盧偉榮

中國(guó)航發(fā)南方工業(yè)有限公司 湖南株洲 412002

航空發(fā)動(dòng)機(jī)是一種極其復(fù)雜且精密度極高的熱力機(jī)械，通常是由主燃燒室、增壓機(jī)、低壓渦輪、風(fēng)扇、高壓壓氣機(jī)、高壓渦輪、外涵道、尾噴管、進(jìn)氣道、內(nèi)涵道等構(gòu)件組成，是維持飛機(jī)穩(wěn)定運(yùn)行的重要機(jī)械設(shè)備。

1 航空發(fā)動(dòng)機(jī)故障診斷的意義

航空的事業(yè)的進(jìn)步和發(fā)展不僅同我國(guó)國(guó)防戰(zhàn)略之間緊密相關(guān)，并且也同乘客的安全聯(lián)系密切，航空事業(yè)發(fā)展在世界前沿位置，可以在一定程度上展示出我國(guó)的綜合國(guó)力。在航空領(lǐng)域中，發(fā)動(dòng)機(jī)系統(tǒng)作為整個(gè)飛行系統(tǒng)的重點(diǎn)，要求確保發(fā)動(dòng)機(jī)系統(tǒng)的有序運(yùn)行，才能保證飛行過(guò)程中的安全保證。因此，航空發(fā)動(dòng)機(jī)故障診斷作為航空事業(yè)發(fā)展中十分重要的環(huán)節(jié)。

典型的航空發(fā)動(dòng)機(jī)故障主要包括：穩(wěn)定性故障、氣路故障、振動(dòng)故障、磨損故障、熄火故障、軸承故障、結(jié)構(gòu)疲勞、控制系統(tǒng)故障等[1]，傳統(tǒng)的故障檢測(cè)方法費(fèi)時(shí)費(fèi)力且耗費(fèi)巨大。隨著科技的發(fā)展，眾多學(xué)者在模型與傳感器數(shù)據(jù)分析的基礎(chǔ)上，結(jié)合各種算法，開發(fā)出眾多新的診斷方法[2]。

2 航空發(fā)動(dòng)機(jī)故障診斷

2.1 RBF 神經(jīng)網(wǎng)絡(luò)模型

RBF 網(wǎng)絡(luò)具體可劃分為三層，各層具有不同的功能，以一系列源點(diǎn)作為主要構(gòu)成的輸入層負(fù)責(zé)完成RBF 網(wǎng)絡(luò)同外界的聯(lián)合過(guò)程；中間層內(nèi)含一個(gè)隱層，主要負(fù)責(zé)完成輸入空間到隱層空間的轉(zhuǎn)換（屬于非線性變換），通過(guò)基函數(shù)（位于隱層中）影響外部輸入信號(hào)，在 RBF 網(wǎng)絡(luò)系統(tǒng)中，以輸入向量為依據(jù)徑向基神經(jīng)元會(huì)將其同各神經(jīng)元權(quán)值的距離值進(jìn)行輸出，當(dāng)輸入量同網(wǎng)絡(luò)中神經(jīng)元權(quán)值距離較大時(shí)，其所產(chǎn)生的輸出值接近于 0，系統(tǒng)線性神經(jīng)元受到較小的輸出值的影響較小可忽略；當(dāng)所產(chǎn)生的輸出值接近于1 時(shí)會(huì)激發(fā)第二層線性神經(jīng)元權(quán)值輸出[2]。

2.2 基于互信息屬性約簡(jiǎn)的故障診斷數(shù)據(jù)預(yù)處理

波蘭科學(xué)家Pawlak 于1982 年提出的粗糙集理論（rough sets，RS）是一種處理不相容、不精確或不完全數(shù)據(jù)的強(qiáng)有力工具，已成功地應(yīng)用于機(jī)器學(xué)習(xí)以及模式識(shí)別等領(lǐng)域。由于數(shù)據(jù)量的逐漸增長(zhǎng)，知識(shí)約簡(jiǎn)這一粗糙集理論的核心內(nèi)容尤為重要，合理地刪減冗余信息，減小冗余數(shù)據(jù)對(duì)挖掘數(shù)據(jù)知識(shí)的影響，能夠大幅減小數(shù)據(jù)處理的計(jì)算復(fù)雜度，提高系統(tǒng)潛在知識(shí)的清晰度，為各類基于粗糙集理論的機(jī)器學(xué)習(xí)、模式識(shí)別等算法提供更大的幫助。在此方面，很多學(xué)者從不同角度都進(jìn)行了研究。

在信息論中，互信息是一種衡量?jī)蓚€(gè)變量相關(guān)性的重要且有效的手段，它描述了兩組變量之間信息共享的程度，即已知一個(gè)變量的信息對(duì)另一個(gè)變量不確定程度減少的程度，這一工具被廣泛應(yīng)用至各個(gè)領(lǐng)域，它可以用信息熵與條件熵的差值計(jì)算得到，引入決策系統(tǒng)，其其定義如下：

