王 琳, 張代國, 葉 晨, 宋 丹

(1.海軍航空大學, 山東 煙臺 264001; 2.海軍駐洛陽407代表室, 河南 洛陽 471000;3.東部戰(zhàn)區(qū)海軍保障部,浙江 寧波 315000;4.中國人民解放軍92095部隊,浙江 臺州 318000)

某型發(fā)動機結構復雜,多個油潤部件存在大量摩擦副。在航空發(fā)動機運行過程中,摩擦副之間的相互作用導致金屬磨粒進入潤滑油,懸浮于潤滑油中的金屬磨粒的成分及含量蘊含著航空發(fā)動機磨損狀態(tài)的重要信息。光譜分析技術是監(jiān)測與診斷航空發(fā)動機磨損故障的重要手段[1],如何從金屬磨粒信息中挖掘出表征磨損狀態(tài)的有效故障特征,是航空發(fā)動機油潤部件磨損故障正確診斷及預測的關鍵因素。

神經(jīng)網(wǎng)絡具有很強的非線性映射能力和容錯性,在設備故障診斷領域得到了廣泛應用[2-3]。針對某型航空發(fā)動機,本文提出了基于光譜分析及神經(jīng)網(wǎng)絡的磨損故障定位診斷方法,并通過算例驗證了該方法的可行性。

1 BP神經(jīng)網(wǎng)絡的介紹

人工神經(jīng)網(wǎng)絡(ANN)指人類在對自身大腦神經(jīng)網(wǎng)絡認識的基礎上人工構造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡[4-5],是理論化的人腦神經(jīng)網(wǎng)絡的數(shù)學模型,也是為模仿人腦神經(jīng)網(wǎng)絡結構和功能而建立的一種信息處理系統(tǒng)。實際上,人工神經(jīng)網(wǎng)絡是由大量簡單元件相互連接而成的復雜網(wǎng)絡,具有高度的非線性,能夠?qū)崿F(xiàn)復雜的邏輯操作和非線性關系。

眾多的人工神經(jīng)網(wǎng)絡中,最常用的是BP神經(jīng)網(wǎng)絡(backpropagation neural network),即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡,是一種反向傳遞并能修正誤差的多層映射網(wǎng)絡,其結構如圖1所示。

除輸入節(jié)點和輸出節(jié)點外,BP神經(jīng)網(wǎng)絡還有一層或多層隱層節(jié)點。一個典型的3層前饋BP神經(jīng)網(wǎng)絡的拓撲結構如圖2所示。圖2中:LA層(輸入層)含有n個節(jié)點,對應于BP神經(jīng)網(wǎng)絡可感知的n個輸入;LC層(輸出層)含有m個節(jié)點,與BP神經(jīng)網(wǎng)絡的m個輸出響應相對應;LB層(中間層)的節(jié)點數(shù)目u可根據(jù)需要設置。

圖1 BP神經(jīng)網(wǎng)絡結構Fig.1 Structure of BP neural network

圖2 3層前饋BP神經(jīng)網(wǎng)絡結構Fig.2 Structure of three-level feedforward BP neural network

令LA層節(jié)點ai與LB層節(jié)點br間的連接權為ωir,LB層節(jié)點br與LC層節(jié)點cj間的連接權為vrj,Tr為LB層節(jié)點的閾值,θj為LC層節(jié)點的閾值,則LB層節(jié)點的輸出函數(shù)

(1)

LC層節(jié)點的輸出函數(shù)

(2)

式(1)、(2)中:f()為S型函數(shù)。

BP神經(jīng)網(wǎng)絡可看成是一個從輸入到輸出的高度非線性映射,即:

F∶Rp→Rq,f(X)=Y

對于輸入xk∈Rp和輸出yk∈Rq,可認為存在某一映射g,使得

g(xk)=yk,k=1,2,…,n

若要求出映射f,在某種意義下(通常是最小二乘意義下)f則是g的最佳逼近。BP神經(jīng)網(wǎng)絡通過對簡單非線性函數(shù)的數(shù)次復合來近似復雜函數(shù)。

2 BP神經(jīng)網(wǎng)絡的應用

BP神經(jīng)網(wǎng)絡用于某型航空發(fā)動機潤滑部件磨損故障的識別需要遵循以下步驟:

(1)根據(jù)診斷對象的特點劃分故障類型,獲取故障信息,然后選取對故障比較敏感的一些參數(shù)作為信號的特征參數(shù),同時作為BP神經(jīng)網(wǎng)絡的輸入單元。

(2)根據(jù)診斷對象的特點構造BP神經(jīng)網(wǎng)絡的結構,即輸入節(jié)點個數(shù)、隱層數(shù)、輸出節(jié)點個數(shù)等。

