基于SOM神经网络的航空发动机滑油系统健康评估

曹惠玲，黄乐腾，李志伟，庞思凯

（中国民航大学航空工程学院，天津 300300）

基于SOM神经网络的航空发动机滑油系统健康评估

曹惠玲，黄乐腾，李志伟，庞思凯

（中国民航大学航空工程学院，天津 300300）

研究了基于SOM神经网络的滑油系统健康评估方法。利用SOM神经网络确定了系统不同状态下的健康参数，并与故障状态下的健康指数进行比较，划分了系统的健康等级，为及时评判滑油系统的健康情况提供了依据。利用正常样本及故障样本分别对SOM神经网络进行验证，结果证明了模型的有效性。SOM神经网络应用于健康评估时具有泛化能力好、学习速率快、输出层结果比较直观等优点，为滑油系统的健康评估提供了新的方法和思路。

航空发动机滑油系统；SOM神经网络；健康评估；QAR

航空发动机是一个非常复杂的系统，而滑油系统是航空发动机上的关键系统之一，其主要作用是提供足够数量的清洁滑油，为发动机各处的轴承和齿轮提供润滑，并带走摩擦产生的热量和杂物。

由此可见，发动机能否可靠工作，很大程度上取决于滑油系统的正常工作。因此，准确判断滑油系统的健康状态，及时发现滑油系统的异常情况，对于保障发动机的正常工作具有重要意义。本文利用QAR数据，运用SOM神经网络算法，建立航空发动机滑油系统健康评估指标，实现及时检测航空发动机滑油系统异常健康状况的目的。

1 SOM神经网络

自组织特征映射网络（self-organizing feature map，SOM）也称Kohonen网络，它是由荷兰学者Teuvo Kohonen于1981年提出的[1]。Kohonen认为，一个神经网络接受外界输入模式时，将会分为不同的对应区域，各个区域对输入模式具有不同的响应特征，而且此过程可自动完成[2]。SOM网络正是根据这一观点提出的，该网络是由一个全连接的神经元阵列组成的无教师、自组织、自学习网络，具有泛化能力好、学习速率快、输出层结果比较直观等优点，常用于数据分类和系统故障诊断等。

1.1 SOM神经网络的结构

典型的SOM神经网络由输入层和竞争层组成。输入层神经元为m，竞争层为由a×b个神经元组成的二维平面阵列，如图1所示，输入层和竞争层神经元之间实现全连接[1]。

图1 二维阵列SOM神经网络模型Fig.1 SOM neural network model of two-dimensional array

SOM神经网络输出层的神经元排列呈一维线阵、二维平面阵和三维栅格阵等多种形式[2]。SOM网络一个典型特征就是可以在一维和二维处理单元上形成输入信号的拓扑分布，因此其具有抽取输入信号模式特征的能力。

1.2 SOM神经网络学习算法

Kohonen自组织特征映射算法，能自动找出输入输出数据之间的类似性，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。Kohonen的自组织特征映射的学习算法归纳如下：

首先进行网络初始化，赋予较小的初始值并进行归一化处理。然后接受输入，从训练集中选取输入数据组成输入向量，经过映射层中各神经元计算权值向量和输入向量的欧氏距离，得到一个具有最小距离的神经元，记为胜出神经元j*。接下来按式（1）修正输出神经元j*及其邻近神经元的权值

其中：θ为随时间t变化的变量，并逐渐趋向于0；wij为输入层的i神经元和j神经元之间的权值

2 航空发动机滑油系统健康评估实例分析

航空发动机滑油系统因其结构非常复杂，而且参数之间的函数关系不明显，难以用比较完备的模型对其进行有效描述。而神经网络以其高度的自组织和自学习能力，为系统的健康评估提供了一个新的思路。

2.1 建立健康评估系统

对滑油系统，主要选择滑油压力、滑油温度和滑油量3个参数来表征滑油系统的工作状态。本文数据主要来源于某航空公司B737-800的CFM56发动机2009年9月—2010年9月间的QAR数据。

