曹惠玲，黃樂騰，李志偉，龐思凱

（中國民航大學航空工程學院，天津 300300）

基于SOM神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機滑油系統(tǒng)健康評估

曹惠玲，黃樂騰，李志偉，龐思凱

（中國民航大學航空工程學院，天津 300300）

研究了基于SOM神經(jīng)網(wǎng)絡(luò)的滑油系統(tǒng)健康評估方法。利用SOM神經(jīng)網(wǎng)絡(luò)確定了系統(tǒng)不同狀態(tài)下的健康參數(shù)，并與故障狀態(tài)下的健康指數(shù)進行比較，劃分了系統(tǒng)的健康等級，為及時評判滑油系統(tǒng)的健康情況提供了依據(jù)。利用正常樣本及故障樣本分別對SOM神經(jīng)網(wǎng)絡(luò)進行驗證，結(jié)果證明了模型的有效性。SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于健康評估時具有泛化能力好、學習速率快、輸出層結(jié)果比較直觀等優(yōu)點，為滑油系統(tǒng)的健康評估提供了新的方法和思路。

航空發(fā)動機滑油系統(tǒng)；SOM神經(jīng)網(wǎng)絡(luò)；健康評估；QAR

航空發(fā)動機是一個非常復(fù)雜的系統(tǒng)，而滑油系統(tǒng)是航空發(fā)動機上的關(guān)鍵系統(tǒng)之一，其主要作用是提供足夠數(shù)量的清潔滑油，為發(fā)動機各處的軸承和齒輪提供潤滑，并帶走摩擦產(chǎn)生的熱量和雜物。

由此可見，發(fā)動機能否可靠工作，很大程度上取決于滑油系統(tǒng)的正常工作。因此，準確判斷滑油系統(tǒng)的健康狀態(tài)，及時發(fā)現(xiàn)滑油系統(tǒng)的異常情況，對于保障發(fā)動機的正常工作具有重要意義。本文利用QAR數(shù)據(jù)，運用SOM神經(jīng)網(wǎng)絡(luò)算法，建立航空發(fā)動機滑油系統(tǒng)健康評估指標，實現(xiàn)及時檢測航空發(fā)動機滑油系統(tǒng)異常健康狀況的目的。

1 SOM神經(jīng)網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）也稱Kohonen網(wǎng)絡(luò)，它是由荷蘭學者Teuvo Kohonen于1981年提出的[1]。Kohonen認為，一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分為不同的對應(yīng)區(qū)域，各個區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征，而且此過程可自動完成[2]。SOM網(wǎng)絡(luò)正是根據(jù)這一觀點提出的，該網(wǎng)絡(luò)是由一個全連接的神經(jīng)元陣列組成的無教師、自組織、自學習網(wǎng)絡(luò)，具有泛化能力好、學習速率快、輸出層結(jié)果比較直觀等優(yōu)點，常用于數(shù)據(jù)分類和系統(tǒng)故障診斷等。

1.1 SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

典型的SOM神經(jīng)網(wǎng)絡(luò)由輸入層和競爭層組成。輸入層神經(jīng)元為m，競爭層為由a×b個神經(jīng)元組成的二維平面陣列，如圖1所示，輸入層和競爭層神經(jīng)元之間實現(xiàn)全連接[1]。

圖1 二維陣列SOM神經(jīng)網(wǎng)絡(luò)模型Fig.1 SOM neural network model of two-dimensional array

SOM神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元排列呈一維線陣、二維平面陣和三維柵格陣等多種形式[2]。SOM網(wǎng)絡(luò)一個典型特征就是可以在一維和二維處理單元上形成輸入信號的拓撲分布，因此其具有抽取輸入信號模式特征的能力。

1.2 SOM神經(jīng)網(wǎng)絡(luò)學習算法

Kohonen自組織特征映射算法，能自動找出輸入輸出數(shù)據(jù)之間的類似性，將相似的輸入在網(wǎng)絡(luò)上就近配置，因此是一種可以構(gòu)成對輸入數(shù)據(jù)有選擇地給予反應(yīng)的網(wǎng)絡(luò)。Kohonen的自組織特征映射的學習算法歸納如下：

