基于ABC-BP神经网络的航空发动机故障诊断方法研究

作者:朱涛 刊名:电子制作 上传者:高爱玲

【摘要】航空航天领域是国家科技发展的重点创新项目;航空发动机是航天飞机的动力保障系统;其故障诊断研究一直处于重要的研究地位;运用ABC-BP神经网络的诊断模型构建;是目前正在发展创新的诊断方法;本文首先对ABC-BP神经网络与航空发动机诊断模型简要概述;其次;对ABC-BP神经网络在航空发动机故障诊断中存在的不足综合分析;最后;针对ABC-BP神经网络在航空发动机故障诊断中的优化应用提出合理性建议;

全文阅读

0 前言 航空发动机的故障诊断方法有很多ABC-BP神经网络是基于人工神经网络的计算进行仿真数据处理,通过仿真模型的实践应用,进行航空发动机的故障诊断,力求用最为真实的仿真手段,对航空发动机潜在的安全隐患进行排除,以此,提升航空发动机应用的质量与安全,促进我国航空航天领域的创新与进步。本文基于ABC-BP神经网络的航空发动机故障诊断进行实践操作的方法研究。 1 ABC-BP神经网络与航空发动机诊断模型 1.1 ABC-BP神经网络 ABC-BP神经网络是应用误差逆向传播的方式进行多重计算的前馈神经网络,是从人工神经网络发展而来,逐渐成为目前最广泛应用的神经网络,主要具有的优势特点是模型清晰、结构简单、计算稳定可靠性等,ABC-BP神经网络的工作示意图如图1所示,在数据的输入层进行数据的收集,并在隐层处进行数据的分析和计算,最终通过输出层将计算结果输送出去[1]。通过这样的方式对航空发动机系统进行诊断工作等,作为智能信息处理系统,ABC-BP神经网络的独特之处就是运用BP算法进行数据的阶梯下降法计算,并以阶梯搜索的形式来力求对世纪输出值和期望数据值之间的数据差降到最低,这是ABC-BP神经网络目前正在研究的方向,将以此为基础进行应用范围的扩大。 1.2 航空发动机诊断模型 PW4000发动机是目前民用航空最为广泛应用的发动机,在实践操作过程中主要利用ABC人工蜂群算法,将BP神经网络的误差函数计算纳入到人工蜂群的算法之中[2]。 计算流程步骤如下: (1)样本数据专业化规范; (2)初始化ABC-BP神经网络模型,进行样本数据训练; (3)将迭代次数最大化,为神经网络的误差计算提供适应函数; (4)输入测试数据与样本数据形成对比;如测试数据满足样本数据则输出数据;若测试数据与样本数据不匹配则进行下一步检测; (5)运用阶梯法对误差值进行修正;回到上一步重新输入;反复循环直到与样本数据形成匹配,输出数据。 2 ABC-BP神经网络在航空发动机故障诊断中存在的不足 2.1 ABC-BP算法的创新性不足 ABC-BP算法的基本计算技术是通过信号的正向传播与误差的反向输出两个过程来组成,在航空发动机故障诊断的应用过程中需要ABC-BP神经网络的ABC-BP算法提升故障诊断的自动化与智能化。在实际应用的过程中ABC-BP算法的缺陷主要有:学习速度慢,在进行故障的诊断上再小的数据也需要成千上万次重复才能进行系统化的统计升级;极其容易将数据陷入极限值,在进行故障诊断的过程中主要是通过数据分析,ABC-BP算法在数据的统计过程中极其容易像极大值或极小值偏向,致使数据的不稳定、不可靠;网络层数与神经元个数选择缺乏更多的理论指导,在ABC-BP算法的升级上没有随着时代创新应用的过程中进行理论知识的更新,不能满足人工神经网络的航空发动机故障自动检测的可靠性提升。 2.2 故障检测缺少精准性 随着AI时代的来临,对智能化的航空发动机系统要求越来越显著,数据应用下的故障检测需要进行精准性的升级,在PW4000发动机的故障样本检测中,网络性能测试的结果显示,最低的准确率为84%,在56组的样本检测中,100%的诊断有29组,仅为50%左右,低于90%的诊断结果有7组,偏差率高达12%。以故障诊断的精准性为基础提升要点,对ABC-BP算法的计算速度升级同时对函数的计算正确性提升是目前最主要的攻克方向。尤其是在航空发动机的机械磨损故障之中,主要包括:抛光摩擦;磨屑磨损;切削磨损;自然剥落磨损以及表面氧化磨损,这是最为基础的故障诊断内容。 3 ABC-BP神经网络在航空发动机故障

参考文献

引证文献

问答

我要提问