基于BP神經網絡的航空發動機氣路故障診斷研究

石向陽

(濱州學院 飛行學院，山東 濱州 256603)

0 引言

由于航空發動機在飛機系統中的特殊重要性，維修過程中不允許出現差錯，一旦出現故障就可能導致飛機出現空中停車[1]等危險事故，嚴重影響飛機的正常使用，甚至釀成航空事故，從而造成大的經濟損失。因此，航空發動機的故障診斷和狀態監控格外重要。

近年來，有關神經網絡的算法研究成為人工智能領域熱點問題。神經元模型來源于生物的大腦，大腦里有非常多的腦細胞，每一個腦細胞可以看作是一個神經元，神經元之間相互連接構成一個復雜的神經網絡[2]。神經網絡包含有多種模型，例如基于梯度算法的BP神經網絡、Elman神經網絡和RBF徑向基神經網絡等[3]，每種算法的特點不同，適用范圍也有所區別，其中，BP神經網絡應用范圍最廣。BP神經網絡屬于一種依據誤差逆傳播算法訓練的特殊多層前饋網絡，該方法能夠解決一些復雜問題，且能夠對此展開推測、聯想與記憶等系列環節[4]，使得故障診斷率得以提高，所以BP神經網絡很適合應用于現代大型儀器設備，例如汽車、飛機等的故障診斷。

國內外許多學者針對BP神經網絡應用展開了研究，例如FENG提出了基于BP神經網絡的航空活塞發動機機油系統故障診斷[5]，喬文生等提出了將BP神經網絡應用于立磨齒輪箱專家診斷系統[6]，牛華提出了將BP神經網絡應用于汽車發動機故障診斷[7],朱濤提出將ABC-BP神經網絡應用于航空發動機故障診斷[8]，均為該領域研究奠定了一定基礎。本文采用目前應用最廣泛的BP神經網絡算法，針對PW4000航空發動機氣路故障進行診斷研究。

1 BP神經網絡算法

BP神經網絡可以包含大量的輸入與輸出關系，它的網絡結構包含三層：輸入層、隱含層和輸出層[3]。在隱含層的傳輸輸入后，如果樣本輸出的期望值與實際輸出值相差比較大，則轉向反向傳播，系統調整各層的連接權值以減少誤差，直到滿足精度要求。一個典型的BP神經網絡結構如圖1所示[7]。

圖1 BP神經網絡圖

2 故障數據的處理

2.1 故障數據收集

因為航空發動機的數據很多，根據相關的文獻資料，確定出幾個可以反映出發動機故障類型的數據。本文所選取的數據來自某航空公司PW4000發動機的巡航狀態時的歷史監測數據，一共討論了4種氣路故障，分別是：發動機高壓壓氣機故障、低壓壓氣機故障、高壓渦輪故障和低壓渦輪故障[9]。為簡便計算，數據的采集只有4種，分別是發動機排氣溫度TEGT(K)、燃油流量mf(kg/s)、高壓轉子轉速N2(rpm)和低壓轉子轉速N1(rpm)。實驗中，每種故障各收集了50組數據，故障總數為200組。將40組數據用做測試，10組數據用來驗證。

2.2 線性函數歸一化處理數據

線性函數歸一化在處理數據中很常見，通過線性函數歸一化可以把數據放置于單位為一的區間內，可以更快更方便的計算數據。公式如下：

x=(xi-xmin)/(xmax-xmin),

式中，x表示線性函數歸一化處理后得到的數值，xi表示每個發動機性能參數第i個樣本值，xmin表示數據樣本中的最小值，xmax表示數據樣本中的最大值。

因為所處理數據太多，本文僅選擇部分典型數值，以作為線性函數歸一化數據，見表1。

表1 部分線性函數歸一化數據

2.3 確定故障優先級

神經網絡一般會有很多個輸入變量，每個變量的特征都很難預先判定。其中會有很多無關的輸入變量，這些變量會增加模型運算的復雜程度，使模型的誤差變大。所以，對輸入變量進一步篩選后再入模型成為很重要的一步。本文采用的是平均影響值算法，它用來表示輸入對輸出影響的大小，運算結果的符號代表是正相關還是負相關，絕對值的大小表示產生影響的大小。將訓練的樣本同時增加10%，構成一組新的數據，把這組數據作為模型的輸入向量。在一般的情況下，TEGT、mf、N1、N2這4個性能參數為主要的監測對象。運算的公式如下：

