胡　焱，楊　陽，謝家雨，李衛(wèi)青，蔣陵平

（中國(guó)民用航空飛行學(xué)院航空工程學(xué)院，四川廣漢618307）

?

ELM在航空鉛酸蓄電池容量檢測(cè)中的應(yīng)用

胡焱，楊陽，謝家雨，李衛(wèi)青，蔣陵平

（中國(guó)民用航空飛行學(xué)院航空工程學(xué)院，四川廣漢618307）

摘要：針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、參數(shù)選擇難、易陷入局部極值等缺點(diǎn)，提出基于極限學(xué)習(xí)機(jī)（ELM）的航空鉛酸蓄電池容量檢測(cè)模型。極限學(xué)習(xí)機(jī)是一種新的單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLFNs）學(xué)習(xí)算法，不但可以簡(jiǎn)化參數(shù)選擇過程，而且可以提高網(wǎng)絡(luò)的訓(xùn)練速度。在確定最優(yōu)參數(shù)的基礎(chǔ)上，建立ELM的航空鉛酸蓄電池容量檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明：LM獲得較高的分類準(zhǔn)確率和較快的訓(xùn)練速度，從而驗(yàn)證ELM用于航空鉛酸蓄電池容量檢測(cè)模型的可行性和有效性。

關(guān)鍵詞：極限學(xué)習(xí)機(jī)；航空鉛酸蓄電池；容量預(yù)測(cè)；檢測(cè)模型

0　引言

航空鉛酸蓄電池作為機(jī)載備用直流電源，用于飛機(jī)發(fā)動(dòng)機(jī)的起動(dòng)、照明、通信、導(dǎo)航及隨航應(yīng)急備用。由于其具有安全、穩(wěn)定、高性能、經(jīng)濟(jì)等優(yōu)點(diǎn)，被廣泛應(yīng)用在中小型飛機(jī)及大部分直升機(jī)上，其性能直接影響飛行安全。容量是決定航空蓄電池性能的最主要參數(shù)[1]，因此，對(duì)航空鉛酸蓄電池進(jìn)行容量檢測(cè)極為重要。

鉛酸蓄電池的容量檢測(cè)方法較多，目前公認(rèn)的是負(fù)載放電測(cè)試法（這也是蓄電池廠家推薦的）[2]。這種方法雖然可靠，但頻繁的滿容量放電會(huì)加速蓄電池老化，縮短使用壽命。

極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）算法是南洋理工大學(xué)Huang等[3-5]在2004年提出的一種人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練新算法，它能夠有效克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)選取復(fù)雜、易陷入局部最優(yōu)等問題。由于具有學(xué)習(xí)速度快，泛化性能好等優(yōu)點(diǎn)，該算法被廣泛應(yīng)用于非線性擬合和模式分類。

通過對(duì)中國(guó)民用航空飛行學(xué)院各分院的調(diào)研得知，當(dāng)航空鉛酸蓄電池的容量達(dá)到額定容量的80%時(shí)才可用，否則不可用。因此，航空鉛酸蓄電池容量檢測(cè)亦可看成一個(gè)模式分類問題：將影響航空鉛酸蓄電池容量的參數(shù)作為模型的輸入?yún)?shù)，容量類別（可用，不可用）作為輸出參數(shù)從而對(duì)電池容量進(jìn)行有效的分類檢測(cè)。

1　ELM原理

ELM是針對(duì)傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)（single -hidden layer feedforward neural network，SLFN）固有缺點(diǎn)提出的一種思想。該算法隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，且在訓(xùn)練過程中無需調(diào)整，只需設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，即可獲得唯一的最優(yōu)解。極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1　ELM網(wǎng)絡(luò)結(jié)構(gòu)

由文獻(xiàn)[6]可知在ELM中不僅許多非線性激活函數(shù)可以使用，還可以使用不可微函數(shù)，甚至可以使用不連續(xù)的函數(shù)作為激活函數(shù)。

