基于遺傳-Bp神經網絡的航空發動機氣路故障診斷研究

朱濤 張棟善

摘要：文章概述了BP神經網絡結構，分析了BP神經網絡內部的故障檢測運算方式，進而研究了BP神經網絡在航空發動機氣路故障診斷中的具體應用，希望可以為相關人員提供參考。

關鍵詞：BP神經網絡;航空發動機氣路;故障診斷

中圖分類號：V263.6 ? ? ? ? ? ?文獻標識碼：A

航空飛行器會出現諸多故障，例如發動機故障、零件故障等，這會對航空飛行造成影響。因此，需要通過較為有效的方式來檢測航空飛行器的故障，最終才可以更加有效地發現故障并解決故障。

1 基于BP神經網絡的故障診斷

2 BP神經網絡內部的故障檢測運算方式

反向傳播學習算法誕生于1986年，是由Rumelhart提出的，即BP算法。反向傳播BP神經網絡是建立在誤差基礎上訓練算法的多層超前網絡，在神經網絡模型中應用比較廣泛。這一算法可修正網絡各個層次的權系數，在多層網絡中均比較適應。當前BP算法應用比較廣泛，是神經網絡學習算法中的一種，在自動控制中更為有用。其所包含的層次有輸入與輸出層，還包括輸入與輸出之間的中間層。中間層有單層與多層之分，和外界聯系較淺，也就是所謂的隱層，隱層中的神經元即隱單元。隱層雖然與外界無法連接，但其狀態直接與輸入和輸出之間存在密切關系。這代表隱層權系數發生變化，可從整體上對多層神經網絡性能加以改變。

檢測神經網絡，其要點是無須事先羅列出與之對應的模式經驗知識和對應的函數判別，因為其為一類自適應性模式，可充分利用自身的學習機制，打造決策區域。網絡獲取某種映射關系時，需經狀態信息訓練不同狀態的信息，這種映射關系，會隨環境的變化而變化，適應于多變的環境，其實際算法：輸入為“net=”輸入為“y =”輸出的導數為“ =y（1-y）”。

BP神經網絡主要是經諸多神經元互相連接實現的，其所具備的特點是單向傳播，是多層前向網絡，主要分為三個層次，即輸入層、中間層與輸入層。中間層又可劃分諸多層次，對各層神經元而言，主要是接受前一層神經元的輸出。除此之外，BP神經網絡不存在反饋，在同層的不同節點中，相互之間具有耦合作用，下一層節點輸入會受到較大的影響。

BP神經網絡模型是由多層組成的，包含諸多隱含層。同層中不同神經元互相獨立存在。輸入信號時輸入層神經元按照先后順序通過每個隱含層神經元，最后由輸出層神經元接受，其中BP網絡模型結構具有隱含層，隱含層神經元個數是m，從理論上講，所代表層數有輸入層一個以及線性輸出層一個、隱含層，含有上述層的BP網絡可以任意精度接近連續的較微的函數。相較于系統內存變量與存儲類別，可結合不同類別變量生存期與作用期，為程序設計變量的組織合理設計，使程序效率得以提升，使其內存得以減少，于一定程度上發揮出較強的指導作用[2]。

3 BP神經網絡在航空發動機氣路故障診斷中的具體應用

從整體上來說，當前航空發動機氣路故障診斷對飛參系統有重要意義，但也存在缺陷與不足。為有效發揮飛參系統功效，以下諸項極為重要。

3.1 大力開設BP神經網絡下航空發動機氣路故障診斷探析

借助故障診斷系統可評估航空系統，掌握航空的實際飛行，給航空發動機氣路的診斷提供重要的指標，提供技術上的支撐。在新的情形下，有關部門需在原有基礎上建立檢測航空與系統狀況的系統，積極對故障展開分析與研究，建設系統狀態檢測數據庫，構建有效的信息資源網，真正為航空信息資源共享打造基礎，對航空加大控制與監督[3]。

3.2 打造航空實時診斷與故障診斷支持系統

從理論上講，航空飛行器的實際狀況與故障的診斷離不開系統數據的支撐，因為此系統源于數據鏈上形成，可使子系統互相結合。簡單來說，航空飛行器的實際情況和故障診斷系統的設置可嚴密監控飛行器的飛行，診斷其所存在的故障，并診斷支持系統。圖4是飛參系統內部處理流程圖。

此系統所具有的特點有三個：其一，可對航空故障初次加以診斷，合理運用數據通信網絡傳輸飛行參數信息，借助地面專家系統預測系統故障，將所得數據上傳至航空飛行器，指導飛行員及時處理故障。其二，將神經元網絡與數據有機結合，合理運用監控儀器分析航空狀況，依據專家系統來診斷航空故障，定位航空所存在的故障，預測余下的壽命。其三，具有自動化水平。面對當前突飛猛進的科學技術，自動化技術尤為重要，航空的實時診斷與故障勘察離不開高超的自動化技術。自動診斷系統可對數據加以有效分析，這樣不僅可減少對人員的依賴，還可深度掌握數據，給航空發動機氣路故障的診斷提供強有力的技術保障[4]。

3.3 BP神經網絡在航空發動機氣路故障診斷中的作用

當前，我國對航空發動機氣路故障診斷與維修技術非常重視，其技術發展迅速，但依然有需要注意的環節。其一，故障定位不夠準確。當前的檢測方式主要是為單個設備提供必要的故障信息，以此來診斷存在的故障，如圖5所示。從全局出發，這種檢測方式不僅缺乏深度，并且虛警率比較高，導致故障定位比較困難，故障診斷準確率比較低。其二，故障診斷的自動化程度不高。在當前科學技術的不斷發展下，航空維修并沒有過多地采取最先進的科學手段，另外現階段航空的故障診斷與壽命控制還是以人工操作為主，所以對維修人員提出了更高的要求。然而根據筆者的分析與調查，維修人員往往流動性比較大，無法保證維修人員的穩定性，無法保證維修水平與維修效率[5]。

4 結語

BP神經網絡所存在的非線性映射較強，其自身適應能力也較強，將其實際應用在航空故障診斷中，可以有效確定航空飛行器出現故障的位置與因素，這樣就可以從根本上有效降低航空故障造成的影響。

（責任編輯：武多多）

參考文獻：

[1]盧俊文，吳瑞，?；⑸?，等.航空發動機氣路改進神經網絡故障診斷研究[J].自動化儀表，2015，36（1）：5-8.

[2]趙國昌，徐昂，宋麗萍，等.BP與RBF神經網絡在航空發動機氣路故障診斷中的應用[J].濱州學院學報，2017，33（4）：11-17.

[3]陳恬，孫健國，郝英.基于神經網絡和證據融合理論的航空發動機氣路故障診斷[J].航空學報，2006，27（6）：1014-1017.

[4]許夢陽，黃金泉，魯峰.航空發動機氣路故障診斷的SANNWA-PF算法[J].航空動力學報，2017，32（10）：2516-2525.

[5]鮮倪軍.基于ABC-BP神經網絡的航空發動機故障診斷方法[J].裝備制造技術，2018，（5）：179-181，184.