劉巖松　姜文鑫

摘要：為了避免基于專家系統(tǒng)、模糊參數(shù)等傳統(tǒng)方法，對渦軸發(fā)動機(jī)進(jìn)行故障診斷而導(dǎo)致的診斷速度慢、數(shù)據(jù)精確差、正確率低等缺點，提出一種基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法。此方法通過建立三層神經(jīng)網(wǎng)絡(luò)模型，以徑向基函數(shù)為中心運用MATLAB軟件進(jìn)行了仿真訓(xùn)練與測試，再分析對比前期研究經(jīng)驗，結(jié)果表明基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練速度以及診斷正確率上效果較好，能夠有效的對渦軸發(fā)動機(jī)進(jìn)行故障診斷。

關(guān)鍵詞：渦軸發(fā)動機(jī);故障診斷;神經(jīng)網(wǎng)絡(luò);徑向基函數(shù)

0 ?引言

渦軸發(fā)動機(jī)是渦輪式直升機(jī)中最為重要的組成部分，其運行的狀況將直接影響到整個直升機(jī)的健康水平。目前常用的智能化故障診斷的方法很多，文獻(xiàn)[1]以離線、在線兩種推斷策略，對渦軸發(fā)動機(jī)建立了故障診斷專家系統(tǒng)進(jìn)行故障診斷;其缺點在于診斷時效滯后，無法有效快速排除故障。文獻(xiàn)[2]運用故障方程法對渦軸發(fā)動機(jī)穩(wěn)態(tài)狀態(tài)下的氣路故障進(jìn)行了診斷;其缺點在于故障模型線性化后，理論上其精度必受損失，從而導(dǎo)致誤診。為了克服以上問題的出現(xiàn)，本文將以某型渦軸發(fā)動機(jī)為對象，通過基于徑向基（RBF）神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷仿真研究。通過對比前期研究經(jīng)驗，結(jié)果表明此種方法診斷精度較高，診斷過程簡單，具有較強(qiáng)的實踐應(yīng)用能力。

1 ?徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型

徑向基神經(jīng)網(wǎng)絡(luò)是一種前向型反向傳播網(wǎng)絡(luò)，基本的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層（也稱為RBF層或基層）、輸出層。輸入層作為網(wǎng)絡(luò)起始點將信號傳遞到隱含層;隱含層的作用是將低維空間非線性輸入向量映射到高維空間變?yōu)榫€性可分，其作用函數(shù)徑向基函數(shù)一般為徑向?qū)ΨQ的高斯函數(shù)，激勵公式[3]為：

式中x是n維輸入向量;ci是第i個基函數(shù)的中心;σi是第i個感知的變量;m是隱含層單元個數(shù)。輸出層為線性層，完成輸出空間最終的線性變換。由于激勵函數(shù)為純線性函數(shù)，因此由徑向基層引出最終輸出為加權(quán)求和的公式為：

式中wik隱含層每個神經(jīng)元與輸出層相連的權(quán)值，p為輸出層神經(jīng)元節(jié)點數(shù)。

2 ?渦軸發(fā)動機(jī)故障診斷模型設(shè)計

本文將以氣路故障為例，為區(qū)別于不同航空發(fā)動機(jī)，突出某型渦軸發(fā)動機(jī)雙渦輪結(jié)構(gòu)特點，根據(jù)渦軸發(fā)動機(jī)故障時狀態(tài)參數(shù)選取網(wǎng)絡(luò)輸入層節(jié)點的特征值。因此RBF網(wǎng)絡(luò)輸入層的特征分別為軸功率、燃?xì)鉁u輪出口溫、燃?xì)鉁u輪轉(zhuǎn)速、自由渦輪轉(zhuǎn)速以及扭矩。在對渦軸發(fā)動機(jī)的故障識別時，選取了放氣活門異常、一級燃?xì)鉁u輪裂紋、燃?xì)獍l(fā)生器故障、燃?xì)鉁u輪轉(zhuǎn)子超速作為輸出層的特征參數(shù)。為了檢驗網(wǎng)絡(luò)對故障判定的抗干擾能力，將正常數(shù)據(jù)算作故障特征值的一種，加入到輸出層中。

在神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的實踐中，由于網(wǎng)絡(luò)輸入向量是由不同的量綱提取得出的特征參數(shù)，所以在數(shù)值上會有較大差別，這樣不利于整個網(wǎng)絡(luò)的收斂。因此，對于網(wǎng)絡(luò)輸入向量進(jìn)行歸一化將顯得格外重要。本文將采用傳統(tǒng)的[-1，1]公式對輸入向量進(jìn)行歸一化。

