環(huán)境因素對高精度長度測量影響的標(biāo)準(zhǔn)補償策略研究

中圖分類號：V263.6 文獻標(biāo)志碼：A 文章編碼：1672-7274（2025）04-0019-03

Abstract： The accuracy of measuring the length of aircraft engine accessories is often affected by environmental factors such as temperature changes，humidity fluctuations，and vibration interference.Traditional hardware compensation methods are dificultcomprehensivelysolve this pain point.The article proposes anaccuracycompensation model based on deep neural network algorithm，aiming to improve the adaptability and accuracy of measurement systems to environmental disturbances. By constructing a deep neural network to learn and extract features from environmental data，the model canachieve eficient compensation for multi-dimensional environmental variables.The experimental results show thatthis methodsignificantly improves the acuracyof length measurement in various complex environments，providing reliable data support for the manufacturing and maintenance of aviation engine accessories.

Keywords： environmental impact; aircraft engine accessories; length measurement

在航空制造業(yè)中，配套附件的高精度長度測量直接影響到發(fā)動機的組裝精度與整機性能，進而影響飛行器的穩(wěn)定性與安全性。然而，溫度變化、濕度影響以及振動干擾等環(huán)境因素對測量過程中的精度提出了嚴(yán)峻挑戰(zhàn)。民用航空發(fā)動機配套附件通常在多樣復(fù)雜的環(huán)境中使用，其工作環(huán)境中的溫度變化會導(dǎo)致材料膨脹或收縮，從而引起測量誤差；同時，濕度的變化可能影響測量儀器的性能，使得測量數(shù)據(jù)產(chǎn)生偏差；而振動干擾則可能使得測量儀器在工作時產(chǎn)生噪聲信號，從而進一步降低測量的準(zhǔn)確性[1-2]。深度神經(jīng)網(wǎng)絡(luò)（DNN）技術(shù)憑借其在非線性建模和復(fù)雜數(shù)據(jù)處理方面的優(yōu)勢，為解決這些問題提供了新的思路，其能夠捕捉溫度、濕度及振動變化對測量精度的多重非線性影響，使得補償效果更為精確、穩(wěn)定。因此，在民用航空發(fā)動機配套附件高精度測量領(lǐng)域，利用DNN算法補償環(huán)境因素干擾，成為提升測量精度的關(guān)鍵技術(shù)路徑。

基于深度神經(jīng)網(wǎng)絡(luò)算法補償長度測量精度的技術(shù)要點

1.1數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)采集階段主要進行環(huán)境參數(shù)和測量數(shù)據(jù)的收集。對于環(huán)境參數(shù)的采集，采用SensirionSHT3x系列溫濕度傳感器、ADIADXL355振動傳感器，將其安裝于民用航空發(fā)動機配套附件的測量環(huán)境中，以每秒10次的頻率實時監(jiān)測溫度、濕度及振動強度等關(guān)鍵指標(biāo)，確保數(shù)據(jù)的實時性和準(zhǔn)確性[3]。考慮到長期運行可能導(dǎo)致傳感器老化或出現(xiàn)零點漂移，每月進行一次的定期校準(zhǔn)，使用標(biāo)準(zhǔn)參考源（如恒溫恒濕箱和標(biāo)準(zhǔn)振動臺）對傳感器進行校正，確保其在整個使用周期內(nèi)的測量誤差控制在 ±1% 以內(nèi)，從而維持整個數(shù)據(jù)采集過程的高精度與可靠性。

針對民用航空發(fā)動機配套附件的長度測量，采用FaroArm激光測距儀等非接觸式測量工具，對選定的標(biāo)準(zhǔn)件及待測配套附件進行多角度、多位置的精確測量，獲取原始尺寸數(shù)據(jù)。為了獲得全面的尺寸數(shù)據(jù)，每件配套附件均從至少6個不同的角度和位置進行重復(fù)測量，每個角度測量3次取平均值，以減少隨機誤差。每次測量過程中，詳細記錄具體的時間戳、當(dāng)時的環(huán)境溫度（精度 ±0.3^°C ）、相對濕度（精度 ±2% RH）以及振動強度（精度 ±0.1g ），以便后續(xù)分析環(huán)境因素對測量結(jié)果的影響。

由于不同環(huán)境參數(shù)和測量數(shù)據(jù)之間可能存在量綱差異和數(shù)值范圍不一致的問題，需通過Z-score標(biāo)準(zhǔn)化方法，將所有特征調(diào)整至同一數(shù)量級。Z-score標(biāo)準(zhǔn)化的計算公式，如式（1）所示：

式中， z 是標(biāo)準(zhǔn)化后的值； x 是原始數(shù)據(jù)點； μ 是該特征的平均值； σ 是該特征的標(biāo)準(zhǔn)偏差。經(jīng)過Z-score標(biāo)準(zhǔn)化后，所有特征的均值將變?yōu)?，標(biāo)準(zhǔn)偏差變?yōu)?，從而避免某些特征因數(shù)值過大而主導(dǎo)后續(xù)的模型訓(xùn)練過程。

