基于GA-GRNN-GA的飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗參數(shù)優(yōu)化

董慧芬 代玉行 王 滲

(中國(guó)民航大學(xué)機(jī)器人研究所 天津 300300)

0 引 言

CFM56-7B發(fā)動(dòng)機(jī)用于波音737NG飛機(jī)，飛行周期過(guò)后需要對(duì)發(fā)動(dòng)機(jī)風(fēng)扇燕尾基座區(qū)域進(jìn)行清潔、檢查、潤(rùn)滑工作，目前大多以人工方式進(jìn)行清洗，如圖1所示。工卡要求清洗原料是異丙基酒精，使用軟毛刷進(jìn)行反復(fù)清洗，工作強(qiáng)度大，而且長(zhǎng)期吸入異丙基酒精會(huì)嚴(yán)重危害人體健康。因此，研究一種快速、高效、可靠、環(huán)保、健康的自動(dòng)清洗方式來(lái)代替人工清洗具有重要的現(xiàn)實(shí)意義。

在清洗行業(yè)，超聲波清洗是非常成熟的清洗方式之一，具有制造技術(shù)成熟，結(jié)構(gòu)簡(jiǎn)單便于維護(hù)，清洗效果好，避免人和清洗液直接接觸，降低對(duì)健康的危害等優(yōu)點(diǎn)。與人身體直接接觸的手工清洗和其他機(jī)械清洗方式等相比，超聲波清洗穿透性強(qiáng)[1]，且能夠清洗工件的死角等難以用手工或者機(jī)械方式接觸到的角落，而且不會(huì)損傷工件，安全高效，清洗效果更好。根據(jù)CFM56-7B發(fā)動(dòng)機(jī)SPM手冊(cè)要求，超聲波清洗方式可以用于清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片。

在超聲波清洗的影響因素中，皇磊落等[2]研究了超聲波功率和清洗液溫度對(duì)清洗效果的影響；Niemczewskib[3]研究了液體中的超聲波空化的比較；李紅霞等[4]進(jìn)行了超聲空化清洗實(shí)驗(yàn)研究；張艾萍等[5]研究了清洗液溫度對(duì)清洗效果的影響。上述學(xué)者大多研究一個(gè)或者兩個(gè)因素在超聲波清洗中的作用和影響，僅停留在對(duì)清洗效果的預(yù)測(cè)方面，在多個(gè)參數(shù)對(duì)清洗效果的影響方面，沒(méi)有進(jìn)行模型建立和算法優(yōu)化，在多參數(shù)對(duì)超聲波清洗效果的影響和有效降低能耗上沒(méi)有形成理論支持。

確定多個(gè)清洗參數(shù)與清洗效果之間的非線性關(guān)系，能夠?qū)η逑葱ЧM(jìn)行預(yù)測(cè)并對(duì)清洗參數(shù)進(jìn)行優(yōu)化，這是關(guān)鍵所在。針對(duì)這種多個(gè)參數(shù)與預(yù)測(cè)目標(biāo)的非線性耦合關(guān)系，高道明等[6]采用模糊數(shù)學(xué)處理清洗參數(shù)與清洗效果之間的非線性關(guān)系，從而對(duì)清洗效果進(jìn)行預(yù)測(cè)。模糊數(shù)學(xué)處理時(shí)，模糊集的劃分人為因素較大，并且模糊集劃分的大小直接影響處理結(jié)果的精確性；張金夢(mèng)等[7]使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)停車場(chǎng)的泊車位數(shù)量，BP神經(jīng)網(wǎng)絡(luò)在擬合預(yù)測(cè)方面具有一定優(yōu)勢(shì)，但這建立在數(shù)據(jù)量充足且非線性耦合比較弱的情況下。而對(duì)于超聲波清洗影響因素與清洗效果的非線性耦合關(guān)系和數(shù)據(jù)量不大的情況，這種方法稍顯劣勢(shì)。分析當(dāng)前研究的具體情況，比較上述方法，GRNN優(yōu)勢(shì)更加明顯，其具有強(qiáng)的非線性映射能力，相比較其他神經(jīng)網(wǎng)絡(luò)，更擅長(zhǎng)解決非線性問(wèn)題，并且針對(duì)超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片實(shí)驗(yàn)的數(shù)據(jù)量不多的情況下，同樣具有一定的優(yōu)勢(shì)[8]。因此，針對(duì)飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗中四個(gè)清洗參數(shù)與清洗效果的非線性耦合關(guān)系，采用GRNN對(duì)影響超聲波清洗效果的多參數(shù)進(jìn)行處理預(yù)測(cè)。并以清洗效果為適應(yīng)度函數(shù)，對(duì)這四個(gè)清洗參數(shù)用遺傳算法進(jìn)行優(yōu)化，并使用成熟的網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)判斷，最終優(yōu)化給出適合的清洗參數(shù)，實(shí)現(xiàn)飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片的低能耗、高效的清潔目標(biāo)。