2　基于ELM的航空鉛酸蓄電池容量檢測(cè)模型

2.1數(shù)據(jù)來源和特征量的選擇

為了驗(yàn)證所建立模型的有效性，對(duì)中國(guó)民用航空飛行學(xué)院各分院容量已知的G-241型航空鉛酸蓄電池的數(shù)據(jù)進(jìn)行采集。文獻(xiàn)[7]研究表明，在鉛酸蓄電池的老化過程中，隨著極板的硫酸化、活性物質(zhì)的脫落，蓄電池的容量減少，同時(shí)蓄電池的內(nèi)阻呈逐漸增加的趨勢(shì)。因此，鉛酸蓄電池內(nèi)阻可以在一定程度上反應(yīng)鉛酸蓄電池容量的狀況。相關(guān)研究[8-10]表明，鉛酸蓄電池的電壓和循環(huán)次數(shù)也可以反應(yīng)其容量狀況。另外，隨著激活時(shí)間的增加，電池老化程度加重，容量也會(huì)減小；因此，對(duì)G-241型鉛酸蓄電池的電壓、內(nèi)阻、循環(huán)次數(shù)、激活時(shí)間4個(gè)參數(shù)數(shù)據(jù)進(jìn)行了采集，并將其作為特征分量，這樣綜合考慮多個(gè)因素對(duì)航空鉛酸蓄電池進(jìn)行容量檢測(cè)。其中，可用和不可用的蓄電池各80個(gè)，并選取其中40個(gè)可用的與40個(gè)不可用的電池的數(shù)據(jù)作為訓(xùn)練樣本，剩下的40個(gè)可用的與40個(gè)不可用的電池的數(shù)據(jù)作為測(cè)試樣本。

2.2激活函數(shù)的選擇和隱含層神經(jīng)元個(gè)數(shù)的確定

為選取較好的激活函數(shù)和隱含層神經(jīng)元個(gè)數(shù)，以提高ELM的分類準(zhǔn)確率，本文選取4種不同的激活函數(shù)（Sine、Sigmoidal、Hardlim、Radial Basis），同時(shí)將每個(gè)激活函數(shù)的隱含層神經(jīng)元個(gè)數(shù)初始為10，以10為周期增加隱含層神經(jīng)元個(gè)數(shù)，分析不同的激活函數(shù)和隱含層神經(jīng)元個(gè)數(shù)對(duì)分類準(zhǔn)確率的影響，結(jié)果如圖2所示。

圖2　不同的激活函數(shù)和隱含層神經(jīng)元個(gè)數(shù)對(duì)分類準(zhǔn)確率的影響

由圖可知，在初始階段4種激活函數(shù)都隨著隱含層神經(jīng)元個(gè)數(shù)的增加分類正確率有所增加。當(dāng)隱含層神經(jīng)元增加到一定個(gè)數(shù)后，Hardlim激活函數(shù)的分類正確率隨隱含層神經(jīng)元個(gè)數(shù)的增加趨于平穩(wěn)，其余3種激活函數(shù)的分類正確率隨隱含層神經(jīng)元個(gè)數(shù)的增加逐漸下降。但是當(dāng)隱含層神經(jīng)元個(gè)數(shù)為40時(shí)，Sigmoidal激活函數(shù)的分類正確率最高，達(dá)到95%。因此本文選用Sigmoidal函數(shù)作為激活函數(shù)并且隱含層個(gè)數(shù)取40來建立基于極限學(xué)習(xí)機(jī)的航空鉛酸蓄電池容量檢測(cè)模型，利用該模型對(duì)測(cè)試集進(jìn)行分類檢測(cè)，分類結(jié)果如圖3所示。

由圖可知測(cè)試集樣本中有4個(gè)樣本被錯(cuò)誤分類，其中兩個(gè)第1類樣本被錯(cuò)分到第2類，兩個(gè)第2類樣本被錯(cuò)分到第1類，分類正確率為95%。

圖3　測(cè)試集樣本分類結(jié)果

圖4　ELM航空鉛酸蓄電池容量檢測(cè)流程圖

2.3ELM航空鉛酸蓄電池容量檢測(cè)步驟

ELM航空鉛酸蓄電池的容量檢測(cè)流程如圖4所示。

ELM航空鉛酸蓄電池容量檢測(cè)步驟如下：

1）進(jìn)行樣本數(shù)據(jù)的采集；

2）進(jìn)行樣本訓(xùn)練集與測(cè)試集的劃分，其中訓(xùn)練集用來訓(xùn)練網(wǎng)絡(luò)；

3）選擇激活函數(shù)和隱含層神經(jīng)元個(gè)數(shù)，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立ELM模型；

