BP网络在发动机故障诊断中的应用研究

《BP网络在发动机故障诊断中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、BP网络在发动机故障诊断中的应用研究文/廖恩华（机务部）随着20世纪航空科技的进步，不仅航空发动机的工作性能大幅度提高，而且对可靠性和可维护性的要求更高，更全面。在民用航空发动机领域，可维护性对于保证飞机安全，提高经济具有特殊的重要。现代的维修思想已从早期的定期维护过渡到主动的视情维护策略，而促使这一转变的基础是发动机[普遍采用了单元体结构化设计和发动机健康监视和故障诊断系统(EMS)的应用。目前EMS已经成为民用飞行器安全控制系统中的不可缺少的组成部分，广泛应用于航空公司的维护工作中。EMS对提高发动机可靠性，保证飞行安全，延长发动机寿命，降低维修成本等方面具有重要作用。故障诊断技术是

2、EMS系统的核心内容。故障诊断的目的在于根据系统测量的特征来判断系统的健康状态，并识别故障的可能类型。故障诊断技术的关键在于找到特征空间与状态空间向量之间的映射关系。在航空公司发动机故障诊断技术中，气路参数分析技术具有重要地位。目前大多数航空公司的发动机状态监视系统都采用了气路参数趋势分析方法。根据巡航状态所记录的EGT,WF,N1,N2等气动参数随时间的变化趋势，结合发动机厂家提供的故障纸印图和发动机工作原理，由专业人员分析可能发生的故障。该方法简便，实用，但人员素质要求高，故故障诊断精度较低，而且只能定性诊断。近年来，随着人工智能理论，特别是人工神经网络模式识别技术的发展，为解决传统

3、的发动机气路分析法的线性化问题，多解问题，提高EMS的故障诊断能力和适应性，提供了前景光明的新途径。人工神经网络(ArtificialNetworkANN)简称为神经网络（NN），是由大量的神经处理单元广泛的相互联结而形成的复杂网络，它是人脑神经的简化，抽象和模拟。人工神经网络具有人脑功能的基本特征即学习，记忆和归纳。故障诊断的实质就是对诊断对象的故障模式进行分类和识别，或根据现有的知识和一定的推理机制推断出其故障的所在部位和严重程度。由于神经网络具有处理复杂模式及进行联想，推测和记忆的功能，因而它非常适合应用于各种系统的故障诊断。图1神经元模型目前常用故障诊断的神经结构有：误差反向传播

4、网络(BPN)，自适应共振理论(ART),概率神经网络(PNN),竞争网络(CNN)等。其中BP网络是一种前馈的，有导师监督的学习网络，神经元节点通过权连接，可以实现输入与输出的非线性映射，而从实现模式空间的转换。BP网络算法成熟，结构简单，获得了广泛应用。反向传播模型也称B-P（BackPropagation）模型,是一种用于前向多层神经网络的反向传播学习算法，由D.Rumelhat和MeClelland于1985年提出。它之所以是一种学习方法，就是因为用它可以对组成前向多层网络的各人工神经元之间的连接权值进行不断修改，从而使该前向多层网络能够将输入它的信息变换成所期望的输出信息。如果

5、将该多层网络看成一个变换，而网络中各人工神经元之间的连接权值看成变换中的参数，那么这种学习算法就是要求得这些参数。之所以将其称作为反向学习算法，是因为在修改各人工神经元的连接权值时，所依据的是该网络的实际输出与期望的输出之差。将这一差值反向一层一层的向回传播，来决定连接权值的修改。目前BP算法是研究最多的网络形式之一，是前向网络得以广泛应用的基础。它包含输入层、隐层、输出层，隐层可以为一层或多层。其间每层的激发函数要求是可微的，一般选用Sigmoid函数。图2神经网络模型BP神经网络算法进行故障诊断的基本原理是用向量Y表示发动机的故障状态，向量X表示发动机可测量的特征参数。利用大量的X-

6、Y故障样本对网络进行训练，将故障特征信息学习并存储到网络神经元之间的连接权值上。诊断时，根据输入发动机可测量的特征参数即可在网络输出层找到对应的故障识别。样本的建立神经网络故障诊断是建立在大量的故障样本训练基础之上的，系统性能受到所选训练样本的数量和分布情况的限制，只有选择足够数量的分布均匀的适当样本训练网络，才能保证良好的诊断能力。发动机故障的训练和测试样本可以通过模拟计算或实际故障案例收集获得。实际案例能反映故障的真实特征，但样本分散度大数据规范性差，收集和整理困难。所以，可以采取模拟样本和实际故障样本结合的方法建立网络训练所需的样本库。本文的故障样本主要利用了JT9D发动机故障影响

7、系数表计算得到。样本数据参数分别是：EGT出口排气温度FF燃油流量N1低压转子转速N2高压转子转速为提高网络的推广能力和工程使用性，训练样本要能够反映出系统数据的随机误差影响。本文采用的故障样本计算公式为：X=2*k*s*(0.5-rand(1,1))(4-1)noiseX=X+X(4-2)noiseclean其中X：样本X：样本噪声noiseX：标准数据，cleans：测量参数的标准差k：分散度故障种类：在本例中选取了十种发动机系