光滑因子σ的取值直接影響網(wǎng)絡(luò)的性能，因此應(yīng)該使用超聲波清洗實(shí)驗(yàn)數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，提高網(wǎng)絡(luò)的預(yù)測(cè)效果，增強(qiáng)網(wǎng)絡(luò)的泛化能力。對(duì)于優(yōu)化GRNN模型，王雨虹等[9]采用混沌免疫粒子群優(yōu)化網(wǎng)絡(luò)模型，將光滑因子的值作為粒子位置坐標(biāo)，操作簡(jiǎn)單，但是容易陷入局部最優(yōu)，對(duì)離散狀況應(yīng)對(duì)不足。Yao等[10]基于GA-GRNN優(yōu)化高速列車頭部三維氣動(dòng)設(shè)計(jì)；宋寧佳等[11]使用遺傳算法對(duì)光滑因子進(jìn)行尋優(yōu)。雖然遺傳算法的自然選擇、交叉和變異操作在編碼實(shí)現(xiàn)時(shí)相比其他優(yōu)化算法比較繁瑣，程序運(yùn)行量大，但其能在迭代過(guò)程中實(shí)現(xiàn)優(yōu)勝劣汰，逐代進(jìn)化產(chǎn)生更好的后代，而且交叉和變異操作增加了進(jìn)化的不確定性，一定程度上避免了陷入局部最優(yōu)的情形。因此，本文使用遺傳算法對(duì)GRNN模型進(jìn)行光滑因子的優(yōu)化處理。

對(duì)優(yōu)化光滑因子的網(wǎng)絡(luò)模型，能夠?qū)崿F(xiàn)對(duì)飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清潔度的預(yù)測(cè)，相比前面提到的兩位學(xué)者使用的模糊數(shù)學(xué)預(yù)測(cè)清洗參數(shù)與清洗效果之間的非線性關(guān)系和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)停車場(chǎng)的泊車位數(shù)量，本文的GA-GRNN模型在訓(xùn)練數(shù)據(jù)較少的情況下，同樣可以達(dá)到較好預(yù)測(cè)效果，并且相比BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度更快。最后，在此模型基礎(chǔ)上提出使用遺傳算法優(yōu)化輸入清洗參數(shù)的GA-GRNN-GA模型，對(duì)飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗參數(shù)進(jìn)行優(yōu)化。

1 超聲波清洗影響因素分析

超聲波探頭產(chǎn)生超聲波在液體中傳播，因?yàn)榭栈F(xiàn)象形成空化氣泡，氣泡上升過(guò)程中由于聲波膨脹相的變化，空化氣泡受到擠壓，擠壓到一定程度氣泡炸裂產(chǎn)生巨大能量，作用在被清洗物質(zhì)表面，將污染物清除，從而實(shí)現(xiàn)超聲波清洗污染物，因此，空化氣泡的微型爆炸發(fā)生在換能器上方，空化氣泡爆炸的區(qū)域清洗效果較好，如圖2所示。在空化氣泡形成爆炸區(qū)域之前，大部分空化氣泡正在形成；在空化氣泡形成爆炸區(qū)域之后，大部分空化氣泡已經(jīng)爆炸。

