杜黨黨，賈曉亮，郝超博

（1.西北工業(yè)大學 機電學院，陜西 西安 710072；2.解放軍95631部隊，四川 瀘州 646001）

0 引言

通過有效預測和分析航空發(fā)動機的性能參數(shù)，可以估計發(fā)動機未來一段時期的健康狀態(tài)，對預防和排除發(fā)動機的故障及安全隱患、統(tǒng)籌規(guī)劃發(fā)動機執(zhí)行任務的梯次、合理配置各類保障資源、優(yōu)化維修策略、更好地推行視情維修的理念，具有非常重要的意義。

狀態(tài)監(jiān)測數(shù)據(jù)是航空發(fā)動機內(nèi)在狀態(tài)的外在表現(xiàn)，預示著其未來健康狀態(tài)的發(fā)展趨勢。然而，由于發(fā)動機性能參數(shù)具有非線性、非平穩(wěn)性、高維性、不確定性、混沌性和時變性等特征，使用傳統(tǒng)的線性時間序列預測模型會帶來較大的誤差［1-2］。過程神經(jīng)網(wǎng)絡（Process Neural Network，PNN）可以在任意誤差精度內(nèi)逼近任意連續(xù)函數(shù)，具有強大的非線性映射能力，特別是它考慮了參數(shù)在時間維度上的累積效應，放寬了神經(jīng)元對輸入變量的同步瞬時限制，因此用于非線性時間序列預測具有明顯的優(yōu)勢［3-6］。然而，PNN 存在網(wǎng)絡結構特別是隱層節(jié)點數(shù)難以確定、訓練過程易陷入局部極小等問題，影響了其實際應用效果。

航空發(fā)動機是一個復雜系統(tǒng)，不同的性能參數(shù)分別從不同的層面和角度動態(tài)地反映著發(fā)動機的健康狀態(tài)。由于在工程中簡單易行，大多數(shù)性能預測主要針對單一參數(shù)進行［6-7］，但是忽略了其他參數(shù)中包含的有用信息，預測單一參數(shù)可能導致分析結論出現(xiàn)較大偏差［8］。多參數(shù)預測客觀反映了發(fā)動機由多個系統(tǒng)組成、多個功能模塊協(xié)調(diào)工作的復雜機理，正成為發(fā)動機健康狀態(tài)預測研究的熱點［8-10］。預測結果具有耦合性、高維性和非線性等特性，對進一步系統(tǒng)有效地分析其中包含的有用信息、合理可靠地得出預測結論至關重要，目前多參數(shù)預測主要采用信息融合方式。文獻［8］采用傳感器數(shù)據(jù)級融合方法構建綜合健康指數(shù)，用于系統(tǒng)性能衰退評估和剩余壽命預測；文獻［9］利用貝葉斯線性模型融合多源信息，進而預測發(fā)動機性能衰退的趨勢；文獻［10］利用狀態(tài)監(jiān)測信息和智能預測方法實時評估和預測設備的失效概率。盡管融合分析的最終結果所含的信息量比任何單一參數(shù)的信息量都大，但因其有效性受制于所提取特征信息的準確性，無法避免融合過程中細節(jié)信息的缺損，以及多個信息源的引入可能導致預測精度下降，給得出預測結論帶來了新的不確定性。此外，該方法還存在過程復雜繁瑣、計算開銷大、預測結果難以解釋等問題。

基于此，本文采用相空間重構理論構造訓練樣本集，并結合遺傳算法優(yōu)化設計PNN 及其初始權值和閾值，通過優(yōu)化后的遺傳過程神經(jīng)網(wǎng)絡（Genetic Algorithm-Process Neural Network，GA-PNN）模型輸出發(fā)動機的預測性能矩陣；對矩陣中的元素加以著色，構造代表發(fā)動機性能的預測圖譜，借助圖譜反映信息直觀清晰、整合力強的優(yōu)勢，從系統(tǒng)層面快速預測發(fā)動機的健康狀態(tài)。