式中x為歸一化后的值，xi為原參數(shù)值，max（xi）和min（xi）分別為向量元素的最大值與最小值。對于輸出層的設(shè)定，按照[0，1]數(shù)值大小表示。越接近1時，則表示對應(yīng)的故障識別程度越高。

3 ?基于MATLAB的仿真研究

本文的仿真實驗收集了10組故障數(shù)據(jù)，其中，5組用作訓(xùn)練樣本，另5組用作測試樣本。程序上采用了MATLAB R2018a神經(jīng)網(wǎng)絡(luò)工具箱中提供的newrb函數(shù)創(chuàng)建徑向基神經(jīng)網(wǎng)絡(luò)，其調(diào)用格式為：net=newrb（P，T，goal，spread，MN，DF）。其中，參數(shù)P為5組特征向量[Power，TOT，N1，N2，M]組成的輸入層矩陣;T為5組特征向量[F0，F(xiàn)1，F(xiàn)2，F(xiàn)3，F(xiàn)4]組成的輸出層矩陣，其目標(biāo)輸出分別為[1，0，0，0，0]正常，[0，1，0，0，0]放氣活門異常，[0，0，1，0，0]一級燃?xì)鉁u輪裂紋，[0，0，0，1，0]燃?xì)獍l(fā)生器故障，[0，0，0，0，1]燃?xì)鉁u輪轉(zhuǎn)子超速。其余四個參數(shù)分別為徑向基函數(shù)的擴(kuò)展速度、徑向基函數(shù)的分布、神經(jīng)元最大數(shù)目、迭代過程中的顯示頻率。輸出參數(shù)net為返回值，一個徑向基網(wǎng)絡(luò)，其訓(xùn)練過程與結(jié)果如圖1所示。從圖1可以看出，網(wǎng)絡(luò)訓(xùn)練4次時，實際誤差值便達(dá)到了目標(biāo)誤差要求。

對訓(xùn)練后的徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行測試。為測試網(wǎng)絡(luò)對于故障診斷的抗干擾能力，對測試樣本數(shù)據(jù)順序進(jìn)行變換，測試樣本實際的輸出分別為正常、燃?xì)鉁u輪轉(zhuǎn)子超速、一級燃?xì)鉁u輪裂紋、燃?xì)獍l(fā)生器故障、放氣活門異常。從測試結(jié)果可以看出，診斷正確率為100%。

4 ?仿真結(jié)果比較

此前，筆者已做過相關(guān)研究工作，以BP神經(jīng)網(wǎng)絡(luò)法對渦軸發(fā)動機(jī)進(jìn)行故障診斷，建立模型選用輸入層參數(shù)、隱層數(shù)量、輸出層參數(shù)、目標(biāo)誤差值均與本次研究一致，測試數(shù)據(jù)的選用同樣一致，其結(jié)果比較如表1所示。

由此可以看出，基于神經(jīng)網(wǎng)絡(luò)的渦軸發(fā)動機(jī)故障診斷，在某些同等條件下，完成目標(biāo)誤差所需訓(xùn)練次數(shù)及診斷正確率上，RBF神經(jīng)網(wǎng)絡(luò)法要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)法。

5 ?總結(jié)

區(qū)別于不同的航空發(fā)動機(jī)，本文根據(jù)渦軸發(fā)動機(jī)雙渦輪的結(jié)構(gòu)特點，進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷仿真研究，建立了以徑向基函數(shù)為核心的三層神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合MATLAB軟件，對輸入?yún)?shù)及輸出故障進(jìn)行了仿真訓(xùn)練與測試。經(jīng)過與前期研究經(jīng)驗的分析比對，總結(jié)出RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練速度與診斷精度上效果更佳。希望通過本次研究之后，可以為各航司診斷渦軸發(fā)動機(jī)故障提供理論依據(jù)。

參考文獻(xiàn)：

[1]李洪偉，范文正，李建國.某型渦軸發(fā)動機(jī)故障診斷專家系統(tǒng)研究[J].航空維修與工程，2007，5（19）：47-49.

[2]毛景立，李鳴，林健.某型渦輪軸發(fā)動機(jī)穩(wěn)態(tài)氣路故障診斷方法[J].航空動力學(xué)報，2002，17（1）：69-74.

[3]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007，8.

作者簡介：劉巖松（1963-），男，遼寧沈陽人，碩士，教授，主要研究方向為航空工程;姜文鑫（1987-），男，遼寧丹東人，在讀碩士，實驗師，主要研究方向為航空工程。