BP神经网络下的航空发动机维修决策系统

文/王泓然 张涛

航空发动机上一般都装载着各种性能参数的检测设备，地面控制中心能够通过机载报文寻址将发动机的各项性能参数接收到。对各项性能参数应该全面进行分析，全面了解发动机的各项性能状况，观察性能有没有处于衰退状态。对发动机的性能参数进行分析，并对其进行预测，全面了解发动机的性能问题，让维护管理过程中能够具备相应的决策支持。

1 BP神经网络概述

BP神经网络的算法在实施过程中需要将学习样本输入其中，对网络权值和偏差进行训练和调整时应该使用反向传播算法，让输出的向量能够和预期的向量处于一个接近的状态，对网络输出值的误差进行研究，将网络的偏差和权值保存起来。BP神经网络对性能的测试结果如表1所示。

2 维修决策系统的设计

对维修决策系统进行设计时，应该对航空发动机的性能全面掌握，并对其参数有效进行处理，再运用BP神经网络将参数有效输入其中。依照学习样本来学习，并对学习成果进行预测，将预测结果输出。将预测出来的结果作为基本的基准点，使用灰色决策系统将其输入。立足于航空发动机原来各项性能的基础之上，将发动机零件和维修等级之间的关系合理进行，使用灰色决策，对系统进行判断，判断时可以采用智能化判断，给出一个最优的发动机决策，让维修工程师在设计维修方案时能够具有相应的保障，给维修方案提供技术方面的支持。

表1：BP神经神经网络的测试结果

2.1 对性能参数进行预处理

一般情况下，航空发动机在遇到高温或者高压状况时，各种外来的噪音干扰很容易对性能参数造成严重的影响，通过检测系统记录的数据具有一定的差异性，一些数据可能处于异常状态，由于发动机性能参数属于海量状态，这些异常的数据会被淹没其中。建立维修决策系统时，预处理发动机中存在的性能参数。将一些异常的数据全面剔除，让性能参数能够具有一定的有效性。航空发动机的性能参数在时间上具有连续性，对数据应该进行统计分析，将一些异常数据筛选出来。如果对数据进行预处理时达不到相应的要求，就应该使用密度分析法对数据进行全面处理，将所有异常数据全面清除。

将异常数据全面清除之后，要对其性能参数全面进行研究，相应的实施平滑处理。处理时可以使用二次指数平滑法，首先，分解平滑的序列时间，使用指数平滑对一些频率较大的函数实施平滑。将平滑结果和剩余函数有效进行重构。其次，再进行预处理，这样就会得到航空发动机的性能参数。

2.2 BP神经网络预测模型

BP神经网络的网络结构十分简单，运算速度也十分快。应该对BP神经网络实施预测，然后对其实施预处理，将预处理后得到的数据全面进行研究，使用BP神经网络将发动机的各项性能参数有效输入其中。对神经网络进行有效设计，将其设计成三层神经网络。使用三层神经网络对发动机的性能全面进行预测，将输入层中的神经元数目作为预测模型，并将其用n表示，将隐藏层的神经元数目也有效表示出来，用n1表示。如果神经元数目位于输入层，应该将其用n2进行表示。将大量的样本数据作为参照物，供BP神经网络进行学习。在网络系统中将学习的结果输入进去，并进行相应的预测。然后在灰色决策系统中将预测结果输入其中。

2.3 设计灰色决策系统

对神经网络全面进行预测之后，将得出的数据和航空发动机基础数据库有效进行结合，对以往的故障案例要合理借鉴，运用维修方面的各种综合信息给整个维修决策提供相关支持，使用灰色的决策法对整个决策进行支持。实施灰色决策法时，应该将其决策、目标、效果有效运用，对各种灰信息的体系全面进行研究。决策目标上相对来说具有一定的差异性，根据不同的决策目标制定不同的隶属度函数，让事件决策的趋势能够建立在函数映射上获得良好的效果。实际对方案进行决策时，选择灰色决策法得出的决策方案是最效的。

2.4 建立故障样本库

对航空发动机进行维修时应该准确找寻到故障问题，要想准确对故障进行诊断，需要大量的故障样本作为基准点，让样本和分布状况能够对系统产生相应的限制。只有选择一个合理的训练网络，才能够保证诊断的质量。为了让网络的推广能力得到全面提升，应该运用训练样本有效的将系统数据全面反映出来，将其随机误差全面减小。

3 结语

综上所述，要想让航空发动机的维修技术能够更加快速、便捷、高效，应该对发动机海量的参考数据全面进行研究，使用BP神经网络对其全面进行预测，将预测的数据输入灰色决策系统中。系统会自动化进行判别，判断清楚之后选择一个最佳的决策方案，让航空发动机能够安全、高效的运行。