基于ABC-BP神经网络的航空发动机故障诊断方法

鲜倪军

（中国民航大学航空工程学院，天津300300）

航空发动机中存在大量摩擦副，由于摩擦副的作用导致许多金属磨屑悬浮在滑油之中，而磨屑蕴含着发动机磨损状态的重要信息，因此滑油金属磨屑成为检测发动机机械磨损状态的一项重要指标[1]。

针对航空发动机机械磨损问题，国内外有关学者进行了相应的研究，文[2]基于信号处理方面，运用传感器实时监测，利用小波变换对时域和频域进行处理处理。文[3]基于模型方面，对发动机滑油系统进行建模来判断发动机滑油系统机械磨损的状态，单个发动机滑油系统结构不同，构建的模型缺乏普遍适用性。文[4]主要利用决策树构建专家系统进行故障诊断，单故障模式的判别比较单一。文[5]基于数据驱动，引入智能算法进行磨损故障诊断，具有很好的数据自适应性，随着人工智能的发展，基于数据驱动的优势越发明显。

本文基于滑油磨屑特征参数和铁谱数据，采用BP神经网络[6]，引入人工蜂群算法[7]（Artificial Bee Colony，ABC），提出一种基于ABC-BP神经网络的滑油故障诊断模型，实验结果表明，与BP神经网络和粒子群优化BP神经网络相比，该方法收敛速度更快，诊断准确率更高，根据滑油金属屑的特征分析进行故障诊断，结合发动机磨损模式识别库，可以有效识别发动机磨损模式，为实现故障预测和健康管理奠定基础。

1　航空发动机机械磨损诊断模型

1.1　研究问题描述

发动机内部一旦发生机械磨损，会造成机械部件表面材料损伤或脱落，脱落的材料以金属磨屑的形式存在滑油系统当中[8]。对金属屑的自动识别研究有助于故障趋势的分析，大大缩短人为诊断的时间和漏检性，从而保证了飞机发动机的可靠性。

1.2　基于ABC-BP神经网络的发动机故障诊断模型

BP神经网络是一种多层前向反馈神经网络，采用误差后向传播学习算法，具有良好的学习自适应能力。此模型利用ABC算法优化BP神经网络，避免了陷入局部最优，提高了收敛速度，分类效果好，诊断结果准确率高。

1.2.1人工蜂群算法

人工蜂群算法主要的思想是模仿蜜蜂群的觅食行为，算法很好的结合了全局搜索和局部搜索，在算法的探索和开采两个方面达到较好的平衡。

ABC算法主要包括三部分：食物源、雇佣蜂和非雇佣蜂，其中非雇佣蜂又包括观察蜂和侦察蜂。

（1）在ABC算法初始化阶段：设置种群规模，食物源位置NP/2=SN，每个食物源位置由式（1）计算：

（2）在雇佣蜂阶段，每个雇佣蜂根据式（2）在当前食物源位置附近找到一个新的位置，即一个新的解。

其中，k∈（i=1，2，…，NP）和 j∈（1，2，3，…，D）是随机选择的索引，并且k≠ i.φij是在[-1，1]之间产生一个随机数。通过适应度函数fit计算食物源位置的适应度值。

（3）在观察蜂阶段：观察蜂根据食物源位置的适应度值，按照概率选择函数来选择一个食物源。

（4）在侦察蜂阶段：如果一个食物源的适应度值经过limit次循环之后没有得到改善，则该食物源位置将被移除，该食物源的雇佣蜂变成侦察蜂，再次根据式（12）随机产生一个新的食物源位置。

1.3　ABC-BP神经网络流程

基于ABC改进的BP神经网络，将BP神经网络的误差函数作为人工蜂群的适应度函数，依靠人工蜂群优秀的局部和全局的搜索能力，可使网络在训练中避免陷入局部最小，提高了网络学习速度和收敛性。具体流程描述如下：

step1：对样本数据进行规范化处理。

step2：初始化BP神经网络参数，输入训练样本。

step3：初始化人工蜂群参数，计算待优化参数个数D，设定最大迭代次数，将神经网络的均方误差作为ABC算法的适应度函数

step4：运行ABC算法直到MCN次，根据最优食物源属性计算权值和阈值，将权值和阈值作为初始参数训练BP神经网络。

step5：输入测试样本数据，计算误差，判断是否满足误差要求，如果满足则转到step8，否则执行step6.