SOM神经网络的健康评估方法总体思想和其他神经网络的基本思想相同，即利用样本训练收敛稳定后的连接权值，向网络输入待诊断的样本征兆参数，根据输出值的大小确定故障类别[4]。应用SOM神经网络健康评估系统的步骤为：

1）选取发动机滑油系统的正常样本。

2）利用SOM神经网络对正常样本进行学习和分类，使输出层的各个神经元能很好地描述数据集的分布特征。

3）提取输出层神经网络的权重矩阵，以此作为数据集的代表样本，记为Pre（A）。

4）将正常样本记为Set（B），其中所属的各个向量为xi。

5）计算xi与Pre（A）间的欧氏距离d（xi，Pre（A））并排序，计算公式如下

其中：Wj为Pre（A）中的数据。

6）选取拒绝率γ=0.02，将d（xi，Pre（A））中最大的2%的样本排除。由排序结果定出阈值SOMfa。

7）计算测试样本Z与Pre（A）之间的欧氏距离d（Z，Pre（A）），如若d（Z，Pre（A））>SOMfa，则说明Z为异常。

由上述步骤可以看出，系统的健康状态可以用健康参数与阈值SOMfa的比值来定量表示。因此，根据系统健康评估的定义，可以定义健康评估指数（health assess index，HAI）为

2.2 基于SOM网的健康评估

航空发动机因构造比较复杂同时使用温度比较高，导致滑油消耗较大。为保证发动机内各轴承正常工作，其滑油系统构造也比较复杂，因而滑油系统故障较多[5]。根据滑油系统的故障机理分析及该领域的专家知识可以得到滑油系统的7个典型故障样本。滑油系统的常见故障原因有以下几种：E1表示离心通风器故障；E2表示三级油泵损坏；E3表示卸荷腔排气管堵塞；E4表示滑油油气排气管堵塞；E5表示放油开关故障；E6表示滑油管路故障；E7表示系统气塞。故障征兆与故障原因之间的关系构成故障样本数据，如表1所示[6]，表中N、H、L表示正常（normal）、高（high）、低（low）。

表1 模拟故障数据Tab.1 Simulated fault data

SOM网络选择输出层节点数为6×6，训练轮数为5轮，每次训练次数为[10 30 50 100 200]。本文用Matlab实现SOM神经网络的结构。

首先选取QAR数据中发动机滑油系统正常的200组数据作为训练样本，并将其作为输入变量，训练SOM神经网络。经过5轮训练后，网络经过充分学习，可以得到如图2所示的SOM神经网络拓扑结构图，从图中可看出测试集数据的分布状况。从图3所示的获胜神经元分布图可以看出，测试集数据被聚类为12个种类，表明数据已被很好地分类，网络各神经元的权重即可作为训练样本的代表样本。

随后提取出竞争层的权值矩阵，作为训练样本的代表样本，其中输入层神经元的个数即为代表样本的个数[7]。然后计算200组正常数据样本与代表样本的欧式距离，并将结果排序。由于选取拒绝率为0.02，故将距离最大的4个数值拒绝。这样可防止由于偶然数据误差和噪声影响而导致的边界范围过大问题。根据排序结果及拒绝率的选择，可以定出阈值为35。

图2 SOM神经网络拓扑结构Fig.2 SOM neural network topology structure

图3 获胜神经元分布图Fig.3 Winning neuron map

对于一个好的故障检测模型，应该对故障样本的检出率要高（即漏报警率低），同时对正常样本的检出率也要高（即误报警率高）[7]。对模型的测试本文采用了QAR数据中提取的100组正常样本及12组实际数据中的故障样本，还包括表1中列举的7组模拟故障样本，共119组样本。

样本的健康参数HAI的计算依据2.1节中步骤1）～7）进行计算，最后计算结果如表2所示。由表2可见，SOM检测模型的整个测试集的准确率为94.95%，结果还是令人满意的。