1.2構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型

1.2.1網(wǎng)絡(luò)層連接方式設(shè)計

考慮到輸入數(shù)據(jù)的復(fù)雜性和多樣性，采用一種混合型的網(wǎng)絡(luò)結(jié)構(gòu)，即卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長短期記憶網(wǎng)絡(luò)（LSTM）相結(jié)合的方式[4-5]。

對于靜態(tài)特征的處理，使用多個卷積層，每個卷積層后接一個ReLU激活函數(shù)以引入非線性，之后是一個最大池化層來減少參數(shù)數(shù)量并防止過擬合。卷積神經(jīng)網(wǎng)絡(luò)示意圖如圖1所示。

具體而言，選擇 3×3 和 5×5 兩種尺寸的卷積核，根據(jù)配套附件尺寸的不同特性進行優(yōu)化選擇。卷積層的步長設(shè)為1，采用“same”填充方式，確保每個卷積層的輸出特征圖尺寸與輸入保持一致。通過多層卷積操作，模型能夠自動學(xué)習(xí)配套附件表面紋理、邊緣等關(guān)鍵特征。

針對時間序列數(shù)據(jù)，LSTM單元能夠記住長期依賴關(guān)系，避免傳統(tǒng)RNN中梯度消失的問題。具體地，將環(huán)境參數(shù)（如溫度、濕度、振動強度）按照時間順序組織成序列，輸入到LSTM網(wǎng)絡(luò)中。根據(jù)數(shù)據(jù)復(fù)雜性和模型性能需求，調(diào)整LSTM單元的數(shù)量為32或64個。長短期記憶網(wǎng)絡(luò)示意圖如圖2所示。

最后，將CNN提取的空間特征與LSTM網(wǎng)絡(luò)輸出的時間特征拼接起來，送入全連接層進行綜合處理。全連接層負(fù)責(zé)將不同來源的信息融合，形成最終的預(yù)測結(jié)果。在全連接層中，使用多個隱藏層，每個隱藏層后同樣接有ReLU激活函數(shù)。鑒于最終目標(biāo)是回歸任務(wù)，輸出層則采用線性激活函數(shù)（即無激活函數(shù)），以輸出一個連續(xù)的數(shù)值，從而完成從圖像和時間序列數(shù)據(jù)到具體長度預(yù)測的轉(zhuǎn)換。

1.2.2計算損失函數(shù)

考慮到民用航空發(fā)動機配套附件長度測量精度要求極高，采用均方誤差（MeanSquaredError，MSE）作為主要的損失函數(shù)[。MSE定義為預(yù)測值與真實值之間差的平方的平均值，它能有效衡量模型預(yù)測值與實際值之間的差距，尤其適用于回歸問題。MSE損失函數(shù)的計算公式，如式（2）所示：

式中，MSE是均方誤差損失； N 是樣本總數(shù)； y_i 是第i個樣本的真實值， 是對應(yīng)的預(yù)測值。為了進一步提升模型的泛化能力和穩(wěn)定性，引入L2正則化項，即權(quán)重衰減，以懲罰過大的權(quán)重值，防止模型過擬合。L2正則化的表達式如式（3）所示：

R=λΣ_ww²

式中， R 是正則化項； λ 是正則化系數(shù)，控制正則化的強度； Σ_ww² 是對所有權(quán)重的平方和。較大的 λ 值會增加正則化的影響，使權(quán)重值趨向于零，從而減少模型的復(fù)雜度；較小的 λ 值則會使正則化的影響減弱，允許模型學(xué)習(xí)更復(fù)雜的特征。最終的損失函數(shù)由MSE與L2正則化項組成，如式（4）所示：

如此，所構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型能夠有效地補償環(huán)境因素對民用航空發(fā)動機配套附件長度測量精度的影響，提高測量的準(zhǔn)確性與可靠性。在實際應(yīng)用中，還需不斷調(diào)整超參數(shù)，優(yōu)化模型結(jié)構(gòu)，以適應(yīng)不同的應(yīng)用場景和需求。

1.3誤差校正

為了有效校正由環(huán)境因素引起的測量誤差，采用了一種多階段的深度學(xué)習(xí)策略。第一階段，利用已訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型對原始測量數(shù)據(jù)進行初步預(yù)測，輸出考慮基本環(huán)境因素影響后的調(diào)整值。然而，由于實際環(huán)境中存在多種不可預(yù)見的因素，初步預(yù)測結(jié)果可能仍存在一定的偏差。

因此，在第二階段，引入一種基于殘差學(xué)習(xí)的機制來進一步優(yōu)化預(yù)測精度。具體而言，采用ResNet（殘差網(wǎng)絡(luò)）架構(gòu)，該架構(gòu)通過添加快捷連接（SkipConnection），將第一階段的預(yù)測結(jié)果與實際測量值之間的差異定義為殘差，并將其作為新的輸入特征重新輸入至深度神經(jīng)網(wǎng)絡(luò)中。在ResNet中，殘差塊輸出y_out 的計算公式如式（5）所示：

