牛國臣 朱 通

(中國民航大學(xué)電子信息與自動化學(xué)院 天津 300300)

0 引 言

飛機發(fā)動機作為航空器的核心部件，其工作正常與否直接影響飛機的安全。風(fēng)扇葉片承擔(dān)發(fā)動機80%以上的推力，工作時暴露在大氣中，遭受外界環(huán)境的大氣直接侵蝕和外來物的撞擊，工作中與轉(zhuǎn)子鼓的磨損，極易發(fā)生各種損傷，引發(fā)發(fā)動機震動，造成發(fā)動機性能下降。因此，對發(fā)動機葉片的狀態(tài)進行監(jiān)控和檢查修理，防止其進一步產(chǎn)生磨損現(xiàn)象，保證其性能可靠是重要的維護工作之一。

目前國內(nèi)外成熟且有效的自動化飛機發(fā)動機葉片清洗方法較少，國內(nèi)大多數(shù)是以人工的方法進行清洗。工人以異丙醇為清洗原料使用毛刷對飛機發(fā)動機葉片進行反復(fù)刷洗，工作時間長，勞動強度大且會損害工人身體健康。因此研究一種能夠代替人工并且快速、高效、環(huán)保、健康的飛機發(fā)動機風(fēng)扇葉片的清洗方式是十分有價值的。

工業(yè)清洗方式一般有人工清洗、化學(xué)清洗、干式清洗、高壓清洗和超聲波清洗[1]。超聲波清洗具有清洗成本低、清洗效果好等優(yōu)點。同時，根據(jù)發(fā)動機SPM手冊要求，超聲波清洗可以用于清洗飛機發(fā)動機風(fēng)扇葉片。

超聲波的清洗頻率、溫度、時間、距離、功率密度、清洗液能夠直接影響工件的清潔度[2]。超聲波清洗參數(shù)對飛機發(fā)動機風(fēng)扇葉片的清潔度影響十分重要，因此需要對各個參數(shù)進行優(yōu)化才能保證最佳的清洗效果。目前在工業(yè)參數(shù)優(yōu)化方面，姜志宏等[3]采用正交實驗與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對影響金屬板材在多點漸進中壁厚相關(guān)參數(shù)進行優(yōu)化，但是優(yōu)化結(jié)果只是試驗所用水平的最優(yōu)組合，存在局部優(yōu)化的弊端；Babets等[4]采用人工神經(jīng)網(wǎng)絡(luò)方法，根據(jù)所獲得的高壓水除銹工藝的實驗數(shù)據(jù)，建立相關(guān)的工藝模型，最后利用遺傳算法對能量進行優(yōu)化，但是會存在著收斂過早以至無法獲得全局最優(yōu)解的問題；湯耿等[5]采用BP神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合的方式對罩蓋壓鑄工藝參數(shù)進行了優(yōu)化，但是其訓(xùn)練樣本太少以及單一遺傳算法易魯棒性不佳的問題容易導(dǎo)致輸出結(jié)果不能真正代表最優(yōu)參數(shù)；高道明等[6]分析了路面清洗車相關(guān)參數(shù)對清洗效果的影響，并通過模糊數(shù)學(xué)方法建立了水射流清洗模型，最后基于遺傳算法對清洗參數(shù)進行優(yōu)化，優(yōu)化效果較好，但是存在著明顯的效率低的問題。

基于上述分析，選擇超聲波清洗作為飛機發(fā)動機風(fēng)扇葉片的清洗方式可以實現(xiàn)自動化清洗的目的。在清洗的優(yōu)化方面，雖然有相關(guān)研究，但優(yōu)化參數(shù)的選擇并不全面，參數(shù)優(yōu)化時存在著收斂早、效率低等問題。同時，目前國內(nèi)外缺乏對飛機發(fā)動機風(fēng)扇葉片壓力面清洗以及清洗參數(shù)優(yōu)化的相關(guān)研究。

