董慧芬 代玉行 王 滲

(中國民航大學機器人研究所 天津 300300)

0 引 言

CFM56-7B發(fā)動機用于波音737NG飛機，飛行周期過后需要對發(fā)動機風扇燕尾基座區(qū)域進行清潔、檢查、潤滑工作，目前大多以人工方式進行清洗，如圖1所示。工卡要求清洗原料是異丙基酒精，使用軟毛刷進行反復清洗，工作強度大，而且長期吸入異丙基酒精會嚴重危害人體健康。因此，研究一種快速、高效、可靠、環(huán)保、健康的自動清洗方式來代替人工清洗具有重要的現(xiàn)實意義。

在清洗行業(yè)，超聲波清洗是非常成熟的清洗方式之一，具有制造技術成熟，結構簡單便于維護，清洗效果好，避免人和清洗液直接接觸，降低對健康的危害等優(yōu)點。與人身體直接接觸的手工清洗和其他機械清洗方式等相比，超聲波清洗穿透性強[1]，且能夠清洗工件的死角等難以用手工或者機械方式接觸到的角落，而且不會損傷工件，安全高效，清洗效果更好。根據(jù)CFM56-7B發(fā)動機SPM手冊要求，超聲波清洗方式可以用于清洗飛機發(fā)動機風扇葉片。

在超聲波清洗的影響因素中，皇磊落等[2]研究了超聲波功率和清洗液溫度對清洗效果的影響；Niemczewskib[3]研究了液體中的超聲波空化的比較；李紅霞等[4]進行了超聲空化清洗實驗研究；張艾萍等[5]研究了清洗液溫度對清洗效果的影響。上述學者大多研究一個或者兩個因素在超聲波清洗中的作用和影響，僅停留在對清洗效果的預測方面，在多個參數(shù)對清洗效果的影響方面，沒有進行模型建立和算法優(yōu)化，在多參數(shù)對超聲波清洗效果的影響和有效降低能耗上沒有形成理論支持。

確定多個清洗參數(shù)與清洗效果之間的非線性關系，能夠對清洗效果進行預測并對清洗參數(shù)進行優(yōu)化，這是關鍵所在。針對這種多個參數(shù)與預測目標的非線性耦合關系，高道明等[6]采用模糊數(shù)學處理清洗參數(shù)與清洗效果之間的非線性關系，從而對清洗效果進行預測。模糊數(shù)學處理時，模糊集的劃分人為因素較大，并且模糊集劃分的大小直接影響處理結果的精確性；張金夢等[7]使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測停車場的泊車位數(shù)量，BP神經(jīng)網(wǎng)絡在擬合預測方面具有一定優(yōu)勢，但這建立在數(shù)據(jù)量充足且非線性耦合比較弱的情況下。而對于超聲波清洗影響因素與清洗效果的非線性耦合關系和數(shù)據(jù)量不大的情況，這種方法稍顯劣勢。分析當前研究的具體情況，比較上述方法，GRNN優(yōu)勢更加明顯，其具有強的非線性映射能力，相比較其他神經(jīng)網(wǎng)絡，更擅長解決非線性問題，并且針對超聲波清洗飛機發(fā)動機風扇葉片實驗的數(shù)據(jù)量不多的情況下，同樣具有一定的優(yōu)勢[8]。因此，針對飛機發(fā)動機風扇葉片清洗中四個清洗參數(shù)與清洗效果的非線性耦合關系，采用GRNN對影響超聲波清洗效果的多參數(shù)進行處理預測。并以清洗效果為適應度函數(shù)，對這四個清洗參數(shù)用遺傳算法進行優(yōu)化，并使用成熟的網(wǎng)絡模型進行預測判斷，最終優(yōu)化給出適合的清洗參數(shù)，實現(xiàn)飛機發(fā)動機風扇葉片的低能耗、高效的清潔目標。

