基于集成神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)故障診斷研究

李洪偉，馬中原，謝鎮(zhèn)波

(海軍航空大學(xué) 青島校區(qū)，山東 青島 266041)

隨著海軍任務(wù)的不斷深化，新裝備、新武器不斷應(yīng)用于部隊。為了保證作為我海軍主戰(zhàn)機(jī)型動力系統(tǒng)的某型航空發(fā)動機(jī)的完好率和戰(zhàn)斗力，其日常維護(hù)和故障診斷越來越受到海軍的重視。目前，對于某型航空發(fā)動機(jī)，經(jīng)常根據(jù)滑油信息和振動信息進(jìn)行故障診斷[1-5]。文獻(xiàn)[6]針對小尺寸磨粒開展油液磨粒離線監(jiān)測技術(shù)，實(shí)現(xiàn)了對航空發(fā)動機(jī)滾動軸承的故障診斷；文獻(xiàn)[7]提出了過程神經(jīng)網(wǎng)絡(luò)法，實(shí)現(xiàn)了航空發(fā)動機(jī)振動趨勢的預(yù)測。不難發(fā)現(xiàn)，滑油分析主要用于有潤滑介質(zhì)的磨損類故障診斷，振動分析主要用于轉(zhuǎn)子系統(tǒng)或旋轉(zhuǎn)零件的故障診斷[8]。但是航空發(fā)動機(jī)的很多故障，不是通過單一信息能夠表征出來的，需要集成各信息源的信息才能將這些故障檢測出來。為了有效地解決此類問題，集成神經(jīng)網(wǎng)絡(luò)診斷技術(shù)應(yīng)運(yùn)而生。文獻(xiàn)[9]曾將此技術(shù)應(yīng)用于導(dǎo)彈發(fā)動機(jī)的故障診斷中，本文則研究將此方法應(yīng)用于航空發(fā)動機(jī)的故障診斷。

1 集成神經(jīng)網(wǎng)絡(luò)診斷技術(shù)

集成神經(jīng)網(wǎng)絡(luò)診斷技術(shù)是對不同信息源的信息加以處理，經(jīng)過特征信息分配單元將處理好的信息的特征向量傳遞到各診斷子網(wǎng)絡(luò)，得到子網(wǎng)絡(luò)診斷結(jié)果后，將各子網(wǎng)絡(luò)診斷結(jié)果傳遞到?jīng)Q策融合網(wǎng)絡(luò)，得到最終的融合診斷結(jié)果。此診斷技術(shù)可以將油液信息故障診斷法和振動信息故障診斷法的優(yōu)勢相結(jié)合，提高故障診斷的準(zhǔn)確率，發(fā)現(xiàn)采用單一信息源故障診斷法難以檢測的故障。集成神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)的結(jié)構(gòu)如圖1所示。

圖1 集成神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)結(jié)構(gòu)圖

1.1 數(shù)據(jù)處理模塊

該模塊通過對特定的原始數(shù)據(jù)采取濾波、特征選取和選擇等一系列操作，給各個用于診斷的子網(wǎng)絡(luò)提供特征向量Xi(i=1,2,…,m)。

利用該模塊可以直接在界面啟動濾波環(huán)節(jié)，通過濾波達(dá)到去除數(shù)據(jù)噪聲的目的，從而自動將必要的數(shù)據(jù)準(zhǔn)備提供給子系統(tǒng)，保證診斷工作的運(yùn)行。除濾波環(huán)節(jié)外，樣本預(yù)處理環(huán)節(jié)也可以通過界面啟動，對選定的參數(shù)進(jìn)行特征選取，為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)備數(shù)據(jù)。

1.2 特征信息分配單元

特征信息分配單元執(zhí)行向各診斷子網(wǎng)絡(luò)分配特征信息的任務(wù)。特征信息的分配由各診斷子網(wǎng)絡(luò)的結(jié)構(gòu)決定，各個子網(wǎng)絡(luò)所分配到的特征信息既可以是基于單個參數(shù)的，也可以是基于多個參數(shù)的。在診斷的過程中，為達(dá)到最優(yōu)診斷結(jié)果，可以根據(jù)訓(xùn)練要求、結(jié)構(gòu)設(shè)置以及預(yù)期結(jié)果對特征信息進(jìn)行靈活分配。

1.3 診斷子網(wǎng)絡(luò)

