航空發電機內部電氣故障建模與參數測試研究

楚至濮 張棟善

摘 要：航空發電機對于飛行器運行的安全起至關重要的作用。發電機內部電氣故障會促使定子繞組產生不對稱現象，進而會使電能干擾電器正常運行，造成安全危害。因此必須重點研究航空發電機內部電氣故障原因。本文提出BP神經網絡故障診斷法，通過對BP神經網絡故障診斷模型建立。并通過參數測試實驗，佐證了BP神經網絡診斷法能夠正確檢驗航空發電機故障。

關鍵詞：航空發電機；BP神經網絡診斷；參數測試

近年來，人類飛行器研究取得重大突破，很多大中型飛機用電設備逐漸增多。用電設備是飛行器飛行過程中的擔負著供電任務。因此維護航空發電機內部電氣的性能是保障飛行安全的重要舉措。本文通過構建BP神經網絡故障診斷模型，進而對模型進行參數測試實驗。通過對航空發動機數據進行測試。以此驗證構建故障模型能否正確判斷航空發電機內部故障。

一、航空發電機內部電氣設備故障診斷概述

航空發電機故障診斷室一項高度復雜的信息檢測技術，專業性較強。很多國內外的航空維修專家都曾對航空發電機設備診斷進行過理論和方法的闡述。國內航空器發電機故障診斷技術處在初級階段。相關研究和實踐水平有限。航空發電機故障的表現形式通常為部分功能失效或功能完全喪失。故障發生時很容易造成航空發電機性能下降，威脅航空安全，甚至誘發空難。理想下的故障診斷就是要在故障尚未構成較大威脅時，及時發現并解決。因此研究有效的故障診斷技術對于航空安全來說十分必要。

二、BP神經網絡診斷

BP神經網絡診斷是通過對網絡信息傳遞正向傳播和誤差反向傳播分析，通過BP算法，獲得故障診斷模型。其理論為，當信息進行正向傳播時，輸入層通過隱層單元進行逐層處理。再回轉至輸出層。每一層的神經狀態對下一層神經狀態都會產生影響。如果輸出層缺少輸出力，就開始進入反向傳播。將產生誤差按照既定通路返回[1]。通過BP神經網絡診斷進行每一層神經元調節，促使產生誤差降低。

較為典型的4層BP神經網絡模型結構，是由輸出層、輸入層、2哥隱層構成的。以上所有節點使用f代表傳遞函數。假設共有S數目的樣本信息。網絡中第3層的第j個神經元的輸出總和為Ⅰ3jk。

第2層的第i個神經元與第3層的第j個神經元的權值連接為Wij，[2]，可得出公式為：

當進行反向傳播時，網絡期望輸出值為dk。實際輸出值用yk代表，計算二者誤差的平方以及目標函數，公式為：

通過以上公式可得出S樣本信息的總誤差定義公式為：

完成上述步驟就可以計算和調整全職W。以此縮小誤差E的取值。計算公式為：

在此公式中η的是故障診斷的關鍵，BP神經網絡技術能使用非線性關系對故障分析和算法進行創新，進而得出故障診斷分析模型。能夠適用于航空發電機故障診斷工作。

三、航空發電機內部電氣設備故障診斷分析

（一）故障診斷建模步驟

航空發電機不同于傳統發電機，其內部構造十分復雜。故障藏于發電機各處，難以全部進行診斷。可采用BP神經網絡對航空發電機進行故障建模。進而通過故障模型，分析故障種類嗎，制定解決措施。具體步驟為：

1.建立發電局數據分析模型

首先對發電機故障案例進行距離總結，明確發電機健康狀態下的參數特征。通過理論測試和實際測試，推出理論數據和測試數據兩種分析模型。并以理論數據和測試數據為故障建模的基礎

2.建立航空發電機故障診斷模型

通過選取30組數據作為理論數據內容，通過BP神經網絡進行測試。在此過程中對測試設定的參數進行合理調試和修改，構建一套完整的航空發電機故障診斷模型。

（二）故障診斷結果

故障模型建立完成后，可把航空發電機試驗測試數據作為測試數據，將其輸入BP神經網絡數據分析模型中，得出試驗效果。將測試結果同理論結果進行比較。即可通過調整BP神經網絡隱層的節電，縮小誤差，進而得出故障診斷有效性和成功率。具體結果分析為：對航空發電機進行典型運行參數設定進行選取。并做統一處理。為保證試驗的科學性和說服力，試驗展開多次測試。當迭代次數達180時，BP神經網絡測試精準度達到4.8%。并報出計算時間在4S以上。[3]當迭代次數達到380時。BP測試精準度和時間分別達到2.48%和7S。在迭代次數為1000時，其精度和計算時間分別達到了2.12%和15S。

因此，不難看出，BP神經網絡算法中，迭代次數增加，會影響精準度和計算時間。而且誤差逐漸在縮小。從理論角度來看，BP神經網絡診斷法能夠正確診斷航空發電機的故障，所建故障模型是有效的。試驗再將剛剛測得的測量參數和理論故障參數進行健康向量的比較。

BP神經網絡得到的故障率達97.5%。實際誤差較小。因此可以證明此診斷方式就有一定的科學性和準確性。能夠適用于航空發電機故障診斷工作。

四、結語

總之，本文通過對航空發電機內部電氣設備故障建模和參數調試的分析，并對BP神經網絡故障診斷模型進行了應用的闡述。進而得到了實驗和理論依據：BP神經網絡故障診斷模型和參數調試方式，能夠縮小實際故障數據誤差，能夠有效達到發電機故障診斷功能要求。因此，該故障診斷模型能夠增強航空發電機故障診斷功能，提升飛行器運行的安全性和可靠性，有一定的實用價值。

參考文獻：

[1]唐志航，何宏.改進的BP神經網絡在故障診斷中的應用[J].微計算機信息，2008.24（5）：171-173.

[2]劉海港，董芷岑.航空發電機綜合故障診斷技術研究[J].通信技術，2014（3）：125-127.

[3]凌超.基于智能算法的航空發電機故障診斷方法研究[J].工業技術，2015（2）112-115.

作者簡介：第一作者：楚至濮（1980-），男，河南開封人，本科，工程師，研究方向：航空維修；第二作者：張棟善（1983-），男，江蘇連云港人，本科，研究方向：航空維修。