基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)磨損部位識(shí)別

王 琳, 張代國(guó), 葉 晨, 宋 丹

(1.海軍航空大學(xué), 山東 煙臺(tái) 264001; 2.海軍駐洛陽(yáng)407代表室, 河南 洛陽(yáng) 471000;3.東部戰(zhàn)區(qū)海軍保障部,浙江 寧波 315000;4.中國(guó)人民解放軍92095部隊(duì),浙江 臺(tái)州 318000)

某型發(fā)動(dòng)機(jī)結(jié)構(gòu)復(fù)雜,多個(gè)油潤(rùn)部件存在大量摩擦副。在航空發(fā)動(dòng)機(jī)運(yùn)行過程中,摩擦副之間的相互作用導(dǎo)致金屬磨粒進(jìn)入潤(rùn)滑油,懸浮于潤(rùn)滑油中的金屬磨粒的成分及含量蘊(yùn)含著航空發(fā)動(dòng)機(jī)磨損狀態(tài)的重要信息。光譜分析技術(shù)是監(jiān)測(cè)與診斷航空發(fā)動(dòng)機(jī)磨損故障的重要手段[1],如何從金屬磨粒信息中挖掘出表征磨損狀態(tài)的有效故障特征,是航空發(fā)動(dòng)機(jī)油潤(rùn)部件磨損故障正確診斷及預(yù)測(cè)的關(guān)鍵因素。

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力和容錯(cuò)性,在設(shè)備故障診斷領(lǐng)域得到了廣泛應(yīng)用[2-3]。針對(duì)某型航空發(fā)動(dòng)機(jī),本文提出了基于光譜分析及神經(jīng)網(wǎng)絡(luò)的磨損故障定位診斷方法,并通過算例驗(yàn)證了該方法的可行性。

1 BP神經(jīng)網(wǎng)絡(luò)的介紹

人工神經(jīng)網(wǎng)絡(luò)(ANN)指人類在對(duì)自身大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)[4-5],是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型,也是為模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。實(shí)際上,人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò),具有高度的非線性,能夠?qū)崿F(xiàn)復(fù)雜的邏輯操作和非線性關(guān)系。

眾多的人工神經(jīng)網(wǎng)絡(luò)中,最常用的是BP神經(jīng)網(wǎng)絡(luò)(backpropagation neural network),即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò),是一種反向傳遞并能修正誤差的多層映射網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示。

除輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)外,BP神經(jīng)網(wǎng)絡(luò)還有一層或多層隱層節(jié)點(diǎn)。一個(gè)典型的3層前饋BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖2所示。圖2中:LA層(輸入層)含有n個(gè)節(jié)點(diǎn),對(duì)應(yīng)于BP神經(jīng)網(wǎng)絡(luò)可感知的n個(gè)輸入;LC層(輸出層)含有m個(gè)節(jié)點(diǎn),與BP神經(jīng)網(wǎng)絡(luò)的m個(gè)輸出響應(yīng)相對(duì)應(yīng);LB層(中間層)的節(jié)點(diǎn)數(shù)目u可根據(jù)需要設(shè)置。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of BP neural network

圖2 3層前饋BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of three-level feedforward BP neural network

令LA層節(jié)點(diǎn)ai與LB層節(jié)點(diǎn)br間的連接權(quán)為ωir,LB層節(jié)點(diǎn)br與LC層節(jié)點(diǎn)cj間的連接權(quán)為vrj,Tr為L(zhǎng)B層節(jié)點(diǎn)的閾值,θj為L(zhǎng)C層節(jié)點(diǎn)的閾值,則LB層節(jié)點(diǎn)的輸出函數(shù)

(1)

LC層節(jié)點(diǎn)的輸出函數(shù)

(2)

式(1)、(2)中:f()為S型函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)可看成是一個(gè)從輸入到輸出的高度非線性映射,即:

F∶Rp→Rq,f(X)=Y

對(duì)于輸入xk∈Rp和輸出yk∈Rq,可認(rèn)為存在某一映射g,使得

g(xk)=yk,k=1,2,…,n

若要求出映射f,在某種意義下(通常是最小二乘意義下)f則是g的最佳逼近。BP神經(jīng)網(wǎng)絡(luò)通過對(duì)簡(jiǎn)單非線性函數(shù)的數(shù)次復(fù)合來近似復(fù)雜函數(shù)。

2 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)用于某型航空發(fā)動(dòng)機(jī)潤(rùn)滑部件磨損故障的識(shí)別需要遵循以下步驟:

(1)根據(jù)診斷對(duì)象的特點(diǎn)劃分故障類型,獲取故障信息,然后選取對(duì)故障比較敏感的一些參數(shù)作為信號(hào)的特征參數(shù),同時(shí)作為BP神經(jīng)網(wǎng)絡(luò)的輸入單元。

(2)根據(jù)診斷對(duì)象的特點(diǎn)構(gòu)造BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),即輸入節(jié)點(diǎn)個(gè)數(shù)、隱層數(shù)、輸出節(jié)點(diǎn)個(gè)數(shù)等。

(3)用已知診斷結(jié)果作為樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,調(diào)整數(shù)值矩陣、閾值矢量。若訓(xùn)練不成功,則需要改變網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。

(4)將待檢征兆數(shù)據(jù)輸入到訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò),計(jì)算輸出向量。根據(jù)輸出向量的結(jié)果來確定故障類型。

結(jié)合某型航空發(fā)動(dòng)機(jī)轉(zhuǎn)動(dòng)部件的結(jié)構(gòu)設(shè)計(jì)特點(diǎn),統(tǒng)計(jì)設(shè)備使用過程中出現(xiàn)的與發(fā)動(dòng)機(jī)磨損相關(guān)的故障情況和故障發(fā)動(dòng)機(jī)返廠檢修情況。在分析磨損故障原因的基礎(chǔ)上,確定某型航空發(fā)動(dòng)機(jī)的主要磨損部位為:低壓壓氣機(jī)、中介機(jī)匣、高壓壓氣機(jī)、低壓渦輪、高壓渦輪、附件傳動(dòng)裝置、滑油泵。每個(gè)磨損部位的主要部件如下所示:

(1)低壓壓氣機(jī)(前軸承、后軸承、止推軸承、軸承保持架、軸承襯套、前軸、后軸)。

(2)中介機(jī)匣(軸承、軸承保持架、殼體)。

(3)高壓壓氣機(jī)(前軸承、后軸承、軸承保持架、前軸、后軸、軸承支座)。

(4)低壓渦輪(低壓渦輪后軸承、低壓渦輪軸、軸承保持架)。

(5)高壓渦輪(鼠籠式彈性支承、軸承襯套、高壓渦輪軸)。

(6)附件傳動(dòng)裝置(軸承襯套、齒輪、軸承、軸承保持架、殼體)。

(7)滑油泵(齒輪、殼體、軸承襯套、軸承、軸承保持架)。

將上述磨損部位故障模式定義為:低壓壓氣機(jī)P1、中介機(jī)匣P2、高壓壓氣機(jī)P3、低壓渦輪P4、高壓渦輪P5、附件傳動(dòng)裝置P6、滑油泵P7。另外,定義系統(tǒng)正常P8。

3 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本文建立了滑油光譜定位診斷3層BP神經(jīng)網(wǎng)絡(luò)。S1,S2,…,S8為神經(jīng)網(wǎng)絡(luò)輸入,分別對(duì)應(yīng)8種金屬元素(Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn)的濃度;P1,P2,…,P8為神經(jīng)網(wǎng)絡(luò)輸出,分別對(duì)應(yīng)8個(gè)故障模式。根據(jù)經(jīng)驗(yàn)公式,隱層節(jié)點(diǎn)數(shù)

式中:ni為輸入層節(jié)點(diǎn)數(shù);no為輸出層節(jié)點(diǎn)數(shù);l為1～10之間的整數(shù)。本文選取隱層節(jié)點(diǎn)數(shù)為12。