1 面向航空發(fā)動機健康狀態(tài)圖譜化預測的知識準備

1.1 發(fā)動機健康狀態(tài)的矩陣描述

定義1 樣本性能矩陣。設反映發(fā)動機健康狀態(tài)的性能參數(shù)有n個，按照周期τ采樣，經(jīng)過l個采樣周期，共收集l×n個數(shù)據(jù)，可以構造一個l×n維的矩陣X，稱為樣本性能矩陣。樣本性能矩陣系統(tǒng)地反映了發(fā)動機某段時期健康狀態(tài)的時空分布規(guī)律，記為

式中xij表示參數(shù)j在第i時刻的值。顯然，矩陣X的行值代表時刻i所有參數(shù)基于空間序列的分布，列值代表參數(shù)j基于時間序列的分布。

定義2 預測性能矩陣。對樣本性能矩陣中的每一個參數(shù)分別進行預測，將預測得到的每個參數(shù)按照時序重新組合，構成新矩陣Pl′×n，稱為預測性能矩陣。預測性能矩陣代表發(fā)動機未來一個時期的健康狀態(tài)。

1.2 發(fā)動機時間序列樣本的相空間重構

為克服發(fā)動機非線性混沌時間序列樣本中不確定性因素的影響，引入相空間重構理論，以最大限度地挖掘輸入輸出之間的對應關系。相空間重構理論將時間序列中的點序列按照嵌入維數(shù)映射到相空間中對應的點，這些點組成的軌跡能夠再現(xiàn)或繼承原始系統(tǒng)變量間的運行規(guī)律及其運行狀態(tài)特性，提高非線性時間序列模型的泛化能力［11］。

根據(jù)嵌入定理，對于時間序列｛xi｝ni=1，當前狀態(tài)的信息可以表示成m維矢量

式中：m為嵌入維數(shù)；τ為延遲時間，常取采樣周期間隔。式（1）構造了輸入與輸出之間的映射關系f：Rm→R，即只要知道特定的m個x（i），x（i-τ），…，x（i-（m-1）τ），就可以確定x（i+τ），從而為訓練樣本集的構建和網(wǎng)絡結構設計提供依據(jù)。由于映射函數(shù)f難以獲得精確的數(shù)學解析形式，下面將選擇PNN 逼近f。

1.3 過程神經(jīng)網(wǎng)絡模型

對于一個典型的m-q-1三層前向PNN，其模型如圖1所示。

網(wǎng)絡的輸入與輸出關系可表示為

式中：ωij（t）為隱層第i個過程神經(jīng)元和輸入層第j個神經(jīng)元之間的權函數(shù)；θi為隱層第i個神經(jīng)元的閾值；vi為隱層第i個過程神經(jīng)元和輸出層神經(jīng)元之間的權值；［0，T］為輸入過程區(qū)間；u和g分別為隱層過程神經(jīng)元和輸出層神經(jīng)元的激勵函數(shù)。本文取u為Sigmoid函數(shù)，g為線性函數(shù)。

采用C［0，T］空間上的正交基函數(shù)將輸入函數(shù)和權函數(shù)展開，則式（2）可以簡化為

給定k組學習實例，其中網(wǎng)絡第i次的輸入Xi=［xi-1（t），…，xi-m（t）］，用yi和y′i分別表示網(wǎng)絡第i次的實際輸出和期望輸出，則網(wǎng)絡的誤差函數(shù)可以表示為

1.4 預測圖譜

針對預測性能矩陣Pl′×n中隱含的有用信息難以直觀、快速、系統(tǒng)的挖掘問題，受文獻［12］啟發(fā)，對P中的元素逐列執(zhí)行標準化，按照設定的編碼規(guī)則加以著色，依時序畫出由l′個彩色單元連接而成的n條圖譜色帶，進而通過組合色帶構造出預測圖譜。預測圖譜的時間維表征各個參數(shù)基于時間分布的變化趨勢，空間維表征不同參數(shù)基于空間分布的耦合關系，反映了系統(tǒng)信息流的時空演變趨勢，表達了其內(nèi)部工作機制的有序性、穩(wěn)定性和平衡性。如果將樣本性能矩陣和預測性能矩陣合并轉化為圖譜，則可以從更大的時空范圍審視系統(tǒng)的健康狀態(tài)。