使用超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片，如何實(shí)現(xiàn)高效、節(jié)能和優(yōu)良的清洗效果，是超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片的關(guān)鍵?，F(xiàn)針對(duì)單一因素對(duì)超聲波清洗效果的影響，實(shí)驗(yàn)分析其與清洗效果的關(guān)系。清洗效果用清潔度來(lái)表示，清潔度定義為s：

s=w/d

(1)

式中：w表示清洗干凈的面積，d表示清洗總面積。

(1) 超聲波功率對(duì)清潔度的影響。保證其他條件基本不變的前提下，擬合實(shí)驗(yàn)數(shù)據(jù)，得到超聲波探頭功率與清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片壓力面清潔度的關(guān)系如圖3所示。

圖3 超聲波功率與清潔度的關(guān)系

由圖3可知，超聲波清潔度隨著功率增加而增加，探頭功率的加大，更有利于超聲波的空化作用，從而提高清潔度。

(2) 清洗液溫度對(duì)超聲波清潔度的影響。結(jié)合本文實(shí)驗(yàn)環(huán)境，得出清洗液溫度與清潔度的關(guān)系如圖4所示。

圖4 清洗液溫度與清潔度的關(guān)系

實(shí)驗(yàn)得出最佳溫度在56 ℃左右，在此之前，溫度的升高有利于提高超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片的清潔度，到達(dá)一定程度，溫度的影響開(kāi)始降低，若繼續(xù)升高溫度，則清潔度開(kāi)始出現(xiàn)降低的情況。

(3) 清洗時(shí)間對(duì)超聲波清潔度的影響。不同的清洗液清洗不同的對(duì)象，會(huì)有不同的工藝參數(shù)狀態(tài)，對(duì)于超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片而言，根據(jù)工卡要求進(jìn)行實(shí)驗(yàn)，得出清洗時(shí)間和清潔度的關(guān)系如圖5所示。

圖5 清洗時(shí)間與清潔度的關(guān)系

由圖5可知，清潔度隨著清洗時(shí)間的增加而提高，在前25分鐘內(nèi)清潔度上升明顯，在清洗時(shí)間達(dá)到30分鐘時(shí)，清潔度的變化減緩，清洗時(shí)間對(duì)清潔度的影響接近飽和。

(4) 清洗距離對(duì)超聲波清潔度的影響。前面分析可知，根據(jù)超聲波清洗空化原理，換能器上方充滿空化氣泡，距換能器的高度不同。空化氣泡的形成程度不同。在空化氣泡集中爆炸區(qū)域，超聲波清洗能較好地發(fā)揮清洗作用，因此改變工件距超聲波換能器的距離，尋找最佳清洗區(qū)域。根據(jù)實(shí)驗(yàn)數(shù)據(jù)得出超聲波清洗距離與清潔度的關(guān)系如圖6所示。

圖6 工件清洗距離與清潔度的關(guān)系

結(jié)合目前的實(shí)驗(yàn)環(huán)境和參數(shù)組合，在0 cm～10 cm的區(qū)域，空化正在形成，清潔度雖有提高，但變化不明顯，在10～13 cm時(shí)，清潔度顯著提高，超過(guò)13 cm，清潔度開(kāi)始下降。由此可得，超聲波空化氣泡爆炸區(qū)域集中在高度約為13 cm的區(qū)域，因此最佳清洗距離約在13 cm。

由前面的分析可見(jiàn)，雖然每個(gè)參數(shù)對(duì)清潔度都有一個(gè)最佳的點(diǎn)或者一個(gè)很小的最佳區(qū)間，但是由于沒(méi)有進(jìn)行四個(gè)參數(shù)進(jìn)行協(xié)同優(yōu)化，控制變量的選取并沒(méi)有準(zhǔn)確的理論數(shù)據(jù)可依，并沒(méi)有實(shí)現(xiàn)清潔度優(yōu)化高效、節(jié)能的目標(biāo)。因此建立基于GRNN的飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗參數(shù)優(yōu)化模型，對(duì)清洗參數(shù)進(jìn)行協(xié)同優(yōu)化很有必要。

2 基于GRNN的飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清潔度預(yù)測(cè)模型

2.1 GRNN

廣義回歸神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上分別是輸入層、模式層、求和層和輸出層，如圖7所示。

