中国航发南方工业有限公司 412000
摘要：在当前的时代背景下，现代科技的发展水平正在不断的提高，航空发动机系统的内部结构变得更加复杂。这种类型的复杂系统在应用时，可以提高运行安全性和稳定性，但是在使用期间经常会发生故障问题，会引发安全事故。因此要保证发动机设备始终保持稳定的运行状态，在对设备机械磨损故障问题进行诊断时，工作人员要积累更多经验，对导致故障问题发生的影响因素进行严格的控制，尽可能降低故障问题的发生几率。
关键词：航空发动机；机械磨损；故障诊断；分析探讨
在对航空发动机设备的机械磨损故障问题进行诊断时，要想保证最终结果的准确，需要根据滑油金属磨屑理论，融合神经网络技术，建立故障诊断模型。因为神经网络技术在应用时存在缺陷，需要利用人工蜂群对其进行优化。在应用这个模型时，可以将误差函数作为人工蜂群的适应度。在初始化参数值中，选择适应度最好的一组参数值，作为神经网络的权值和阙值。最后开展仿真研究，对相关的数据信息进行智能分析。结果表明这种模型在应用时。具备较好的故障诊断效果，可以为后期的维修工作开展提供有效的支持[1]。
一、建立机械磨损故障诊断模型
（一）机械磨损故障问题的主要特点
发动机设备的内部一旦出现了机械磨损故障问题，就会导致机械部位表面材料的脱落或损伤。材料脱落之后，以金属磨屑的形式存在滑油系统中。在对故障问题进行诊断时，首先要做好金属磨屑的自动识别，才能缩短诊断工作的开展时间，避免出现遗漏的问题。确保发动机在运行时，更加的安全可靠[2]。
（二）基于abc-bp神经网络技术的诊断模型建设
这项技术属于反馈类型的神经网络技术，采用了误差后向传播的学习算法，应用效果更好。在进行模型构建的过程中，可以利用abc算法，对bp神经网络技术形式进行优化，避免出现局部最优等情况。这种技术应用形式的分类效果比较好，而且能够提高收敛的速度，诊断结果更加精确。在进行人工蜂群算法应用的过程中，是模仿蜜蜂的觅食行为。这个算法对全局和局部搜索进行了有机结合，在探索和开采方面达到了一定的平衡。这个算法主要包含了食物源和雇佣蜂以及非雇佣蜂等三个形式，非雇佣蜂包含了观察蜂和侦查蜂。在初始阶段要设置种群的规模，对每个食物源的实际位置进行计算。雇佣蜂可以在食物源位置附近寻找新的位置，进而计算位置的适应度。观察蜂可以根据食物源位置的适应度值，按照概率选择函数，对新的食物源进行选择。侦察蜂如果发现存在食物源适应度值，但是经过循环以后没有得到改善，这个位置就会被移除。在这种情况下，雇佣蜂会变成侦察蜂，然后寻找新的食物源位置[3]。
（三）abc-bp神经网络技术的应用流程
应用abc算法对bp神经网络技术进行优化，可以将误差函数作为人工蜂群算法的适应度函数，依靠这个算法的局部和全局搜索能力，对故障发生区域进行全方位的探索。在进行故障发生区域定位的过程中，首先要对样本数据信息进行规范化的处理。要在初始化参数值中，输入训练的样本数据信息，应用初始化参数值，对待优化参数值进行计算，设定最大的迭代次数。将均方误差数值作为算法的适应度函数值，运行算法期间，要根据最优的食物源属性，对权值和阈值进行计算。将其作为初始的参数值，对bp神经网络进行训练，输入测试样本数据信息之后，要对误差进行计算，判断是否能够满足技术的应用要求。如果满足，要进行输出层的计算。如果不满足，需要在误差逆传播途中，根据梯度下降法的原则，对权值和阈值进行修正。如果网络的全局误差达到相应的要求，需要对输出层进行计算，否则就要继续根据梯度下降法的原则，对权值和阈值进行修正[4]。
二、对机械磨损故障问题进行仿真性研究
（一）初始化模型参数设计
