申江江+孙中华+齐银鹏

摘要：针对光谱分析技术在实际应用时难以准确诊断出发动机产生磨损故障的部位，本文在滑油光谱分析数据的基础上，提出将人工神经网络应用于发动机的磨损故障检测中。首先通过对发动机典型数据库，建立标准故障模式，对RBF神经网络进行训练。然后根据待检滑油光谱数据建立待识别样本，用已训练神经网络对待识别样本进行检测。检测结果证实了本文方法的可行性。

关键词：航空发动机；RBF神经网络；光谱分析；磨损故障诊断

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）33-0177-03

Abstract： As the spectral analysis technology in practical application is difficult to accurately diagnose the malfunction of the parts， this paper puts forward applying artificial neural network to engine wear fault detection. on the basis of spectral analysis for lubricating oil data. First of all， through the typical engine maintenance records data sets， the RBF neural network is established. Then according to the data of spectral analysis for lubricating oil to detect unknown samples， and use the trained RBF neural network to identify sample for testing. Test results verifies the correctness of neural network model diagnosis.

Key words： aero-engine； RBF neural network； spectral analysis； wear fault diagnosis

1 引言

由于磨损而引发的故障在平时发动机维护过程最为常见，但磨损故障常常发生在飞机内部，直接在飞机上检查磨损情况十分困难，若是将零部件拆装下来检查则程序太过繁琐[1]。滑油检测技术通过分析滑油里面所含金属元素的信息并和飞机发动机系统里面的齿轮和轴承等部件所含的金属元素进行对比分析，进而对摩擦部件的磨损状况进行分析，迅速、准确地判断出故障产生部位和预测摩擦部件可能产生故障的时间，对于减少飞机发动机故障的维修时间，维持飞机的完好状态，保证飞机的出勤率具有重大意义[2]。

本文通过对航空发动机的滑油进行光谱分析，根据滑油中各种金属元素浓度的变化趋势分析发动机的磨损状态，并基于RBF神经网络建立故障诊断模型，对发动机的磨损故障状态和可能产生故障的部位进行诊断。……