丁一然

（北京交通大学附属中学，北京，100081）

0 前言

航空发动机是一个高转速机械系统[1]，其工作环境较为苛刻，长时间在高温、高压、高应力和强腐蚀的环境下运行，因此极易发生故障，如腐蚀与打击，从而为航空发动机带来一定停车故障甚至毁灭性的破坏[2]。所以，航空发动机的故障诊断可以有效提高航空发动机的续航和工作效率，并减少发生事故的可能性。但由于航空发动机结构复杂和部件数量多，导致其故障类型繁杂，会存在包括有关气路、油路和振动等一系列的故障问题，而在气路故障中又会包含如积垢、热变形、密封件疲劳、腐蚀等具体的故障[3]，振动故障也会包括如风扇失速振颤、叶片裂痕等具体故障[4]。其中对于不同类别的故障类型其导致产生的关键因素也会有所不同，如叶片转速、叶片的实际压力值等可作为导致振动故障的因素，发动机进气口温度、压气口的压力[2]等可作为导致气路故障的因素。因此由于故障类型的繁杂使得以往基于纯模型或基于知识[3]对于故障进行分析的方法不易实现。

神经网络作为20世纪兴起的基于生物神经网络而构建的人工数学模型，有着自主分类和自我学习的功能，且随着Geoあery Hinton等人在21世纪初建立的多层神经网络（深度学习）的兴起，可用于解决的问题范围又得到了进一步的扩展。基于神经网络对航空发动机进行故障的分析可借助神经网络突出的自我分析和学习能力，快速并基本准确的得到问题的最优解，判断故障的发生和类型，进而预测并避免发动机故障的发生。……