航空发动机气路改进神经网络故障诊断研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

卢俊文　吴　瑞　常虎山　王威风　尚泽译

(中国民用航空飞行学院，四川 广汉　618307)

航空发动机气路改进神经网络故障诊断研究

Research on the Fault Diagnostic Based on Improved Neural Network

for Gas Path of Aeroengine

卢俊文吴瑞常虎山王威风尚泽译

(中国民用航空飞行学院，四川 广汉618307)

摘要：针对航空发动机气路故障，建立了基于改进BP神经网络的航空发动机气路故障诊断模型。采用该模型寻找发动机状态参数与不同故障模式之间的映射关系，并利用收集的JT9D发动机的气路故障样本数据对诊断模型进行训练与检验。试验结果表明，改进的BP神经网络故障诊断模型对JT9D发动机气路部件故障模式的识别具有较高的准确率，能够为基于状态的维修决策提供有效的指导与建议，进而提高航空发动机的可靠性。

中国民用航空飞行学院面上基金资助项目(编号：J2012-06)；

中国民用航空飞行学院研究生创新基金资助项目(编号：X2012-10)。

修改稿收到日期：2014-07-09。

第一作者卢俊文(1985-)，男，2012年毕业于中国民用航空飞行学院载运工具运用工程专业，获硕士学位，助理工程师；主要从事航空器故障诊断与预测、航空器可靠性等方面的研究。

关键词：航空发动机气路故障诊断BP神经网络BP算法Levenberg-Marquardt算法

Abstract：In accordance with the faults of gas path of aeroengine, the fault diagnostic model based on improved neural network is built up for gas path of aeroengine, to find out the mapping relation between condition parameters of engine and different fault modes. Then the diagnostic model is trained and tested by adopting the sample data of gas path collected from JT9D engine. The experimental results indicate that the fault diagnostic model based on improved neural network possesses higher accuracy for recognizing the fault mode of parts in gas path; it can provide effective guidance and advice for maintenance decision based on the status, thus the reliability of the aeroengine can be enhanced.

Keywords：AeroengineGas path fault diagnosisBP neural networkBP algorithmLevenberg-Marquardt algorithm

0引言

大涵道比航空涡轮风扇发动机的气路零部件维修费用占总维修费用的一半以上，且此类零部件故障率高(通常占到发动机故障的90%左右[1-2])、故障程度严重、判断难度大。因此，研究航空涡轮发动机气路故障的智能诊断技术具有非常重要的工程价值和实际意义。

航空发动机系统极为复杂，建立系统的非线性解析模型非常困难[3-5]。目前，基于模糊理论的诊断方法、专家系统故障诊断方法以及一些常规故障诊断方法的应用存在很大的局限性[6]。然而，基于神经网络的诊断方法，其自学与数据处理能力强，适合处理征兆量丰富的航空发动机数据；同时，其良好的非线性特性也很适合对故障机理复杂、故障类型繁多的非线性航空发动机系统进行故障诊断[7]。本文选用改进的BP神经网络对JT9D航空发动机气路故障进行诊断与识别。

1BP神经网络

BP神经网络是一种使用较为广泛的前馈网络，它含有输入层、隐含层与输出层，其中隐含层可以包含一层或多层[8]。航空发动机故障诊断属于模式识别与分类问题，其输出层节点的传递函数常采用Sigmoid或硬极限函数。目前，在实际应用中，三层BP网络就能够解决大多数问题，其结构如图1 所示，V、W为连接权矩阵。

图1　三层BP神经网络结构图

1.1　BP算法学习规则描述

由于BP算法具备很强的局部搜索能力，是一种有效的算法，所以经常采用BP算法训练BP神经网络。BP算法通过正向传播和反向传播两个阶段训练BP神经网络。

① 正向传播: 输入的样本从输入层经隐含层单元向输出层传播。在这一过程中，下一层神经元的状态只受到来自上一层神经元状态的影响[9]。当传播到达神经网络的输出层后，比较当前计算的输出值与期望输出值。若两者的均方误差大于特定值，网络将进入反向传播。

② 反向传播: 对比当前计算得到的输出值与期望输出值的差异，并按正向传播的通路将误差信号反向传回，从而逐层调节每个神经元节点的连接权值系数，减小误差信号。

BP算法的学习过程通常是一个多周期迭代的过程，只有当网络实际输出值与网络期望输出值之间的均方误差小于某一个给定值时，网络才结束训练。对于前向传播的神经网络, 定义性能指标函数如下：

F(x)=E(eTe)=E[(t-a)T(t-a)]

(1)

实际应用中，用G(x)来近似计算均方误差：

G(x)=(t-a)T(t-a)

(2)

式中：x为权值W和偏置b；t为目标输出；a为实际输出。

需要找到理想的W与b，使得F(x)最小，或者小到某个特定值ε。以神经网络第m层为例。

(3)

输出层M：

(4)

其矩阵形式：

(5)

(6)

雅克比矩阵：

(7)

则：

(8)

(9)