光滑因子σ的取值直接影響網(wǎng)絡的性能，因此應該使用超聲波清洗實驗數(shù)據(jù)，對網(wǎng)絡進行訓練和測試，提高網(wǎng)絡的預測效果，增強網(wǎng)絡的泛化能力。對于優(yōu)化GRNN模型，王雨虹等[9]采用混沌免疫粒子群優(yōu)化網(wǎng)絡模型，將光滑因子的值作為粒子位置坐標，操作簡單，但是容易陷入局部最優(yōu)，對離散狀況應對不足。Yao等[10]基于GA-GRNN優(yōu)化高速列車頭部三維氣動設計；宋寧佳等[11]使用遺傳算法對光滑因子進行尋優(yōu)。雖然遺傳算法的自然選擇、交叉和變異操作在編碼實現(xiàn)時相比其他優(yōu)化算法比較繁瑣，程序運行量大，但其能在迭代過程中實現(xiàn)優(yōu)勝劣汰，逐代進化產(chǎn)生更好的后代，而且交叉和變異操作增加了進化的不確定性，一定程度上避免了陷入局部最優(yōu)的情形。因此，本文使用遺傳算法對GRNN模型進行光滑因子的優(yōu)化處理。

對優(yōu)化光滑因子的網(wǎng)絡模型，能夠實現(xiàn)對飛機發(fā)動機風扇葉片清潔度的預測，相比前面提到的兩位學者使用的模糊數(shù)學預測清洗參數(shù)與清洗效果之間的非線性關系和BP神經(jīng)網(wǎng)絡預測停車場的泊車位數(shù)量，本文的GA-GRNN模型在訓練數(shù)據(jù)較少的情況下，同樣可以達到較好預測效果，并且相比BP神經(jīng)網(wǎng)絡訓練速度更快。最后，在此模型基礎上提出使用遺傳算法優(yōu)化輸入清洗參數(shù)的GA-GRNN-GA模型，對飛機發(fā)動機風扇葉片清洗參數(shù)進行優(yōu)化。

1 超聲波清洗影響因素分析

超聲波探頭產(chǎn)生超聲波在液體中傳播，因為空化現(xiàn)象形成空化氣泡，氣泡上升過程中由于聲波膨脹相的變化，空化氣泡受到擠壓，擠壓到一定程度氣泡炸裂產(chǎn)生巨大能量，作用在被清洗物質(zhì)表面，將污染物清除，從而實現(xiàn)超聲波清洗污染物，因此，空化氣泡的微型爆炸發(fā)生在換能器上方，空化氣泡爆炸的區(qū)域清洗效果較好，如圖2所示。在空化氣泡形成爆炸區(qū)域之前，大部分空化氣泡正在形成；在空化氣泡形成爆炸區(qū)域之后，大部分空化氣泡已經(jīng)爆炸。

使用超聲波清洗飛機發(fā)動機風扇葉片，如何實現(xiàn)高效、節(jié)能和優(yōu)良的清洗效果，是超聲波清洗飛機發(fā)動機風扇葉片的關鍵?，F(xiàn)針對單一因素對超聲波清洗效果的影響，實驗分析其與清洗效果的關系。清洗效果用清潔度來表示，清潔度定義為s：

s=w/d

(1)

式中：w表示清洗干凈的面積，d表示清洗總面積。

(1) 超聲波功率對清潔度的影響。保證其他條件基本不變的前提下，擬合實驗數(shù)據(jù)，得到超聲波探頭功率與清洗飛機發(fā)動機風扇葉片壓力面清潔度的關系如圖3所示。

圖3 超聲波功率與清潔度的關系

由圖3可知，超聲波清潔度隨著功率增加而增加，探頭功率的加大，更有利于超聲波的空化作用，從而提高清潔度。

(2) 清洗液溫度對超聲波清潔度的影響。結合本文實驗環(huán)境，得出清洗液溫度與清潔度的關系如圖4所示。

圖4 清洗液溫度與清潔度的關系

實驗得出最佳溫度在56 ℃左右，在此之前，溫度的升高有利于提高超聲波清洗飛機發(fā)動機風扇葉片的清潔度，到達一定程度，溫度的影響開始降低，若繼續(xù)升高溫度，則清潔度開始出現(xiàn)降低的情況。

(3) 清洗時間對超聲波清潔度的影響。不同的清洗液清洗不同的對象，會有不同的工藝參數(shù)狀態(tài)，對于超聲波清洗飛機發(fā)動機風扇葉片而言，根據(jù)工卡要求進行實驗，得出清洗時間和清潔度的關系如圖5所示。