介于目前葉片清洗技術(shù)及優(yōu)化方面還存在不足之處，本文提出一種將BP與SA-GA相結(jié)合的混合算法對飛機發(fā)動機風(fēng)扇葉片的清洗參數(shù)進行優(yōu)化，獲得最佳清洗參數(shù)；采取圖像檢測方式，提出一種清潔度計算算法，對清洗效果進行分析。

1 清洗參數(shù)影響因素分析與建模

1.1 葉片清洗參數(shù)因素分析

為提高飛機發(fā)動機風(fēng)扇葉片清洗效果，須對清洗工藝參數(shù)進行優(yōu)化，從而獲得最佳清洗效果。由于超聲波清洗參數(shù)的不同會對清洗效果有著不同的影響。為提高飛機發(fā)動機風(fēng)扇葉片的清洗效果，需選擇合適的超聲波清洗參數(shù)。經(jīng)過分析，影響飛機發(fā)動機風(fēng)扇葉片清洗因素主要有清洗頻率、功率密度、清洗時間、清洗溫度以及清洗距離。

(1) 超聲波清洗頻率[7]。超聲波空化閾值與頻率有關(guān)：超聲波清洗頻率越高，空化閾值越高，產(chǎn)生空化越困難；頻率越低，空化閾值越低。因此，飛機發(fā)動機風(fēng)扇葉片清洗超聲波頻率一般在20 kHz左右，此時空化效果理想。

(2) 超聲波功率密度。通常，功率密度大則清洗效果好，但是過大的功率密度會使被清洗件表面受到損傷，因此需要對功率密度進行參數(shù)優(yōu)化。

(3) 超聲波清洗時間。清洗時間過短，會導(dǎo)致清洗效果差；清洗時間長，影響清洗效率和造成不必要的資源浪費等。

(4) 超聲波清洗溫度[8]。采用不同清洗劑對超聲波溫度會有不同要求，飛機發(fā)動機風(fēng)扇葉片通過采用異丙醇作為清洗劑的方式，因此選擇合適的清洗溫度能夠提高飛機發(fā)動機風(fēng)扇葉片清洗效果。

(5) 清洗距離。根據(jù)超聲波清洗空化原理，在清洗槽中，換能器上方充滿空化氣泡，這些氣泡距換能器的高度不同，空化氣泡的形成程度不同。因此清洗距離會對清洗效果產(chǎn)生影響。

1.2 非線性數(shù)學(xué)關(guān)系的建立

通過對飛機發(fā)動機風(fēng)扇葉片清洗影響因素分析，在MATLAB環(huán)境下構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將設(shè)定的超聲波清洗頻率、功率密度、超聲波清洗時間、清洗溫度、清洗距離作為輸入，清潔度的最大值作為輸出。建立如下非線性數(shù)學(xué)模型：

(1)

式中：A、B、C、E、D分別為清洗頻率、功率密度、清洗時間、清洗溫度、清洗距離；Ff為飛機發(fā)動機風(fēng)扇葉片清潔度輸出響應(yīng)，選取Ff的最大值作為輸出。根據(jù)發(fā)動機SPM手冊要求以及超聲波清洗技術(shù)的理論基礎(chǔ)，A、B、C、E、D的取值范圍分別為[20,30]、[0.5,1.3]、[5,9]、[20,40]、[10,30]。

2 風(fēng)扇葉片清洗參數(shù)優(yōu)化

由于采用單一正交試驗獲得的優(yōu)化參數(shù)，具有指向性差、選取優(yōu)化組合范圍小等缺點；采用BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最值與收斂速率慢的缺陷。本文針對以上問題通過正交試驗獲得的樣本數(shù)據(jù)進行極差與方差分析；建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，神經(jīng)網(wǎng)絡(luò)的輸入選擇超聲波清洗涉及的五個參數(shù)，神經(jīng)網(wǎng)絡(luò)的輸出選擇飛機發(fā)動機風(fēng)扇清潔度S，建立關(guān)系模型；由正交試驗獲取神經(jīng)網(wǎng)絡(luò)測試數(shù)據(jù)，映射出工藝參數(shù)與質(zhì)量指標的非線性關(guān)系；通過采用改進采用模擬退火算法改進的遺傳算法進行全局尋優(yōu)，得到飛機發(fā)動機風(fēng)扇葉片的最優(yōu)清洗參數(shù)組合。其流程如圖1所示。