由式(8)可建立递归关系，直至网络的输出层结束递归，即式(5)。最后，利用近似的最速下降法对网络权值W和偏置值b依次进行调整，如下所示。

(10)

(11)

式中：k为迭代次数；α为学习速度。

式(10)、式(11)就是反向传播算法(BP)反向计算过程中修正权值矩阵W和偏置值b的方法。

1.2　改进的L-M算法

神经网络的训练实质上是一个非线性目标函数的优化问题，因此可以将传统的数值优化算法应用于神经网络[10]。

在经典BP神经网络的性能优化算法中，梯度下降法往往在开始几步下降较快;但随着接近最优值时，由于梯度趋近于零，目标函数便下降缓慢。而Newton法可以在最优值附近产生一个理想的搜索方向，因此能保持较快的下降速度，但该算法不可能出现振荡，也不能保证收敛。L-M算法是Newton法的变形，它综合了标准梯度下降法与Newton法两种性能优化方法的优点，用以最小化作为其他非线性函数平方和的函数，非常适用于性能指数是均方差(meansquareerror，MSE)的神经网络训练。

对Gauss-Newton算法进行改进，即可得到L-M算法的迭代公式：

(12)

(13)

式中：e为网络目标输出与实际输出的误差；J为e的雅克比矩阵；I为单位矩阵；μ为一个非负值；ΔX表示网络权值或阈值变化量。

当μ趋近于0时，L-M算法趋近于Gauss-Newton算法；当μ趋近于无穷大时，L-M算法趋近于标准梯度下降法。以式(12)对权值与阈值进行迭代计算，不断进行网络训练，直到达到目标要求。L-M算法的步骤如下。

① 初始化神经网络权值W和阈值b，设置训练误差允许值ε，常数β(β>1)和μ0，置迭代次数n=0，μ=μ0。

② 计算网络输出值a与目标t的误差e。

③ 计算雅克比矩阵J。

④ 利用式(13)计算网络权值或阈值的变化量。

⑤ 若e<ε，则训练结束，否则以Xn+1=Xn+ΔX得到新的权值与阈值，用新的权值和阈值做新的前向过程。若新的误差en+1小于原先的误差en，则使用新的权值与阈值(令n=n+1)，并令μ=μ/β，并转到步骤②；反之，若新的误差en+1大于原先的误差en，则令μ=μβ，转到步骤④。

2航空发动机气路BP模型

2.1　故障类型与BP网络输出

航空涡轮风扇发动机由风扇、低压压气机、高压压气机、燃烧室、高压涡轮、低压涡轮和排气系统组成。选择其中最容易出现气路故障同时也是核心的组件。该组件具有重要的研究价值。一个组件的失效代表神经网络诊断所需要识别的一种发动机故障类型。选取的5个气路故障类型如表1所示。相应地，可确定BP网络输出层的节点数为5。

表1　航空发动机气路故障类型

2.2　征兆变量与BP网络输入

征兆变量即航空发动机的状态参数，能直接或间接地反映出发动机整机或部件的运行状态。发动机的状态参数有很多，根据能够显著反映发动机状态、对故障敏感、状态参数之间相关性小的参数选取原则[11]，得到的征兆变量如表2所示。相应地，可确定BP网络输入层的节点数为4。

表2　航空发动机征兆变量

2.3　BP网络隐含层

隐含层节点数的选取是BP神经网络的设计与建模的难点。若隐含层节点数过少，则从样本中获取信息的能力会很差，无法全面概括和体现训练样本的规律，会导致新样本识别困难；若节点过多，可能将样本中非规律性的内容(如数据中夹杂的噪声)记住，降低网络的泛化能力，同时隐含层过多的节点将导致网络训练时间增加[12-13]。通常，隐含层节点数用试凑法来确定。首先根据经验公式(14)，暂时确定一个隐含层节点数，从而缩小试凑的范围；再以此节点数值为原点，分别以其自身及其附近的数值作为隐含层节点数目对BP网络进行样本训练，根据训练的时间及误差精度筛选出最佳的节点数。

s=2n+1

(14)

式中：s为隐含层节点数；n为输入层的节点数。由于n=4，因此，隐含层节点数暂定为9。

2.4　输出向量的确定

由前文可知，根据发动机结构组件的不同，把JT9D发动机常见的气路故障分为5类故障，分别是：风扇故障、低压压气机故障、高压压气机故障、低压涡轮故障、高压涡轮故障。根据Sigmoid函数输出值在0~1之间的输出特点，设定以0~1之间的数值大小表示发动机组件的故障程度。哪种故障类型对应的输出项数值越接近于1，表明这种故障发生的可能性越大。

2.5　BP网络的整体模型结构

整个BP神经网络故障诊断模型由输入层、1层隐含层和输出层组成。其中输入层节点数为4，用于诊断故障的4个征兆变量由此输入。隐含层的节点暂定为9个，其节点的传递函数为tansig函数。输出层节点数为5，通过输出向量判断发动机的故障类型，其节点的传递函数为logsig函数。网络的训练方法采用Levenberg-Marquardt算法。性能函数采用均方误差性能函数(MSE)来对BP网络的计算结果进行校核[14]。整个BP网络的模型结构如图2所示。