當系統(tǒng)處于衰退的正常水平時，即使其狀態(tài)數(shù)據(jù)在一定范圍內(nèi)波動，其內(nèi)部各個要素之間依然會保持一種相對的動態(tài)平衡。表現(xiàn)在圖譜上，色差過渡相對自然柔和，色帶顏色變化呈現(xiàn)隨機的小幅波動和可以容許的紊亂，紋理基本協(xié)調(diào)，整體上具有平穩(wěn)與和諧之美。值得警惕的是，一旦系統(tǒng)多個數(shù)據(jù)幾乎同時發(fā)生突變或某一參數(shù)多次出現(xiàn)突變，圖譜對應的區(qū)域色彩必然出現(xiàn)明顯的跳變和波動，此時色差過渡突然，整體協(xié)調(diào)性變差，預示著系統(tǒng)的健康狀態(tài)很可能出現(xiàn)異?；驉夯?。

如果預測圖譜與實際圖譜對應區(qū)域的顏色完全一致，則認為該區(qū)域二者對應的數(shù)值相同。如果對應區(qū)域的顏色在色譜刻度尺上距離較近，則表明二者對應的數(shù)值比較接近，否則意味著預測值與實際值之間有較大的差別。通過式（5）［13］計算預測圖譜與實際圖譜中對應區(qū)域的相似度，評價預測圖譜的預報能力。R越大，說明二者擬合程度越高，預測圖譜的整體預報能力越強。

2 面向航空發(fā)動機性能預測的GA-PNN算法

2.1 基于GA 的PNN 結構優(yōu)化設計

PNN 結構參數(shù)如輸入層、隱層以及輸出層的節(jié)點數(shù)等因素，在一定程度上影響網(wǎng)絡的泛化能力和預測精度。由于網(wǎng)絡的結構參數(shù)沒有統(tǒng)一的設計規(guī)則，通常采用試錯法進行參數(shù)選擇，這對于多參數(shù)預測的情形是難以接受的，尤其試錯選擇的結果未必最佳。因此，有必要對網(wǎng)絡結構進行合理設計。

對于待預測的參數(shù)，可將其連續(xù)m個數(shù)據(jù)擬合成一個時變函數(shù)作為PNN 的輸入，參數(shù)本身是預測的輸出目標，故設置輸入和輸出層的節(jié)點數(shù)均為1。運用經(jīng)驗公式限定隱層節(jié)點數(shù)的范圍（m和n分別為嵌入維數(shù)、輸出層節(jié)點數(shù)，a為1～10之間的整數(shù)［14］）。

由于GA 具有強大的全局搜索和并行處理能力，能夠快速搜索到全局最優(yōu)點，不易落入局部最小點，可以用來優(yōu)化PNN 的隱層節(jié)點數(shù)q。在綜合收斂精度和收斂速度兩個指標的基礎上，使用精斂比作為個體適應度函數(shù)。

式中：E0和E1分別為設定的收斂精度和實際收斂精度，t為網(wǎng)絡訓練時間。

具體做法如下：將q的初始值進行二進制編碼，采用精斂比表示個體的適應度函數(shù)；設置種群數(shù)、進化代數(shù)、交叉率和變異率，使用一部分樣本訓練網(wǎng)絡，用其余的樣本測試，計算所有個體的平均適應度值；對種群中的個體進行選擇、交叉和變異等操作，得到優(yōu)化后的適應度值；當所有個體平均適應度值達到要求或達到最大的進化代數(shù)時結束迭代，否則繼續(xù)進行選擇、交叉和變異等操作。q值一旦確定，就完成了PNN 的拓撲結構優(yōu)化設計。

2.2 基于GA 的PNN 初始權值和閾值的優(yōu)化設計

測試發(fā)現(xiàn)，對于相同的訓練樣本集和同一初始訓練速度，用測試樣本對訓練好的網(wǎng)絡進行測試，結果并沒有達到預期精度，說明網(wǎng)絡訓練時陷入了局部極小值。為了消除訓練時的初始權值和閾值對PNN 收斂精度的影響，再次引入GA 優(yōu)化網(wǎng)絡的初始權值和閾值。

優(yōu)化過程與隱層節(jié)點數(shù)的優(yōu)化過程類似，這里不再贅述。需要說明的是，本文的個體適應度函數(shù)采用誤差函數(shù)E1。

