基于自适应神经网络的飞机突发故障诊断研究

杨 慧，邓 征

（中国民航大学 计算机科学与技术学院，天津300300）

0 引 言

飞机突发故障主要根据快速存取记录器（QAR）数据进行诊断。如何从飞机航班的海量QAR 数据高效准确的诊断出异常状况成为航空从业人员重要的研究课题。国外在突发故障诊断领域具有代表性的方法如McCown G D 等提出通过典型故障事件模型组成的数据库进行故障匹配的方法［1］；S.Kim，Y.Kim，C.Park提出一种混合故障诊断模型，大大提高了故障诊断和隔离的性能［2］；RayC.Chang提出一种基于飞行数据和模糊逻辑系统的发动机性能监测系统，通过监控QAR 数据中尾气温度（EGT）诊断发动机潜在的潜在故障［3］。目前国内对飞机的突发故障诊断的方法主要有符号化相似性搜索法［4］、专家系统法［5，6］、神经网络法等［7，8］。符号化方法处理过程过于复杂；专家系统法无法解决知识获取的瓶颈问题；神经网络具有自学习，联想记忆和并行分布计算的特性，处理复杂数据时最大的优点是用网络节点的连接代替复杂的数学公式达到非线性映射的目的，明显优于其它方法，但需改进其收敛不稳定、收敛速度较慢等不足之处才能更好的应用到故障诊断中［9］。

本文借鉴前人研究工作的成果，在BP神经网络的基础上，首先进行了自适应神经网络算法的改进尝试，接着根据改进的算法构造出了具体的飞机突发故障诊断模型，并用突发故障的典型样本数据库对模型进行了测试，最后通过实验对新方案模型的有效性进行了验证。

1 自适应神经网络诊断模型

1.1 提出故障诊断方案的适用性

飞机突发故障的诊断是典型的故障模式识别问题。突发故障的产生涉及飞机多个相互影响的子系统，形成复杂的非线性关系。QAR 数据记录了飞机飞行中各部件工作状况，故障的发生会涉及到多个属性值，这种高维度非线性的复杂关系适合用神经网络方法进行故障模式识别。采用BP神经网络诊断，会出现收敛稳定性差，收敛速度较慢，因此基于BP神经网络的系统无法满足飞机突发故障诊断的需要。目前改进BP神经网络多采用遗传算法，采用遗传算法良好的全局搜索特性，优化BP神经网络的权值和阈值，使网络训练时能够较快的收敛到训练设定的误差［10］。采用该算法进行飞机突发故障诊断时，由于数据量较大，遗传优化网络的过程占用的时间较长，同时优化网络时权值和阈值的初始化种群基本是随机数，不可避免的增加了遗传算法寻优范围，也会导致诊断用时过长的问题。因此神经网络适合用于飞机突发故障诊断，但必须加以改进，这为本文采用新的方案改进网络进行故障诊断提供了理论依据。

1.2 自适应神经网络算法描述

目前遗传算法改进BP 神经网络的一般算法是先优化BP神经网络的权值和阈值，再把优化后的权值和阈值加入到神经网络中进行网络训练［11］。这种做法首先是忽略了BP神经网络收敛到全局最优值的可能性；其次待优化的权值与阈值是随机获取的，具有一定盲目性。为改进上述问题，本文提出了以下优化方法。流程如图1所示。

图1 自适应神经网络方案流程

由图1可知，本文首先考虑了BP神经网络全局收敛的可能性，先用样本对其进行训练，训练结果有两种可能性：①误差收敛到全局最优值；②训练过程达到饱和，误差不能够收敛到全局最优值。

当结果为①时，网络训练已经成熟，可以用于故障诊断；当结果为②时，将网络的权值与阈值提取出来作为种群中的一个染色体，同其余随机生成的染色体组成一个完整的种群，用误差平方和的倒数作为适应度值，进行选择交叉变异操作。由于引入了BP神经网络已经训练过但未达到收敛效果时的权值与阈值，给遗传操作指引出一个明确寻优搜索范围，这样一方面使得寻优的目的性更加明确，另一方面也加快了寻优的速度。根据图1中的流程，得出神经网络自适应优化算法的步骤如下：