首先進行網(wǎng)絡(luò)初始化，賦予較小的初始值并進行歸一化處理。然后接受輸入，從訓(xùn)練集中選取輸入數(shù)據(jù)組成輸入向量，經(jīng)過映射層中各神經(jīng)元計算權(quán)值向量和輸入向量的歐氏距離，得到一個具有最小距離的神經(jīng)元，記為勝出神經(jīng)元j*。接下來按式（1）修正輸出神經(jīng)元j*及其鄰近神經(jīng)元的權(quán)值

其中：θ為隨時間t變化的變量，并逐漸趨向于0；wij為輸入層的i神經(jīng)元和j神經(jīng)元之間的權(quán)值

2 航空發(fā)動機滑油系統(tǒng)健康評估實例分析

航空發(fā)動機滑油系統(tǒng)因其結(jié)構(gòu)非常復(fù)雜，而且參數(shù)之間的函數(shù)關(guān)系不明顯，難以用比較完備的模型對其進行有效描述。而神經(jīng)網(wǎng)絡(luò)以其高度的自組織和自學習能力，為系統(tǒng)的健康評估提供了一個新的思路。

2.1 建立健康評估系統(tǒng)

對滑油系統(tǒng)，主要選擇滑油壓力、滑油溫度和滑油量3個參數(shù)來表征滑油系統(tǒng)的工作狀態(tài)。本文數(shù)據(jù)主要來源于某航空公司B737-800的CFM56發(fā)動機2009年9月—2010年9月間的QAR數(shù)據(jù)。

SOM神經(jīng)網(wǎng)絡(luò)的健康評估方法總體思想和其他神經(jīng)網(wǎng)絡(luò)的基本思想相同，即利用樣本訓(xùn)練收斂穩(wěn)定后的連接權(quán)值，向網(wǎng)絡(luò)輸入待診斷的樣本征兆參數(shù)，根據(jù)輸出值的大小確定故障類別[4]。應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)健康評估系統(tǒng)的步驟為：

1）選取發(fā)動機滑油系統(tǒng)的正常樣本。

2）利用SOM神經(jīng)網(wǎng)絡(luò)對正常樣本進行學習和分類，使輸出層的各個神經(jīng)元能很好地描述數(shù)據(jù)集的分布特征。

3）提取輸出層神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣，以此作為數(shù)據(jù)集的代表樣本，記為Pre（A）。

4）將正常樣本記為Set（B），其中所屬的各個向量為xi。

5）計算xi與Pre（A）間的歐氏距離d（xi，Pre（A））并排序，計算公式如下

其中：Wj為Pre（A）中的數(shù)據(jù)。

6）選取拒絕率γ=0.02，將d（xi，Pre（A））中最大的2%的樣本排除。由排序結(jié)果定出閾值SOMfa。

7）計算測試樣本Z與Pre（A）之間的歐氏距離d（Z，Pre（A）），如若d（Z，Pre（A））>SOMfa，則說明Z為異常。

由上述步驟可以看出，系統(tǒng)的健康狀態(tài)可以用健康參數(shù)與閾值SOMfa的比值來定量表示。因此，根據(jù)系統(tǒng)健康評估的定義，可以定義健康評估指數(shù)（health assess index，HAI）為

2.2 基于SOM網(wǎng)的健康評估

航空發(fā)動機因構(gòu)造比較復(fù)雜同時使用溫度比較高，導(dǎo)致滑油消耗較大。為保證發(fā)動機內(nèi)各軸承正常工作，其滑油系統(tǒng)構(gòu)造也比較復(fù)雜，因而滑油系統(tǒng)故障較多[5]。根據(jù)滑油系統(tǒng)的故障機理分析及該領(lǐng)域的專家知識可以得到滑油系統(tǒng)的7個典型故障樣本?；拖到y(tǒng)的常見故障原因有以下幾種：E1表示離心通風器故障；E2表示三級油泵損壞；E3表示卸荷腔排氣管堵塞；E4表示滑油油氣排氣管堵塞；E5表示放油開關(guān)故障；E6表示滑油管路故障；E7表示系統(tǒng)氣塞。故障征兆與故障原因之間的關(guān)系構(gòu)成故障樣本數(shù)據(jù)，如表1所示[6]，表中N、H、L表示正常（normal）、高（high）、低（low）。