圖5 清洗時間與清潔度的關系

由圖5可知，清潔度隨著清洗時間的增加而提高，在前25分鐘內(nèi)清潔度上升明顯，在清洗時間達到30分鐘時，清潔度的變化減緩，清洗時間對清潔度的影響接近飽和。

(4) 清洗距離對超聲波清潔度的影響。前面分析可知，根據(jù)超聲波清洗空化原理，換能器上方充滿空化氣泡，距換能器的高度不同?？栈瘹馀莸男纬沙潭炔煌Ｔ诳栈瘹馀菁斜▍^(qū)域，超聲波清洗能較好地發(fā)揮清洗作用，因此改變工件距超聲波換能器的距離，尋找最佳清洗區(qū)域。根據(jù)實驗數(shù)據(jù)得出超聲波清洗距離與清潔度的關系如圖6所示。

圖6 工件清洗距離與清潔度的關系

結合目前的實驗環(huán)境和參數(shù)組合，在0 cm～10 cm的區(qū)域，空化正在形成，清潔度雖有提高，但變化不明顯，在10～13 cm時，清潔度顯著提高，超過13 cm，清潔度開始下降。由此可得，超聲波空化氣泡爆炸區(qū)域集中在高度約為13 cm的區(qū)域，因此最佳清洗距離約在13 cm。

由前面的分析可見，雖然每個參數(shù)對清潔度都有一個最佳的點或者一個很小的最佳區(qū)間，但是由于沒有進行四個參數(shù)進行協(xié)同優(yōu)化，控制變量的選取并沒有準確的理論數(shù)據(jù)可依，并沒有實現(xiàn)清潔度優(yōu)化高效、節(jié)能的目標。因此建立基于GRNN的飛機發(fā)動機風扇葉片清洗參數(shù)優(yōu)化模型，對清洗參數(shù)進行協(xié)同優(yōu)化很有必要。

2 基于GRNN的飛機發(fā)動機風扇葉片清潔度預測模型

2.1 GRNN

廣義回歸神經(jīng)網(wǎng)絡在結構上分別是輸入層、模式層、求和層和輸出層，如圖7所示。

圖7 GRNN模型結構圖

其中:網(wǎng)絡的輸入為X=[x1,x2,…,xn]T，輸出為Y=[y1,y2,…,yn]T。

GRNN是一種基于非線性回歸的人工神經(jīng)網(wǎng)絡，輸入相對輸出的回歸就是計算輸入為X的情況下，Y的網(wǎng)絡預測輸出。

(2)

(3)

(4)

從式(4)中可以看出，光滑因子太大，網(wǎng)絡輸出接近于網(wǎng)絡的輸入的均值，反之，網(wǎng)絡的輸出接近訓練樣本數(shù)據(jù)。這表明只有當需要預測的點在訓練樣本集中時，網(wǎng)絡的預測值會和樣本中對應的因變量非常接近，如果是樣本中沒有的點，則可能預測結果相差甚遠，這說明光滑因子的取值范圍決定了網(wǎng)絡的泛化能力。因此應當輸入數(shù)據(jù)對模型進行訓練，尋找和優(yōu)化光滑因子，提高模型的泛化能力。

2.2 預測模型訓練

針對超聲清洗功率、溫度、時間和清洗距離運用控制變量的方法進行多次實驗，實驗所用設備的超聲波探頭頻率為28 kHz，如圖8所示?？紤]實驗的局限性，目前采用與飛機發(fā)動機風扇葉片壓力面表面類似的合金代替進行清洗，圖9所示為表面噴涂有二硫化鉬的工件正在使用超聲波設備進行清洗。按照前面清潔度的定義來計算，獲得實驗數(shù)據(jù)如表1所示，在MATLAB中進行GRNN模型訓練。

圖8 超聲波清洗設備

圖9 超聲波清洗表面帶有二硫化鉬的工件

表1 飛機發(fā)動機風扇葉片清洗GRNN預測模型訓練數(shù)據(jù)

經(jīng)過遺傳算法迭代優(yōu)化光滑因子，得到誤差范圍內(nèi)的σ值，具體流程如圖10所示。

圖10 GA訓練GRNN模型流程圖

圖10中，初始化一個光滑因子，值為1，使用訓練數(shù)據(jù)輸入模型進行模型訓練，計算適應度函數(shù)值，檢驗預測結果的均方根誤差。對于均方根誤差不小于0.05、不符合要求的進一步對光滑因子使用遺傳算法進行優(yōu)化，繼續(xù)輸入數(shù)據(jù)進行訓練，直到結果符合要求，得出合適的光滑因子，從而完成模型的訓練。這里取光滑因子取值范圍在0～1之間，遺傳算法采用10位二進制編碼；當測試樣本誤差達到要求時，光滑因子σ=0.247。

