鮮倪軍

（中國民航大學(xué)航空工程學(xué)院，天津300300）

航空發(fā)動機(jī)中存在大量摩擦副，由于摩擦副的作用導(dǎo)致許多金屬磨屑懸浮在滑油之中，而磨屑蘊(yùn)含著發(fā)動機(jī)磨損狀態(tài)的重要信息，因此滑油金屬磨屑成為檢測發(fā)動機(jī)機(jī)械磨損狀態(tài)的一項(xiàng)重要指標(biāo)[1]。

針對航空發(fā)動機(jī)機(jī)械磨損問題，國內(nèi)外有關(guān)學(xué)者進(jìn)行了相應(yīng)的研究，文[2]基于信號處理方面，運(yùn)用傳感器實(shí)時(shí)監(jiān)測，利用小波變換對時(shí)域和頻域進(jìn)行處理處理。文[3]基于模型方面，對發(fā)動機(jī)滑油系統(tǒng)進(jìn)行建模來判斷發(fā)動機(jī)滑油系統(tǒng)機(jī)械磨損的狀態(tài)，單個(gè)發(fā)動機(jī)滑油系統(tǒng)結(jié)構(gòu)不同，構(gòu)建的模型缺乏普遍適用性。文[4]主要利用決策樹構(gòu)建專家系統(tǒng)進(jìn)行故障診斷，單故障模式的判別比較單一。文[5]基于數(shù)據(jù)驅(qū)動，引入智能算法進(jìn)行磨損故障診斷，具有很好的數(shù)據(jù)自適應(yīng)性，隨著人工智能的發(fā)展，基于數(shù)據(jù)驅(qū)動的優(yōu)勢越發(fā)明顯。

本文基于滑油磨屑特征參數(shù)和鐵譜數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)[6]，引入人工蜂群算法[7]（Artificial Bee Colony，ABC），提出一種基于ABC-BP神經(jīng)網(wǎng)絡(luò)的滑油故障診斷模型，實(shí)驗(yàn)結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)相比，該方法收斂速度更快，診斷準(zhǔn)確率更高，根據(jù)滑油金屬屑的特征分析進(jìn)行故障診斷，結(jié)合發(fā)動機(jī)磨損模式識別庫，可以有效識別發(fā)動機(jī)磨損模式，為實(shí)現(xiàn)故障預(yù)測和健康管理奠定基礎(chǔ)。

1　航空發(fā)動機(jī)機(jī)械磨損診斷模型

1.1　研究問題描述

發(fā)動機(jī)內(nèi)部一旦發(fā)生機(jī)械磨損，會造成機(jī)械部件表面材料損傷或脫落，脫落的材料以金屬磨屑的形式存在滑油系統(tǒng)當(dāng)中[8]。對金屬屑的自動識別研究有助于故障趨勢的分析，大大縮短人為診斷的時(shí)間和漏檢性，從而保證了飛機(jī)發(fā)動機(jī)的可靠性。

1.2　基于ABC-BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷模型

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，采用誤差后向傳播學(xué)習(xí)算法，具有良好的學(xué)習(xí)自適應(yīng)能力。此模型利用ABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，避免了陷入局部最優(yōu)，提高了收斂速度，分類效果好，診斷結(jié)果準(zhǔn)確率高。

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覓食行為，算法很好的結(jié)合了全局搜索和局部搜索，在算法的探索和開采兩個(gè)方面達(dá)到較好的平衡。

ABC算法主要包括三部分：食物源、雇傭蜂和非雇傭蜂，其中非雇傭蜂又包括觀察蜂和偵察蜂。

（1）在ABC算法初始化階段：設(shè)置種群規(guī)模，食物源位置NP/2=SN，每個(gè)食物源位置由式（1）計(jì)算：

（2）在雇傭蜂階段，每個(gè)雇傭蜂根據(jù)式（2）在當(dāng)前食物源位置附近找到一個(gè)新的位置，即一個(gè)新的解。

其中，k∈（i=1，2，…，NP）和 j∈（1，2，3，…，D）是隨機(jī)選擇的索引，并且k≠ i.φij是在[-1，1]之間產(chǎn)生一個(gè)隨機(jī)數(shù)。通過適應(yīng)度函數(shù)fit計(jì)算食物源位置的適應(yīng)度值。

（3）在觀察蜂階段：觀察蜂根據(jù)食物源位置的適應(yīng)度值，按照概率選擇函數(shù)來選擇一個(gè)食物源。

（4）在偵察蜂階段：如果一個(gè)食物源的適應(yīng)度值經(jīng)過limit次循環(huán)之后沒有得到改善，則該食物源位置將被移除，該食物源的雇傭蜂變成偵察蜂，再次根據(jù)式（12）隨機(jī)產(chǎn)生一個(gè)新的食物源位置。

1.3　ABC-BP神經(jīng)網(wǎng)絡(luò)流程

基于ABC改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，將BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)作為人工蜂群的適應(yīng)度函數(shù)，依靠人工蜂群優(yōu)秀的局部和全局的搜索能力，可使網(wǎng)絡(luò)在訓(xùn)練中避免陷入局部最小，提高了網(wǎng)絡(luò)學(xué)習(xí)速度和收斂性。具體流程描述如下：

step1：對樣本數(shù)據(jù)進(jìn)行規(guī)范化處理。

step2：初始化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，輸入訓(xùn)練樣本。

step3：初始化人工蜂群參數(shù)，計(jì)算待優(yōu)化參數(shù)個(gè)數(shù)D，設(shè)定最大迭代次數(shù)，將神經(jīng)網(wǎng)絡(luò)的均方誤差作為ABC算法的適應(yīng)度函數(shù)

step4：運(yùn)行ABC算法直到MCN次，根據(jù)最優(yōu)食物源屬性計(jì)算權(quán)值和閾值，將權(quán)值和閾值作為初始參數(shù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

step5：輸入測試樣本數(shù)據(jù)，計(jì)算誤差，判斷是否滿足誤差要求，如果滿足則轉(zhuǎn)到step8，否則執(zhí)行step6.

