基于RBF神经网络的发动机磨损故障分析

申江江+孙中华+齐银鹏

摘要：针对光谱分析技术在实际应用时难以准确诊断出发动机产生磨损故障的部位，本文在滑油光谱分析数据的基础上，提出将人工神经网络应用于发动机的磨损故障检测中。首先通过对发动机典型数据库，建立标准故障模式，对RBF神经网络进行训练。然后根据待检滑油光谱数据建立待识别样本，用已训练神经网络对待识别样本进行检测。检测结果证实了本文方法的可行性。

关键词：航空发动机；RBF神经网络；光谱分析；磨损故障诊断

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）33-0177-03

Abstract： As the spectral analysis technology in practical application is difficult to accurately diagnose the malfunction of the parts， this paper puts forward applying artificial neural network to engine wear fault detection. on the basis of spectral analysis for lubricating oil data. First of all， through the typical engine maintenance records data sets， the RBF neural network is established. Then according to the data of spectral analysis for lubricating oil to detect unknown samples， and use the trained RBF neural network to identify sample for testing. Test results verifies the correctness of neural network model diagnosis.

Key words： aero-engine； RBF neural network； spectral analysis； wear fault diagnosis

1 引言

由于磨损而引发的故障在平时发动机维护过程最为常见，但磨损故障常常发生在飞机内部，直接在飞机上检查磨损情况十分困难，若是将零部件拆装下来检查则程序太过繁琐[1]。滑油检测技术通过分析滑油里面所含金属元素的信息并和飞机发动机系统里面的齿轮和轴承等部件所含的金属元素进行对比分析，进而对摩擦部件的磨损状况进行分析，迅速、准确地判断出故障产生部位和预测摩擦部件可能产生故障的时间，对于减少飞机发动机故障的维修时间，维持飞机的完好状态，保证飞机的出勤率具有重大意义[2]。

本文通过对航空发动机的滑油进行光谱分析，根据滑油中各种金属元素浓度的变化趋势分析发动机的磨损状态，并基于RBF神经网络建立故障诊断模型，对发动机的磨损故障状态和可能产生故障的部位进行诊断。

2 油液检测及光谱分析技术

2.1 油液检测技术

油液检测技术是指在不对设备进行拆卸的前提下，在包含待检测部位磨损信息的滑油流动的位置上，从中采集一定数量的油样。通过多种分析方法对油样进行分析，根据这些信息，诊断待检测部位的故障状态和可能产生故障的严重程度，或者是预测设备可能会产生故障的时间，对故障进行维修甚至提前更换即将产生故障的零部件，预防故障的产生。实现故障维修方式从事后维修转变为视情维修，保持设备的完好状态和减少事故的发生，提高经济效益和社会效益[3]。

2.2 光谱分析技术

由于不同元素原子所吸收和释放光的波长不同，油液光谱分析技术就是通过对油样进行处理，根据油液中不同元素吸收或者释放的光的波长，以及不同浓度元素吸收或者释放的光的含量不同，来判断油液中元素的种类和浓度。目前最主要的光谱分析技术有原子吸收光谱分析、原子发射光谱分析技术、X射线荧光光谱分析法、红外光谱分析法和等离子体发射光谱分析技术五种。这五种技术基本原理相同，只是具体方法有所区别。

通过光谱分析技术可以检测零部件的金属元素组成，对发动机的磨损状态进行诊断，以及对产生磨损故障的部位进行确定。对未出现故障的零部件，依据其磨损状态，预测可能产生故障的部位和时间。另外，通过油液的光谱分析数据，还可以分析得到滑油中的添加剂元素含量和不属于添加剂和零部件的污染物元素含量，对滑油的品质进行鉴定，判断是否对滑油进行更换[4，5]。

3 人工神经网络

3.1 人工神经网络模型

人工神经网络也被称为神经网络，是由大量简单的神经元相互连接而形成的复杂网络。神经网络是通过工程技术方面的手段来模拟人类大脑神经网络的结构与功能特征的一种技术系统，它能对已有的数据进行学习，并自动地归纳规则，获得这些数据的内在规律，最终建立出在一定误差允许范围内的神经网络模型，具有很強的非线性映射能力。因为人工神经网络是通过模拟人类大脑的结构和思维功能而形成的，所以，人工神经网络具有高度的并行性、很强的自学习和自组织能力、良好的容错性及联想记忆功能等人类大脑的一些特点[6]。

