于洋（中國人民解放軍93115部隊，遼寧沈陽 110031）

基于BP神經網絡的航空發(fā)動機維修決策系統(tǒng)研究

于洋
（中國人民解放軍93115部隊，遼寧沈陽 110031）

由于航空器的安全因素是重中之重，航空發(fā)動機維修具有高復雜程度和高科技含量，航空發(fā)動機的定時維修和保養(yǎng)是必不可少的。如何在航空發(fā)動機現(xiàn)有數(shù)據的基礎上，開發(fā)出航空發(fā)動機維修輔助決策系統(tǒng)迫在眉睫。本文就是通過分析這些發(fā)動機性能參數(shù)，通過基于BP神經網絡的預測模型進行預測，挖掘出發(fā)動機的性能衰退指標，通過灰色決策決策系統(tǒng)，給出最優(yōu)化的維修決策方案，為航空維修工程師進行維護管理提供決策支持。

航空機械 神經網絡 維修決策

1　引言

目前航空發(fā)動機正在向系統(tǒng)化、復雜化方向發(fā)展，發(fā)動機的內部結構變得非常復雜，這就帶來了航空發(fā)動機維修難度大的問題。由于航空器的安全因素是重中之重，航空發(fā)動機維修具有高復雜程度和高科技含量，航空發(fā)動機的定時維修和保養(yǎng)是必不可少的。隨著維修技術的發(fā)展，航空發(fā)動機維修已經從過去的定時維修向視情維修和故障診斷預測等智能化方向發(fā)展。隨著信息化的發(fā)展，傳統(tǒng)的航空發(fā)動機維修方法已經不能完全滿足現(xiàn)代社會的高節(jié)奏要求了，對航空發(fā)動機維修的快速反應，快速維修保養(yǎng)提出了更高的要求。如何在航空發(fā)動機現(xiàn)有數(shù)據的基礎上，開發(fā)出航空發(fā)動機維修輔助決策系統(tǒng)迫在眉睫。

航空發(fā)動機一般都裝載有性能參數(shù)監(jiān)測設備，可以實時將發(fā)動機的性能參數(shù)通過機載報文尋址系統(tǒng)發(fā)給地面控制中心。通過分析這些性能參數(shù)，可以得到發(fā)動機的某些性能衰退情況。本文就是通過分析這些發(fā)動機性能參數(shù)，通過基于神經網絡的預測模型進行預測，挖掘出發(fā)動機的性能衰退指標，為維護管理提供決策支持。

2　BP神經網絡介紹

BP神經網絡算法步驟主要是輸入學習樣本，使用反向傳播算法對網絡的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網絡的權值和偏差。

BP神經網絡模型為：

3　維修決策系統(tǒng)設計

本文設計的維修決策系統(tǒng)首先對航空發(fā)動機的性能參數(shù)進行預處理，然后對預處理后的性能參數(shù)輸入到BP神經網絡中，根據學習樣本進行學習，然后輸出學習后的預測結果，根據BP神經網絡預測結果再輸入到灰色決策系統(tǒng)中，根據航空發(fā)動機以往的各項性能指標數(shù)據和發(fā)動機單體部件的維修等級之間的關系，根據灰色決策判斷系統(tǒng)，進行智能化判斷，給出最優(yōu)發(fā)動機維修等級決策，為航空維修工程師制定發(fā)動機維修方案提供信息支持。

3.1性能參數(shù)預處理

由于航空發(fā)動機工作在高溫高壓的惡劣環(huán)境下，性能參數(shù)受到各種外界噪聲的干擾，監(jiān)測系統(tǒng)記錄的性能參數(shù)數(shù)據千差萬別，可能存在部分異常數(shù)據，這些異常數(shù)據淹沒在海量的發(fā)動機性能參數(shù)數(shù)據中，在進行維修決策系統(tǒng)之前，必須對發(fā)動機的性能參數(shù)數(shù)據進行預處理，剔除異常數(shù)據，保證性能參數(shù)數(shù)據的有效性。由于航空發(fā)動機性能參數(shù)數(shù)據具有時間的連續(xù)性，采用基于統(tǒng)計分析的方法來進行異常數(shù)據的篩選，如果還不能滿足數(shù)據預處理的要求，則再采用密度分析的方法對數(shù)據進行二次處理，確保所有異常數(shù)據都剔除掉。

異常數(shù)據剔除后，再對性能參數(shù)數(shù)據進行平滑處理，這里我們利用二次指數(shù)平滑法進行處理，先將要平滑的時間序列進行分解，然后利用指數(shù)平滑對頻率大的函數(shù)進行平滑，再將平滑的結果和剩下的函數(shù)進行重構，得到預處理后的航空發(fā)動機性能參數(shù)數(shù)據。

3.2基于BP神經網絡的預測模型

由于BP神經網絡具有網絡結構簡單、運算速度快的優(yōu)點，本文選用BP神經網絡進行預測。首先將經過預處理后的發(fā)動機性能參數(shù)數(shù)據作為BP神經網絡的輸入，設計三層神經網絡，來對發(fā)動機性能進行預測，預測模型為輸入層的神經元數(shù)目為n，隱藏層的神經元數(shù)目為n1，輸出層神經元數(shù)目為n2，BP神經網絡根據海量樣本數(shù)據進行學習，把學習的結果輸入到網絡中進行預測，把預測結果輸入到下一階段的灰色決策系統(tǒng)中。

3.3灰色決策系統(tǒng)設計

經過神經網絡預測后，結合航空發(fā)動機的基礎數(shù)據庫、維修保養(yǎng)場站知識庫、故障案例知識庫以及維修記錄等綜合信息來提供維修決策支持，采用灰色決策法進行決策支持?；疑珱Q策法是在事件決策、目標和效果等四個前提下，對明顯含有灰信息的體系進行決策，針對不同的決策目標，可以構造不同的隸屬度函數(shù)，使得事件對決策的局勢集合通過函數(shù)映射獲得較好的效果，在多種可行的實際決策方案中，利用灰色決策法選出最佳的決策方案。

4　結語

本文主要針對目前航空發(fā)動機維修技術跟不上快速、高可靠的要求這個問題，提出了基于發(fā)動機的海量性能參數(shù)數(shù)據，利用BP神經網絡進行預測，然后輸入到灰色決策系統(tǒng)中，通過系統(tǒng)自動判決給出最優(yōu)的發(fā)動機維修決策方案支持。本文設計維修決策系統(tǒng)，經過實際檢驗，具有較高的可行性。

［1］于海田.航空發(fā)動機健康綜合評估研究［J］.機械科學與技術. 2011（06）.

［2］陳鳳騰.基于視情維修的航空發(fā)動機備發(fā)預測方法研究［J］.機械科學與技術.2008（08）.

［3］朱紹強.基于TOPSIS法的飛機維修方案的決策［J］.航空計算技術. 2004（03）.