作為整個診斷系統(tǒng)的核心，診斷網(wǎng)絡(luò)由m個負(fù)責(zé)診斷推理的子網(wǎng)絡(luò)構(gòu)成。診斷網(wǎng)絡(luò)同基于規(guī)則的專家系統(tǒng)一樣，包含推理機(jī)和知識庫等2個設(shè)計部分，只是對于診斷網(wǎng)絡(luò)而言，推理機(jī)所采用的推理機(jī)制已由基于網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)值計算替代了原來的基于符號規(guī)則的推理；知識庫的形成也是由神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、訓(xùn)練來替代完成。

如果診斷子網(wǎng)絡(luò)分配到的是基于多個參數(shù)的特征信息，那么假設(shè)診斷子網(wǎng)絡(luò)中n個診斷參數(shù)對同一故障模式的診斷置信度為ti(i=1,2,…,n)，則診斷子網(wǎng)絡(luò)對該故障模式的診斷置信度T為：

當(dāng)n=2時，

T=t1+t2-t1t2

(1)

當(dāng)n=3時，

T=t1+t2+t3-t1t2-t1t3-
t2t3+t1t2t3

(2)

同時，基于多個參數(shù)的診斷子網(wǎng)絡(luò)的診斷輸入可將所有診斷參數(shù)的特征向量ei(i=1,2,…,n)連接起來，形成新的特征輸入向量E，E=(e1,e2,…,en)。

通常采取3層網(wǎng)絡(luò)的形式作為各診斷子網(wǎng)絡(luò)的結(jié)構(gòu)，即診斷輸入特征向量的維數(shù)作為網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)，故障模式的個數(shù)作為輸出結(jié)點(diǎn)數(shù)，此外還需根據(jù)訓(xùn)練誤差要求和訓(xùn)練樣本集的大小選取中間層(隱層)節(jié)點(diǎn)數(shù)。

1.4 決策融合網(wǎng)絡(luò)

決策融合網(wǎng)絡(luò)的工作原理是對各診斷子網(wǎng)絡(luò)的診斷結(jié)論進(jìn)行融合處理，進(jìn)而做出決策。決策融合的本質(zhì)是為了減小系統(tǒng)輸出的不確定性，提高系統(tǒng)診斷結(jié)果的可靠性。其實(shí)現(xiàn)算法如下。

假設(shè)集成神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)對n類故障進(jìn)行診斷，各子網(wǎng)絡(luò)基于各自的特征信息同時對n類故障分別進(jìn)行診斷。子網(wǎng)絡(luò)NNi的輸出Ri稱為故障模式向量，Ri=(r1i,r2i,…,rni)T,(i=1,2,…,m)，各子網(wǎng)絡(luò)對n類故障的診斷結(jié)果表示如下：

Ri=fi(Xi) (i=1,2,…,m)

(3)

式中，Xi∈RNi為函數(shù)子網(wǎng)絡(luò)NNi的診斷輸入特征向量；fi( )為第i個子網(wǎng)絡(luò)的映射對于決策融合網(wǎng)絡(luò)的設(shè)計，融合處理各診斷子網(wǎng)絡(luò)相同的節(jié)點(diǎn)，即各診斷子網(wǎng)絡(luò)對相同故障模式的診斷結(jié)果進(jìn)行融合，最終形成一個節(jié)點(diǎn)，作為決策融合網(wǎng)絡(luò)的輸出——最終診斷結(jié)果。設(shè)第i個診斷子網(wǎng)絡(luò)對n類故障的診斷置信度為Ci=(ci1,ci2,…,cin)，則m個診斷子網(wǎng)絡(luò)并行組合形成的故障模式矩陣R和置信度權(quán)值矩陣C分別為：

(4)

(5)

決策融合網(wǎng)絡(luò)的輸出為：

Y=diag(RC)

(6)

式中，diag代表取對角線元素。則第i個故障發(fā)生的診斷概率為：

yi=ri1c1i+ri2c2i+…+rimcmi(i=1,2,…,n)

(7)

2 航空發(fā)動機(jī)集成神經(jīng)網(wǎng)絡(luò)故障診斷

2.1 信息預(yù)處理

根據(jù)某型航空發(fā)動機(jī)的實(shí)際使用情況，滑油信息和振動信息的相對比較容易獲得，所以本文研究基于滑油信息和振動信息融合的航空發(fā)動機(jī)集成神經(jīng)網(wǎng)絡(luò)診斷技術(shù)。

由各種分析方法得到的診斷數(shù)據(jù)，不論是在數(shù)值上還是在量綱上均存在一定的差異，這為后續(xù)的分析處理帶來了困難；因此，在進(jìn)行融合診斷前，首先需要對原始征兆進(jìn)行預(yù)處理。預(yù)處理的方法是把得到的原始數(shù)據(jù)與各種診斷方法的標(biāo)準(zhǔn)界限值進(jìn)行比較，在正常值范圍內(nèi)的定義為0，反之則為1，從而將原始征兆數(shù)據(jù)轉(zhuǎn)換為0和1。