表2 SOM网检测模型诊断结果统计Tab.2 Diagnostic result statistics of SOM network model

图4是SOM网监测模型对100个正常样本的检测结果，由对测试样本的检验可知，由图中数据可以看出，测试样本的健康参数有96个在正常范围之内，误判率为4%。图5为SOM网对12个实际故障数据及7个模拟故障数据的检测结果，其中对7个模拟故障样本的检出率为100%，而对实际QAR数据中的12个故障样本检测准确率为83.3%，非正常样本总体检测准确率为89.47%。

图4 测试样本（正常样本）Fig.4 Health parameter test samples（normal samples）

图5 测试样本（故障样本）Fig.5 Health parameter test samples（fault samples）

由图4及图5的数据分布可见，图4中未判断出来的4个正常数据HAI值在1～1.3之间，再由图5中可以看出，正确判断的15个数据均在1.3以上，综合两图分析可定HAI值1.3为故障边界值。综上分析，可以将滑油系统健康评估指数划分为3个等级：

1）若HAI<<1，则表示系统健康；

2）若1

3）若HAI>1.3，则表示系统故障。

依据上述等级划分，可以通过SOM神经网络模型对滑油系统进行健康评估，为及时评判系统健康状况提供依据。

3 结语

本文利用SOM神经网络来获取训练样本的代表性样本，可以很好地用代表性样本来表征出训练样本的特征。在确定阈值方面，本文根据合理选择拒绝率来定出阈值，其中拒绝率的选取也会直接影响到检验的效果，经过对实验数据分布的观察和实例验证，结果表明拒绝率选取0.02是合理的。通过拒绝率的合理选取可以有效地防止由于数据噪声等原因导致的边界范围过大的问题。

本文将SOM神经网络用于航空发动机滑油系统故障检测研究，合理使用了滑油系统的QAR数据并利用SOM网络对训练样本数据分类的特性，建立了滑油系统的故障检测模型。用实际样本数据对模型进行测试，结果验证了模型的有效性，为发动机滑油系统的故障诊断问题提供了可供借鉴的方法和思路。

[1]史 峰，王小川，罗晓莉.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：159.

[2]施 彦，韩力群，廉小亲.神经网络设计方法与实例分析[M].北京：北京邮电大学出版社，2009：113.

[3]SIMON H.Neural Networks-a Comprehensive Foundation[M].2nd ed.北京：清华大学出版社，2001：135-138.

[4]武剑辉，杨学良.模糊BP神经网络及其在故障诊断中的应用[J].系统工程与电子技术，2001，23（10）：73-75.

[5]刘建涛.基于神经网络和专家系统的航空发动机故障诊断研究[D].西安：空军工程大学，2007.

[6]张 蓉，谢武杰.基于小波神经网络航空发动机滑油系统故障诊断方法研究[J].航空制造技术，2009（6）：85-89.

[7]郝 英.基于智能技术的民航发动机故障诊断和寿命预测研究[D].南京：南京航空航天大学，2006：39-49.

（责任编辑：杨媛媛）

Health assessment study of aero-engine oil system based on SOM neural network

CAO Hui-ling，HUANG Le-teng，LI Zhi-wei，PANG Si-kai
（College of Aeronautical Engineering，CAUC，Tianjin 300300，China）

The health assessment method of oil system based on SOM neural network is researched.SOM neural network is used to define the health parameters under different system conditions comparing with the health parameters under fault conditions.Different health levels are divided to provide a basis for health judgement of oil system in a timely manner.The normal samples and fault samples are used to verify effectiveness of SOM neural network. SOM neural network shows lots of advantages when it is applied to health assessments such as good generalization ability，fast learning rate，intuitive result of output layer and so on，providing new methods and ideas for health assessment of oil system.

aero-engine oil system；SOM neural network；health assessment；QAR

V233.4

：A

：1674-5590（2014）06-0019-04

2013-06-26；

：2013-10-23

：中国民航大学博士启动基金项目（QD02s04）

曹惠玲（1962—），女，河北唐山人，教授，工学博士，研究方向为航空发动机性能分析与故障诊断.