基于BP神经网络的航空发动机磨损部位识别

2019-01-18张代国

系统仿真技术 2018年4期

王琳, 张代国, 叶晨, 宋丹

(1.海军航空大学, 山东烟台 264001; 2.海军驻洛阳407代表室, 河南洛阳 471000;3.东部战区海军保障部,浙江宁波 315000;4.中国人民解放军92095部队,浙江台州 318000)

某型发动机结构复杂,多个油润部件存在大量摩擦副。在航空发动机运行过程中,摩擦副之间的相互作用导致金属磨粒进入润滑油,悬浮于润滑油中的金属磨粒的成分及含量蕴含着航空发动机磨损状态的重要信息。光谱分析技术是监测与诊断航空发动机磨损故障的重要手段[1],如何从金属磨粒信息中挖掘出表征磨损状态的有效故障特征,是航空发动机油润部件磨损故障正确诊断及预测的关键因素。

神经网络具有很强的非线性映射能力和容错性,在设备故障诊断领域得到了广泛应用[2-3]。针对某型航空发动机,本文提出了基于光谱分析及神经网络的磨损故障定位诊断方法,并通过算例验证了该方法的可行性。

1 BP神经网络的介绍

人工神经网络(ANN)指人类在对自身大脑神经网络认识的基础上人工构造的能够实现某种功能的神经网络[4-5],是理论化的人脑神经网络的数学模型,也是为模仿人脑神经网络结构和功能而建立的一种信息处理系统。实际上,人工神经网络是由大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够实现复杂的逻辑操作和非线性关系。

众多的人工神经网络中,最常用的是BP神经网络(backpropagation neural network),即利用误差反向传播算法求解的多层前向神经网络,是一种反向传递并能修正误差的多层映射网络,其结构如图1所示。

除输入节点和输出节点外,BP神经网络还有一层或多层隐层节点。一个典型的3层前馈BP神经网络的拓扑结构如图2所示。图2中:LA层(输入层)含有n个节点,对应于BP神经网络可感知的n个输入;LC层(输出层)含有m个节点,与BP神经网络的m个输出响应相对应;LB层(中间层)的节点数目u可根据需要设置。

图1 BP神经网络结构Fig.1 Structure of BP neural network

图2 3层前馈BP神经网络结构Fig.2 Structure of three-level feedforward BP neural network

令LA层节点ai与LB层节点br间的连接权为ωir,LB层节点br与LC层节点cj间的连接权为vrj,Tr为LB层节点的阈值,θj为LC层节点的阈值,则LB层节点的输出函数

(1)

LC层节点的输出函数

(2)

式(1)、(2)中:f()为S型函数。

BP神经网络可看成是一个从输入到输出的高度非线性映射,即:

F∶Rp→Rq,f(X)=Y

对于输入xk∈Rp和输出yk∈Rq,可认为存在某一映射g,使得

g(xk)=yk,k=1,2,…,n

若要求出映射f,在某种意义下(通常是最小二乘意义下)f则是g的最佳逼近。BP神经网络通过对简单非线性函数的数次复合来近似复杂函数。

2 BP神经网络的应用

BP神经网络用于某型航空发动机润滑部件磨损故障的识别需要遵循以下步骤:

(1)根据诊断对象的特点划分故障类型,获取故障信息,然后选取对故障比较敏感的一些参数作为信号的特征参数,同时作为BP神经网络的输入单元。

(2)根据诊断对象的特点构造BP神经网络的结构,即输入节点个数、隐层数、输出节点个数等。

(3)用已知诊断结果作为样本数据对BP神经网络进行训练,调整数值矩阵、阈值矢量。若训练不成功,则需要改变网络结构参数。

(4)将待检征兆数据输入到训练成功的BP神经网络,计算输出向量。根据输出向量的结果来确定故障类型。

结合某型航空发动机转动部件的结构设计特点,统计设备使用过程中出现的与发动机磨损相关的故障情况和故障发动机返厂检修情况。在分析磨损故障原因的基础上,确定某型航空发动机的主要磨损部位为:低压压气机、中介机匣、高压压气机、低压涡轮、高压涡轮、附件传动装置、滑油泵。每个磨损部位的主要部件如下所示:

