于洋

【摘 要】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(jù)的基礎(chǔ)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(jīng)網(wǎng)絡(luò)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。

【關(guān)鍵詞】航空機械 神經(jīng)網(wǎng)絡(luò) 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(nèi)部結(jié)構(gòu)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(shù)的發(fā)展，航空發(fā)動機維修已經(jīng)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(jīng)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(jù)的基礎(chǔ)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(shè)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)介紹

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

BP神經(jīng)網(wǎng)絡(luò)模型為：

BP神經(jīng)網(wǎng)絡(luò)的輸入層表示為 （ ），其中 （ ） 。

BP神經(jīng)網(wǎng)絡(luò)的隱層表示為 （ ），其中 （ ）。

轉(zhuǎn)移函數(shù)f（x）為Sigmoid函數(shù)，

3 維修決策系統(tǒng)設(shè)計

本文設(shè)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(jīng)網(wǎng)絡(luò)中，根據(jù)學習樣本進行學習，然后輸出學習后的預測結(jié)果，根據(jù)BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果再輸入到灰色決策系統(tǒng)中，根據(jù)航空發(fā)動機以往的各項性能指標數(shù)據(jù)和發(fā)動機單體部件的維修等級之間的關(guān)系，根據(jù)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(jù)千差萬別，可能存在部分異常數(shù)據(jù)，這些異常數(shù)據(jù)淹沒在海量的發(fā)動機性能參數(shù)數(shù)據(jù)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(jù)進行預處理，剔除異常數(shù)據(jù)，保證性能參數(shù)數(shù)據(jù)的有效性。由于航空發(fā)動機性能參數(shù)數(shù)據(jù)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(jù)的篩選，如果還不能滿足數(shù)據(jù)預處理的要求，則再采用密度分析的方法對數(shù)據(jù)進行二次處理，確保所有異常數(shù)據(jù)都剔除掉。

異常數(shù)據(jù)剔除后，再對性能參數(shù)數(shù)據(jù)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(jié)果和剩下的函數(shù)進行重構(gòu)，得到預處理后的航空發(fā)動機性能參數(shù)數(shù)據(jù)。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的預測模型

由于BP神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、運算速度快的優(yōu)點，本文選用BP神經(jīng)網(wǎng)絡(luò)進行預測。首先將經(jīng)過預處理后的發(fā)動機性能參數(shù)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，設(shè)計三層神經(jīng)網(wǎng)絡(luò)，來對發(fā)動機性能進行預測，預測模型為輸入層的神經(jīng)元數(shù)目為n，隱藏層的神經(jīng)元數(shù)目為n1，輸出層神經(jīng)元數(shù)目為n2，BP神經(jīng)網(wǎng)絡(luò)根據(jù)海量樣本數(shù)據(jù)進行學習，把學習的結(jié)果輸入到網(wǎng)絡(luò)中進行預測，把預測結(jié)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(shè)計

經(jīng)過神經(jīng)網(wǎng)絡(luò)預測后，結(jié)合航空發(fā)動機的基礎(chǔ)數(shù)據(jù)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(gòu)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(jié)語

本文主要針對目前航空發(fā)動機維修技術(shù)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(jù)，利用BP神經(jīng)網(wǎng)絡(luò)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(shè)計維修決策系統(tǒng)，經(jīng)過實際檢驗，具有較高的可行性。

參考文獻：

[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(shù).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(shù).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(shù).2004（03）.