（1）根据研究对象的输入特征值个数m 和输出故障类型n，由如下经验公式

确定隐含层神经元个数，其中h 为隐含层神经元，a 为1～10之间的整数。

（2）用输入样本对BP神经网络进行训练学习。该模型的工作信号正向传播过程如下：

隐含层神经元传递函数为S型函数

式中：α——S型函数的斜率因子，可自由调整。

隐含层神经元的输出为

输出层的传递函数为

输出层的输出为

该模型的误差逆传播过程为：

每次训练总误差为

对整个样本集有以下权值和阈值调节公式

式中：S——训练样本个数，η——样本学习步长，Ok——实际输出，Tk——期望输出。利用式（7）～式（12）就可以在样本集S 完成一轮迭代后，对权值和阈值进行一次修改。

（3）训练结束后网络的收敛结果有以下两种可能：①训练结束后网络已经收敛到设定的误差值，则该网络训练已经成熟，即可用于故障诊断；②网络达到饱和未收敛到全局最优值则该网络尚不成熟，不能用于故障诊断，若第二种情况出现，则转入到遗传算法优化部分。

（4）提取出达到饱和状态时神经网络的权值和阈值，对其进行遗传编码。编码方式为实数编码，将提取出的权值和阈值按顺序编组为一个行向量chrom ＝（wjiθjυkjθk），再随机生成种群中其余的染色体，形成一个初始种群。

（5）将每一个染色体解码作为BP 神经网络的权值与阈值，由工作信号正向传播过程可得出网络的实际输出，将实际输出和期望输出的误差平方和的倒数作为对应染色体的适应度，如下式

式中：S——样本个数，i＝1，2，…P，P——种群规模。

（6）采用轮盘赌方法对染色体进行选择，如下式

式中：P——种群染色体数目，pi——第i个染色体的适应度值。

（7）采用实数交叉法进行交叉操作。第k 个染色体和第l个染色体在第j 位交叉方法如下

式中：b——区间 ［0 ，1］ 之间的随机数。

（8）随机选取第i位基因进行变异操作，如下

式中：amax取值范围的上界，amin——取值范围的下界，r为［0 ，1］ 之间的随机数，g——当前的迭代次数，Gmax——总的最大进化次数。

（9）将遗传算法得到的最优染色体值解码后赋给神经网络，转入步骤（2）进行学习训练，若网络收敛，则训练结束，可将网络用于故障诊断；若未收敛，则转入步骤（4）。

1.3 故障诊断模型的建立

根据上述方法的步骤，在对空中颠簸和空中停车故障进行充分分析的基础上，构造出故障诊断的模型如图2所示。

图2 自适应神经网络故障诊断结构

由图2中可知，该结构输入层有8 个属性值，故有8个输入节点，隐含层节点根据经验公式调试发现为8个时效果最好，输出层为两种故障模式，故输出节点为2 个。根据训练中误差的变化情况，由神经网络自适应选择优化的时机，这样既充分发挥了BP神经网络自身的性能，又使网络的优化具有了目标导向指引。