2.3 基于GA-PNN算法的發(fā)動機預測性能矩陣的輸出步驟及流程

2.3.1 基于GA 優(yōu)化PNN 隱層節(jié)點數(shù)和初始權值閾值的主要步驟

前面的分析表明，隱層節(jié)點數(shù)及訓練時的初始權值閾值對PNN 模型的預測效果影響較大。因此，本文選用GA 分別優(yōu)化PNN 隱層節(jié)點數(shù)和初始權值閾值，優(yōu)化的主要步驟如下：

步驟1 構造參數(shù)j的訓練樣本集，設定種群數(shù)、進化代數(shù)、交叉概率、變異概率等參數(shù)，初始化隱層節(jié)點數(shù)q的種群并進行編碼。

步驟2 使用個體對q賦值，通過訓練，根據(jù)式（6）計算每個個體的適應度。按照輪盤賭法選擇個體，實施單點交叉、變異等操作，得到優(yōu)化后的適應度值。

步驟3 若達到設定的迭代次數(shù)或者適應度值滿足要求，則輸出優(yōu)化的隱層節(jié)點數(shù)；否則轉步驟2，繼續(xù)進行迭代。

步驟4 確立PNN 最優(yōu)的結構后，設置GA 參數(shù)，對網(wǎng)絡初始權值和閾值進行初始化并編碼。

步驟5 使用個體對權值和閾值進行賦值，根據(jù)式（4）計算訓練后每個個體的適應度。實施選擇、交叉、變異等操作，得到優(yōu)化后的適應度值。

步驟6 若達到設定的停止訓練條件，則輸出優(yōu)化的初始權值閾值，退出優(yōu)化程序；否則轉步驟5，繼續(xù)進行迭代。

2.3.2 GA-PNN 算法的主要步驟及預測性能矩陣的輸出流程

算法的主要步驟如下：

步驟1 使用參數(shù)j優(yōu)化的PNN 結構以及初始權值和閾值。設定網(wǎng)絡的訓練收斂精度ε、最大迭代次數(shù)M、累積學習迭代次數(shù)s等參數(shù)。

步驟2 選取合適的正交基函數(shù)，將輸入函數(shù)和權函數(shù)分別展開。

步驟3 將全部訓練樣本輸入網(wǎng)絡，使用式（3）計算網(wǎng)絡的輸出yi。

步驟4 使用式（4）計算網(wǎng)絡的誤差函數(shù)E1。若E1＜ε，或者s＞M，則轉步驟6。

步驟5 按照LM（Levenberg-Marquardt）方法［5］更新網(wǎng)絡權值和閾值，令s+1→s，轉步驟4。

步驟6 保存當次網(wǎng)絡學習結果，并利用訓練好的網(wǎng)絡計算參數(shù)j的預測值。

待所有參數(shù)預測完畢，合并預測結果并輸出預測性能矩陣，退出程序。

圖2所示為基于GA-PNN 算法的發(fā)動機預測性能矩陣的輸出流程圖。

3 基于GA-PNN算法的發(fā)動機健康狀態(tài)圖譜化預測方法的應用研究

綜合考慮某型航空發(fā)動機使用的講義、維修大綱以及工程師的經(jīng)驗等，選取排氣溫度EGT、高壓轉子轉速N2、低壓轉子轉速N1、燃油流量FF、高壓壓氣機出口壓力PB、低壓壓氣機出口壓力P2.5、低壓渦輪出口壓力P4.95、高壓壓氣機出口溫度T3、低壓壓氣機出口溫度T2.5、振動值VD、扭力值TO 11個參數(shù)表征該型發(fā)動機的性能。