4 標(biāo)準(zhǔn)故障樣本的構(gòu)建

將某型航空發(fā)動(dòng)機(jī)的8個(gè)磨損部位故障模式構(gòu)造成8種標(biāo)準(zhǔn)模式(也可稱典型模式),每一種標(biāo)準(zhǔn)模式都包含金屬元素的個(gè)數(shù)和種類信息。Kj表示所含金屬元素的種類,則X={K1,K2,…,K8}。用二進(jìn)制方法表示金屬元素的存在性,“1”為存在,“0”為不存在。8種標(biāo)準(zhǔn)模式如下所示:

X1={1,1,1,1,1,0,1,0}

X2={1,1,0,0,0,1,1,0}

X3={1,1,0,1,1,0,1,0}

X4={1,1,1,0,1,0,0,0}

X5={1,1,1,0,1,0,0,0}

X6={1,1,1,0,0,1,0,0}

X7={1,1,0,1,0,0,1,1}

X8={0,0,0,0,0,0,0,0}

由此得到光譜子診斷網(wǎng)絡(luò)的訓(xùn)練樣本,如表1所示。

隱層神經(jīng)元傳遞函數(shù)采用S形正切函數(shù)tansig,其表達(dá)式為

表1 光譜子診斷網(wǎng)絡(luò)的訓(xùn)練樣本Tab.1 Training samples for spectral subdiagnostic network

輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig,其表達(dá)式為

網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用traingda函數(shù),學(xué)習(xí)函數(shù)采用learndm函數(shù),性能函數(shù)采用mse函數(shù)。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法,對(duì)光譜子診斷網(wǎng)絡(luò)進(jìn)行編程訓(xùn)練。

系統(tǒng)設(shè)定總誤差為0.01,經(jīng)過119次訓(xùn)練后,光譜子診斷網(wǎng)絡(luò)的性能達(dá)到要求,結(jié)果如圖3所示。

5 磨損部位待識(shí)別樣本的構(gòu)建

(1) 樣本矩陣選取

當(dāng)檢測(cè)到的金屬元素濃度發(fā)生異常時(shí),可根據(jù)相應(yīng)金屬磨粒的成分確定哪些部件將要或已經(jīng)發(fā)生了異常磨損。在實(shí)際工作中,當(dāng)確定有異常磨損發(fā)生后,機(jī)務(wù)人員往往是憑借經(jīng)驗(yàn)進(jìn)行判斷,如:當(dāng)檢測(cè)到Fe和Cu濃度超過異常值時(shí),判斷主軸承發(fā)生了嚴(yán)重磨損;當(dāng)Al濃度超過異常值時(shí),判斷離心通風(fēng)器偏磨或滑油泵磨損等。這種判斷方式不規(guī)范、不嚴(yán)謹(jǐn)且誤判概率大。因此,為提高磨損部件故障判斷的精度,需要用數(shù)學(xué)手段對(duì)光譜監(jiān)測(cè)數(shù)據(jù)之間的關(guān)聯(lián)性進(jìn)行深入分析。

圖3 光譜子診斷網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.3 Training results of spectral subdiagnostic network

油液監(jiān)測(cè)信息源非單一信息源,而是由多個(gè)信息源共同疊加的混合信息源。存在于潤(rùn)滑油中的金屬磨粒是發(fā)動(dòng)機(jī)內(nèi)多種部件磨損產(chǎn)物的混合結(jié)果,即每一種金屬元素的濃度都不是獨(dú)立的,金屬元素之間有一種內(nèi)在的關(guān)聯(lián)性。采用聚類分析,可以把具有相同或相近性質(zhì)的金屬元素聚為一類。如果具有相同或相近性質(zhì)的金屬元素對(duì)應(yīng)發(fā)動(dòng)機(jī)上的某一摩擦副材料,則可以確認(rèn)該摩擦副材料與金屬元素濃度變化的關(guān)系,這就是基于滑油光譜監(jiān)測(cè)數(shù)據(jù)的磨損部位識(shí)別的基本理論依據(jù)。