图2　BP神经网络模型结构

3故障诊断仿真试验

本文以美国普拉特-惠特尼公司研制的JT9D涡轮风扇发动机为例，研究BP神经网络在航空发动机故障诊断中的应用。

3.1　BP神经网络训练

训练样本即故障样本描述的是JT9D发动机在马赫数为0.8、高度10 668 m、发动机压力比(engine pressure ratio，EPR)为常数的巡航状态下5种典型发动机故障类型对应的4个征兆变量的数值样本，共50组数值[15]。

利用以上所得的样本集对BP网络进行训练，设定网络的误差精度为0.001。在训练的过程中，利用试凑法依次对隐含层节点数目为6、7、8、9、10、11、12、13的网络进行训练，选出性能最佳的网络。训练结束后，综合网络训练的时间与均方误差的精度两个因素发现，隐含层节点数为12的BP网络最好。隐含层节点数为12的BP网络的训练记录如图3所示。训练次数共153次，训练过程中Best值与Goal值是重合一致的，即最佳值等于目标值。随着训练次数的增加，均方误差逐渐下降，训练终止时均方误差精度为9.8672×1e-4。至此，BP神经网络训练完毕，基于BP神经网络的JT9D航空发动机故障诊断模型建立完成。

图3　BP神经网络训练记录

3.2　BP故障诊断性能测试

为检验建立的BP神经网络模型对航空发动机故障诊断能力，使用JT9D发动机7组典型的高压涡轮实际故障(HPT)样本对其进行测试。

样本集如表3所示。

表3　JT9D发动机实际故障样本

将实际故障的征兆变量作为输入向量，输入训练好的BP神经网络故障诊断模型，得到的诊断结果如表4所示。

表4　诊断结果

从表4可以看出，BP网络故障诊断模型成功地判断出了第1、4、5、6、7个样本的发动机故障类型是高压涡轮故障；网络在分析第2、3个样本时出现错误，认为发动机同时发生了风扇与高压涡轮故障，平均诊断正确率为71%。引起这一结果的主要原因有：数据没有初始化，存在噪声，干扰网络正确学习；用于网络训练的样本相对较少，造成网络不能充分训练。但从检验的结果来看，基于BP神经网络的航空发动机故障诊断模型能够较为准确地对故障类型进行诊断识别。

4结束语

本文研究了基于BP神经网络的航空发动机气路故障诊断的模型建立过程，探索了利用BP神经网络良好的非线性特性寻找发动机状态参数即征兆变量与不同故障模式之间的映射关系的可能性。实践表明，BP神经网络系统用于航空发动机气路故障诊断是完全可行的，具有快速、准确和数据处理能力强、容错性能高等优点。若该诊断系统在技术成熟后能在民航领域内得到实际应用，不但能够为维修人员在发动机的维修过程中提供有效的指导与帮助，并且还可以实时监控发动机在工作状态下的各种故障征兆，提出维护建议，确保航空发动机的安全可靠运行。

参考文献

[1] 张光明.航空发动机气路故障诊断技术研究[D].沈阳：沈阳航空工业学院，2010.

[2] Donald L,Simon S,Olivier L,et al.Aircraft engine gas path diagnostic methods:public benchmarking results[J].Journal of Engineering for Gas Turbines and Power,2014,136(4):1-10.

[3] 张金玉.装备智能故障诊断与预测[M].北京：国防工业出版社，2013:1-6.

[4] 瓦克塞万诺斯.工程系统中的智能故障诊断与预测[M].北京：国防工业出版社，2013:1-10.

[5] Mykola K,Sergiy D,Oleksandr Y.Method of formulating input parameters of neural network for diagnosing gas-turbine engines[J].Aviation,2013,17(2):52-56.

[6] 李红卫,杨东升,孙一兰.智能故障诊断技术研究综述与展望[J].计算机工程与设计,2013,34(2):632-637.

[7] 于宗艳，韩连涛，孟娇茹.基于人工神经网络的航空发动机故障诊断方法[J].现代电子技术，2013,36(2)：65-67.

[8] 季伟东.进化计算优化前向神经网络的学习方法研究[D].东北林业大学，2013：12-36.

[9] 余宾.基于神经网络的飞机发动机性能趋势预测系统[J].中国制造业信息化，2008，37(21)：58-63.

[10]于春艳，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.

[11]彭淑宏.航空发动机气路故障诊断技术研究[D].上海：上海交通大学，2012：15-17.

[12]魏江涛,陈方涛,姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术,2012,35(19):131-134.

[13]Changduk K,Seonghee K,Gwanglim P.Development of practical integral condition monitoring system for a small turbojet engine using Matlab/Simulink and LabVIEW[J].International Journal of Turbo & Jet-Engines,2014,31(1):73-78.

[14]张德丰.Matlab神经网络应用设计[M].2版.北京：机械工业出版社，2012：92-128.

[15]范作明，孙春林，白杰.航空发动机故障诊断导论[M].北京：科学出版社，2004：361-392.

中图分类号：V263+.6

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201501002