3.1 基于GA-PNN 算法的發(fā)動機預測性能矩陣的輸出

采用該型112號（假定）發(fā)動機的兩次較大維修間隔期間，對巡航狀態(tài)下的數(shù)據(jù)進行預測。抽樣間隔為10個飛行架次，數(shù)據(jù)總數(shù)為163×11，即包含上述11個參數(shù)同期的各自163個數(shù)據(jù)。對于任一參數(shù)j（j=1，2，…，11），將其連續(xù)mj個數(shù)據(jù)擬合成一個時變函數(shù)作為預測模型的輸入（mj表示參數(shù)j的嵌入維數(shù)），以第mj+1 個數(shù)據(jù)作為預測模型的相應期望輸出，構建163-mj組樣本。用前153-mj組樣本對模型進行訓練，用后10組樣本進行預測驗證（為了保證最終能夠生成一個預測性能矩陣，算法要求每個參數(shù)用來預測驗證的樣本組數(shù)均相同）。具體做法如下：設GA 的種群數(shù)為30，進化迭代次數(shù)為30，交叉概率為0.5，變異概率為0.05，編碼長度為5位。按照2.3.1節(jié)的步驟優(yōu)化該參數(shù)對應的GA-PNN 的隱層節(jié)點數(shù)和初始權值、閾值，然后按照2.3.2節(jié)的算法利用該參數(shù)的訓練樣本對優(yōu)化的GA-PNN 模型進行訓練（使用6個勒讓德正交基函數(shù)展開網(wǎng)絡的輸入函數(shù)及權函數(shù)），最后將測試數(shù)據(jù)代入訓練合格的網(wǎng)絡，對該參數(shù)后10個預測值進行預測。待所有參數(shù)預測完畢時合并預測結果，輸出大小為10×11的發(fā)動機預測性能矩陣。表1所示為各參數(shù)對應的GA-PNN 模型的嵌入維數(shù)和最優(yōu)拓撲結構。

表1 GA-PNN模型嵌入維數(shù)及最優(yōu)拓撲結構

為進行對比，使用單純的PNN模型、基于GA 僅優(yōu)化結構的PNN模型（記為GAL-PNN）、基于GA 既優(yōu)化結構又優(yōu)化網(wǎng)絡初始權值和閾值的PNN 模型（記為GA-PNN），對上述參數(shù)分別進行4輪預測。所有模型的輸入輸出層節(jié)點數(shù)均為1。對于同一預測參數(shù)，PNN隱層節(jié)點數(shù)由經(jīng)驗公式確定（不同輪次測試中，允許2.1節(jié)中的經(jīng)驗公式包含的變量a適當?shù)馗淖儯?，后兩種網(wǎng)絡采用表1中的最優(yōu)結構。前兩種網(wǎng)絡訓練時每輪使用相同的初始權值和閾值，但不同輪次的初始權值和閾值并不同，GA-PNN使用優(yōu)化的初始權值和閾值。主要測試各模型預測的平均相對誤差AE、最大相對誤差AEmax、相似度R和單輪累計耗時T等指標，結果如表2所示，表中。

表2 模型預測結果對比分析

續(xù)表2

由表2可知，在4 輪測試中，GA-PNN 模型的平均誤差最高為2.34%，最低為1.46%，優(yōu)于平均誤差最高為4.55%、最低為3.35%的GALPNN 模型，而PNN 模型平均誤差最高為6.25%，最低為4.17%，在三者之中居于末位。就最大相對誤差而言，GA-PNN 模型最高為9.12%，分別低于GAL-PNN 模型的12.63% 和PNN 模型的27.07%，反映了GA-PNN 模型的穩(wěn)定性良好。特別是GA-PNN 的最低相似度為0.978，分別高于GAL-PNN 模型的最高相似度1.45%和PNN 模型的最高相似度4.6%，表明GA-PNN 的預測值與真實值在整體上非常接近。此外，GA-PNN 的耗時在三者中也具有一定優(yōu)勢?？梢?，盡管訓練的初始條件有變化，但完成兩次優(yōu)化的GA-PNN模型的預測效果好于單次優(yōu)化的GAL-PNN 模型和單純的PNN 模型。之所以GA-PNN 模型的精確性、泛化性和穩(wěn)定性最理想，主要得益于利用GA 在大范圍內(nèi)并行搜索得到了網(wǎng)絡的最佳結構，提升了網(wǎng)絡的泛化能力，而初始權值和閾值的優(yōu)化則進一步修正了網(wǎng)絡收斂方向，消除了陷入極小值的缺陷。因為GAL-PNN 模型采用優(yōu)化的網(wǎng)絡結構，所以效果相對好于PNN 模型。需要說明的是，盡管后兩種模型存在一些不足，但就上述指標總體考量，并非意味著它們不能用于發(fā)動機性能參數(shù)的預測。