根據(jù)采集到的光譜數(shù)據(jù),對(duì)比界限值,發(fā)現(xiàn)某一組數(shù)據(jù)的Fe濃度超過異常值,這表明可能出現(xiàn)異常磨損。根據(jù)發(fā)動(dòng)機(jī)的結(jié)構(gòu)特點(diǎn),選取8種元素進(jìn)行重點(diǎn)監(jiān)控,同時(shí)選取濃度超過界限值的異常光譜數(shù)據(jù)的前8組采樣點(diǎn)數(shù)據(jù)(U1～U8)作為原始數(shù)據(jù)進(jìn)行聚類分析。設(shè)U={u1,u2,…,u8},其中u1～u8分別對(duì)應(yīng)Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn的濃度。接著,將發(fā)生異常磨損時(shí)前8個(gè)光譜各金屬元素濃度組成樣本矩陣,如表2所示。

表2 前8個(gè)光譜各金屬元素濃度組成的樣本矩陣Tab.2 Sample matrix consisting of the first 8 spectra of metallic element concentrations

(2)ui與uj之間相似關(guān)系建立

目前相似關(guān)系的建立方法主要有數(shù)量積法、相關(guān)系數(shù)法、最大最小法、算數(shù)平均最小法、幾何平均最小法等,不同方法的聚類結(jié)果會(huì)有差異,選取哪種方法要根據(jù)大量實(shí)踐經(jīng)驗(yàn)而定。根據(jù)實(shí)際情況,本文選取相關(guān)系數(shù)法來建立相似關(guān)系矩陣。相似關(guān)系計(jì)算公式為根據(jù)式(3)得到的相似關(guān)系矩陣如表3所示。

(3)

表3 相似關(guān)系矩陣Tab.3 Similarity relation matrix

(3) 傳遞矩陣求解

(4) 截矩陣求解并聚類

先求出不同λ值下的截矩陣Rλ,然后根據(jù)所求截矩陣進(jìn)行聚類,各因素聚為一類的充分條件是

Rλ(xi,xj)=1,i,j=1,2,…,7

據(jù)此即可得到不同λ值下的分類結(jié)果,如下所示:

當(dāng)0<λ≤0.89時(shí),將U分為1類,即:{u1,u2,u3,u4,u5,u6,u7,u8}。

當(dāng)0.89<λ≤0.94時(shí),將U分為2類,即:{u2}、{u1,u3,u4,u5,u6,u7,u8}。

當(dāng)0.94<λ≤0.97時(shí),將U分為3類,即:{u2}、{u4}、{u1,u3,u5,u6,u7,u8}。

當(dāng)0.97<λ≤0.98時(shí),將U分為5類,即:{u1}、{u2}、{u4}、{u7}、{u8}、{u3,u5,u6}。

當(dāng)0.98<λ≤1.00時(shí),將U分為7類,即:{u1}、{u2}、{u3}、{u4}、{u5}、{u6}、{u7}、{u8}。

由此可以構(gòu)造待識(shí)別模式,根據(jù)上述聚類結(jié)果選取λ=0.97,則得到待識(shí)別模式X0={1,1,0,1,0,1,1,0}。

6 診斷結(jié)果

將待識(shí)別模式輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),得到輸出結(jié)果為U6,它對(duì)應(yīng)的是發(fā)動(dòng)機(jī)低壓壓氣機(jī)軸承支座磨損。待識(shí)別模式中含有金屬元素Fe、Al、Cr、Cu、Mg,這與低壓壓氣機(jī)軸承支座磨損所含元素一致,據(jù)此可以判斷低壓壓氣機(jī)軸承支座最有可能發(fā)生劇烈磨損。

7 結(jié)語(yǔ)

針對(duì)某型航空發(fā)動(dòng)機(jī)提出了基于BP神經(jīng)網(wǎng)絡(luò)的磨損故障定位診斷方法,并通過算例驗(yàn)證了所提出診斷方法的可行性和正確性。結(jié)果表明,所建立的診斷方法簡(jiǎn)潔有效,并具有很高的診斷精度。