模式輸入訓練好的神經網絡,得到輸出結果為U6,它對應的是發動機低壓壓氣機軸承支座磨損。待識別模式中含有金屬元素Fe、Al、Cr、Cu、Mg,這與低壓壓氣機軸承支座磨損所含元素一致,據此可以判斷低壓壓氣機軸承支座最有可能發生劇烈磨損。

7 結語

針對某型航空發動機提出了基于BP神經網絡的磨損故障定位診斷方法,并通過算例驗證了所提出診斷方法的可行性和正確性。結果表明,所建立的診斷方法簡潔有效,并具有很高的診斷精度。