式中， 是殘差函數(shù)，通常由幾個卷積層組成；χ 是輸入； W_i 是權(quán)重參數(shù)。通過這種機制，ResNet能夠直接學(xué)習(xí)輸入與輸出之間的差異，而非直接學(xué)習(xí)輸出本身，從而有助于捕捉更細微的誤差模式，提升民用航空發(fā)動機配套附件長度的測量精度。

2 對比實驗

2.1實驗準(zhǔn)備

本文中設(shè)計并進行了一系列對比實驗。選用高精度的激光位移傳感器（型號：KeyenceLJ-V7080），其分辨率可達 0.1μm ，能夠滿足微小尺寸變化的精確測量需求。實驗中使用恒溫恒濕箱（型號：ESPECSH-241）與振動臺（型號：LDSV406），前者可調(diào)節(jié)范圍為- 40^°C 至 +150^°C ，濕度控制精度 ±3% ，后者最大加速度為 50g ，頻率響應(yīng)范圍 0.5Hz～5000Hz 。所有設(shè)備均通過校準(zhǔn)，確保其測量準(zhǔn)確性符合實驗需求。

2.2實驗結(jié)果

在完成實驗準(zhǔn)備后，進行相應(yīng)的對比實驗。實驗結(jié)果如表1所示。

實驗結(jié)果表明，硬件補償方法（如增加溫度傳感器、濕度傳感器等，直接在硬件層面減少環(huán)境因素的影響）在不同環(huán)境條件下仍存在較為顯著的測量誤差。具體而言，溫度從 20^°C 升至 60^°C 時，傳統(tǒng)方法的測量誤差從 0.02mm 增加到 0.15mm ，誤差擴大7.5倍；濕度從 30% 上升到 90% 時，誤差從 0.03mm 增加到 0.12mm ，增幅達4倍；在 100Hz，0.5mm 振幅的振動條件下，誤差達到 0.20mm 。這表明環(huán)境因素對測量精度有顯著影響。然而，應(yīng)用深度神經(jīng)網(wǎng)絡(luò)算法進行補償后，測量精度顯著提升。溫度變化范圍內(nèi)的誤差降至 0.03mm ，降低了 80% ；濕度變化范圍內(nèi)的誤差降至 0.04mm ，減少了 66.7% ；振動條件下的誤差降至 .0.05mm ，降低了 75% 。因此，通過引入深度神經(jīng)網(wǎng)絡(luò)算法，可以有效減少溫度、濕度、振動等因素對民用航空發(fā)動機配套附件長度測量精度的影響，為提高工業(yè)制造過程中的質(zhì)量控制水平提供了新的解決方案。

3 結(jié)束語

綜上所述，DNN算法通過自動學(xué)習(xí)多維環(huán)境變量與測量誤差之間的非線性關(guān)系，能夠?qū)崿F(xiàn)對復(fù)雜環(huán)境因素的精確建模與實時補償。未來，隨著深度學(xué)習(xí)算法的進一步發(fā)展和硬件計算能力的提升，基于深度神經(jīng)網(wǎng)絡(luò)的補償技術(shù)在實際工程中的應(yīng)用潛力將更加廣泛。同時，可結(jié)合邊緣計算和云計算技術(shù)，進一步優(yōu)化模型的實時性和擴展性，實現(xiàn)在線數(shù)據(jù)分析與自適應(yīng)補償，為高精度測量提供更智能的解決方案。

參考文獻

[1]劉威.一種基于深度神經(jīng)網(wǎng)絡(luò)的多階段PUF抗建模能力評估方法[J].信息工程大學(xué)學(xué)報，2024，25（4）：447-452.

[2]王加昌，賴跖，唐雷，等.基于深度神經(jīng)網(wǎng)絡(luò)的設(shè)備剩余使用壽命預(yù)測研究[J].計算機應(yīng)用與軟件，2024，41（8）：60-66.

[3]王丹，施嘉興.影響民用航空發(fā)動機維修成本的因素討論和實例[J].中國設(shè)備工程，2023（11）：86-88.

[4]劉乙萱，蘇鑫.基于兩階段遷移學(xué)習(xí)的Multi-scaleSE-ResNet50深度卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽航空圖像分類問題研究[J].數(shù)學(xué)的實踐與認(rèn)識，2023，53（6）：174-186.

[5]李法貴，王若奇，孫玉文.基于深度神經(jīng)網(wǎng)絡(luò)的機器人加工系統(tǒng)模態(tài)特性預(yù)測[J].航空制造技術(shù)，2023，66（3）：85-92，124.

[6]韓冬陽，林澤宇，鄭宇，等.基于選擇性深度神經(jīng)網(wǎng)絡(luò)集成的渦扇發(fā)動機剩余壽命預(yù)測[J].浙江大學(xué)學(xué)報：工學(xué)版，2022，56（11）：2109-2118，2214.