Miv=|Y-Yout|。

式中，Yout表示輸出向量，Y表示輸入向量增加10%后的結果，Miv值表示無量綱。

經過計算，平均影響值如表2所示。

表2 故障平均影響值表

由表2可以得出，N2的總和最小，說明N2對網絡的影響程度最小，當要簡化時，可以首先考慮減少N2的數據。

3 BP神經網絡模型在航空發動機故障診斷中的應用

3.1 故障模型的建立

將上述確定的4種故障類型，分別用Y1～Y4表示，數字1表示該部件發生了故障，數字0表示該部件完好。故障模式Y=(Y1,Y2,Y3,Y4)為神經網絡的輸出量，并將它們的輸出量用阿拉伯數字1、2、3、4表示，得表3故障模式。綜上，本文確定的故障模式為Y=(TEGT,mf,N1,N2)。

表3 故障模式

3.2 確定網絡結構

根據建立的故障模型，確定該BP神經網絡結構輸入層是4個神經元，輸出層是1個神經元。由于BP神經網絡的自身局限性，無法確定隱含層的神經元數目。考慮到該數目將會直接影響輸出層結果，甚至影響準確度。因此，本文依據試驗數據與經驗總結的公式相結合的方法，公式為

式中，m表示輸入節點數目，n表示輸出節點數目，a為1～10 之間的整數，l表示取值范疇的區間(1，12)。因為l的取值為1～12，所以從1至12逐個進行實驗驗證，算出每個節點數對應的均方誤差值，均方誤差表達式為

根據表4所示，當l取值為7時均方誤差的值最小，說明當隱含層為7時，運算的誤差最小。所以確定的網絡結構為(4-7-1)型。

表4 不同隱含層的均方誤差表

3.3 故障的診斷與分析

根據上述信息，基本確定網絡結構模型，然后采用BP神經網絡進行訓練和測試。按照前面數據進行訓練，網絡迭代次數的精確度定為0.001，上限設為50 000步，只要程序符合其中任一條件，就會終止訓練。該程序運行結果能夠反映網絡的運行情況，結果如圖2所示。圖3為BP網絡訓練時的誤差收斂曲線，變化平穩，無較大波動，收斂情況良好。

圖2 BP神經網絡界面

圖3 BP神經網絡誤差收斂曲線

根據BP神經網絡的數據，判斷是否達到了預期目標。為了證明所設計的BP網絡結構模型準確度，采用航空公司更為成熟的Elman網絡數據進行對比驗證。將所采集的PW4000發動機故障數據，按照前文4個公式依次計算，然后建立相應的故障數據模型，并對數據展開訓練，最后通過MATLAB軟件仿真輸出曲線圖和預測絕對誤差對比圖，具體如圖4、圖5所示。

由圖4和圖5可知，BP神經網絡和Elman神經網絡的實際輸出與期望輸出曲線值很接近，兩者的絕對誤差也都很接近。但是，考慮到Elman神經網絡會出現訓練速度慢和容易陷入局部極小點的缺點，對神經網絡的訓練較難達到全局最優。BP神經網絡的誤差不僅保持在10%內，而且具備速度更快、誤差率更低等優點。因此，可以驗證BP神經網絡更能夠確定氣路故障的位置。

圖4 BP神經網絡輸出曲線圖

圖5 BP網絡和Elman網絡的預測絕對誤差對比圖

4 結論

本文以航空公司常用的PW4000航空發動機為研究對象，以該型發動機的多種氣路故障作為案例，借助MATLAB軟件，對有關故障數據進行訓練，通過BP神經網絡和Elman神經網絡的實際輸出與期望輸出曲線進行比較，驗證了BP神經網絡算法診斷速度更快、診斷結果更精確、誤差率更低，更能夠確定氣路故障的位置，并在一定程度上彌補了其他診斷方法的不足。