基于BP神經網絡與PNN在航空發動機故障診斷上的對比

摘 要：航空發動機智能故障診斷技術廣泛應用于民航并具有重要作用，其利于航空公司提高維修效率，降低營運成本。獲取典型民用發動機PW4000飛行數據以及故障信息，對BP神經網絡和概率神經網絡（PNN）改進及優化，結合數據處理并提出智能故障診斷方法。經多次計算，BP診斷成功率為99.106%，PNN為99.339%。

關鍵詞：民航發動機；故障診斷；神經網絡

據《中國航空維修業市場前瞻與投資戰略規劃分析報告》數據顯示，截至2010年底，中國民航擁有各類發動機3600余臺[ 1 ]。民航維修行業發展迅速，2010民航維修市場總量達23.2億美元，其中發動機維修約占40%。對于日益增長的發動機維修市場，航空公司在日常維護和修理中都心有余而力不足。

一、BP神經網絡故障診斷

民航發動機的故障診斷是利用發動機數據進行分析與診斷。在進行診斷之前獲得了PW4000的狀態數據和故障表格。數據一共有99組，按規律選取其中的三組（見表1），對應的參數名稱分別為：右發低壓渦輪溫度（egt-c）、右發燃油流量（ff-c）、右發高壓渦輪轉速（n2-c）、右發低壓渦輪轉速（n1-c）。

在診斷中選取四個故障，分別為TCC系統關閉、高壓渦輪部件衰退、高壓壓氣機部件衰退、低壓壓氣機性部衰退和3.0放氣活門打開。故障表格如表2。

利用歸一化程序：[p，PS]=mapminmax（p'），其中p為表2形成的矩陣。P為p轉置后的矩陣，歸一化后的矩陣見表3。

在數據組中加入白噪聲，獲得12組新的數據，10組用于訓練BP神經網絡，2組用于檢驗故障的診斷率。

利用歸一化后前10組進行訓練，訓練結果為：

layerbias = 0.08 -0.88 0.31 0.77 -0.78。

檢驗的隱含層為12層，輸出層為5，最終迭代的次數為8610次，迭代梯度為e-16，精度為0.001。用最后兩組數據對神經網絡進行診斷，診斷的程序為：sim（net，te），總體診斷成功率為99.106%。

二、PNN故障診斷

PNN的訓練和仿真檢驗數據都和BP相同所以不再贅述。在PNN的訓練與仿真中共使用20組的數據，前10組用于訓練，后10組用于檢驗網絡并得出診斷成功率，訓練矩陣為P，檢驗矩陣為T。

訓練程序為：P=P'；A=[1]；B=[2]； C=[3]； D=[4]； E=[5]；

T=[A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E；A；B；C；D；E]'；

T1 = ind2vec（T）； spread =15； net = newpnn（P，T1，spread）；

檢驗程序為：Y = sim（net，Z）； TestResult = vec2ind（Y）；

測試結果為：TestResult =Columns 1 through 50

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5

首次診斷成功率為100%，檢驗數據經過多次添加白噪聲并檢驗，一共為200組，平均診斷成功率為99.339%，由于在相同的網絡及軟件環境下進行訓練與仿真，使用數據和檢驗數據也相同，檢驗結果真實可靠。

三、結論

在發動機故障診斷方面使用了BP神經網絡和PNN使得故障的診斷更為快捷和精確，不用再依靠機務或者大修人員的經驗和臨場狀態，降低了維護和修理的成本。BP與PNN診斷成功率對比可知PNN的檢驗成功率更高，更快捷。

參考文獻：

[1] 于宗艷，韓連濤，孟嬌茹.基于人工神經網絡的航空發動機故障診斷方法[J].現代電子技術，2013年第02期：8-12.

作者簡介：

黃磊（1991-），男，中國民航大學，碩士，研究方向：航空發動機渦輪葉片侵蝕。