(1)低压压气机(前轴承、后轴承、止推轴承、轴承保持架、轴承衬套、前轴、后轴)。

(2)中介机匣(轴承、轴承保持架、壳体)。

(3)高压压气机(前轴承、后轴承、轴承保持架、前轴、后轴、轴承支座)。

(4)低压涡轮(低压涡轮后轴承、低压涡轮轴、轴承保持架)。

(5)高压涡轮(鼠笼式弹性支承、轴承衬套、高压涡轮轴)。

(6)附件传动装置(轴承衬套、齿轮、轴承、轴承保持架、壳体)。

(7)滑油泵(齿轮、壳体、轴承衬套、轴承、轴承保持架)。

将上述磨损部位故障模式定义为:低压压气机P1、中介机匣P2、高压压气机P3、低压涡轮P4、高压涡轮P5、附件传动装置P6、滑油泵P7。另外,定义系统正常P8。

3 BP神经网络的构建

本文建立了滑油光谱定位诊断3层BP神经网络。S1,S2,…,S8为神经网络输入,分别对应8种金属元素(Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn)的浓度;P1,P2,…,P8为神经网络输出,分别对应8个故障模式。根据经验公式,隐层节点数

式中:ni为输入层节点数;no为输出层节点数;l为1～10之间的整数。本文选取隐层节点数为12。

4 标准故障样本的构建

将某型航空发动机的8个磨损部位故障模式构造成8种标准模式(也可称典型模式),每一种标准模式都包含金属元素的个数和种类信息。Kj表示所含金属元素的种类,则X={K1,K2,…,K8}。用二进制方法表示金属元素的存在性,“1”为存在,“0”为不存在。8种标准模式如下所示:

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}

由此得到光谱子诊断网络的训练样本,如表1所示。

隐层神经元传递函数采用S形正切函数tansig,其表达式为

表1 光谱子诊断网络的训练样本Tab.1 Training samples for spectral subdiagnostic network

输出层神经元传递函数采用S型对数函数logsig,其表达式为

网络的训练函数采用traingda函数,学习函数采用learndm函数,性能函数采用mse函数。

根据BP神经网络算法,对光谱子诊断网络进行编程训练。

系统设定总误差为0.01,经过119次训练后,光谱子诊断网络的性能达到要求,结果如图3所示。

5 磨损部位待识别样本的构建

(1) 样本矩阵选取

当检测到的金属元素浓度发生异常时,可根据相应金属磨粒的成分确定哪些部件将要或已经发生了异常磨损。在实际工作中,当确定有异常磨损发生后,机务人员往往是凭借经验进行判断,如:当检测到Fe和Cu浓度超过异常值时,判断主轴承发生了严重磨损;当Al浓度超过异常值时,判断离心通风器偏磨或滑油泵磨损等。这种判断方式不规范、不严谨且误判概率大。因此,为提高磨损部件故障判断的精度,需要用数学手段对光谱监测数据之间的关联性进行深入分析。

图3 光谱子诊断网络训练结果Fig.3 Training results of spectral subdiagnostic network

油液监测信息源非单一信息源,而是由多个信息源共同叠加的混合信息源。存在于润滑油中的金属磨粒是发动机内多种部件磨损产物的混合结果,即每一种金属元素的浓度都不是独立的,金属元素之间有一种内在的关联性。采用聚类分析,可以把具有相同或相近性质的金属元素聚为一类。如果具有相同或相近性质的金属元素对应发动机上的某一摩擦副材料,则可以确认该摩擦副材料与金属元素浓度变化的关系,这就是基于滑油光谱监测数据的磨损部位识别的基本理论依据。

根据采集到的光谱数据,对比界限值,发现某一组数据的Fe浓度超过异常值,这表明可能出现异常磨损。根据发动机的结构特点,选取8种元素进行重点监控,同时选取浓度超过界限值的异常光谱数据的前8组采样点数据(U1～U8)作为原始数据进行聚类分析。设U={u1,u2,…,u8},其中u1～u8分别对应Fe、Cr、Ni、Al、Mo、Mg、Cu、Sn的浓度。接着,将发生异常磨损时前8个光谱各金属元素浓度组成样本矩阵,如表2所示。