2 实验分析与仿真结果

2.1 实验数据

QAR 是用于监控、记录大量飞行参数的机载设备，实时记录了飞机飞行过程中各个部件的工作状况［12］。QAR 数据主要有以下3个显著特点：①由于其采样频率不同，数据量大且含有很多空缺值；②时间性较强。QAR 数据是严格按照时间规律采样得到的，因此数据间具有较强的时间约束关系；③干扰多，随机性强，具有很多不确定因素。由于QAR 数据具有这些特性，某一故障发生时，相关的QAR 数据属性值有很多，形成复杂的相互约束的非线性关系。实验采用空中颠簸及空中停车故障样本数据库对模型进行训练，用成熟之后的网络对B737－800型客机近3个月的QAR 数据进行诊断。故障类型常用属性有8 个：EPR（发动机压比）、ALV （垂直加速度）、N1 （低压转子转速）、N2 （高压转子转速）、EGT （排气温度）、TAT （总温探头信号）、V1 （N1震动）和V2 （N2震动）。由于本文所采用的数据是飞机的突发故障数据，且飞机正常飞行时段所占的比重远大于出现故障的时段，故所得到的原始故障样本较少，根据同一机型的故障数据序列仿真出800个故障样本数据，经过填空等预处理过的部分数据见表1。

表1 预处理后的部分QAR 数据

设定T 表示空中停车故障未发生事件，D 表示空中颠簸故障未发生事件则表示空中停车故障事件发生，D 表示空中颠簸故障事件发生。故障监督值编码见表2。

表2 故障监督值编码

本实验样本个数为800 个，选取其中600 个作为训练样本，200个作为测试样本。训练次数为500次，训练步长为50，学习速率为0.05，训练目标取为0.0001，遗传算法的迭代次数为200，交叉概率为0.6，变异率为0.09。所采用的3种诊断模型包括：①基于BP神经网络的故障诊断模型；②基于遗传算法优化BP神经网络的传统方法的故障诊断模型；③神经网络自适应优化方法的飞机故障诊断究模型。

2.2 实验结果仿真及对比

在同等的实验条件下，采用MATLAB 软件实现3 种故障模型，结合飞机突发故障的典型数据库对3种模型进行了50 次仿真实验，并用B737－800 型客机近3 个月的QAR 数据进行故障诊断，然后对实验结果进行对比分析。

先用BP神经网络故障诊断模型进行实验，其误差曲线如图3所示。

图3 BP神经网络故障诊断误差曲线

由图3可以看出，普通BP神经网络在进行故障样本训练时很快就出现饱和状态而使误差曲线趋于平坦无法收敛，表现出易陷入局部极值的不足，达不到故障诊断的目的。

遗传算法优化BP神经网络的常用方法得到的误差曲线图如图4所示。

图4 遗传优化BP神经网络的常用方法误差线

从图4可以看出，用遗传优化BP神经网络的常用方法也能够收敛到设定的误差精度，该方法的训练时需要进行48次迭代才能够收敛。

自适应神经网络优化方法的故障诊断误差曲线如图5所示。

图5（a）为遗传算法的适应度曲线变化图；图5（b）为自适应神经网络方法训练时得到的误差曲线图，该图表明经过新方法优化后的BP神经网络解决了普通的BP神经网络的收敛不稳定问题；同时优化的网络只需要12次迭代便完成训练，比遗传算法优化BP神经网络的常用方法具有更快的收敛速度。3种模型的结果对比见表3。

图5 自适应优化算法实验曲线

由表3可知，采用本文改进后的方法可以解决普通BP神经网络收敛不稳定性问题，故障诊断的成功率最高，平均相对误差和平均诊断时间也比前两种模型有较大的降低。

表3 3种模型结果对比

3 结束语

本文通过对飞机突发故障诊断时效性和准确性问题的研究，提出了基于自适应神经网络的故障诊断方案，与常用方法相比，具有以下优点：①克服了普通BP神经网络建立的飞机突发故障诊断模型在诊断时易陷入局部极值且收敛不稳定；②解决了遗传改进BP网络的常用方法将权值和阈值随机生成后再进行遗传寻优操作的盲目性问题，为寻优操作指引了方向。③优化后的网络收敛稳定，用时较少，诊断成功率高，对飞机突发故障诊断具有一定的参考价值。

当然，本文的方案也有值得继续研究和改进的地方，由于专家经验在飞机突发故障诊断中具有重要的作用，如何引入专家经验，使诊断具有更加智能化的指导还有待进一步的研究。

［1］McCown G D，Patricia M，Conway，et al.Methods and apparatus for monitoring system performance ［P］. USA，5067099，1991－11－19.

