基于灰色神经网络的助航灯服役状态监测方法研究

来源:用户上传      作者:何超

　　摘要：机场助航灯的正常运行势必影响航空器的起降安全以及跑道的使用效率。为了能够预测助航灯的使用寿命，建立了遗传算法（GA）优化的灰色神经网络模型（GM）。由仿真结果可知，遗传算法优化的灰色神经网络模型与单一模型相比，提高了预测准确度和稳定性，为预防性维修的可行性奠定了基础。
　　关键词：助航灯;遗传算法;灰色神经网络
　　中图分类号：TP391 文献标识码：A
　　文章编号：1009-3044（2020）06-0176-02
　　机场的助航灯灯光系统分为滑行道灯光系统、进近灯光系统以及跑道灯光系统，是飞机起降和机场内滑行的重要引导装置，保证了飞机在能见度低的情况下能够正常起降运行。助航灯灯光系统的运行工况与飞行安全和飞行效率有紧密的关系。机场的助航灯数量多达几千甚至上万盏，如果采用人工巡查的方式，效率低下，势必造成机场滑行道和跑道的可用度下降。因此，有必要监控助航灯的运行状态，采用故障预测技术，预测助航灯的剩余寿命，进行合理的预防性维修，提高机场跑道和滑行道的使用效率。
　　1GA优化的灰色神经网络建模
　　本方案建立了遗传算法（GA）优化的灰色神经网络模型对助航灯的使用寿命进行预测。
　　灰色系统建立的模型称为灰色模型（GM），灰色神经网络是一种研究少数据、贫信息、不确定性问题的方法。为了使数据拥有一定的规律，首先需要对GM模型的数据做一次累加操作，接着使用典型曲线拟合累加后的数据。设有时间数据序列x（o）：
　　将式（7）映射到一个扩展的BP神经网络，得到一个灰色神经网络，该灰色神经网络拥有n个输入，1个输出，网络拓扑结构如图1所示。
　　由灰色神经网络拓扑结构可知，灰色神经网络有ABCD四层。其中，t为输入参数，y2（t），…yn（t）为网络输入参数，ω21，ω22，…，ω2n，ω31，ω32，…，ω3n为网络权值，y1为网络预测值。
　　在灰色神经网络建模过程中，其权值和阈值最初是随机生成的，而且灰色神经网络收敛速度很快，网络很快会陷入局部最优，无法继续修正参数。本方案采用遗传算法（GA）优化灰色神经网络，使用GA求得灰色神经网络的初始权值和阈值，再带人灰色神经网络，这样可以更好的预测函数的输出。GA的步骤可以分为种群初始化操作：个体编码方法为实数编码，把个体对应灰色神经网络预测误差作为个体适应度值;适应度函数操作;选择操作：采用轮盘赌法;交叉操作：实数交叉法;变异操作。
　　2GA化的灰色神经网络模型验证
　　助航灯的额定功率为220W，由前文公式计算可知，工作电压在14V到33V之间。选择第三灯光等级进行测试实验。助航灯在第三灯等级下的电压为u=IR=4.1*5=20.5V。由于电压存在一定的波动，助航灯在第三灯光等级下的工作电压在19V到22V之间，故将故障报警值设为19V。随着助航灯工作伴随的老化问题，助航灯内阻会逐渐减小，导致助航灯的实际工作电压逐渐降低。考虑可以通过监测助航灯两端电压值对助航灯寿命进行判断，以达到视情维修，提高机场跑道使用效率的目的。让助航灯持续工作一段时间，采集灯具两端的工作电压，如表1数据所示，采集时间间隔为24小时，共采集了50次。使用前40组数据训练网络，网络的学习进化次数为100次，用余下的10组数据测试网络的预测性能。
　　根据神经网络原理，在MATLAB中编程实现遗传算法优化的灰色神经网络助航灯故障预测程序。
　　1）对原始数据做归一化处理。如果输入输出的数量级差别过大，则会造成较大的预测误差。在预测前，将所有数据都转化为[0，1]之间的数。本方案使用最大最小法进行数据归一化处理。
　　5）判断训练是否结束，如果没有，返回步骤3）再次展开计算。
　　采用GA优化的灰色神经网络对助航灯寿命进行预测，使用MATLAB进行仿真分析，预测结果如图3所示，由GA优化的灰色神经网络预测值更加趋近真实值具有更好的预测效果。
　　图4为两种模型的绝对误差，GA优化的灰色神经网络模型绝对误差更小，预测准确度更高。
　　3结论
　　为了实现对助航灯工作壽命的预测，建立了GA优化的灰色神经网络模型。通过对模型的训练和预测，采用GA优化后的灰色神经网络提高了预测准确度，仿真结果表明该方法能够较好地预测助航灯工作寿命，印证了该方法的有效性，为预防性维修提供了可能，应用前景广阔。
转载注明来源:https://www.xzbu.com/8/view-15177490.htm