基于GA-GRNN-GA的飛機發動機風扇葉片清洗參數優化

董慧芬 代玉行 王 滲

(中國民航大學機器人研究所 天津 300300)

0 引 言

CFM56-7B發動機用于波音737NG飛機，飛行周期過后需要對發動機風扇燕尾基座區域進行清潔、檢查、潤滑工作，目前大多以人工方式進行清洗，如圖1所示。工卡要求清洗原料是異丙基酒精，使用軟毛刷進行反復清洗，工作強度大，而且長期吸入異丙基酒精會嚴重危害人體健康。因此，研究一種快速、高效、可靠、環保、健康的自動清洗方式來代替人工清洗具有重要的現實意義。

在清洗行業，超聲波清洗是非常成熟的清洗方式之一，具有制造技術成熟，結構簡單便于維護，清洗效果好，避免人和清洗液直接接觸，降低對健康的危害等優點。與人身體直接接觸的手工清洗和其他機械清洗方式等相比，超聲波清洗穿透性強[1]，且能夠清洗工件的死角等難以用手工或者機械方式接觸到的角落，而且不會損傷工件，安全高效，清洗效果更好。根據CFM56-7B發動機SPM手冊要求，超聲波清洗方式可以用于清洗飛機發動機風扇葉片。

在超聲波清洗的影響因素中，皇磊落等[2]研究了超聲波功率和清洗液溫度對清洗效果的影響；Niemczewskib[3]研究了液體中的超聲波空化的比較；李紅霞等[4]進行了超聲空化清洗實驗研究；張艾萍等[5]研究了清洗液溫度對清洗效果的影響。上述學者大多研究一個或者兩個因素在超聲波清洗中的作用和影響，僅停留在對清洗效果的預測方面，在多個參數對清洗效果的影響方面，沒有進行模型建立和算法優化，在多參數對超聲波清洗效果的影響和有效降低能耗上沒有形成理論支持。

確定多個清洗參數與清洗效果之間的非線性關系，能夠對清洗效果進行預測并對清洗參數進行優化，這是關鍵所在。針對這種多個參數與預測目標的非線性耦合關系，高道明等[6]采用模糊數學處理清洗參數與清洗效果之間的非線性關系，從而對清洗效果進行預測。模糊數學處理時，模糊集的劃分人為因素較大，并且模糊集劃分的大小直接影響處理結果的精確性；張金夢等[7]使用遺傳算法優化的BP神經網絡預測停車場的泊車位數量，BP神經網絡在擬合預測方面具有一定優勢，但這建立在數據量充足且非線性耦合比較弱的情況下。而對于超聲波清洗影響因素與清洗效果的非線性耦合關系和數據量不大的情況，這種方法稍顯劣勢。分析當前研究的具體情況，比較上述方法，GRNN優勢更加明顯，其具有強的非線性映射能力，相比較其他神經網絡，更擅長解決非線性問題，并且針對超聲波清洗飛機發動機風扇葉片實驗的數據量不多的情況下，同樣具有一定的優勢[8]。因此，針對飛機發動機風扇葉片清洗中四個清洗參數與清洗效果的非線性耦合關系，采用GRNN對影響超聲波清洗效果的多參數進行處理預測。并以清洗效果為適應度函數，對這四個清洗參數用遺傳算法進行優化，并使用成熟的網絡模型進行預測判斷，最終優化給出適合的清洗參數，實現飛機發動機風扇葉片的低能耗、高效的清潔目標。

光滑因子σ的取值直接影響網絡的性能，因此應該使用超聲波清洗實驗數據，對網絡進行訓練和測試，提高網絡的預測效果，增強網絡的泛化能力。對于優化GRNN模型，王雨虹等[9]采用混沌免疫粒子群優化網絡模型，將光滑因子的值作為粒子位置坐標，操作簡單，但是容易陷入局部最優，對離散狀況應對不足。Yao等[10]基于GA-GRNN優化高速列車頭部三維氣動設計；宋寧佳等[11]使用遺傳算法對光滑因子進行尋優。雖然遺傳算法的自然選擇、交叉和變異操作在編碼實現時相比其他優化算法比較繁瑣，程序運行量大，但其能在迭代過程中實現優勝劣汰，逐代進化產生更好的后代，而且交叉和變異操作增加了進化的不確定性，一定程度上避免了陷入局部最優的情形。因此，本文使用遺傳算法對GRNN模型進行光滑因子的優化處理。

對優化光滑因子的網絡模型，能夠實現對飛機發動機風扇葉片清潔度的預測，相比前面提到的兩位學者使用的模糊數學預測清洗參數與清洗效果之間的非線性關系和BP神經網絡預測停車場的泊車位數量，本文的GA-GRNN模型在訓練數據較少的情況下，同樣可以達到較好預測效果，并且相比BP神經網絡訓練速度更快。最后，在此模型基礎上提出使用遺傳算法優化輸入清洗參數的GA-GRNN-GA模型，對飛機發動機風扇葉片清洗參數進行優化。