圖1 優(yōu)化設(shè)計流程

2.1 BP神經(jīng)網(wǎng)絡(luò)的建模、訓(xùn)練和測試

2.1.1建 模

BP網(wǎng)絡(luò)采用非線性微分函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練，學(xué)習(xí)算法具有可塑性和結(jié)構(gòu)簡單性特點，在許多領(lǐng)域得到了廣泛的應(yīng)用[9]。

通過對超聲波方法清洗飛機發(fā)動機風(fēng)扇葉片的方式，選取頻率、功率密度、溫度、距離、時間作為此神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，清潔度作為輸出參數(shù)。因此，此網(wǎng)絡(luò)的輸入層為5個，輸出層為1個。分別采用logsig、trainlm函數(shù)作為此網(wǎng)絡(luò)各層之間的激活函數(shù)與訓(xùn)練函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)影響其預(yù)測精度，據(jù)式(2)得到隱層神經(jīng)元數(shù)為10。

(2)

式中：h、q、p分別為隱含層節(jié)點數(shù)、輸入層節(jié)點數(shù)、輸出層節(jié)點數(shù)；v為[1,10]的整數(shù)[10]。

最終構(gòu)建了一個5-10-1的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，所建模型如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

2.1.2訓(xùn)練和測試

正交試驗起源于基于概率論和數(shù)理統(tǒng)計的科學(xué)實驗。通過對影響飛機發(fā)動機風(fēng)扇葉片因素分析，確定5個優(yōu)化工藝參數(shù)，設(shè)計出如表1所示的5因素5水平正交試驗表。

表1 正交試驗設(shè)計

選取采用超聲波清洗設(shè)備實驗獲取的100組數(shù)據(jù)作為訓(xùn)練樣本，由于正交試驗獲取的數(shù)據(jù)具有代表性強的特點，因此選擇正交實驗獲得的25組數(shù)據(jù)作為測試樣本。該神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)設(shè)為500，目標誤差為4×10-5，學(xué)習(xí)率為1×10-2。飛機發(fā)動機風(fēng)扇葉片清洗參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能曲線如圖3所示。可以看出，在63次學(xué)習(xí)訓(xùn)練后，訓(xùn)練曲線比較光滑，沒有較大的起伏波動，因此該神經(jīng)網(wǎng)絡(luò)具有最佳的訓(xùn)練性能。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能曲線

由圖4測試樣本的預(yù)測值與實際值的比較可知，誤差較小均在1%的范圍內(nèi)；決定系數(shù)R2值為0.984 5，接近于1，表明此模型的性能較好[11]。因此通過上述方法BP神經(jīng)網(wǎng)絡(luò)性能較好，可以構(gòu)建出良好的輸入與輸出關(guān)系。

圖4 BP神經(jīng)網(wǎng)絡(luò)測試

2.2 SA-GA混合算法尋優(yōu)

單一的遺傳算法容易陷入局部最優(yōu)以及過早收斂等問題[12-13]。為解決上述問題，得到最優(yōu)清洗參數(shù)，本文采用模擬退火算法與改進遺傳算法相結(jié)合的混合算法。首先使用SA對初始種群進行處理，然后采用GA進行對種群進行選擇、交叉與變異，接著采用兩種混合算法往復(fù)使用的方式進行尋優(yōu)，直至達到種群收斂條件，最后輸出飛機發(fā)動機風(fēng)扇葉片清潔度最大的清洗參數(shù)。

