航空发电机内部电气故障建模与参数测试研究

楚至濮 张栋善

摘 要：航空发电机对于飞行器运行的安全起至关重要的作用。发电机内部电气故障会促使定子绕组产生不对称现象，进而会使电能干扰电器正常运行，造成安全危害。因此必须重点研究航空发电机内部电气故障原因。本文提出BP神经网络故障诊断法，通过对BP神经网络故障诊断模型建立。并通过参数测试实验，佐证了BP神经网络诊断法能够正确检验航空发电机故障。

关键词：航空发电机；BP神经网络诊断；参数测试

近年来，人类飞行器研究取得重大突破，很多大中型飞机用电设备逐渐增多。用电设备是飞行器飞行过程中的担负着供电任务。因此维护航空发电机内部电气的性能是保障飞行安全的重要举措。本文通过构建BP神经网络故障诊断模型，进而对模型进行参数测试实验。通过对航空发动机数据进行测试。以此验证构建故障模型能否正确判断航空发电机内部故障。

一、航空发电机内部电气设备故障诊断概述

航空发电机故障诊断室一项高度复杂的信息检测技术，专业性较强。很多国内外的航空维修专家都曾对航空发电机设备诊断进行过理论和方法的阐述。国内航空器发电机故障诊断技术处在初级阶段。相关研究和实践水平有限。航空发电机故障的表现形式通常为部分功能失效或功能完全丧失。故障发生时很容易造成航空发电机性能下降，威胁航空安全，甚至诱发空难。理想下的故障诊断就是要在故障尚未构成较大威胁时，及时发现并解决。因此研究有效的故障诊断技术对于航空安全来说十分必要。

二、BP神经网络诊断

BP神经网络诊断是通过对网络信息传递正向传播和误差反向传播分析，通过BP算法，获得故障诊断模型。其理论为，当信息进行正向传播时，输入层通过隐层单元进行逐层处理。再回转至输出层。每一层的神经状态对下一层神经状态都会产生影响。如果输出层缺少输出力，就开始进入反向传播。将产生误差按照既定通路返回[1]。通过BP神经网络诊断进行每一层神经元调节，促使产生误差降低。

较为典型的4层BP神经网络模型结构，是由输出层、输入层、2哥隐层构成的。以上所有节点使用f代表传递函数。假设共有S数目的样本信息。网络中第3层的第j个神经元的输出总和为Ⅰ3jk。

第2层的第i个神经元与第3层的第j个神经元的权值连接为Wij，[2]，可得出公式为：

当进行反向传播时，网络期望输出值为dk。实际输出值用yk代表，计算二者误差的平方以及目标函数，公式为：

通过以上公式可得出S样本信息的总误差定义公式为：

完成上述步骤就可以计算和调整全职W。以此缩小误差E的取值。计算公式为：

在此公式中η的是故障诊断的关键，BP神经网络技术能使用非线性关系对故障分析和算法进行创新，进而得出故障诊断分析模型。能够适用于航空发电机故障诊断工作。

三、航空发电机内部电气设备故障诊断分析

（一）故障诊断建模步骤

航空发电机不同于传统发电机，其内部构造十分复杂。故障藏于发电机各处，难以全部进行诊断。可采用BP神经网络对航空发电机进行故障建模。进而通过故障模型，分析故障种类吗，制定解决措施。具体步骤为：

1.建立发电局数据分析模型

首先对发电机故障案例进行距离总结，明确发电机健康状态下的参数特征。通过理论测试和实际测试，推出理论数据和测试数据两种分析模型。并以理论数据和测试数据为故障建模的基础

2.建立航空发电机故障诊断模型

通过选取30组数据作为理论数据内容，通过BP神经网络进行测试。在此过程中对测试设定的参数进行合理调试和修改，构建一套完整的航空发电机故障诊断模型。

（二）故障诊断结果

故障模型建立完成后，可把航空发电机试验测试数据作为测试数据，将其输入BP神经网络数据分析模型中，得出试验效果。将测试结果同理论结果进行比较。即可通过调整BP神经网络隐层的节电，缩小误差，进而得出故障诊断有效性和成功率。具体结果分析为：对航空发电机进行典型运行参数设定进行选取。并做统一处理。为保证试验的科学性和说服力，试验展开多次测试。当迭代次数达180时，BP神经网络测试精准度达到4.8%。并报出计算时间在4S以上。[3]当迭代次数达到380时。BP测试精准度和时间分别达到2.48%和7S。在迭代次数为1000时，其精度和计算时间分别达到了2.12%和15S。

因此，不难看出，BP神经网络算法中，迭代次数增加，会影响精准度和计算时间。而且误差逐渐在缩小。从理论角度来看，BP神经网络诊断法能够正确诊断航空发电机的故障，所建故障模型是有效的。试验再将刚刚测得的测量参数和理论故障参数进行健康向量的比较。

BP神经网络得到的故障率达97.5%。实际误差较小。因此可以证明此诊断方式就有一定的科学性和准确性。能够适用于航空发电机故障诊断工作。

四、结语

总之，本文通过对航空发电机内部电气设备故障建模和参数调试的分析，并对BP神经网络故障诊断模型进行了应用的阐述。进而得到了实验和理论依据：BP神经网络故障诊断模型和参数调试方式，能够缩小实际故障数据误差，能够有效达到发电机故障诊断功能要求。因此，该故障诊断模型能够增强航空发电机故障诊断功能，提升飞行器运行的安全性和可靠性，有一定的实用价值。

参考文献：

[1]唐志航，何宏.改进的BP神经网络在故障诊断中的应用[J].微计算机信息，2008.24（5）：171-173.

[2]刘海港，董芷岑.航空发电机综合故障诊断技术研究[J].通信技术，2014（3）：125-127.

[3]凌超.基于智能算法的航空發电机故障诊断方法研究[J].工业技术，2015（2）112-115.

作者简介：第一作者：楚至濮（1980-），男，河南开封人，本科，工程师，研究方向：航空维修；第二作者：张栋善（1983-），男，江苏连云港人，本科，研究方向：航空维修。