3 葉片清洗參數(shù)優(yōu)化與實驗驗證

3.1 參數(shù)GA優(yōu)化

對于已經(jīng)訓練好的GRNN模型，以清潔度最佳和消耗能量最小為目標和約束條件，使用遺傳算法對輸入數(shù)據(jù)進行優(yōu)化：

s≥90%

(5)

minF(p,c,t,h)=[p,c,t,h]T

(6)

式中：p表示超聲清洗功率，c表示清洗液溫度，t表示清洗時間，h表示清洗距離。

流程圖如圖11所示。

圖11 GA優(yōu)化清洗參數(shù)流程圖

對于已經(jīng)訓練好的GRNN模型，輸入模型清洗參數(shù)，進行參數(shù)優(yōu)化，結合超聲波實驗設備，優(yōu)化取出有代表性的能量最低的數(shù)組數(shù)據(jù)，如表2所示。

表2 飛機發(fā)動機風扇葉片清洗參數(shù)優(yōu)化數(shù)據(jù)組合

續(xù)表2

從表2中MATLAB仿真數(shù)據(jù)可以看出：功率是在超聲波清洗中一個較為重要的因素，功率和溫度存在著非線性的負相關關系，隨著功率的增大，達到基本一致的清洗效果時，溫度逐漸降低,對溫度的依賴降低。為了維持較好的清洗效果，超聲波功率不太高的情況下，超聲波清洗液的溫度要保持在60 ℃左右。清洗時間的大小對超聲波清洗的清潔度影響分為兩種情況，功率較小時，對時間依賴比較大，隨著功率升高，時間可縮短50%以上。另外，工件的最佳清洗高度并非是某一個數(shù)值，而是一個高度變化較小的區(qū)域，換言之，最佳清洗高度是一個高度區(qū)域。

3.2 葉片清洗效果檢測與分析

采用仿真結果的清洗工藝參數(shù)組合，進行飛機發(fā)動機風扇葉片清洗實驗，圖12(a)是完全干凈的工件原始圖，圖12(b)是附著上污染物的效果圖，圖12(c)是使用第一組數(shù)據(jù)(p=240 W,C=67℃,t=36 min，h=8 cm)清洗之后效果圖，圖12(d)是使用第二組數(shù)據(jù)(p=900 W,c=42 ℃,t=24 min，h=11 cm)清洗之后效果圖。待洗污染物用飛機發(fā)動機葉片正常維護使用的罐裝二硫化鉬噴劑，跟實際清洗時候的附著物保持一致。

(a) 干凈工件原始圖

(b) 工件附著污染物效果圖

(c) 第一組數(shù)據(jù)清洗效果圖

(d) 第二組數(shù)據(jù)清洗效果圖圖12 清洗實驗效果圖

針對兩次實驗的清洗效果，通過對清洗之后圖像進行去噪、前景提取、閾值范圍確定和二值化處理等操作，計算清洗后工件的清潔度，可得用第一組數(shù)據(jù)清洗的清潔度為0.88，用第二組數(shù)據(jù)清洗的清潔度為0.90。二者的理論優(yōu)化參數(shù)經(jīng)模型輸出預測結果分別為0.92和0.94。用下式計算清潔度的相對誤差：

(7)

式中：η定義為超聲波清洗飛機發(fā)動機風扇葉片的相對誤差，s是仿真結果的清潔度，st是清洗實驗獲得的實際清潔度。計算可知清潔度最大誤差小于4.3%，清洗參數(shù)優(yōu)化滿足清洗要求，同時證明了GA-GRNN-GA模型的可使用性。

4 結 語

本文對超聲波清洗飛機發(fā)動機風扇葉片進行研究，建立了基于GA-GRNN的飛機發(fā)動機風扇葉片超聲波清潔度預測模型，實現(xiàn)了對風扇葉片超聲波清潔度的預測，并在預測清潔度的基礎上對清洗參數(shù)進行優(yōu)化。實驗結果表明，基于GA-GRNN-GA預測及優(yōu)化模型是合理的，優(yōu)化的清洗參數(shù)在保證清潔度的同時可以降低能耗，提高清洗效率，為解決傳統(tǒng)手工清洗對人身健康危害、資源浪費和效率低下問題，提供一種超聲波自動清洗飛機發(fā)動機風扇葉片的有效途徑。