SA與GA相結(jié)合的混合算法利用模擬退火算法的高效性、魯棒性強的特點，能夠有效克服遺傳算法的早期收斂的缺點；同時，遺傳算法可以克服模擬退火算法的收斂速度慢等缺點[14-15]。該混合算法能有效地提高局部搜索能力，同時防止早熟溢出，保證求解精度和收斂速度的要求，在多次運行迭代之后，求解出最優(yōu)化參數(shù)。因此該混合算法能夠成功獲取發(fā)動機風(fēng)扇葉片清潔度的最大值。流程設(shè)計如圖5所示。

圖5 SA-GA混合算法流程圖

其基本操作流程為：

(1) 編碼。采用浮點數(shù)編碼的方式，將各個參數(shù)進行編碼。

(2) 種群初始化。設(shè)置個體參數(shù)，將遺傳代數(shù)進行初始化為0，設(shè)置種群規(guī)模大小為20，迭代次數(shù)為100。

(3) 模擬退火過程。此過程中對產(chǎn)生的新個體采用Metropolis接受準則來確定[16]，最后生成一個新的種群。此接受準則如下：

(3)

式中：df為新的染色體適應(yīng)度與父染色體適應(yīng)度之差;t為控制參數(shù)。

(4) 選擇規(guī)則。采用輪盤賭法進行選擇個體。設(shè)N為所有個體數(shù)，則根據(jù)式(4)可以得到個體被選擇的概率。

(4)

式中：fit(i)為每個個體的適應(yīng)度。

(5) 交叉與變異。采用自適應(yīng)方式的交叉操作和變異操作：

(5)

(6)

式中：afit與fit(i)分別表示染色體的平均值以及第i個染色體的適應(yīng)值[17];Pc與Pm分別為此算法的交叉概率與變異概率。

(6) 目標函數(shù)與適應(yīng)度函數(shù)。通過將由改進遺傳算法產(chǎn)生的個體代入到構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)中，因此，選擇神經(jīng)網(wǎng)絡(luò)的輸出作為目標函數(shù)，如式(7)所示。由于本文優(yōu)化最大清潔度值，所以可將目標函數(shù)作為適應(yīng)度函數(shù)，如式(8)所示。

T(x)=sim(net,x)

(7)

F(x)=T(x)

(8)

式中：net為通過BP神經(jīng)網(wǎng)絡(luò)建立好的模型;x為網(wǎng)絡(luò)輸入;T(x)、F(x)分別為目標函數(shù)與適應(yīng)度函數(shù)。

3 實 驗

通過使用如圖6所示的超聲波清洗設(shè)備進行飛機發(fā)動機風(fēng)扇葉片清洗，此設(shè)備可調(diào)功率、頻率，且可以設(shè)定時間、溫度。采用飛機發(fā)動機風(fēng)扇葉片填隙塊原件進行實驗。

圖6 超聲波清洗設(shè)備

發(fā)動機風(fēng)扇葉片清洗效果檢測采用圖像檢測方式。通過對輸入圖像處理以及圖像分析方式獲得清潔度大小。對于飛機發(fā)動機風(fēng)扇葉片清潔度計算如下：

(9)

式中：S為飛機發(fā)動機風(fēng)扇葉片清潔度；w為工件清洗后的平均灰度值；h為工件本身平均灰度值；p為工件清洗前的平均灰度值。

經(jīng)過多次實驗對比，采用式(9)能更準確地反映出飛機發(fā)動機風(fēng)扇葉片的清潔度，為飛機發(fā)動機風(fēng)扇葉片清洗效果自動檢測提供理論和方法支持。

3.1 正交試驗結(jié)果分析

通過正交試驗方法，采用極差分析，得到表2所示結(jié)果。

表2 正交試驗結(jié)果

通過方差分析能夠確定正交試驗下的飛機發(fā)動機風(fēng)扇葉片清洗參數(shù)的最優(yōu)組合，結(jié)果如表3所示。

表3 試驗數(shù)據(jù)方差分析表

根據(jù)表3中的數(shù)據(jù)分析，影響飛機發(fā)動機風(fēng)扇葉片清洗效果的因素是頻率、功率密度、時間、溫度和距離。由于目標為清潔度，數(shù)據(jù)越大，清洗效果越好，通過結(jié)合表2需要選擇每個因素均值的最大值對應(yīng)的水平。對于清洗距離而言，對比組合A3B4C5D1E3與組合A3B4C5D1E4，發(fā)現(xiàn)距離為20 cm時清洗效果更好。因此，最優(yōu)組合為A3B4C5D1E3即：頻率25 kHz、功率密度1.1 W/cm2，時間9 min，溫度20 ℃，距離20 cm。

