基于神经网络的涡轴发动机故障诊断仿真研究

刘岩松　姜文鑫

摘要：为了避免基于专家系统、模糊参数等传统方法，对涡轴发动机进行故障诊断而导致的诊断速度慢、数据精确差、正确率低等缺点，提出一种基于神经网络的故障诊断方法。此方法通过建立三层神经网络模型，以径向基函数为中心运用MATLAB软件进行了仿真训练与测试，再分析对比前期研究经验，结果表明基于径向基函数的神经网络在训练速度以及诊断正确率上效果较好，能够有效的对涡轴发动机进行故障诊断。

关键词：涡轴发动机;故障诊断;神经网络;径向基函数

0  引言

涡轴发动机是涡轮式直升机中最为重要的组成部分，其运行的状况将直接影响到整个直升机的健康水平。目前常用的智能化故障诊断的方法很多，文献[1]以离线、在线两种推断策略，对涡轴发动机建立了故障诊断专家系统进行故障诊断;其缺点在于诊断时效滞后，无法有效快速排除故障。文献[2]运用故障方程法对涡轴发动机稳态状态下的气路故障进行了诊断;其缺点在于故障模型线性化后，理论上其精度必受损失，从而导致误诊。为了克服以上问题的出现，本文将以某型涡轴发动机为对象，通过基于径向基（RBF）神经网络进行故障诊断仿真研究。通过对比前期研究经验，结果表明此种方法诊断精度较高，诊断过程简单，具有较强的实践应用能力。

1  径向基函数神经网络模型

径向基神经网络是一种前向型反向传播网络，基本的网络结构包括输入层、隐含层（也称为RBF层或基层）、输出层。输入层作为网络起始点将信号传递到隐含层;隐含层的作用是将低维空间非线性输入向量映射到高维空间变为线性可分，其作用函数径向基函数一般为径向对称的高斯函数，激励公式[3]为：

式中x是n维输入向量;ci是第i个基函数的中心;σi是第i个感知的变量;m是隐含层单元个数。输出层为线性层，完成输出空间最终的线性变换。由于激励函数为纯线性函数，因此由径向基层引出最终输出为加权求和的公式为：

式中wik隐含层每个神经元与输出层相连的权值，p为输出层神经元节点数。

2  涡轴发动机故障诊断模型设计

本文将以气路故障为例，为区别于不同航空发动机，突出某型涡轴发动机双涡轮结构特点，根据涡轴发动机故障时状态参数选取网络输入层节点的特征值。因此RBF网络输入层的特征分别为轴功率、燃气涡轮出口温、燃气涡轮转速、自由涡轮转速以及扭矩。在对涡轴发动机的故障识别时，选取了放气活门异常、一级燃气涡轮裂纹、燃气发生器故障、燃气涡轮转子超速作为输出层的特征参数。为了检验网络对故障判定的抗干扰能力，将正常数据算作故障特征值的一种，加入到输出层中。

在神经网络应用于故障诊断的实践中，由于网络输入向量是由不同的量纲提取得出的特征参数，所以在数值上会有较大差别，这样不利于整个网络的收敛。因此，对于网络输入向量进行归一化将显得格外重要。本文将采用传统的[-1，1]公式对输入向量进行归一化。

式中x为归一化后的值，xi为原参数值，max（xi）和min（xi）分别为向量元素的最大值与最小值。对于输出层的设定，按照[0，1]数值大小表示。越接近1时，则表示对应的故障识别程度越高。

3  基于MATLAB的仿真研究

本文的仿真实验收集了10组故障数据，其中，5组用作训练样本，另5组用作测试样本。程序上采用了MATLAB R2018a神经网络工具箱中提供的newrb函数创建径向基神经网络，其调用格式为：net=newrb（P，T，goal，spread，MN，DF）。其中，参数P为5组特征向量[Power，TOT，N1，N2，M]组成的输入层矩阵;T为5组特征向量[F0，F1，F2，F3，F4]组成的输出层矩阵，其目标输出分别为[1，0，0，0，0]正常，[0，1，0，0，0]放气活门异常，[0，0，1，0，0]一级燃氣涡轮裂纹，[0，0，0，1，0]燃气发生器故障，[0，0，0，0，1]燃气涡轮转子超速。其余四个参数分别为径向基函数的扩展速度、径向基函数的分布、神经元最大数目、迭代过程中的显示频率。输出参数net为返回值，一个径向基网络，其训练过程与结果如图1所示。从图1可以看出，网络训练4次时，实际误差值便达到了目标误差要求。

对训练后的径向基神经网络进行测试。为测试网络对于故障诊断的抗干扰能力，对测试样本数据顺序进行变换，测试样本实际的输出分别为正常、燃气涡轮转子超速、一级燃气涡轮裂纹、燃气发生器故障、放气活门异常。从测试结果可以看出，诊断正确率为100%。

4  仿真结果比较

此前，笔者已做过相关研究工作，以BP神经网络法对涡轴发动机进行故障诊断，建立模型选用输入层参数、隐层数量、输出层参数、目标误差值均与本次研究一致，测试数据的选用同样一致，其结果比较如表1所示。

由此可以看出，基于神经网络的涡轴发动机故障诊断，在某些同等条件下，完成目标误差所需训练次数及诊断正确率上，RBF神经网络法要优于BP神经网络法。

5  总结

区别于不同的航空发动机，本文根据涡轴发动机双涡轮的结构特点，进行了基于神经网络的智能故障诊断仿真研究，建立了以径向基函数为核心的三层神经网络模型，并结合MATLAB软件，对输入参数及输出故障进行了仿真训练与测试。经过与前期研究经验的分析比对，总结出RBF神经网络在训练速度与诊断精度上效果更佳。希望通过本次研究之后，可以为各航司诊断涡轴发动机故障提供理论依据。

参考文献：

[1]李洪伟，范文正，李建国.某型涡轴发动机故障诊断专家系统研究[J].航空维修与工程，2007，5（19）：47-49.

[2]毛景立，李鸣，林健.某型涡轮轴发动机稳态气路故障诊断方法[J].航空动力学报，2002，17（1）：69-74.

[3]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，2007，8.

作者简介：刘岩松（1963-），男，辽宁沈阳人，硕士，教授，主要研究方向为航空工程;姜文鑫（1987-），男，辽宁丹东人，在读硕士，实验师，主要研究方向为航空工程。