(3)用已知診斷結果作為樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練,調(diào)整數(shù)值矩陣、閾值矢量。若訓練不成功,則需要改變網(wǎng)絡結構參數(shù)。

(4)將待檢征兆數(shù)據(jù)輸入到訓練成功的BP神經(jīng)網(wǎng)絡,計算輸出向量。根據(jù)輸出向量的結果來確定故障類型。

結合某型航空發(fā)動機轉(zhuǎn)動部件的結構設計特點,統(tǒng)計設備使用過程中出現(xiàn)的與發(fā)動機磨損相關的故障情況和故障發(fā)動機返廠檢修情況。在分析磨損故障原因的基礎上,確定某型航空發(fā)動機的主要磨損部位為:低壓壓氣機、中介機匣、高壓壓氣機、低壓渦輪、高壓渦輪、附件傳動裝置、滑油泵。每個磨損部位的主要部件如下所示:

(1)低壓壓氣機(前軸承、后軸承、止推軸承、軸承保持架、軸承襯套、前軸、后軸)。

(2)中介機匣(軸承、軸承保持架、殼體)。

(3)高壓壓氣機(前軸承、后軸承、軸承保持架、前軸、后軸、軸承支座)。

(4)低壓渦輪(低壓渦輪后軸承、低壓渦輪軸、軸承保持架)。

(5)高壓渦輪(鼠籠式彈性支承、軸承襯套、高壓渦輪軸)。

(6)附件傳動裝置(軸承襯套、齒輪、軸承、軸承保持架、殼體)。

(7)滑油泵(齒輪、殼體、軸承襯套、軸承、軸承保持架)。

將上述磨損部位故障模式定義為:低壓壓氣機P1、中介機匣P2、高壓壓氣機P3、低壓渦輪P4、高壓渦輪P5、附件傳動裝置P6、滑油泵P7。另外,定義系統(tǒng)正常P8。

3 BP神經(jīng)網(wǎng)絡的構建

本文建立了滑油光譜定位診斷3層BP神經(jīng)網(wǎng)絡。S1,S2,…,S8為神經(jīng)網(wǎng)絡輸入,分別對應8種金屬元素(Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn)的濃度;P1,P2,…,P8為神經(jīng)網(wǎng)絡輸出,分別對應8個故障模式。根據(jù)經(jīng)驗公式,隱層節(jié)點數(shù)

式中:ni為輸入層節(jié)點數(shù);no為輸出層節(jié)點數(shù);l為1～10之間的整數(shù)。本文選取隱層節(jié)點數(shù)為12。

4 標準故障樣本的構建

將某型航空發(fā)動機的8個磨損部位故障模式構造成8種標準模式(也可稱典型模式),每一種標準模式都包含金屬元素的個數(shù)和種類信息。Kj表示所含金屬元素的種類,則X={K1,K2,…,K8}。用二進制方法表示金屬元素的存在性,“1”為存在,“0”為不存在。8種標準模式如下所示:

X1={1,1,1,1,1,0,1,0}

X2={1,1,0,0,0,1,1,0}

X3={1,1,0,1,1,0,1,0}

X4={1,1,1,0,1,0,0,0}

X5={1,1,1,0,1,0,0,0}

X6={1,1,1,0,0,1,0,0}

X7={1,1,0,1,0,0,1,1}

X8={0,0,0,0,0,0,0,0}

由此得到光譜子診斷網(wǎng)絡的訓練樣本,如表1所示。

隱層神經(jīng)元傳遞函數(shù)采用S形正切函數(shù)tansig,其表達式為

表1 光譜子診斷網(wǎng)絡的訓練樣本Tab.1 Training samples for spectral subdiagnostic network

輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig,其表達式為

網(wǎng)絡的訓練函數(shù)采用traingda函數(shù),學習函數(shù)采用learndm函數(shù),性能函數(shù)采用mse函數(shù)。

根據(jù)BP神經(jīng)網(wǎng)絡算法,對光譜子診斷網(wǎng)絡進行編程訓練。

系統(tǒng)設定總誤差為0.01,經(jīng)過119次訓練后,光譜子診斷網(wǎng)絡的性能達到要求,結果如圖3所示。

5 磨損部位待識別樣本的構建

(1) 樣本矩陣選取

當檢測到的金屬元素濃度發(fā)生異常時,可根據(jù)相應金屬磨粒的成分確定哪些部件將要或已經(jīng)發(fā)生了異常磨損。在實際工作中,當確定有異常磨損發(fā)生后,機務人員往往是憑借經(jīng)驗進行判斷,如:當檢測到Fe和Cu濃度超過異常值時,判斷主軸承發(fā)生了嚴重磨損;當Al濃度超過異常值時,判斷離心通風器偏磨或滑油泵磨損等。這種判斷方式不規(guī)范、不嚴謹且誤判概率大。因此,為提高磨損部件故障判斷的精度,需要用數(shù)學手段對光譜監(jiān)測數(shù)據(jù)之間的關聯(lián)性進行深入分析。