1 超聲波清洗影響因素分析

超聲波探頭產生超聲波在液體中傳播，因為空化現象形成空化氣泡，氣泡上升過程中由于聲波膨脹相的變化，空化氣泡受到擠壓，擠壓到一定程度氣泡炸裂產生巨大能量，作用在被清洗物質表面，將污染物清除，從而實現超聲波清洗污染物，因此，空化氣泡的微型爆炸發生在換能器上方，空化氣泡爆炸的區域清洗效果較好，如圖2所示。在空化氣泡形成爆炸區域之前，大部分空化氣泡正在形成；在空化氣泡形成爆炸區域之后，大部分空化氣泡已經爆炸。

使用超聲波清洗飛機發動機風扇葉片，如何實現高效、節能和優良的清洗效果，是超聲波清洗飛機發動機風扇葉片的關鍵?，F針對單一因素對超聲波清洗效果的影響，實驗分析其與清洗效果的關系。清洗效果用清潔度來表示，清潔度定義為s：

s=w/d

(1)

式中：w表示清洗干凈的面積，d表示清洗總面積。

(1) 超聲波功率對清潔度的影響。保證其他條件基本不變的前提下，擬合實驗數據，得到超聲波探頭功率與清洗飛機發動機風扇葉片壓力面清潔度的關系如圖3所示。

圖3 超聲波功率與清潔度的關系

由圖3可知，超聲波清潔度隨著功率增加而增加，探頭功率的加大，更有利于超聲波的空化作用，從而提高清潔度。

(2) 清洗液溫度對超聲波清潔度的影響。結合本文實驗環境，得出清洗液溫度與清潔度的關系如圖4所示。

圖4 清洗液溫度與清潔度的關系

實驗得出最佳溫度在56 ℃左右，在此之前，溫度的升高有利于提高超聲波清洗飛機發動機風扇葉片的清潔度，到達一定程度，溫度的影響開始降低，若繼續升高溫度，則清潔度開始出現降低的情況。

(3) 清洗時間對超聲波清潔度的影響。不同的清洗液清洗不同的對象，會有不同的工藝參數狀態，對于超聲波清洗飛機發動機風扇葉片而言，根據工卡要求進行實驗，得出清洗時間和清潔度的關系如圖5所示。

圖5 清洗時間與清潔度的關系

由圖5可知，清潔度隨著清洗時間的增加而提高，在前25分鐘內清潔度上升明顯，在清洗時間達到30分鐘時，清潔度的變化減緩，清洗時間對清潔度的影響接近飽和。

(4) 清洗距離對超聲波清潔度的影響。前面分析可知，根據超聲波清洗空化原理，換能器上方充滿空化氣泡，距換能器的高度不同。空化氣泡的形成程度不同。在空化氣泡集中爆炸區域，超聲波清洗能較好地發揮清洗作用，因此改變工件距超聲波換能器的距離，尋找最佳清洗區域。根據實驗數據得出超聲波清洗距離與清潔度的關系如圖6所示。

圖6 工件清洗距離與清潔度的關系

結合目前的實驗環境和參數組合，在0 cm～10 cm的區域，空化正在形成，清潔度雖有提高，但變化不明顯，在10～13 cm時，清潔度顯著提高，超過13 cm，清潔度開始下降。由此可得，超聲波空化氣泡爆炸區域集中在高度約為13 cm的區域，因此最佳清洗距離約在13 cm。

由前面的分析可見，雖然每個參數對清潔度都有一個最佳的點或者一個很小的最佳區間，但是由于沒有進行四個參數進行協同優化，控制變量的選取并沒有準確的理論數據可依，并沒有實現清潔度優化高效、節能的目標。因此建立基于GRNN的飛機發動機風扇葉片清洗參數優化模型，對清洗參數進行協同優化很有必要。

2 基于GRNN的飛機發動機風扇葉片清潔度預測模型

2.1 GRNN

廣義回歸神經網絡在結構上分別是輸入層、模式層、求和層和輸出層，如圖7所示。

圖7 GRNN模型結構圖

其中:網絡的輸入為X=[x1,x2,…,xn]T，輸出為Y=[y1,y2,…,yn]T。

GRNN是一種基于非線性回歸的人工神經網絡，輸入相對輸出的回歸就是計算輸入為X的情況下，Y的網絡預測輸出。

(2)

(3)

(4)

從式(4)中可以看出，光滑因子太大，網絡輸出接近于網絡的輸入的均值，反之，網絡的輸出接近訓練樣本數據。這表明只有當需要預測的點在訓練樣本集中時，網絡的預測值會和樣本中對應的因變量非常接近，如果是樣本中沒有的點，則可能預測結果相差甚遠，這說明光滑因子的取值范圍決定了網絡的泛化能力。因此應當輸入數據對模型進行訓練，尋找和優化光滑因子，提高模型的泛化能力。