4）利用訓(xùn)練集對(duì)ELM模型進(jìn)行訓(xùn)練；

5）利用訓(xùn)練好的ELM模型對(duì)電池容量進(jìn)行分類預(yù)測(cè)。

3　結(jié)束語

本文將極限學(xué)習(xí)機(jī)引入航空鉛酸蓄電池容量檢測(cè)，并利用采集的G-241航空鉛酸蓄電池?cái)?shù)據(jù)對(duì)極限學(xué)習(xí)機(jī)容量檢測(cè)模型進(jìn)行了驗(yàn)證，測(cè)試集的分類準(zhǔn)確率達(dá)到95%。因此將極限學(xué)習(xí)機(jī)應(yīng)用于航空鉛酸蓄電池容量檢測(cè)具有一定的理論意義和應(yīng)用價(jià)值。

下一步工作的重點(diǎn)如下：

1）擴(kuò)大樣本數(shù)量，提高分類準(zhǔn)確度；

2）對(duì)該算法進(jìn)一步研究，如隱含層節(jié)點(diǎn)數(shù)能否通過自適應(yīng)確定；

3）降低參數(shù)獲取的硬件成本；

4）將該算法與硬件及管理系統(tǒng)軟件結(jié)合實(shí)現(xiàn)在線參數(shù)獲取、容量檢測(cè)以及日常管理以提高自動(dòng)化水平，從而降低人力資源成本。

參考文獻(xiàn)

[1]胡恒生.航空化學(xué)電源[D].徐州：徐州空軍學(xué)院，2007.

[2]歐陽名三，余世杰. VRLA蓄電池容量預(yù)測(cè)技術(shù)的現(xiàn)狀及發(fā)展[J].蓄電池，2004，41（2）：59-63.

[3] HUANG G B，ZHU Q Y，SIEW C K. Extreme learning machine：theory and applications[J]. Neurocomputing，2006，70（1）：489-501.

[4] LAN Y，SOH Y C，HUANG G B. Ensemble of online sequential extreme learning machine[J]. Neurocomputing，2009，72（13-15）：3391-3395.

[5] HUANG G B，ZHU Q Y，SIEWC K. Real-time learning capability of neural networks[C]∥IEEE Transact ions on Neural Networks，2006，17（4）：863-878.

[6]史峰，王輝，郁磊，等. Matlab智能算法30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011：103-110.

[7]鮑世靜.鉛酸蓄電池剩余容量預(yù)測(cè)研究和工程應(yīng)用[D].西安：西安電子科技大學(xué)，2011.

[8] Modeling and evaluation of valve-regulated lead-acid batteries [R]. Espoo：Helsinki University of Technology Control Engineering Laboratory，2004.

[9] VICTOR L G. Battery charge cycle counter：US0051366 20A[P]. 1992.

[10]張榮魁.蘭州西固熱電廠閥控式鉛酸蓄電池在線監(jiān)測(cè)及應(yīng)用研究[D].重慶：重慶大學(xué)，2004.

（編輯：莫婕）

Aviation lead-acid battery capacity detection using extreme learning machine

HU Yan，YANG Yang，XIE Jiayu，LI Weiqing，JIANG Lingping
（Aviation Engineering Institute，Civil Aviation Flight University of China，Guanghan 618307，China）

Abstract:Aiming at the traditional BP neural network models are inefficient and prone to fall into local extreme values，the extreme learning machine（ELM）was proposed as an alternative in the detection of aviation lead-acid battery capacities. This new learning algorithm for the studies of single-hidden layer feed forward neural networks（SLFNs）can both simplify the parameter selection process and improve the network training speed. The optimal parameters obtained by this algorithm were used to design a model for detecting aviation lead-acid battery capacities. According to the experimental results，the ELM has made classification more accurate and has quickened network training. Thus，it can be used to test the capacity of aviation lead-acid batteries.

Keywords:extreme learning machine；aviation lead-acid battery；capacity detection；detection model

通訊作者：蔣陵平（1971-），男，重慶市人，教授，碩士生導(dǎo)師，主要從事航空發(fā)動(dòng)機(jī)維修、復(fù)合材料修理技術(shù)研究。

作者簡(jiǎn)介：胡焱（1973-），男，四川大英縣人，副教授，碩士生導(dǎo)師，主要從事航空電子設(shè)備相關(guān)研究。

基金項(xiàng)目：中國(guó)民用航空飛行學(xué)院自然科學(xué)面上項(xiàng)目（XM0514）

收稿日期：2015-02-24；收到修改稿日期：2015-04-15

doi：10.11857/j.issn.1674-5124.2016.02.027

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5124（2016）02-0119-03