表1 模擬故障數(shù)據(jù)Tab.1 Simulated fault data

SOM網(wǎng)絡(luò)選擇輸出層節(jié)點數(shù)為6×6，訓(xùn)練輪數(shù)為5輪，每次訓(xùn)練次數(shù)為[10 30 50 100 200]。本文用Matlab實現(xiàn)SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

首先選取QAR數(shù)據(jù)中發(fā)動機滑油系統(tǒng)正常的200組數(shù)據(jù)作為訓(xùn)練樣本，并將其作為輸入變量，訓(xùn)練SOM神經(jīng)網(wǎng)絡(luò)。經(jīng)過5輪訓(xùn)練后，網(wǎng)絡(luò)經(jīng)過充分學習，可以得到如圖2所示的SOM神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖，從圖中可看出測試集數(shù)據(jù)的分布狀況。從圖3所示的獲勝神經(jīng)元分布圖可以看出，測試集數(shù)據(jù)被聚類為12個種類，表明數(shù)據(jù)已被很好地分類，網(wǎng)絡(luò)各神經(jīng)元的權(quán)重即可作為訓(xùn)練樣本的代表樣本。

隨后提取出競爭層的權(quán)值矩陣，作為訓(xùn)練樣本的代表樣本，其中輸入層神經(jīng)元的個數(shù)即為代表樣本的個數(shù)[7]。然后計算200組正常數(shù)據(jù)樣本與代表樣本的歐式距離，并將結(jié)果排序。由于選取拒絕率為0.02，故將距離最大的4個數(shù)值拒絕。這樣可防止由于偶然數(shù)據(jù)誤差和噪聲影響而導(dǎo)致的邊界范圍過大問題。根據(jù)排序結(jié)果及拒絕率的選擇，可以定出閾值為35。

圖2 SOM神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig.2 SOM neural network topology structure

圖3 獲勝神經(jīng)元分布圖Fig.3 Winning neuron map

對于一個好的故障檢測模型，應(yīng)該對故障樣本的檢出率要高（即漏報警率低），同時對正常樣本的檢出率也要高（即誤報警率高）[7]。對模型的測試本文采用了QAR數(shù)據(jù)中提取的100組正常樣本及12組實際數(shù)據(jù)中的故障樣本，還包括表1中列舉的7組模擬故障樣本，共119組樣本。

樣本的健康參數(shù)HAI的計算依據(jù)2.1節(jié)中步驟1）～7）進行計算，最后計算結(jié)果如表2所示。由表2可見，SOM檢測模型的整個測試集的準確率為94.95%，結(jié)果還是令人滿意的。

表2 SOM網(wǎng)檢測模型診斷結(jié)果統(tǒng)計Tab.2 Diagnostic result statistics of SOM network model

圖4是SOM網(wǎng)監(jiān)測模型對100個正常樣本的檢測結(jié)果，由對測試樣本的檢驗可知，由圖中數(shù)據(jù)可以看出，測試樣本的健康參數(shù)有96個在正常范圍之內(nèi)，誤判率為4%。圖5為SOM網(wǎng)對12個實際故障數(shù)據(jù)及7個模擬故障數(shù)據(jù)的檢測結(jié)果，其中對7個模擬故障樣本的檢出率為100%，而對實際QAR數(shù)據(jù)中的12個故障樣本檢測準確率為83.3%，非正常樣本總體檢測準確率為89.47%。