2.2 預測模型訓練

針對超聲清洗功率、溫度、時間和清洗距離運用控制變量的方法進行多次實驗，實驗所用設備的超聲波探頭頻率為28 kHz，如圖8所示?？紤]實驗的局限性，目前采用與飛機發動機風扇葉片壓力面表面類似的合金代替進行清洗，圖9所示為表面噴涂有二硫化鉬的工件正在使用超聲波設備進行清洗。按照前面清潔度的定義來計算，獲得實驗數據如表1所示，在MATLAB中進行GRNN模型訓練。

圖8 超聲波清洗設備

圖9 超聲波清洗表面帶有二硫化鉬的工件

表1 飛機發動機風扇葉片清洗GRNN預測模型訓練數據

經過遺傳算法迭代優化光滑因子，得到誤差范圍內的σ值，具體流程如圖10所示。

圖10 GA訓練GRNN模型流程圖

圖10中，初始化一個光滑因子，值為1，使用訓練數據輸入模型進行模型訓練，計算適應度函數值，檢驗預測結果的均方根誤差。對于均方根誤差不小于0.05、不符合要求的進一步對光滑因子使用遺傳算法進行優化，繼續輸入數據進行訓練，直到結果符合要求，得出合適的光滑因子，從而完成模型的訓練。這里取光滑因子取值范圍在0～1之間，遺傳算法采用10位二進制編碼；當測試樣本誤差達到要求時，光滑因子σ=0.247。

3 葉片清洗參數優化與實驗驗證

3.1 參數GA優化

對于已經訓練好的GRNN模型，以清潔度最佳和消耗能量最小為目標和約束條件，使用遺傳算法對輸入數據進行優化：

s≥90%

(5)

minF(p,c,t,h)=[p,c,t,h]T

(6)

式中：p表示超聲清洗功率，c表示清洗液溫度，t表示清洗時間，h表示清洗距離。

流程圖如圖11所示。

圖11 GA優化清洗參數流程圖

對于已經訓練好的GRNN模型，輸入模型清洗參數，進行參數優化，結合超聲波實驗設備，優化取出有代表性的能量最低的數組數據，如表2所示。

表2 飛機發動機風扇葉片清洗參數優化數據組合

續表2

從表2中MATLAB仿真數據可以看出：功率是在超聲波清洗中一個較為重要的因素，功率和溫度存在著非線性的負相關關系，隨著功率的增大，達到基本一致的清洗效果時，溫度逐漸降低,對溫度的依賴降低。為了維持較好的清洗效果，超聲波功率不太高的情況下，超聲波清洗液的溫度要保持在60 ℃左右。清洗時間的大小對超聲波清洗的清潔度影響分為兩種情況，功率較小時，對時間依賴比較大，隨著功率升高，時間可縮短50%以上。另外，工件的最佳清洗高度并非是某一個數值，而是一個高度變化較小的區域，換言之，最佳清洗高度是一個高度區域。

3.2 葉片清洗效果檢測與分析

采用仿真結果的清洗工藝參數組合，進行飛機發動機風扇葉片清洗實驗，圖12(a)是完全干凈的工件原始圖，圖12(b)是附著上污染物的效果圖，圖12(c)是使用第一組數據(p=240 W,C=67℃,t=36 min，h=8 cm)清洗之后效果圖，圖12(d)是使用第二組數據(p=900 W,c=42 ℃,t=24 min，h=11 cm)清洗之后效果圖。待洗污染物用飛機發動機葉片正常維護使用的罐裝二硫化鉬噴劑，跟實際清洗時候的附著物保持一致。

(a) 干凈工件原始圖

(b) 工件附著污染物效果圖

(c) 第一組數據清洗效果圖

(d) 第二組數據清洗效果圖圖12 清洗實驗效果圖

針對兩次實驗的清洗效果，通過對清洗之后圖像進行去噪、前景提取、閾值范圍確定和二值化處理等操作，計算清洗后工件的清潔度，可得用第一組數據清洗的清潔度為0.88，用第二組數據清洗的清潔度為0.90。二者的理論優化參數經模型輸出預測結果分別為0.92和0.94。用下式計算清潔度的相對誤差：

(7)

式中：η定義為超聲波清洗飛機發動機風扇葉片的相對誤差，s是仿真結果的清潔度，st是清洗實驗獲得的實際清潔度。計算可知清潔度最大誤差小于4.3%，清洗參數優化滿足清洗要求，同時證明了GA-GRNN-GA模型的可使用性。

4 結 語

本文對超聲波清洗飛機發動機風扇葉片進行研究，建立了基于GA-GRNN的飛機發動機風扇葉片超聲波清潔度預測模型，實現了對風扇葉片超聲波清潔度的預測，并在預測清潔度的基礎上對清洗參數進行優化。實驗結果表明，基于GA-GRNN-GA預測及優化模型是合理的，優化的清洗參數在保證清潔度的同時可以降低能耗，提高清洗效率，為解決傳統手工清洗對人身健康危害、資源浪費和效率低下問題，提供一種超聲波自動清洗飛機發動機風扇葉片的有效途徑。