BP神經網絡下的航空發動機維修決策系統

文/王泓然 張濤

航空發動機上一般都裝載著各種性能參數的檢測設備，地面控制中心能夠通過機載報文尋址將發動機的各項性能參數接收到。對各項性能參數應該全面進行分析，全面了解發動機的各項性能狀況，觀察性能有沒有處于衰退狀態。對發動機的性能參數進行分析，并對其進行預測，全面了解發動機的性能問題，讓維護管理過程中能夠具備相應的決策支持。

1 BP神經網絡概述

BP神經網絡的算法在實施過程中需要將學習樣本輸入其中，對網絡權值和偏差進行訓練和調整時應該使用反向傳播算法，讓輸出的向量能夠和預期的向量處于一個接近的狀態，對網絡輸出值的誤差進行研究，將網絡的偏差和權值保存起來。BP神經網絡對性能的測試結果如表1所示。

2 維修決策系統的設計

對維修決策系統進行設計時，應該對航空發動機的性能全面掌握，并對其參數有效進行處理，再運用BP神經網絡將參數有效輸入其中。依照學習樣本來學習，并對學習成果進行預測，將預測結果輸出。將預測出來的結果作為基本的基準點，使用灰色決策系統將其輸入。立足于航空發動機原來各項性能的基礎之上，將發動機零件和維修等級之間的關系合理進行，使用灰色決策，對系統進行判斷，判斷時可以采用智能化判斷，給出一個最優的發動機決策，讓維修工程師在設計維修方案時能夠具有相應的保障，給維修方案提供技術方面的支持。

表1：BP神經神經網絡的測試結果

2.1 對性能參數進行預處理

一般情況下，航空發動機在遇到高溫或者高壓狀況時，各種外來的噪音干擾很容易對性能參數造成嚴重的影響，通過檢測系統記錄的數據具有一定的差異性，一些數據可能處于異常狀態，由于發動機性能參數屬于海量狀態，這些異常的數據會被淹沒其中。建立維修決策系統時，預處理發動機中存在的性能參數。將一些異常的數據全面剔除，讓性能參數能夠具有一定的有效性。航空發動機的性能參數在時間上具有連續性，對數據應該進行統計分析，將一些異常數據篩選出來。如果對數據進行預處理時達不到相應的要求，就應該使用密度分析法對數據進行全面處理，將所有異常數據全面清除。

將異常數據全面清除之后，要對其性能參數全面進行研究，相應的實施平滑處理。處理時可以使用二次指數平滑法，首先，分解平滑的序列時間，使用指數平滑對一些頻率較大的函數實施平滑。將平滑結果和剩余函數有效進行重構。其次，再進行預處理，這樣就會得到航空發動機的性能參數。

2.2 BP神經網絡預測模型

BP神經網絡的網絡結構十分簡單，運算速度也十分快。應該對BP神經網絡實施預測，然后對其實施預處理，將預處理后得到的數據全面進行研究，使用BP神經網絡將發動機的各項性能參數有效輸入其中。對神經網絡進行有效設計，將其設計成三層神經網絡。使用三層神經網絡對發動機的性能全面進行預測，將輸入層中的神經元數目作為預測模型，并將其用n表示，將隱藏層的神經元數目也有效表示出來，用n1表示。如果神經元數目位于輸入層，應該將其用n2進行表示。將大量的樣本數據作為參照物，供BP神經網絡進行學習。在網絡系統中將學習的結果輸入進去，并進行相應的預測。然后在灰色決策系統中將預測結果輸入其中。

2.3 設計灰色決策系統

對神經網絡全面進行預測之后，將得出的數據和航空發動機基礎數據庫有效進行結合，對以往的故障案例要合理借鑒，運用維修方面的各種綜合信息給整個維修決策提供相關支持，使用灰色的決策法對整個決策進行支持。實施灰色決策法時，應該將其決策、目標、效果有效運用，對各種灰信息的體系全面進行研究。決策目標上相對來說具有一定的差異性，根據不同的決策目標制定不同的隸屬度函數，讓事件決策的趨勢能夠建立在函數映射上獲得良好的效果。實際對方案進行決策時，選擇灰色決策法得出的決策方案是最效的。

2.4 建立故障樣本庫

對航空發動機進行維修時應該準確找尋到故障問題，要想準確對故障進行診斷，需要大量的故障樣本作為基準點，讓樣本和分布狀況能夠對系統產生相應的限制。只有選擇一個合理的訓練網絡，才能夠保證診斷的質量。為了讓網絡的推廣能力得到全面提升，應該運用訓練樣本有效的將系統數據全面反映出來，將其隨機誤差全面減小。

3 結語

綜上所述，要想讓航空發動機的維修技術能夠更加快速、便捷、高效，應該對發動機海量的參考數據全面進行研究，使用BP神經網絡對其全面進行預測，將預測的數據輸入灰色決策系統中。系統會自動化進行判別，判斷清楚之后選擇一個最佳的決策方案，讓航空發動機能夠安全、高效的運行。