基于神经网络的航空发动机滑油金属含量预测

滑油监控是航空发动机状态监控的重要手段。通过滑油监控，可以判断航空发动机轴承、齿轮的磨损情况，并实现航空发动机磨损故障的诊断[1-4]。滑油监控通常包括滑油光谱分析、滑油铁谱分析和自动磨粒分析3种监控手段。其中，滑油光谱分析应用最为广泛，其利用金属元素原子光谱的差异实现对金属元素的判断，可以检测滑油中诸如Fe、Cu、Ag等金属元素的浓度值。刘强[5]针对某发动机滑油光谱分析中Fe含量超标的问题，在发动机返厂分解检查时成功定位Fe元素含量超标是由于主动齿轮前轴颈与轴承磨损导致，并组织该系列发动机返厂检查，确保了发动机的安全。李楠[6]运用灰色关联度分析法对某型航空发动机滑油光谱数据进行处理分析，成功地判断了航空发动机的磨损，判断结果与发动机定检检查结果一致。吴海[7]研究了滑油光谱分析技术在航空发动机维修中的应用，利用发动机每个翻修周期获得的滑油光谱数据发现某台发动机Cu元素变化异常，经返厂分解检查发现发动机中后轴承磨损严重，预防了一次较大故障的发生。修攀瑞[8]综合运用滑油光谱分析、自动磨粒分析、滑油滤和磁塞检测及扫描电镜-能谱分析技术对某型发动机的磨损状态进行监测，成功地发现磨损故障并定位磨损故障部位。

由于滑油光谱分析通常是在飞行后对滑油取样进行的，不能实现在线实时分析。因此，如何利用滑油光谱历史数据进行滑油金属含量的预测，以提前掌握滑油金属元素是否超标并采取相应的监控措施至关重要。本文采用BP(back propagation,BP)神经网络[9-10]和径向基(radial basis function,RBF)过程神经网络[11-13]对航空发动机滑油金属含量进行预测分析，并比较了两种方法的优劣。

1 BP神经网络

BP神经网络[5-6]通常由输入层、隐含层和输出层组成，层与层之间全互连，每层节点之间不相连，其网络拓扑结构如图1所示。

假设BP神经网络的输入矢量为x∈Rn，其中x=(x0,x1,…,xn-1)T；隐含层有n1个神经元，它们的输出为

输出层有m个神经元，输出为y∈Rm，x=(y0,y1,…,ym-1)T。输入层到隐含层的权值为wij，阈值为θj；隐含层到输出层的权值为

阈值为

于是各层神经元输出为：

显然，它将完成n维空间矢量到m维的映射。其中，激活函数f(x)为单极性Sigmoid函数

2 RBF神经网络

RBF神经网络[9-10]为一种3层前向结构。输入层有n个单元；中间径向基过程神经元隐层有m个单元，单元的变换函数是径向基核函数；输出层为线性关系。网络拓扑结构如图2所示。

设

为所研究识别问题的m个标准模式函数，取Xj(t)为隐层第j个神经元的核中心函数。网络输入X(t)=(x1(t),x2(t),…,xn(t))，则径向基过程神经网络输入输出之间的关系为

3 实验验证

本文选取某型航空发动机为研究对象，该型航空发动机的轴承、齿轮等部位含有Fe、Cu、Al等金属元素。其中，轴承衬套、轴承保持架等少数部件除了含有Fe元素外，还含有Cu元素。因为靠单一监测Fe元素无法及时准确定位发动机的磨损部位，所以选取Cu元素作为监测预测的金属元素。某型发动机换完滑油到下一次换滑油期间采样获得的滑油光谱数据如图3。

3.1 Cu元素浓度值预测

对获得的78个Cu元素数据进行数据集划分[9]，将78个Cu元素数据序列中的前5个数据作为网络的输入，而用第6个数据作为对应网络的期望输出，并按照这种方式采用滑动窗口[9]的方法形成其余的网络输入和期望输出，共得到73组输入输出样本，用其中的前72组数据作为训练数据，第73 组数据作为测试数据。下面分别利用BP神经网络和RBF神经网络进行预测，预测结果如表1所示，由表1的数据作出图4。