其中H（C）為條件屬性的信息熵，H（D|C）為條件屬性集相對(duì)于決策屬性集D 的條件熵。

2.3 深度信念網(wǎng)絡(luò)

所謂深度信念網(wǎng)絡(luò)，通常是由受限玻爾茲曼機(jī)層與輸入、輸出層共同組合而成，隱含層H0 輸入層V 共同組成RMB0，即首個(gè)受限玻爾茲曼機(jī)層，同理，H0 與H1 也組成了RMB1，H1 和H2組成了RMB2，最后輸出層和H2 之間可構(gòu)成softmax 層。由于RBM 是由不同層神經(jīng)元共同組合而成，因此我們可以將其分為兩大類，其一是可見層內(nèi)的神經(jīng)元，其二則是隱含層內(nèi)的神經(jīng)元。以渦軸發(fā)動(dòng)機(jī)的氣路故障診斷為例，我們先基于深度信念網(wǎng)絡(luò)的理念對(duì)其創(chuàng)建相應(yīng)的故障模型，具體要點(diǎn)如下：第一，明確氣路故障類型，如燃燒室效率故障、燃?xì)鉁u輪效率故障、壓氣機(jī)效率故障、燃燒室壓力故障、動(dòng)力渦輪效率故障；第二，設(shè)定特征參數(shù)，如壓氣機(jī)設(shè)備中的出口溫度為T3、出口壓力為P3，燃?xì)鉁u輪設(shè)備中的出口溫度為T42、出口壓力為P42，燃燒室所對(duì)應(yīng)的出口壓力為P4，動(dòng)力渦輪設(shè)備的出口壓力為P45、燃油量為Pf、出口溫度為T45、負(fù)載大小為Pw；第三，將發(fā)動(dòng)機(jī)設(shè)備的氣路故障以及正常運(yùn)行狀態(tài)與故障模型中的節(jié)點(diǎn)相對(duì)應(yīng)；第四，根據(jù)發(fā)動(dòng)機(jī)設(shè)備處于故障狀態(tài)時(shí)所產(chǎn)生數(shù)據(jù)信息之間的差異性，我們可將氣路故障數(shù)據(jù)分為測(cè)試組數(shù)據(jù)和訓(xùn)練組數(shù)據(jù)；第五，將故障模型中的首層定義為輸入層，該層主要對(duì)應(yīng)的是發(fā)動(dòng)機(jī)設(shè)備出現(xiàn)故障時(shí)工作人員所觀測(cè)到的數(shù)據(jù)信息，中間層我們定義為隱含層，其結(jié)構(gòu)為RMB，隱含層中各節(jié)點(diǎn)的數(shù)量設(shè)置可參考神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可結(jié)合實(shí)際情況進(jìn)行適當(dāng)?shù)卣{(diào)整，最后一層定義為softmax 層，共6 個(gè)節(jié)點(diǎn)，用以對(duì)應(yīng)發(fā)動(dòng)機(jī)設(shè)備的六種運(yùn)行狀態(tài)；第六，工作人員可通過(guò)對(duì)比散度的算法來(lái)完成對(duì)該故障模型的訓(xùn)練；第七，對(duì)該故障模型進(jìn)行最終的數(shù)據(jù)測(cè)試，根據(jù)其故障診斷結(jié)果來(lái)判斷是否需要進(jìn)一步調(diào)整[3]。

2.4 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)。

BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)包括信號(hào)的前向傳播和誤差的反向傳播兩個(gè)過(guò)程。

BP 網(wǎng)絡(luò)三層節(jié)點(diǎn)表示為: 輸入節(jié)點(diǎn)xj，隱節(jié)點(diǎn)yi，輸出節(jié)點(diǎn)Ol。輸入節(jié)點(diǎn)與隱節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為ωij，閾值為θi；隱節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為Tli，閾值為θl；輸出節(jié)點(diǎn)的期望輸出為tl。

3 結(jié)語(yǔ)

智能診斷是信息網(wǎng)絡(luò)時(shí)代中先進(jìn)科學(xué)技術(shù)在航空領(lǐng)域中不斷地滲透而衍生出的一種新型故障診斷技術(shù)，也是未來(lái)發(fā)動(dòng)機(jī)設(shè)備故障診斷的重要發(fā)展趨勢(shì)，其不僅對(duì)于航空發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中微末的異常數(shù)據(jù)極度敏感，能夠快速幫助工作人員識(shí)別氣路故障問(wèn)題，同時(shí)還具有較高的正確率，大幅度減少航空飛行中的安全事故，對(duì)于維護(hù)飛機(jī)穩(wěn)定飛行有著非常重要的意義。