［2］Kim S，Kim Y，Park C.Failure diagnosis of skew－configured aircraft inertial sensors using wavelet decomposition ［J］.IET Control Theory Appl，2007，1 （5）：1390－1397.

［3］Ray C Chang.Performance diagnosis for turbojet engines based on flight data ［J］.Journal of Aerospace Engineering，2012，27 （1）：9－15.

［4］Yang Hui，Zhang Guozhen.Symbol method for fast similarity search in large time series flight databases［C］／／International Conference on Services Science，Management and Engineering.Tianjin：Institute of Electrical and Electronics Engineers，Inc，2010：5－8.

［5］YANG Haitao，YU Kejie，CAO Junbin.An aircraft power fault diagnosis expert system design and implementation ［J］.Computer Applications and Software，2013，30 （4）：204－207（in Chinese）.［杨海涛，于克杰，曹俊彬.某型飞机电源故障诊断专家系统设计与实现 ［J］.计算机应用与软件，2013，30（4）：204－207.］

［6］LI Jianwei，WANG Chengliang，ZHOU Yaxin.Fault diagnosis expert system in aircraft guidance systems and maintenance of the practical application ［J］.Computer Applications and Software，2009，26 （5）：166－168 （in Chinese）. ［李建伟，汪成亮，周亚鑫.专家系统在飞机故障诊断与维护指导系统中的实际应用 ［J］.计算机应用与软件，2009，26 （5）：166－168.］

［7］LIU Yanchun，YANG Dehui，LIU Yanli，et al.Neural network based fault diagnosis of an aircraft engine research ［J］.Electronic Design Engineering，2012，20 （11）：89－92 （in Chinese）.［刘艳春，杨德辉，刘艳丽，等.基于神经网络的某型飞机发动机故障诊断研究 ［J］.电子设计工程，2012，20（11）：89－92.］

［8］LIANG Zhiwen，HU Yansi，YANG Jinmin.Neural network based on FTA and BAM with the integration of the aircraft fault diagnosis method ［J］.Journal of Hunan University（Natural Science Edition），2013，40 （5）：61－64 （in Chinese）. ［梁志文，胡严思，杨金民.基于FTA 与BAM 神经网络融合的飞机故障诊断方法 ［J］.湖南大学学报 （自然科学版），2013，40 （5）：61－64.］

［9］ZHANG Peng，WANG Yake，FAN Siru.BP network based on improved genetic research of aircraft fault diagnosis ［J］.Microcomputer Information，2009，25 （7－1）：110－112 （in Chinese）.［张鹏，王亚科，范思如.基于改进遗传BP网络的飞机故障诊断研究 ［J］.微计算机信息，2009，25 （7－1）：110－112.］

［10］SONG Tong，QI Ruiqin.The application of genetic algorithms in a batch reactor fault diagnosis［J］.Computer Simulation，2012，29 （7）：218－222 （in Chinese）. ［宋彤，齐瑞勤.遗传算法在间歇式反应釜故障诊断中的应用 ［J］.计算机仿真，2012，29 （7）：218－222.］

［11］ZHAO Jianchun，YE Lina，ZHANG Bingbing.Application of genetic algorithm in fault diagnosis［J］.Journal of Sichuan Ordnance，2013，4 （3）：132－134 （in Chinese）. ［赵建春，叶丽娜，张兵兵.遗传算法在故障诊断中的应用 ［J］.四川兵工学报，2013，34 （3）：132－134.］

［12］CAO Lin.QAR principle analysis and application in the aircraft maintenance ［J］.Jiangsu Aviation，2011，1：36－38（in Chinese）.［曹琳.QAR 原理分析及在飞机维护中的应用［J］.江苏航空，2011，1：36－38.］