step6：誤差逆?zhèn)鞑ミ^程，根據(jù)梯度下降法的原則修正權(quán)值和閾值。

step7：若網(wǎng)絡(luò)的全局誤差達(dá)到要求，則執(zhí)行step8，否則重復(fù)step6直到滿足誤差要求。

step8：計(jì)算輸出層。

2　仿真研究

2.1　初始化模型參數(shù)

一般情況下航空發(fā)動機(jī)潤滑油磨屑中的常見磨屑類型可分為如下五類：①摩擦拋光磨屑；②摩擦掉塊磨屑；③切削磨屑；④疲勞剝落磨屑：它包括了疲勞剝塊、鍍層脫落磨屑；⑤氧化磨屑。本文基于實(shí)際測定數(shù)據(jù)暫不考慮氧化磨屑。

將本文提出的故障診斷模型應(yīng)用于某航空發(fā)動機(jī)機(jī)械磨損故障診斷中，現(xiàn)有某型航空發(fā)動機(jī)的鐵譜分析數(shù)據(jù)160組，部分?jǐn)?shù)據(jù)如表1、表2所示。

表1　鐵元素含量光譜分析數(shù)據(jù)（1）

表2　鐵元素含量光譜分析數(shù)據(jù)（2）

隨機(jī)選取110組作為訓(xùn)練樣本，另外50組作為測試樣本，本文將對BP神經(jīng)網(wǎng)絡(luò)，ABC-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比分析。

2.1.1確定BP神經(jīng)網(wǎng)絡(luò)判斷矩陣

本文根據(jù)實(shí)際情況將故障分成4類，其判斷矩陣對應(yīng)故障類型如表3所示，因此可以得出神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)n數(shù)為21，輸出層節(jié)點(diǎn)q數(shù)為4，隱含層節(jié)點(diǎn)p根據(jù)經(jīng)驗(yàn)公式，最終取25時(shí)為最佳。

表3　判斷矩陣及故障類型

2.1.2計(jì)算個(gè)體（食物源）的向量維數(shù)D

每個(gè)個(gè)體對應(yīng)一個(gè)食物源，其向量維數(shù)為D，其輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分別為n，p，q，D可以由BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值求得，如式（3）和表4所示。

表4　BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值

根據(jù)式（3）可計(jì)算得出本模型中ABC個(gè)體的向量維數(shù)D.

D=21×25+25+25×4+4=654

2.1.3構(gòu)造適應(yīng)度函數(shù)fit

不同于一般BP神經(jīng)網(wǎng)絡(luò)選擇優(yōu)先選擇適應(yīng)度值大的個(gè)體，本文將BP神經(jīng)網(wǎng)絡(luò)的均方誤差函數(shù)MSE作為ABC算法的適應(yīng)度函數(shù)fit，如式（4）所示。優(yōu)先選擇適應(yīng)度值小的個(gè)體引入種群，計(jì)算公式如式（5）所示。

其中，yt是網(wǎng)絡(luò)的期望輸出，ct是網(wǎng)絡(luò)的計(jì)算輸出。

2.1.4構(gòu)造食物源選擇概率公式

每個(gè)觀察蜂根據(jù)雇傭蜂分享的食物源適應(yīng)度值的信息，以一定的概率選擇一個(gè)食物源。選擇概率公式如下：

2.1.5診斷模型參數(shù)輸入

根據(jù)以上計(jì)算結(jié)果，確定ABC-BP神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)，并將其余BP神經(jīng)網(wǎng)絡(luò)，PSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，三種模型的初始化參數(shù)如表5所示。

表5　三種模型的初始化參數(shù)

2.2　診斷結(jié)果和對比

測試樣本的診斷結(jié)果如圖1所示，表6是三種診斷模型的準(zhǔn)確率對比。

圖1　ABC-BP、PSO-BP、BP分類結(jié)果與實(shí)際分類對比

表6　三種診斷模型準(zhǔn)確率對比

如表6所示，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確率有所提高，ABC-BP神經(jīng)網(wǎng)絡(luò)比PSO-BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率更高，從圖2可以看出各自的適應(yīng)度收斂效果。

圖2　ABC-BP與PSO-BP進(jìn)化代數(shù)對比

從圖2中可知ABC-BP相比PSO-BP，在迭代至15代時(shí)已經(jīng)趨于穩(wěn)定，具有更快的收斂速度。

2.3　結(jié)果分析

通過人工蜂群算法調(diào)整權(quán)值和閾值后，避免了BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)，使得ABC-BP神經(jīng)網(wǎng)絡(luò)誤差更小，診斷準(zhǔn)確率更高。相對于PSO-BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)更少，收斂速度更快。

3　結(jié)束語

本文采用基于人工蜂群算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)作為診斷模型，提高了收斂的速度和準(zhǔn)確率，并將該模型應(yīng)用于某航空發(fā)動機(jī)機(jī)械磨損故障診斷中，檢驗(yàn)了診斷模型的有效性。結(jié)合根據(jù)滑油金屬含量對發(fā)動機(jī)軸承、機(jī)匣和齒輪進(jìn)行的故障預(yù)測，該診斷模型可以為實(shí)現(xiàn)故障預(yù)測和健康管理奠定基礎(chǔ)，有效地監(jiān)控發(fā)動機(jī)傳動系統(tǒng)零部件的磨損情況，降低維修成本。