基于BP神经网络与PNN在航空发动机故障诊断上的对比

摘 要：航空发动机智能故障诊断技术广泛应用于民航并具有重要作用，其利于航空公司提高维修效率，降低营运成本。获取典型民用发动机PW4000飞行数据以及故障信息，对BP神经网络和概率神经网络（PNN）改进及优化，结合数据处理并提出智能故障诊断方法。经多次计算，BP诊断成功率为99.106%，PNN为99.339%。

关键词：民航发动机；故障诊断；神经网络

据《中国航空维修业市场前瞻与投资战略规划分析报告》数据显示，截至2010年底，中国民航拥有各类发动机3600余台[ 1 ]。民航维修行业发展迅速，2010民航维修市场总量达23.2亿美元，其中发动机维修约占40%。对于日益增长的发动机维修市场，航空公司在日常维护和修理中都心有余而力不足。

一、BP神经网络故障诊断

民航发动机的故障诊断是利用发动机数据进行分析与诊断。在进行诊断之前获得了PW4000的状态数据和故障表格。数据一共有99组，按规律选取其中的三组（见表1），对应的参数名称分别为：右发低压涡轮温度（egt-c）、右发燃油流量（ff-c）、右发高压涡轮转速（n2-c）、右发低压涡轮转速（n1-c）。

在诊断中选取四个故障，分别为TCC系统关闭、高压涡轮部件衰退、高压压气机部件衰退、低壓压气机性部衰退和3.0放气活门打开。故障表格如表2。

利用归一化程序：[p，PS]=mapminmax（p'），其中p为表2形成的矩阵。P为p转置后的矩阵，归一化后的矩阵见表3。

在数据组中加入白噪声，获得12组新的数据，10组用于训练BP神经网络，2组用于检验故障的诊断率。

利用归一化后前10组进行训练，训练结果为：

layerbias = 0.08 -0.88 0.31 0.77 -0.78。

检验的隐含层为12层，输出层为5，最终迭代的次数为8610次，迭代梯度为e-16，精度为0.001。用最后两组数据对神经网络进行诊断，诊断的程序为：sim（net，te），总体诊断成功率为99.106%。

二、PNN故障诊断

PNN的训练和仿真检验数据都和BP相同所以不再赘述。在PNN的训练与仿真中共使用20组的数据，前10组用于训练，后10组用于检验网络并得出诊断成功率，训练矩阵为P，检验矩阵为T。

训练程序为：P=P'；A=[1]；B=[2]； C=[3]； D=[4]； E=[5]；

T=[A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E]'；

T1 = ind2vec（T）； spread =15； net = newpnn（P，T1，spread）；

检验程序为：Y = sim（net，Z）； TestResult = vec2ind（Y）；

测试结果为：TestResult =Columns 1 through 50

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5

首次诊断成功率为100%，检验数据经过多次添加白噪声并检验，一共为200组，平均诊断成功率为99.339%，由于在相同的网络及软件环境下进行训练与仿真，使用数据和检验数据也相同，检验结果真实可靠。

三、结论

在发动机故障诊断方面使用了BP神经网络和PNN使得故障的诊断更为快捷和精确，不用再依靠机务或者大修人员的经验和临场状态，降低了维护和修理的成本。BP与PNN诊断成功率对比可知PNN的检验成功率更高，更快捷。

参考文献：

[1] 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年第02期：8-12.

作者简介：

黄磊（1991-），男，中国民航大学，硕士，研究方向：航空发动机涡轮叶片侵蚀。