圖7 GRNN模型結(jié)構(gòu)圖

其中:網(wǎng)絡(luò)的輸入為X=[x1,x2,…,xn]T，輸出為Y=[y1,y2,…,yn]T。

GRNN是一種基于非線性回歸的人工神經(jīng)網(wǎng)絡(luò)，輸入相對(duì)輸出的回歸就是計(jì)算輸入為X的情況下，Y的網(wǎng)絡(luò)預(yù)測(cè)輸出。

(2)

(3)

(4)

從式(4)中可以看出，光滑因子太大，網(wǎng)絡(luò)輸出接近于網(wǎng)絡(luò)的輸入的均值，反之，網(wǎng)絡(luò)的輸出接近訓(xùn)練樣本數(shù)據(jù)。這表明只有當(dāng)需要預(yù)測(cè)的點(diǎn)在訓(xùn)練樣本集中時(shí)，網(wǎng)絡(luò)的預(yù)測(cè)值會(huì)和樣本中對(duì)應(yīng)的因變量非常接近，如果是樣本中沒(méi)有的點(diǎn)，則可能預(yù)測(cè)結(jié)果相差甚遠(yuǎn)，這說(shuō)明光滑因子的取值范圍決定了網(wǎng)絡(luò)的泛化能力。因此應(yīng)當(dāng)輸入數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，尋找和優(yōu)化光滑因子，提高模型的泛化能力。

2.2 預(yù)測(cè)模型訓(xùn)練

針對(duì)超聲清洗功率、溫度、時(shí)間和清洗距離運(yùn)用控制變量的方法進(jìn)行多次實(shí)驗(yàn)，實(shí)驗(yàn)所用設(shè)備的超聲波探頭頻率為28 kHz，如圖8所示。考慮實(shí)驗(yàn)的局限性，目前采用與飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片壓力面表面類似的合金代替進(jìn)行清洗，圖9所示為表面噴涂有二硫化鉬的工件正在使用超聲波設(shè)備進(jìn)行清洗。按照前面清潔度的定義來(lái)計(jì)算，獲得實(shí)驗(yàn)數(shù)據(jù)如表1所示，在MATLAB中進(jìn)行GRNN模型訓(xùn)練。

圖8 超聲波清洗設(shè)備

圖9 超聲波清洗表面帶有二硫化鉬的工件

表1 飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗GRNN預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)

經(jīng)過(guò)遺傳算法迭代優(yōu)化光滑因子，得到誤差范圍內(nèi)的σ值，具體流程如圖10所示。

圖10 GA訓(xùn)練GRNN模型流程圖

圖10中，初始化一個(gè)光滑因子，值為1，使用訓(xùn)練數(shù)據(jù)輸入模型進(jìn)行模型訓(xùn)練，計(jì)算適應(yīng)度函數(shù)值，檢驗(yàn)預(yù)測(cè)結(jié)果的均方根誤差。對(duì)于均方根誤差不小于0.05、不符合要求的進(jìn)一步對(duì)光滑因子使用遺傳算法進(jìn)行優(yōu)化，繼續(xù)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，直到結(jié)果符合要求，得出合適的光滑因子，從而完成模型的訓(xùn)練。這里取光滑因子取值范圍在0～1之間，遺傳算法采用10位二進(jìn)制編碼；當(dāng)測(cè)試樣本誤差達(dá)到要求時(shí)，光滑因子σ=0.247。

3 葉片清洗參數(shù)優(yōu)化與實(shí)驗(yàn)驗(yàn)證

3.1 參數(shù)GA優(yōu)化

對(duì)于已經(jīng)訓(xùn)練好的GRNN模型，以清潔度最佳和消耗能量最小為目標(biāo)和約束條件，使用遺傳算法對(duì)輸入數(shù)據(jù)進(jìn)行優(yōu)化：

s≥90%

(5)

minF(p,c,t,h)=[p,c,t,h]T

(6)