為了進一步檢驗GA-PNN 模型的泛化性和可靠性，使用該模型對機隊中的另一臺011號（假定）發(fā)動機的一組巡航階段運行數(shù)據(jù)進行同步預測。數(shù)據(jù)總數(shù)為248×11，即11個參數(shù)同期各記錄248個數(shù)據(jù)，采樣間隔為10個飛行循環(huán)。將任一參數(shù)的連續(xù)m個數(shù)據(jù)擬合成一個時變函數(shù)作為預測模型的輸入（m表示該參數(shù)的嵌入維數(shù)），以第m+1個數(shù)據(jù)作為預測模型的相應期望輸出，構建248-m組樣本。使用前230-m組樣本進行GA-PNN 建模，用后18組樣本進行預測驗證，GA 參數(shù)的設置和基函數(shù)選取與上例相同。所有參數(shù)預測完畢后，將11個參數(shù)的預測結果進行合并，輸出18×11的預測性能矩陣。預測結果同樣表明，GA-PNN 模型能夠滿足工程中發(fā)動機性能監(jiān)控的需要。表3和表4所示分別為011號發(fā)動機各參數(shù)GA-PNN 模型的嵌入維數(shù)、最優(yōu)拓撲結構和預測結果分析。

表3 GA-PNN模型最優(yōu)拓撲結構

表4 基于GA-PNN模型預測結果分析

3.2 發(fā)動機健康狀態(tài)的圖譜化預測

將訓練數(shù)據(jù)和預測數(shù)據(jù)合并轉化為圖譜，可以從更大的時空范圍系統(tǒng)地審視發(fā)動機的健康狀態(tài)變化趨勢。圖3～圖4中，上部為實際樣本性能矩陣生成的圖譜（實際圖譜），中部為訓練數(shù)據(jù)和預測數(shù)據(jù)合并后生成的圖譜（預測圖譜），下部為圖例尺，圖例尺的刻度0%～100%表示對應參數(shù)的標準值由最小到最大依次改變。圖譜中橫軸表示數(shù)據(jù)編號，縱軸表示參與預測的參數(shù)編號。表5所示為各參數(shù)與色帶編號之間的對應關系。

表5 參數(shù)與色帶編號之間的對應關系

3.2.1 實例1

圖3為112號發(fā)動機第3輪測試時，GA-PNN算法輸出的預測性能矩陣生成的圖譜。

圖3中A 段圖譜波動較小，色彩變化相對流暢，系統(tǒng)此階段處于健康狀態(tài)；B段圖譜呈現(xiàn)較大波動，色彩突變明顯，系統(tǒng)此階段處于快速衰退狀態(tài)。

從圖3的驗證區(qū)可以看出，預測圖譜與實際圖譜對應的部位在時空分布上非常相似：色帶顏色變化、紋理結構走向大致趨同，色彩波動相對一致，表明預測數(shù)據(jù)與實際數(shù)據(jù)總體上比較吻合。根據(jù)式（5）計算預測圖譜與實際圖譜之間的相似度為0.983，說明預測圖譜具有較強的預報能力。

在A 段圖譜中，該發(fā)排氣溫度、燃油流量、高低壓轉子轉速等參數(shù)對應的圖譜色帶波動趨勢在時間維度上總體保持一致，表明其變化均能反映發(fā)動機的性能衰退水平。然而，不同色帶的波動幅度在空間維度上并不完全同步，說明各個參數(shù)表征性能衰退趨勢的權重和靈敏度不盡相同，系統(tǒng)個別單元之間的協(xié)調(diào)性不夠理想。上述現(xiàn)象可能與該發(fā)燃油調(diào)節(jié)系統(tǒng)的延遲性、參數(shù)測量誤差、環(huán)境變量的影響以及某一參數(shù)對其他參數(shù)波動過程中的補償作用等因素有關。但就總體而言，圖譜色差過渡相對自然柔和，波動幅度處于可以容許的范圍，表明該時期發(fā)動機的健康狀態(tài)基本正常。

