基于灰色神經網絡的助航燈服役狀態監測方法研究

何超

摘要：機場助航燈的正常運行勢必影響航空器的起降安全以及跑道的使用效率。為了能夠預測助航燈的使用壽命，建立了遺傳算法（GA）優化的灰色神經網絡模型（GM）。由仿真結果可知，遺傳算法優化的灰色神經網絡模型與單一模型相比，提高了預測準確度和穩定性，為預防性維修的可行性奠定了基礎。

關鍵詞：助航燈;遺傳算法;灰色神經網絡

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）06-0176-02

機場的助航燈燈光系統分為滑行道燈光系統、進近燈光系統以及跑道燈光系統，是飛機起降和機場內滑行的重要引導裝置，保證了飛機在能見度低的情況下能夠正常起降運行。助航燈燈光系統的運行工況與飛行安全和飛行效率有緊密的關系。機場的助航燈數量多達幾千甚至上萬盞，如果采用人工巡查的方式，效率低下，勢必造成機場滑行道和跑道的可用度下降。因此，有必要監控助航燈的運行狀態，采用故障預測技術，預測助航燈的剩余壽命，進行合理的預防性維修，提高機場跑道和滑行道的使用效率。

1GA優化的灰色神經網絡建模

本方案建立了遺傳算法（GA）優化的灰色神經網絡模型對助航燈的使用壽命進行預測。

灰色系統建立的模型稱為灰色模型（GM），灰色神經網絡是一種研究少數據、貧信息、不確定性問題的方法。為了使數據擁有一定的規律，首先需要對GM模型的數據做一次累加操作，接著使用典型曲線擬合累加后的數據。設有時間數據序列x^（o）：

將式（7）映射到一個擴展的BP神經網絡，得到一個灰色神經網絡，該灰色神經網絡擁有n個輸入，1個輸出，網絡拓撲結構如圖1所示。

由灰色神經網絡拓撲結構可知，灰色神經網絡有ABCD四層。其中，t為輸入參數，y2（t），…yn（t）為網絡輸入參數，ω21，ω22，…，ω2n，ω31，ω32，…，ω3n為網絡權值，y1為網絡預測值。

在灰色神經網絡建模過程中，其權值和閾值最初是隨機生成的，而且灰色神經網絡收斂速度很快，網絡很快會陷入局部最優，無法繼續修正參數。本方案采用遺傳算法（GA）優化灰色神經網絡，使用GA求得灰色神經網絡的初始權值和閾值，再帶人灰色神經網絡，這樣可以更好的預測函數的輸出。GA的步驟可以分為種群初始化操作：個體編碼方法為實數編碼，把個體對應灰色神經網絡預測誤差作為個體適應度值;適應度函數操作;選擇操作：采用輪盤賭法;交叉操作：實數交叉法;變異操作。

2GA化的灰色神經網絡模型驗證

助航燈的額定功率為220W，由前文公式計算可知，工作電壓在14V到33V之間。選擇第三燈光等級進行測試實驗。助航燈在第三燈等級下的電壓為u=IR=4.1*5=20.5V。由于電壓存在一定的波動，助航燈在第三燈光等級下的工作電壓在19V到22V之間，故將故障報警值設為19V。隨著助航燈工作伴隨的老化問題，助航燈內阻會逐漸減小，導致助航燈的實際工作電壓逐漸降低。考慮可以通過監測助航燈兩端電壓值對助航燈壽命進行判斷，以達到視情維修，提高機場跑道使用效率的目的。讓助航燈持續工作一段時間，采集燈具兩端的工作電壓，如表1數據所示，采集時間間隔為24小時，共采集了50次。使用前40組數據訓練網絡，網絡的學習進化次數為100次，用余下的10組數據測試網絡的預測性能。

根據神經網絡原理，在MATLAB中編程實現遺傳算法優化的灰色神經網絡助航燈故障預測程序。

1）對原始數據做歸一化處理。如果輸入輸出的數量級差別過大，則會造成較大的預測誤差。在預測前，將所有數據都轉化為[0，1]之間的數。本方案使用最大最小法進行數據歸一化處理。

5）判斷訓練是否結束，如果沒有，返回步驟3）再次展開計算。

采用GA優化的灰色神經網絡對助航燈壽命進行預測，使用MATLAB進行仿真分析，預測結果如圖3所示，由GA優化的灰色神經網絡預測值更加趨近真實值具有更好的預測效果。

圖4為兩種模型的絕對誤差，GA優化的灰色神經網絡模型絕對誤差更小，預測準確度更高。

3結論

為了實現對助航燈工作壽命的預測，建立了GA優化的灰色神經網絡模型。通過對模型的訓練和預測，采用GA優化后的灰色神經網絡提高了預測準確度，仿真結果表明該方法能夠較好地預測助航燈工作壽命，印證了該方法的有效性，為預防性維修提供了可能，應用前景廣闊。