由计算结果可以看出：在本算例下RBF神经网络的预测精度要高于BP神经网络的预测精度。

3.2 不同数据集划分情况下的预测

不同的数据集划分方式产生不同数目的数据样本。下面研究不同数据集划分方式下，BP神经网络和RBF神经网络的预测情况。分别选取Cu元素数据序列中网络输入的数据个数分别为2,5,8,11,14，预测结果如表2所示。

由表2的计算结果可以发现，不同的数据集划分得到的预测结果不同。在网络输入个数由少增多的情况下，BP神经网络的预测精度逐步降低；RBF神经网络的预测精度先降低后增加；整体来说，RBF神经网络的预测精度高于BP神经网络的预测精度。且BP神经网络容易陷入局部最优解，而RBF神经网络则不存在这种情况。

3.3 Cu元素浓度告警

滑油光谱分析一项重要的工作就是根据滑油金属元素浓度的监控标准，判断滑油金属元素浓度是否超标，如果超标，则采取相应的监控措施。对于Cu元素来说，其监控的浓度告警值为4.5 ppm，浓度极限值为6 ppm。对所采集的滑油光谱数据中的Cu元素进行监控分析，监测结果如图5所示。可以发现，从第58次取样开始Cu元素超告警值，从第72次取样开始Cu元素超极限值。

对于单一Cu元素浓度超告警值，按式(4)计算其磨损率：

式(4)中：Ct表示本次取样后算得的修正浓度值；

表示上次取样后所算得的修正浓度值；C表示本次取样后测得的浓度值；C′表示上次取样后测得的浓度值；V表示发动机滑油系统总油量；ΔV表示上次取样后滑油的添加量。

如果磨损率在正常范围内，则检查滑油滤、磁塞、金属末信号器有无异常；若无异常，则对发动机进行监控使用；如果磨损率同时超过告警值，则认为发动机发生异常磨损，此时发动机需要进行维修。

4 结论

BP神经网络容易陷入局部最优解，而RBF神经网络则很好地解决了这一问题；在数据集划分合理的情况下，RBF神经网络的预测精度高于BP神经网络的预测精度。

[1] 丁刚，钟诗胜，栾圣罡.航空发动机滑油金属含量预测及其控制研究[J].润滑与密封,2006(9)：52-54.

[2] 祈磊，郭朝翔.航空发动机滑油综合监控方法及应用[J].科技创新导报，2013(10)：23-25.

[3] 曾力，龙伟.基于SVR的航空发动机滑油金属含量预测方法[J].四川大学学报(自然科学版)，2016，48(2)：161-164.

[4] 尉询楷，李应红，王硕，等.基于支持向量机的航空发动机滑油监控分析[J].航空动力学报，2004，19(3)：392-396.

[5] 刘强.某发动机铁含量超标分析与研讨[J].光机电，2018,5(2)：126-126,142.

[6] 李楠，张维亮，张帅.基于滑油光谱数据的航空发动机磨损状态研究[J].沈阳航空航天大学学报,2013,30(2)：1-3,8.

[7] 吴海.滑油光谱分析技术在航空发动机维修中的应用[J].科技博览,2012(30)：307-308.

[8] 修攀瑞，佟文伟，郎宏，等.滑油分析技术在发动机磨损状态监测中的应用[J].山东化工,2015,44(16)：138-140,144.

[9] 刘小平，鄂东辰，高强，等.基于BP神经网络的翻车机液压系统故障诊断[J].液压与气动,2016(8)：68-73.

[10]李琳，陶建峰，黄奕翔，等.基于BP神经网络的液压缸内泄露诊断[J].液压与气动，2017(7)：11-15.

[11]DING G,ZHONG S S.Time series prediction using wavelet process neural network[J].Chinese Physics B,2008,17(6)：1998-2003.

[12]CRAVEN M W,SHAVLIK J W.Using Neural Networks for Data Mining[J].Future Generation Computer Systems,1997,13(2)：211-229.

[13]YE Z F,SUN J G.Simulation Investigation of Aeroengine Fault Diagnosis Using Neural Networks[J].Transactions of Nanjing University of Aeronautics & Astronautics,2001,18(2)：157-163.