而在B 段圖譜中，圖譜多條色帶條紋開始紊亂，色差過渡突然，特別是縱向之間出現(xiàn)較大幅度的波動，且扭力對應的色帶11一直偏小，說明該發(fā)整體平衡關系受到破壞，其內(nèi)在的秩序性、穩(wěn)定性變差，衰退趨勢加速，需要加強健康監(jiān)控，防止出現(xiàn)異常。期間，工程維修部門采取了一些防范該發(fā)動機性能繼續(xù)惡化的措施，但效果并不理想。在完成第163個飛行周期后，經(jīng)維修基地評估，對該發(fā)動機做出提前返廠的建議。需要指出的是，僅從色帶1來看，排氣溫度值并未出現(xiàn)較大幅度的波動和增加，說明如果完全依賴單一參數(shù)，則有可能會得出不可靠的預測結論。

3.2.2 實例2

以圖4所示的011發(fā)動機的預測性能矩陣對應的圖譜為例。圖中圖譜色帶橫向過渡自然柔和，縱向之間協(xié)調(diào)性好，色彩變化整體比較平穩(wěn)，表明系統(tǒng)處于健康狀態(tài)

分析圖4可知，驗證區(qū)域除了個別數(shù)據(jù)點的顏色有小幅差別外，其余大部分對應的區(qū)域均保持一致，計算預測圖譜與實際圖譜之間的相似度為0.978，表明預測值與實際值的偏離度較小，預測圖譜能夠預報發(fā)動機的健康狀態(tài)。

在時間分布上，除局部短暫的突變區(qū)域外，圖譜色帶的走向相對柔和平緩，反映了隨著時間的變化，相應的子系統(tǒng)性能變化溫和可控，尤其是色帶11的波動非常小，說明發(fā)動機的輸出扭力穩(wěn)定可靠，幾乎不受其他參數(shù)改變的影響；在空間分布上，部分色帶之間存在清晰的相關性（如第1、2條），說明這些參數(shù)之間本身具有同樣的相關性，也表明系統(tǒng)的各子單元之間協(xié)調(diào)性較好。圖譜整體波動性小，平穩(wěn)協(xié)調(diào)，預示著該發(fā)動機未來一個時期依然呈現(xiàn)正常且緩慢衰退的趨勢，總體健康狀態(tài)良好。

可見，預測圖譜能夠客觀、清晰、系統(tǒng)、并行地表達發(fā)動機健康狀態(tài)的演變趨勢及規(guī)律。當然，工程師可以根據(jù)實際分析的需要，靈活選取預測參數(shù)，進而通過動態(tài)地調(diào)整預測圖譜中的色帶來改善圖譜預測的效果。

4 結束語

本文針對PNN用于航空發(fā)動機性能參數(shù)預測時結構難以設計、訓練易陷入極小值的缺陷，以及預測結果中隱含的健康信息難以清晰、快速識別的問題，提出一種基于GA-PNN算法的發(fā)動機健康狀態(tài)圖譜化預測方法。首先，采用相空間重構理論構造訓練樣本集并結合遺傳算法，優(yōu)化設計PNN 結構及初始權值和閾值，進而生成預測性能矩陣；其次，對預測性能矩陣中的元素加以著色處理，構造代表發(fā)動機健康狀態(tài)的預測圖譜。驗證結果表明：GA-PNN模型網(wǎng)絡結構合理可靠，有效地消除了網(wǎng)絡訓練中易陷入極小值的缺陷，模型的精確性、穩(wěn)定性和泛化性得到了明顯的提升；借助于預測圖譜，可以清晰、直觀、系統(tǒng)地展示發(fā)動機多個預測參數(shù)之間的非線性、耦合性關系及其時空分布全貌，快速挖掘預測性能矩陣中隱含的健康信息，提高了異常成分和模式的識別效率。該預測方法實現(xiàn)了從系統(tǒng)層面精準、高效、直觀地預測發(fā)動機健康狀態(tài)的目的，為發(fā)動機等復雜系統(tǒng)健康狀態(tài)的預測、監(jiān)控及決策提供了新的思路和手段。

下一階段，將在完善發(fā)動機故障圖譜庫的基礎上，應用數(shù)字圖像匹配算法，深入研究基于圖譜的航空發(fā)動機典型故障模式預測方法。

［1］LIN Jiewei，ZHANG Junhong，ZHANG Guichang，et al.Aero-engine blade fatigue analysis based on nonlinear continuum damage model using neural networks［J］.Chinese Journal of Mechanical Engineering，2012，25（2）：338-345.