根據(jù)實(shí)際情況，由于某型航空發(fā)動機(jī)的鐵譜數(shù)據(jù)較少，油液分析主要依靠光譜信息。選取Fe、Cr、Ni、Mo、Cu、Mg、Ag、Al及Ti元素的濃度作為光譜診斷的原始數(shù)據(jù)。通過預(yù)處理后，光譜數(shù)據(jù)診斷規(guī)則變?yōu)椋?)Fe元素濃度超標(biāo)(SS1)；2)Cr元素濃度超標(biāo)(SS2)；3)Ni元素濃度超標(biāo)(SS3)；4)Mo元素濃度超標(biāo)(SS4)；5)Mg元素濃度超標(biāo)(SS5)；6)Cu元素濃度超標(biāo)(SS6)；7)Ag元素濃度超標(biāo)(SS7)；8)Al元素濃度超標(biāo)(SS8)；9)Ti元素濃度超標(biāo)(SS9)。

目前，應(yīng)用于發(fā)動機(jī)狀態(tài)監(jiān)測的振動參數(shù)比較多，且應(yīng)用的對象和場合會對各種參數(shù)的診斷效果產(chǎn)生比較大的影響。為了獲取發(fā)動機(jī)振動信號時域特征參數(shù)，本文在振動信號降噪處理的基礎(chǔ)上，提取了時域信號，并對其進(jìn)行時域統(tǒng)計分析。選取峰值過大(SC1)和均方根值過大(SC2)的數(shù)據(jù)作為振動數(shù)據(jù)。

2.2 集成神經(jīng)網(wǎng)絡(luò)診斷

基于集成神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)包含光譜信息子網(wǎng)絡(luò)和振動信息子網(wǎng)絡(luò)。將各種原始征兆經(jīng)過預(yù)處理后得到布爾值，并作為子網(wǎng)絡(luò)的輸入，各子網(wǎng)絡(luò)的輸出均為最終的故障模式。以發(fā)動機(jī)轉(zhuǎn)子故障為例，確定發(fā)動機(jī)故障模式為：1)系統(tǒng)正常(F1)；2)軸承磨損失效(F2)；3)軸承疲勞失效(F3)；4)齒輪過載疲勞(F4)；5)齒輪膠合或擦傷(F5)。

采用模糊綜合決策方法對各子網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行綜合決策，從而對各子診斷網(wǎng)絡(luò)進(jìn)行會診。通過上述各子網(wǎng)絡(luò)診斷的結(jié)果，可以形成矩陣R，將R矩陣與權(quán)重矩陣C相乘，即可得到最終的綜合決策結(jié)果。模糊綜合決策模型為：

F=CR

(8)

(9)

(10)

在R矩陣中，F(xiàn)S1、FS2、FS3、FS4、FS5分別為光譜信息子網(wǎng)絡(luò)的診斷結(jié)果；FC1、FC2、FC3、FC4、FC5分別為振動信息子網(wǎng)絡(luò)的診斷結(jié)果。

權(quán)重矩陣C主要衡量各種診斷方法對不同故障診斷的貢獻(xiàn)大小。根據(jù)某型發(fā)動機(jī)實(shí)際使用情況以及專家經(jīng)驗(yàn)，確定各權(quán)重如下。

1)對于“系統(tǒng)正常(F1)”，認(rèn)為2種診斷方法的貢獻(xiàn)大小相同，即C11、C12均為0.5。

2)對于“軸承磨損失效(F2)”，因?yàn)檩S承表面磨損的金屬屑通常為非鐵磁性顆粒，需要依靠光譜來進(jìn)行檢測，因此2種診斷方法所占的權(quán)重分別為：光譜信息所占權(quán)重C21為0.7，振動信息所占權(quán)重C22為0.3。

3)對于“軸承疲勞失效(F3)”，因?yàn)檎駝有畔τ谄诠收系脑\斷可靠性高，所以主要依靠振動信息進(jìn)行診斷，所以2種診斷方法所占的權(quán)重分別為：光譜信息所占權(quán)重C31為0.3，振動信息所占權(quán)重C32為0.7。

4)對于“齒輪過載疲勞(F4)”，同故障3，振動信息在此類故障診斷中所占比重最大，所以2種診斷方法所占的權(quán)重分別為：光譜信息所占權(quán)重C41為0.3，振動信息所占權(quán)重C42為0.7。