圖4 測試樣本（正常樣本）Fig.4 Health parameter test samples（normal samples）

圖5 測試樣本（故障樣本）Fig.5 Health parameter test samples（fault samples）

由圖4及圖5的數(shù)據(jù)分布可見，圖4中未判斷出來的4個正常數(shù)據(jù)HAI值在1～1.3之間，再由圖5中可以看出，正確判斷的15個數(shù)據(jù)均在1.3以上，綜合兩圖分析可定HAI值1.3為故障邊界值。綜上分析，可以將滑油系統(tǒng)健康評估指數(shù)劃分為3個等級：

1）若HAI<<1，則表示系統(tǒng)健康；

2）若1

3）若HAI>1.3，則表示系統(tǒng)故障。

依據(jù)上述等級劃分，可以通過SOM神經(jīng)網(wǎng)絡(luò)模型對滑油系統(tǒng)進行健康評估，為及時評判系統(tǒng)健康狀況提供依據(jù)。

3 結(jié)語

本文利用SOM神經(jīng)網(wǎng)絡(luò)來獲取訓(xùn)練樣本的代表性樣本，可以很好地用代表性樣本來表征出訓(xùn)練樣本的特征。在確定閾值方面，本文根據(jù)合理選擇拒絕率來定出閾值，其中拒絕率的選取也會直接影響到檢驗的效果，經(jīng)過對實驗數(shù)據(jù)分布的觀察和實例驗證，結(jié)果表明拒絕率選取0.02是合理的。通過拒絕率的合理選取可以有效地防止由于數(shù)據(jù)噪聲等原因?qū)е碌倪吔绶秶^大的問題。

本文將SOM神經(jīng)網(wǎng)絡(luò)用于航空發(fā)動機滑油系統(tǒng)故障檢測研究，合理使用了滑油系統(tǒng)的QAR數(shù)據(jù)并利用SOM網(wǎng)絡(luò)對訓(xùn)練樣本數(shù)據(jù)分類的特性，建立了滑油系統(tǒng)的故障檢測模型。用實際樣本數(shù)據(jù)對模型進行測試，結(jié)果驗證了模型的有效性，為發(fā)動機滑油系統(tǒng)的故障診斷問題提供了可供借鑒的方法和思路。

[1]史 峰，王小川，羅曉莉.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學出版社，2010：159.

[2]施 彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實例分析[M].北京：北京郵電大學出版社，2009：113.

[3]SIMON H.Neural Networks-a Comprehensive Foundation[M].2nd ed.北京：清華大學出版社，2001：135-138.

[4]武劍輝，楊學良.模糊BP神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2001，23（10）：73-75.

[5]劉建濤.基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的航空發(fā)動機故障診斷研究[D].西安：空軍工程大學，2007.

[6]張 蓉，謝武杰.基于小波神經(jīng)網(wǎng)絡(luò)航空發(fā)動機滑油系統(tǒng)故障診斷方法研究[J].航空制造技術(shù)，2009（6）：85-89.

[7]郝 英.基于智能技術(shù)的民航發(fā)動機故障診斷和壽命預(yù)測研究[D].南京：南京航空航天大學，2006：39-49.

（責任編輯：楊媛媛）

Health assessment study of aero-engine oil system based on SOM neural network

CAO Hui-ling，HUANG Le-teng，LI Zhi-wei，PANG Si-kai
（College of Aeronautical Engineering，CAUC，Tianjin 300300，China）

The health assessment method of oil system based on SOM neural network is researched.SOM neural network is used to define the health parameters under different system conditions comparing with the health parameters under fault conditions.Different health levels are divided to provide a basis for health judgement of oil system in a timely manner.The normal samples and fault samples are used to verify effectiveness of SOM neural network. SOM neural network shows lots of advantages when it is applied to health assessments such as good generalization ability，fast learning rate，intuitive result of output layer and so on，providing new methods and ideas for health assessment of oil system.

aero-engine oil system；SOM neural network；health assessment；QAR

V233.4

：A

：1674-5590（2014）06-0019-04

2013-06-26；

：2013-10-23

：中國民航大學博士啟動基金項目（QD02s04）

曹惠玲（1962—），女，河北唐山人，教授，工學博士，研究方向為航空發(fā)動機性能分析與故障診斷.