式中：p表示超聲清洗功率，c表示清洗液溫度，t表示清洗時(shí)間，h表示清洗距離。

流程圖如圖11所示。

圖11 GA優(yōu)化清洗參數(shù)流程圖

對(duì)于已經(jīng)訓(xùn)練好的GRNN模型，輸入模型清洗參數(shù)，進(jìn)行參數(shù)優(yōu)化，結(jié)合超聲波實(shí)驗(yàn)設(shè)備，優(yōu)化取出有代表性的能量最低的數(shù)組數(shù)據(jù)，如表2所示。

表2 飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗參數(shù)優(yōu)化數(shù)據(jù)組合

續(xù)表2

從表2中MATLAB仿真數(shù)據(jù)可以看出：功率是在超聲波清洗中一個(gè)較為重要的因素，功率和溫度存在著非線性的負(fù)相關(guān)關(guān)系，隨著功率的增大，達(dá)到基本一致的清洗效果時(shí)，溫度逐漸降低,對(duì)溫度的依賴降低。為了維持較好的清洗效果，超聲波功率不太高的情況下，超聲波清洗液的溫度要保持在60 ℃左右。清洗時(shí)間的大小對(duì)超聲波清洗的清潔度影響分為兩種情況，功率較小時(shí)，對(duì)時(shí)間依賴比較大，隨著功率升高，時(shí)間可縮短50%以上。另外，工件的最佳清洗高度并非是某一個(gè)數(shù)值，而是一個(gè)高度變化較小的區(qū)域，換言之，最佳清洗高度是一個(gè)高度區(qū)域。

3.2 葉片清洗效果檢測(cè)與分析

采用仿真結(jié)果的清洗工藝參數(shù)組合，進(jìn)行飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗實(shí)驗(yàn)，圖12(a)是完全干凈的工件原始圖，圖12(b)是附著上污染物的效果圖，圖12(c)是使用第一組數(shù)據(jù)(p=240 W,C=67℃,t=36 min，h=8 cm)清洗之后效果圖，圖12(d)是使用第二組數(shù)據(jù)(p=900 W,c=42 ℃,t=24 min，h=11 cm)清洗之后效果圖。待洗污染物用飛機(jī)發(fā)動(dòng)機(jī)葉片正常維護(hù)使用的罐裝二硫化鉬噴劑，跟實(shí)際清洗時(shí)候的附著物保持一致。

(a) 干凈工件原始圖

(b) 工件附著污染物效果圖

(c) 第一組數(shù)據(jù)清洗效果圖

(d) 第二組數(shù)據(jù)清洗效果圖圖12 清洗實(shí)驗(yàn)效果圖

針對(duì)兩次實(shí)驗(yàn)的清洗效果，通過(guò)對(duì)清洗之后圖像進(jìn)行去噪、前景提取、閾值范圍確定和二值化處理等操作，計(jì)算清洗后工件的清潔度，可得用第一組數(shù)據(jù)清洗的清潔度為0.88，用第二組數(shù)據(jù)清洗的清潔度為0.90。二者的理論優(yōu)化參數(shù)經(jīng)模型輸出預(yù)測(cè)結(jié)果分別為0.92和0.94。用下式計(jì)算清潔度的相對(duì)誤差：

(7)

式中：η定義為超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片的相對(duì)誤差，s是仿真結(jié)果的清潔度，st是清洗實(shí)驗(yàn)獲得的實(shí)際清潔度。計(jì)算可知清潔度最大誤差小于4.3%，清洗參數(shù)優(yōu)化滿足清洗要求，同時(shí)證明了GA-GRNN-GA模型的可使用性。

4 結(jié) 語(yǔ)

本文對(duì)超聲波清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片進(jìn)行研究，建立了基于GA-GRNN的飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片超聲波清潔度預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)風(fēng)扇葉片超聲波清潔度的預(yù)測(cè)，并在預(yù)測(cè)清潔度的基礎(chǔ)上對(duì)清洗參數(shù)進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，基于GA-GRNN-GA預(yù)測(cè)及優(yōu)化模型是合理的，優(yōu)化的清洗參數(shù)在保證清潔度的同時(shí)可以降低能耗，提高清洗效率，為解決傳統(tǒng)手工清洗對(duì)人身健康危害、資源浪費(fèi)和效率低下問(wèn)題，提供一種超聲波自動(dòng)清洗飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片的有效途徑。