5)對于“齒輪膠合或擦傷(F5)”，因?yàn)楣庾V能分析齒輪磨損下來的金屬成分及含量，而振動信息對此類故障的貢獻(xiàn)不大，所以2種診斷方法所占的權(quán)重為：光譜信息所占權(quán)重C51為0.9，振動信息所占權(quán)重C52為0.1。

綜上可得，權(quán)重矩陣C為：

(11)

綜合決策結(jié)果的向量F=(F1,F2,F3,F4,F5)，即為最終診斷結(jié)果。

3 應(yīng)用實(shí)例

根據(jù)某型航空發(fā)動機(jī)飛參數(shù)據(jù)和滑油數(shù)據(jù)，選取一個飛行架次的振動值和滑油數(shù)據(jù)，其中，光譜數(shù)據(jù)見表1。

表1 光譜數(shù)據(jù)

由于振動數(shù)據(jù)所選取的點(diǎn)太多，本文只展示部分振動數(shù)據(jù)。連續(xù)取9個點(diǎn)，時間間隔為1 s，振動數(shù)據(jù)見表2。經(jīng)計算，獲得振動峰值為132.46 mm/s，均方根值為20.462 mm/s。

表2 部分振動數(shù)據(jù)

根據(jù)《某型發(fā)動機(jī)各項(xiàng)參數(shù)及流程》中對于振動值閾值、磨粒濃度值以及各金屬元素濃度的標(biāo)準(zhǔn)，對比數(shù)據(jù)分析如下。

1)光譜原始數(shù)據(jù)。鉻元素超標(biāo)，其他元素正常，則征兆向量為(SS1,SS2,SS3,SS4,SS5,SS6,SS7,SS8,SS9)=(0,1,0,0,0,0,0,0,0)。

2)振動原始數(shù)據(jù)。峰值過大，均方根值正常，則征兆向量為(SC1,SC2)=(1,0)。

光譜子網(wǎng)絡(luò)和振動子網(wǎng)絡(luò)以及集成神經(jīng)網(wǎng)絡(luò)診斷的置信度見表3。

表3 3種診斷方法診斷的置信度

從表3中可以得出如下結(jié)論。

1)集成神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的故障模式比單項(xiàng)診斷結(jié)果的故障模式要多。例如，在光譜單項(xiàng)診斷中，僅診斷出“齒輪膠合和擦傷”故障，在振動單項(xiàng)診斷中，僅診斷出“軸承疲勞”的故障模式；而在集成神經(jīng)網(wǎng)絡(luò)診斷中，診斷出的故障模式為“軸承磨損”“軸承疲勞”和“齒輪膠合和擦傷”。顯然，集成神經(jīng)網(wǎng)絡(luò)診斷比單項(xiàng)診斷，能發(fā)現(xiàn)系統(tǒng)更多的故障。

2)當(dāng)單項(xiàng)診斷出現(xiàn)矛盾時，集成神經(jīng)網(wǎng)絡(luò)診斷結(jié)果能很好地解決診斷沖突問題。例如，在光譜單項(xiàng)診斷中，診斷出“齒輪膠合和擦傷”故障，其置信度為0.912 3，而在振動單項(xiàng)診斷中，診斷出“軸承疲勞”故障，其置信度為0.968 5，診斷出現(xiàn)了矛盾，但在集成神經(jīng)網(wǎng)絡(luò)診斷的結(jié)論中可以看出，診斷沖突問題被解決了，同時診斷出了“齒輪膠合和擦傷”故障(置信度為0.665 4)和“軸承疲勞”故障(置信度為0.765 2)。顯然，集成神經(jīng)網(wǎng)絡(luò)診斷結(jié)果更為可靠和準(zhǔn)確。

3)集成神經(jīng)網(wǎng)絡(luò)診斷能夠有效降低誤診率。例如，光譜子網(wǎng)絡(luò)診斷出“齒輪過載疲勞”的故障模式，而在集成神經(jīng)網(wǎng)絡(luò)診斷的結(jié)論中并沒有檢測出此故障。顯然，集成神經(jīng)網(wǎng)絡(luò)診斷誤診率更低。

4 結(jié)語

本文研究了基于油液信息和振動信息融合的集成神經(jīng)網(wǎng)絡(luò)診斷方法，并將其應(yīng)用到某型航空發(fā)動機(jī)軸承磨損類故障診斷中，解決了航空發(fā)動機(jī)采用單一信息源故障診斷法存在的診斷效率和準(zhǔn)確率低的問題。該方法還可以應(yīng)用于航空發(fā)動機(jī)其他故障的診斷中，為航空發(fā)動機(jī)故障診斷提供了新的方法。