step6：误差逆传播过程，根据梯度下降法的原则修正权值和阈值。

step7：若网络的全局误差达到要求，则执行step8，否则重复step6直到满足误差要求。

step8：计算输出层。

2　仿真研究

2.1　初始化模型参数

一般情况下航空发动机润滑油磨屑中的常见磨屑类型可分为如下五类：①摩擦抛光磨屑；②摩擦掉块磨屑；③切削磨屑；④疲劳剥落磨屑：它包括了疲劳剥块、镀层脱落磨屑；⑤氧化磨屑。本文基于实际测定数据暂不考虑氧化磨屑。

将本文提出的故障诊断模型应用于某航空发动机机械磨损故障诊断中，现有某型航空发动机的铁谱分析数据160组，部分数据如表1、表2所示。

表1　铁元素含量光谱分析数据（1）

表2　铁元素含量光谱分析数据（2）

随机选取110组作为训练样本，另外50组作为测试样本，本文将对BP神经网络，ABC-BP神经网络和PSO-BP神经网络进行对比分析。

2.1.1确定BP神经网络判断矩阵

本文根据实际情况将故障分成4类，其判断矩阵对应故障类型如表3所示，因此可以得出神经网络的输入层节点n数为21，输出层节点q数为4，隐含层节点p根据经验公式，最终取25时为最佳。

表3　判断矩阵及故障类型

2.1.2计算个体（食物源）的向量维数D

每个个体对应一个食物源，其向量维数为D，其输入层、隐含层、输出层的节点数分别为n，p，q，D可以由BP神经网络的权值和阈值求得，如式（3）和表4所示。

表4　BP神经网络的权值阈值

根据式（3）可计算得出本模型中ABC个体的向量维数D.

D=21×25+25+25×4+4=654

2.1.3构造适应度函数fit

不同于一般BP神经网络选择优先选择适应度值大的个体，本文将BP神经网络的均方误差函数MSE作为ABC算法的适应度函数fit，如式（4）所示。优先选择适应度值小的个体引入种群，计算公式如式（5）所示。

其中，yt是网络的期望输出，ct是网络的计算输出。

2.1.4构造食物源选择概率公式

每个观察蜂根据雇佣蜂分享的食物源适应度值的信息，以一定的概率选择一个食物源。选择概率公式如下：

2.1.5诊断模型参数输入

根据以上计算结果，确定ABC-BP神经网络的初始化参数，并将其余BP神经网络，PSO-BP神经网络进行对比，三种模型的初始化参数如表5所示。

表5　三种模型的初始化参数

2.2　诊断结果和对比

测试样本的诊断结果如图1所示，表6是三种诊断模型的准确率对比。

图1　ABC-BP、PSO-BP、BP分类结果与实际分类对比

表6　三种诊断模型准确率对比

如表6所示，改进后的BP神经网络诊断准确率有所提高，ABC-BP神经网络比PSO-BP神经网络准确率更高，从图2可以看出各自的适应度收敛效果。

图2　ABC-BP与PSO-BP进化代数对比

从图2中可知ABC-BP相比PSO-BP，在迭代至15代时已经趋于稳定，具有更快的收敛速度。

2.3　结果分析

通过人工蜂群算法调整权值和阈值后，避免了BP神经网络陷入局部最优，使得ABC-BP神经网络误差更小，诊断准确率更高。相对于PSO-BP神经网络迭代次数更少，收敛速度更快。

3　结束语

本文采用基于人工蜂群算法改进的BP神经网络作为诊断模型，提高了收敛的速度和准确率，并将该模型应用于某航空发动机机械磨损故障诊断中，检验了诊断模型的有效性。结合根据滑油金属含量对发动机轴承、机匣和齿轮进行的故障预测，该诊断模型可以为实现故障预测和健康管理奠定基础，有效地监控发动机传动系统零部件的磨损情况，降低维修成本。