一般情况下发动机设备润滑油磨屑中，主要存在摩擦抛光磨屑形式和摩擦掉块磨屑形式以及切削磨屑形式、疲劳剥落磨屑形式、氧化磨屑形式。将故障诊断模型应用到航空发动机设备的机械磨损故障问题诊断工作中，要根据现有的铁谱，提取相应的数值，作为训练的样本。对bp神经网络、abc-bp神经网络以及pso-bp神经网络技术的应用情况进行对比和分析。首先要根据实际情况，将故障问题划分成4个类型，要对矩阵对应的故障类型进行判断。可以明确输入层节点和输出层节点以及隐含层节点，根据经验公式，计算出最佳数值。在对个体向量维数值进行计算时，每个个体对应一个固定的食物源，向量维数为D。根据输入层的结点数、隐含层的节点数、输出层的结点数，对bp神经网络下的权值和阈值进行计算，进而得出个体向量维数D[5]。
构造适应度函数时，不同于一般的bp神经网络，需要优先选择适应度值比较大的个体。将均方误差函数作为abc算法的适应度函数，需要优先选择适应度值比较小的个体，引入种群之后，开展计算工作。在这个期间需要构造食物源，选择概率公式。观察蜂根据雇佣蜂分享的食物源信息，可以计算出适应度值，在进行食物源选择时，可以对概率进行计算。输入诊断模型的参数值之后，要根据最终计算结果，确定abc-bp神经网络下的初始化参数值。将这个参数值与bp神经网络、pso-bp神经网络的参数值进行对比，可以发现改进最后的bp神经网络技术，在应用时诊断准确率有所提高。abc-bp神经网络技术和pso-bp神经网络技术在应用时，准确率更高[6]。
（二）诊断结果对比分析
这几种技术在应用时，各自的适应度和收敛效果存在较大的差异。在对比时可以发现，abc-bp神经网络技术，相比于pso-bp神经网络技术，在更新到第15代时，已经趋向于稳定的应用状态，而且收敛的速度更快。通过人工蜂群算法，对权值和阈值进行调整之后。bp神经网络技术在应用时，不会陷入到局部最优的运行状态，且abc-bp神经网络技术的应用误差更小，最终的诊断结果更加准确。相比于pso-bp神经网络技术，这项技术的更新次数比较少，速度比较快。
结语
综上所述，应用人工蜂群算法，对bp神经网络技术进行改进，建立一个故障问题诊断模型。不仅可以提高收敛的速度，而且准确率有了极大程度的提升。将这个模型应用到发动机设备机械磨损故障问题诊断工作中，可以发挥更好的效果。根据滑油金属的含量，对发动机设备的轴承和机匣、齿轮进行故障预测。通过这个模型的应用，可以对发动机设备传动系统零部件的磨损情况进行全方位的监控，进一步降低维修工作的开展成本，而且能够提高诊断工作的开展质量和效率。因此要对相关技术进行大规模的推广使用，促进相关工作的可持续发展。
参考文献：
[1]罗承昆,陈云翔,何桢,李岩,张洋铭.基于故障树分析的航空装备体系结构贡献率评估方法[J].国防科技大学学报,2021,43(01)：155-162.
[2]巩小强,李冲,杨宇.基于半监督协同训练的航空发动机故障诊断技术研究[J].民航学报,2021,5(01)：55-58.
[3]张成玉.航空发动机机械磨损故障的诊断研究[J].设备管理与维修,2020(24)：147-148.
[4]姜旭峰,宗营,阮少军.基于光谱-铁谱分析的航空发动机磨损故障诊断应用研究[J].化工时刊,2020,34(04)：1-5.
[5]张全德,陈果,郑宏光,陈明衡,王培文,王洪伟,李华.一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法[J].润滑与密封,2019,44(03)：128-134.
[6]董子龙.油液分析技术在航空发动机磨损故障诊断中的应用[J].航空维修与工程,2011(03)：57-59.