3.2 RBF神经网络

RBF神经网络的结构与多层前向网络类似，它是具有单隐层的三层前馈网络：第一层为输入层，由信号源节点构成；第二层为隐含层，神经元个数由所描述的问题而定，神经元的激励函数（基函数）是对中心点径向对称且衰减的非负非线性函数（径向基函数），该径向基函数通常为高斯函数；第三层为输出层，它对输入模式的作用做出响应。如图1所示。

其中，权值向量（基函数的中心）是通过学习自动确定的，而阈值是人为选定的。

RBF网络要通过学习训练确定输入层与隐含层之间的权值向量[W1]和隐含层与输出层之间的权值向量[W2]。隐含层每个神经元与输入层相连的权值向量[W1i]和输入矢量[X]之间的距离乘上阈值[b1i]作为基函数的输入值，如图3所示。

4 神经网络的发动机磨损故障滑油光谱分析

4.1标准故障模式的构建

通过滑油光谱分析，本文选择Fe、Ag、Ni、Al、Mo、Mg、Cu、Ti八种元素对滑油进行分析。

根据某型飞机发动机内部产生摩擦零部件的磨损方式、特点和该型发动机由于磨损而产生故障的维修记录，确定该型发动机的主要故障模式：低压压气机故障（F1）、中介机匣故障（F2）、高压压气机故障（F3）、高压涡轮故障（F4）、低压涡轮故障（F5）、附件传动装置故障（F6）、滑油泵故障（F7）、发动机正常（F8）。根据某型发动机滑油系统部位主要组成元素，建立以二进制表示的标准故障模式，其中“1”表示含有该元素，“0”则表示不含有该元素。标准故障模式二进制表示如表1所示：

本文中选择构建三层的RBF神经网络，输入层节点的数目有8个（I1，I2，I3，I4，I5，I6，I7，I8），分别于8种金属元素（Fe、Ag、Ni、Al、Mo、Mg、Cu、Ti）相对应，对神经网络进行训练。

4.2待识别样本的构建

对训练好的神经网络进行测试时，分别选取一组正常磨损状态下和产生异常磨损故障的滑油光谱分析数据对神经网络进行测试。

根据滑油光谱分析数据，有一组数据中的Fe、Ni、Cu元素浓度增幅较大，可能发生了磨损故障。前5组标准化后的数据如表2所示。

构建待识别模式如表3所示。

4.3诊断结果

将构建的待识别样本输入训练好的神经网络中，得到输出如表4所示：

神经网络对于发生异常磨损故障的待识别样本的诊断，从结果中可以看出，最有可能低压压气机异常磨损，但也不排除发生滑油泵故障，只是发生滑油泵故障的可能性较低。再根据制造低压压气机和滑油泵材料的金属元素组成，均含有Fe、Cu、Ni三种元素，这与故障模式中含有的元素种类相同，因此，诊断结果是可靠的。

5 结论

本文将传统的油液光谱分析技术和RBF人工神经网络结合起来，应用在某型发动机磨损故障检测中。建立了神经网络的模型，并结合某型发动机的滑油光谱分析数据进行验证，肯定了这种方法的可行性。

参考文献：

[1] 卿华，王新军.飞机油液监控技术[M].北京：航空工业出版社，2011.

[2] 陈卫，程礼，李全通，等. 航空发动机监控技术[M].北京：国防工业出版社， 2011. 94-129

[3] 尉询楷，冯悦，刘芳，等.军用航空发动机PHM发展策略及关键技术[J].航空动力学报，2011，26（9）：2107-2115.

[4] 姜彩虹，孙志岩，王曦.航空发動机预测健康管理系统设计的关键技术[J].航空动力学报，2009，24（11）：2589-2594.

[5] 邓森，杨军锋，杨朴，等.基于混沌粒子群优化LS-SVM的发动机磨损状态监测研究[J].计算机测量与控制，2011，19（8）：1853-1856.

[6] 肖迪.新型粗糙神经网络的模式识别和故障诊断方法的研究[D]. 南京航空航天大学，2005.