3.2 優(yōu)化結(jié)果對比

通過BP神經(jīng)網(wǎng)絡(luò)科研獲得飛機發(fā)動機風(fēng)扇葉片清潔度與各個清洗參數(shù)的模型。由正交試驗獲取的參數(shù)可知，清洗時間、清洗溫度、清洗距離影響較小，因此在預(yù)測時，可將其分別設(shè)為最佳水平值。將清洗時間、清洗溫度、清洗距離進行等量細分，與清洗頻率和功率密度進行組合，能夠得到10 000組輸入變量，將獲得變量帶入BP神經(jīng)網(wǎng)絡(luò)中，得到如圖7所示的預(yù)測結(jié)果。通過結(jié)果輸出，可以得到采用BP神經(jīng)網(wǎng)絡(luò)作為優(yōu)化模型下最佳清潔度為85.6%，對應(yīng)工藝參數(shù)為：頻率26 kHz，功率密度1.16 W/cm2，時間9 min，溫度20 ℃，距離20 cm。

圖7 BP映射結(jié)果

通過本文算法，得到如圖8所示的迭代次數(shù)與適應(yīng)度的關(guān)系曲線，經(jīng)過100次迭代尋優(yōu)，在55代左右達到清潔度最大值。得到的超聲波清洗最優(yōu)參數(shù)為：頻率21 kHz，功率密度1.2 W/cm2，時間7 min，溫度38 ℃，距離16 cm。

圖8 迭代次數(shù)與適應(yīng)度的關(guān)系

在優(yōu)化后的清洗參數(shù)下進行飛機發(fā)動機葉片清洗實驗，得到實驗結(jié)果如表4所示，本文算法的清洗效果優(yōu)于正交試驗以及正交試驗結(jié)合BP算法。為確保實驗準確性，對清潔度進行計算，優(yōu)化結(jié)果比較如表5所示，本文算法的清洗時間比已有算法縮短了2 min，避免了資源浪費，且優(yōu)化后的清潔度可以達到92%以上，提高了飛機飛行的安全系數(shù)。因此通過對比分析可以發(fā)現(xiàn)采用該混合算法大大提升了清洗效果，有效提高了清洗效率。

表4 實驗結(jié)果對照

表5 優(yōu)化結(jié)果比較

4 結(jié) 語

本文對飛機發(fā)動機風(fēng)扇葉片清洗方式進行了研究，采用超聲波清洗方式代替人工清洗，并分析了影響其清洗效果的因素。利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合SA與GA的混合算法對飛機發(fā)動機風(fēng)扇葉片清洗參數(shù)進行了優(yōu)化，提出清潔度計算算法。通過分析以及實驗得到如下結(jié)論：

(1) 影響飛機發(fā)動機風(fēng)扇葉片清洗效果主要因素為清洗頻率、清洗功率、清洗時間、清洗溫度、清洗距離。

(2) 對比采用正交試驗以及BP-SA-GA方法得到的清洗參數(shù)可知，采用BP與SA-GA混合算法優(yōu)化能夠準確得到全局最優(yōu)解，其優(yōu)化后的清洗工藝參數(shù)組合為：頻率21 kHz，功率密度1.2 W/cm2，時間7 min，溫度38 ℃，距離16 cm。

優(yōu)化結(jié)果驗證了該方法能夠有效地進行飛機發(fā)動機風(fēng)扇葉片清洗參數(shù)的優(yōu)化，提高工作效率，提升機務(wù)維修的智能化水平，對于機務(wù)人員清洗發(fā)動機風(fēng)扇葉片有很重要的指導(dǎo)作用。