［2］TOBON-MEJIA D A，MEDJAHER K，ZERHOUNI N，et al.A data-driven failure prognostics method based on mixture of gaussians hidden markov models［J］.IEEE Transactions of Reliability，2012，61（2）：491-503.

［3］ZHONG Shisheng，CUI Zhiquan，WANG Tichun.Prediction of engine gas path parameter deviation based on fractional aggregation process neural network［J］.Computer Integrated Manufacturing Systems，2013，19（5）：1071-1077（in Chinese）.［鐘詩勝，崔智全，王體春.基于分式聚合過程神經(jīng)網(wǎng)絡的發(fā)動機氣路參數(shù)偏差值預測［J］.計算機集成制造系統(tǒng)，2013，19（5）：1071-1077.］

［4］GE Li，YIN Guisheng.Application of process neural network on consumer price index prediction［C］／／Proceedings of International Conference on Affective Computing and Intelligent Interaction.Berlin，Germany：Springer-Verlag，2012：427-432.

［5］DING Gang，F(xiàn)U Xuyun，ZHONG Shisheng.Aeroengine performance parameters prediction based on process neural network［J］.Computer Integrated Manufacturing Systems，2011，17（1）：198-207（in Chinese）.［丁 剛，付旭云，鐘詩勝.基于過程神經(jīng)網(wǎng)絡的航空發(fā)動機性能參數(shù)預測［J］.計算機集成制造系統(tǒng)，2011，17（1）：198-207.］

［6］DING Gang，WANG Xiongwei，LEI Da.Aeroengine exhaust gas temperature prediction using process neural network with time-varying threshold functions［J］.Applied Mechanics and Materials，2013，423-426：2341-2346.

［7］LIU Zhiguo，CAI Zengjie，TAN Xiaoming.Forecasting research of aero-engine rotate speed signal based on ARMA model［J］.Procedia Engineering，2011，15：115-121.

［8］LIU Kaibo，GEBRAEEL N Z，SHI Jianjun.A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis［J］.IEEE Transactions on Automation Science and Engineering，2013，10（3）：652-664.

［9］WANG Huawei，WU Haiqiao.Residual useful life prediction for aircraft engine based on information fusion［J］.Journal of Aerospace Power，2012，27（12）：2749-2755（in Chinese）.［王華偉，吳海橋.基于信息融合的航空發(fā)動機剩余壽命預測［J］.航空動力學報，2012，27（12）：2749-2755.］

［10］CAESARENDRA W，WIDODO A，THOM P H，et al.Combined probability approach and indirect data-driven method for bearing degradation prognostics［J］.IEEE Transactions on Reliability，2011，60（1）：14-20.

［11］CHEN Diyi，DING Cong，MA Xiaoyi.Nonlinear dynamical analysis of hydro-turbine governing system with a surge tank［J］.Applied Mathematical Modeling，2013，37（14／15）：7611-7623.

［12］DU Dangdang，JIA Xiaoliang.Health state monitoring for aero-engine based on dynamic standard color-picture［J］.Computer Integrated Manufacturing Systems，2013，19（12）：3068-3074（in Chinese）.［杜黨黨，賈曉亮.基于動態(tài)標準彩色圖譜的航空發(fā)動機健康狀態(tài)監(jiān)控［J］.計算機集成制造系統(tǒng)，2013，19（12）：3068-3074.］

［13］LI Jiaqing，CHEN Jin，SHI Chongjiu.Fault diagnosis method based on acoustic holography［J］.Journal of Mechanical Engineering，2009，45（5）：34-38（in Chinese）.［李加慶，陳進，史重九.基于聲全息的故障診斷方法［J］.機械工程學報，2009，45（5）：34-38.］

［14］HAN Liqun.Artificial neural network theory，design and application［M］.Beijing：Chemical Industry Press，2007（in Chinese）.［韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用［M］.北京：化學工業(yè)出版社，2007.］