圖3 光譜子診斷網(wǎng)絡訓練結果Fig.3 Training results of spectral subdiagnostic network

油液監(jiān)測信息源非單一信息源,而是由多個信息源共同疊加的混合信息源。存在于潤滑油中的金屬磨粒是發(fā)動機內(nèi)多種部件磨損產(chǎn)物的混合結果,即每一種金屬元素的濃度都不是獨立的,金屬元素之間有一種內(nèi)在的關聯(lián)性。采用聚類分析,可以把具有相同或相近性質(zhì)的金屬元素聚為一類。如果具有相同或相近性質(zhì)的金屬元素對應發(fā)動機上的某一摩擦副材料,則可以確認該摩擦副材料與金屬元素濃度變化的關系,這就是基于滑油光譜監(jiān)測數(shù)據(jù)的磨損部位識別的基本理論依據(jù)。

根據(jù)采集到的光譜數(shù)據(jù),對比界限值,發(fā)現(xiàn)某一組數(shù)據(jù)的Fe濃度超過異常值,這表明可能出現(xiàn)異常磨損。根據(jù)發(fā)動機的結構特點,選取8種元素進行重點監(jiān)控,同時選取濃度超過界限值的異常光譜數(shù)據(jù)的前8組采樣點數(shù)據(jù)(U1～U8)作為原始數(shù)據(jù)進行聚類分析。設U={u1,u2,…,u8},其中u1～u8分別對應Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn的濃度。接著,將發(fā)生異常磨損時前8個光譜各金屬元素濃度組成樣本矩陣,如表2所示。

表2 前8個光譜各金屬元素濃度組成的樣本矩陣Tab.2 Sample matrix consisting of the first 8 spectra of metallic element concentrations

(2)ui與uj之間相似關系建立

目前相似關系的建立方法主要有數(shù)量積法、相關系數(shù)法、最大最小法、算數(shù)平均最小法、幾何平均最小法等,不同方法的聚類結果會有差異,選取哪種方法要根據(jù)大量實踐經(jīng)驗而定。根據(jù)實際情況,本文選取相關系數(shù)法來建立相似關系矩陣。相似關系計算公式為根據(jù)式(3)得到的相似關系矩陣如表3所示。

(3)

表3 相似關系矩陣Tab.3 Similarity relation matrix

(3) 傳遞矩陣求解

(4) 截矩陣求解并聚類

先求出不同λ值下的截矩陣Rλ,然后根據(jù)所求截矩陣進行聚類,各因素聚為一類的充分條件是

Rλ(xi,xj)=1,i,j=1,2,…,7

據(jù)此即可得到不同λ值下的分類結果,如下所示:

當0<λ≤0.89時,將U分為1類,即:{u1,u2,u3,u4,u5,u6,u7,u8}。

當0.89<λ≤0.94時,將U分為2類,即:{u2}、{u1,u3,u4,u5,u6,u7,u8}。

當0.94<λ≤0.97時,將U分為3類,即:{u2}、{u4}、{u1,u3,u5,u6,u7,u8}。

當0.97<λ≤0.98時,將U分為5類,即:{u1}、{u2}、{u4}、{u7}、{u8}、{u3,u5,u6}。

當0.98<λ≤1.00時,將U分為7類,即:{u1}、{u2}、{u3}、{u4}、{u5}、{u6}、{u7}、{u8}。

由此可以構造待識別模式,根據(jù)上述聚類結果選取λ=0.97,則得到待識別模式X0={1,1,0,1,0,1,1,0}。

6 診斷結果

將待識別模式輸入訓練好的神經(jīng)網(wǎng)絡,得到輸出結果為U6,它對應的是發(fā)動機低壓壓氣機軸承支座磨損。待識別模式中含有金屬元素Fe、Al、Cr、Cu、Mg,這與低壓壓氣機軸承支座磨損所含元素一致,據(jù)此可以判斷低壓壓氣機軸承支座最有可能發(fā)生劇烈磨損。

7 結語

針對某型航空發(fā)動機提出了基于BP神經(jīng)網(wǎng)絡的磨損故障定位診斷方法,并通過算例驗證了所提出診斷方法的可行性和正確性。結果表明,所建立的診斷方法簡潔有效,并具有很高的診斷精度。