基于神經網絡的渦軸發動機故障診斷仿真研究

劉巖松　姜文鑫

摘要：為了避免基于專家系統、模糊參數等傳統方法，對渦軸發動機進行故障診斷而導致的診斷速度慢、數據精確差、正確率低等缺點，提出一種基于神經網絡的故障診斷方法。此方法通過建立三層神經網絡模型，以徑向基函數為中心運用MATLAB軟件進行了仿真訓練與測試，再分析對比前期研究經驗，結果表明基于徑向基函數的神經網絡在訓練速度以及診斷正確率上效果較好，能夠有效的對渦軸發動機進行故障診斷。

關鍵詞：渦軸發動機;故障診斷;神經網絡;徑向基函數

0 ?引言

渦軸發動機是渦輪式直升機中最為重要的組成部分，其運行的狀況將直接影響到整個直升機的健康水平。目前常用的智能化故障診斷的方法很多，文獻[1]以離線、在線兩種推斷策略，對渦軸發動機建立了故障診斷專家系統進行故障診斷;其缺點在于診斷時效滯后，無法有效快速排除故障。文獻[2]運用故障方程法對渦軸發動機穩態狀態下的氣路故障進行了診斷;其缺點在于故障模型線性化后，理論上其精度必受損失，從而導致誤診。為了克服以上問題的出現，本文將以某型渦軸發動機為對象，通過基于徑向基（RBF）神經網絡進行故障診斷仿真研究。通過對比前期研究經驗，結果表明此種方法診斷精度較高，診斷過程簡單，具有較強的實踐應用能力。

1 ?徑向基函數神經網絡模型

徑向基神經網絡是一種前向型反向傳播網絡，基本的網絡結構包括輸入層、隱含層（也稱為RBF層或基層）、輸出層。輸入層作為網絡起始點將信號傳遞到隱含層;隱含層的作用是將低維空間非線性輸入向量映射到高維空間變為線性可分，其作用函數徑向基函數一般為徑向對稱的高斯函數，激勵公式[3]為：

式中x是n維輸入向量;ci是第i個基函數的中心;σi是第i個感知的變量;m是隱含層單元個數。輸出層為線性層，完成輸出空間最終的線性變換。由于激勵函數為純線性函數，因此由徑向基層引出最終輸出為加權求和的公式為：

式中wik隱含層每個神經元與輸出層相連的權值，p為輸出層神經元節點數。

2 ?渦軸發動機故障診斷模型設計

本文將以氣路故障為例，為區別于不同航空發動機，突出某型渦軸發動機雙渦輪結構特點，根據渦軸發動機故障時狀態參數選取網絡輸入層節點的特征值。因此RBF網絡輸入層的特征分別為軸功率、燃氣渦輪出口溫、燃氣渦輪轉速、自由渦輪轉速以及扭矩。在對渦軸發動機的故障識別時，選取了放氣活門異常、一級燃氣渦輪裂紋、燃氣發生器故障、燃氣渦輪轉子超速作為輸出層的特征參數。為了檢驗網絡對故障判定的抗干擾能力，將正常數據算作故障特征值的一種，加入到輸出層中。

在神經網絡應用于故障診斷的實踐中，由于網絡輸入向量是由不同的量綱提取得出的特征參數，所以在數值上會有較大差別，這樣不利于整個網絡的收斂。因此，對于網絡輸入向量進行歸一化將顯得格外重要。本文將采用傳統的[-1，1]公式對輸入向量進行歸一化。

式中x為歸一化后的值，xi為原參數值，max（xi）和min（xi）分別為向量元素的最大值與最小值。對于輸出層的設定，按照[0，1]數值大小表示。越接近1時，則表示對應的故障識別程度越高。

3 ?基于MATLAB的仿真研究

本文的仿真實驗收集了10組故障數據，其中，5組用作訓練樣本，另5組用作測試樣本。程序上采用了MATLAB R2018a神經網絡工具箱中提供的newrb函數創建徑向基神經網絡，其調用格式為：net=newrb（P，T，goal，spread，MN，DF）。其中，參數P為5組特征向量[Power，TOT，N1，N2，M]組成的輸入層矩陣;T為5組特征向量[F0，F1，F2，F3，F4]組成的輸出層矩陣，其目標輸出分別為[1，0，0，0，0]正常，[0，1，0，0，0]放氣活門異常，[0，0，1，0，0]一級燃氣渦輪裂紋，[0，0，0，1，0]燃氣發生器故障，[0，0，0，0，1]燃氣渦輪轉子超速。其余四個參數分別為徑向基函數的擴展速度、徑向基函數的分布、神經元最大數目、迭代過程中的顯示頻率。輸出參數net為返回值，一個徑向基網絡，其訓練過程與結果如圖1所示。從圖1可以看出，網絡訓練4次時，實際誤差值便達到了目標誤差要求。

對訓練后的徑向基神經網絡進行測試。為測試網絡對于故障診斷的抗干擾能力，對測試樣本數據順序進行變換，測試樣本實際的輸出分別為正常、燃氣渦輪轉子超速、一級燃氣渦輪裂紋、燃氣發生器故障、放氣活門異常。從測試結果可以看出，診斷正確率為100%。

4 ?仿真結果比較

此前，筆者已做過相關研究工作，以BP神經網絡法對渦軸發動機進行故障診斷，建立模型選用輸入層參數、隱層數量、輸出層參數、目標誤差值均與本次研究一致，測試數據的選用同樣一致，其結果比較如表1所示。

由此可以看出，基于神經網絡的渦軸發動機故障診斷，在某些同等條件下，完成目標誤差所需訓練次數及診斷正確率上，RBF神經網絡法要優于BP神經網絡法。

5 ?總結

區別于不同的航空發動機，本文根據渦軸發動機雙渦輪的結構特點，進行了基于神經網絡的智能故障診斷仿真研究，建立了以徑向基函數為核心的三層神經網絡模型，并結合MATLAB軟件，對輸入參數及輸出故障進行了仿真訓練與測試。經過與前期研究經驗的分析比對，總結出RBF神經網絡在訓練速度與診斷精度上效果更佳。希望通過本次研究之后，可以為各航司診斷渦軸發動機故障提供理論依據。

參考文獻：

[1]李洪偉，范文正，李建國.某型渦軸發動機故障診斷專家系統研究[J].航空維修與工程，2007，5（19）：47-49.

[2]毛景立，李鳴，林健.某型渦輪軸發動機穩態氣路故障診斷方法[J].航空動力學報，2002，17（1）：69-74.

[3]侯媛彬，杜京義，汪梅.神經網絡[M].西安：西安電子科技大學出版社，2007，8.

作者簡介：劉巖松（1963-），男，遼寧沈陽人，碩士，教授，主要研究方向為航空工程;姜文鑫（1987-），男，遼寧丹東人，在讀碩士，實驗師，主要研究方向為航空工程。