基于遗传-Bp神经网络的航空发动机气路故障诊断研究

朱涛 张栋善

摘要：文章概述了BP神经网络结构，分析了BP神经网络内部的故障检测运算方式，进而研究了BP神经网络在航空发动机气路故障诊断中的具体应用，希望可以为相关人员提供参考。

关键词：BP神经网络;航空发动机气路;故障诊断

中图分类号：V263.6            文献标识码：A

航空飞行器会出现诸多故障，例如发动机故障、零件故障等，这会对航空飞行造成影响。因此，需要通过较为有效的方式来检测航空飞行器的故障，最终才可以更加有效地发现故障并解决故障。

1 基于BP神经网络的故障诊断

2 BP神经网络内部的故障检测运算方式

反向传播学习算法诞生于1986年，是由Rumelhart提出的，即BP算法。反向传播BP神经网络是建立在误差基础上训练算法的多层超前网络，在神经网络模型中应用比较广泛。这一算法可修正网络各个层次的权系数，在多层网络中均比较适应。当前BP算法应用比较广泛，是神经网络学习算法中的一种，在自动控制中更为有用。其所包含的层次有输入与输出层，还包括输入与输出之间的中间层。中间层有单层与多层之分，和外界联系较浅，也就是所谓的隐层，隐层中的神经元即隐单元。隐层虽然与外界无法连接，但其状态直接与输入和输出之间存在密切关系。这代表隐层权系数发生变化，可从整体上对多层神经网络性能加以改变。

检测神经网络，其要点是无须事先罗列出与之对应的模式经验知识和对应的函数判别，因为其为一类自适应性模式，可充分利用自身的学习机制，打造决策区域。网络获取某种映射关系时，需经状态信息训练不同状态的信息，这种映射关系，会随环境的变化而变化，适应于多变的环境，其实际算法：输入为“net=”输入为“y =”输出的导数为“ =y（1-y）”。

BP神经网络主要是经诸多神经元互相连接实现的，其所具备的特点是单向传播，是多层前向网络，主要分为三个层次，即输入层、中间层与输入层。中间层又可划分诸多层次，对各层神经元而言，主要是接受前一层神经元的输出。除此之外，BP神经网络不存在反馈，在同层的不同节点中，相互之间具有耦合作用，下一层节点输入会受到较大的影响。

BP神经网络模型是由多层组成的，包含诸多隐含层。同层中不同神经元互相独立存在。输入信号时输入层神经元按照先后顺序通过每个隐含层神经元，最后由输出层神经元接受，其中BP网络模型结构具有隐含层，隐含層神经元个数是m，从理论上讲，所代表层数有输入层一个以及线性输出层一个、隐含层，含有上述层的BP网络可以任意精度接近连续的较微的函数。相较于系统内存变量与存储类别，可结合不同类别变量生存期与作用期，为程序设计变量的组织合理设计，使程序效率得以提升，使其内存得以减少，于一定程度上发挥出较强的指导作用[2]。

3 BP神经网络在航空发动机气路故障诊断中的具体应用

从整体上来说，当前航空发动机气路故障诊断对飞参系统有重要意义，但也存在缺陷与不足。为有效发挥飞参系统功效，以下诸项极为重要。

3.1 大力开设BP神经网络下航空发动机气路故障诊断探析

借助故障诊断系统可评估航空系统，掌握航空的实际飞行，给航空发动机气路的诊断提供重要的指标，提供技术上的支撑。在新的情形下，有关部门需在原有基础上建立检测航空与系统状况的系统，积极对故障展开分析与研究，建设系统状态检测数据库，构建有效的信息资源网，真正为航空信息资源共享打造基础，对航空加大控制与监督[3]。

3.2 打造航空实时诊断与故障诊断支持系统

从理论上讲，航空飞行器的实际状况与故障的诊断离不开系统数据的支撑，因为此系统源于数据链上形成，可使子系统互相结合。简单来说，航空飞行器的实际情况和故障诊断系统的设置可严密监控飞行器的飞行，诊断其所存在的故障，并诊断支持系统。图4是飞参系统内部处理流程图。

此系统所具有的特点有三个：其一，可对航空故障初次加以诊断，合理运用数据通信网络传输飞行参数信息，借助地面专家系统预测系统故障，将所得数据上传至航空飞行器，指导飞行员及时处理故障。其二，将神经元网络与数据有机结合，合理运用监控仪器分析航空状况，依据专家系统来诊断航空故障，定位航空所存在的故障，预测余下的寿命。其三，具有自动化水平。面对当前突飞猛进的科学技术，自动化技术尤为重要，航空的实时诊断与故障勘察离不开高超的自动化技术。自动诊断系统可对数据加以有效分析，这样不仅可减少对人员的依赖，还可深度掌握数据，给航空发动机气路故障的诊断提供强有力的技术保障[4]。

3.3 BP神经网络在航空发动机气路故障诊断中的作用

当前，我国对航空发动机气路故障诊断与维修技术非常重视，其技术发展迅速，但依然有需要注意的环节。其一，故障定位不够准确。当前的检测方式主要是为单个设备提供必要的故障信息，以此来诊断存在的故障，如图5所示。从全局出发，这种检测方式不仅缺乏深度，并且虚警率比较高，导致故障定位比较困难，故障诊断准确率比较低。其二，故障诊断的自动化程度不高。在当前科学技术的不断发展下，航空维修并没有过多地采取最先进的科学手段，另外现阶段航空的故障诊断与寿命控制还是以人工操作为主，所以对维修人员提出了更高的要求。然而根据笔者的分析与调查，维修人员往往流动性比较大，无法保证维修人员的稳定性，无法保证维修水平与维修效率[5]。

4 结语

BP神经网络所存在的非线性映射较强，其自身适应能力也较强，将其实际应用在航空故障诊断中，可以有效确定航空飞行器出现故障的位置与因素，这样就可以从根本上有效降低航空故障造成的影响。

（责任编辑：武多多）

参考文献：

[1]卢俊文，吴瑞，常虎山，等.航空发动机气路改进神经网络故障诊断研究[J].自动化仪表，2015，36（1）：5-8.

[2]赵国昌，徐昂，宋丽萍，等.BP与RBF神经网络在航空发动机气路故障诊断中的应用[J].滨州学院学报，2017，33（4）：11-17.

[3]陈恬，孙健国，郝英.基于神经网络和证据融合理论的航空发动机气路故障诊断[J].航空学报，2006，27（6）：1014-1017.

[4]许梦阳，黄金泉，鲁峰.航空发动机气路故障诊断的SANNWA-PF算法[J].航空动力学报，2017，32（10）：2516-2525.

[5]鲜倪军.基于ABC-BP神经网络的航空发动机故障诊断方法[J].装备制造技术，2018，（5）：179-181，184.