徐　亮，李　平

(中國民用航空飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

?

NARX神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機EGT趨勢預(yù)測中的應(yīng)用

徐亮，李平

(中國民用航空飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

摘要：航空發(fā)動機的健康狀態(tài)是保證飛行安全的重要因素，能在早期發(fā)現(xiàn)發(fā)動機隱藏的故障，通過預(yù)測發(fā)動機性能參數(shù)的變化趨勢來掌握發(fā)動機性能衰退情況，實現(xiàn)對發(fā)動機健康狀態(tài)的準(zhǔn)確判斷，具有重要的意義。針對航空發(fā)動機性能參數(shù)的數(shù)據(jù)特點，提出將動態(tài)神經(jīng)網(wǎng)絡(luò)中的NARX(非線性自回歸)神經(jīng)網(wǎng)絡(luò)模型運用到性能參數(shù)的預(yù)測中，并用航空發(fā)動機排氣溫度(EGT)的趨勢預(yù)測對該方法進行了驗證。驗證結(jié)果表明，這種方法在性能參數(shù)預(yù)測的精度上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。

關(guān)鍵詞：航空發(fā)動機；NARX神經(jīng)網(wǎng)絡(luò)；EGT；性能參數(shù)預(yù)測

0引言

航空發(fā)動機是飛機的“心臟”，它的故障可能對飛行的安全造成影響甚至導(dǎo)致災(zāi)難性事故。同時，發(fā)動機高昂的維修費用也影響航空公司的成本和收益。因此，能在早期發(fā)現(xiàn)發(fā)動機隱藏的故障，通過預(yù)測發(fā)動機性能參數(shù)的變化趨勢來掌握發(fā)動機性能衰退情況，實現(xiàn)對發(fā)動機健康狀態(tài)的準(zhǔn)確判斷，對于有效實施航空發(fā)動機的視情維修決策具有重要的意義。

目前，各航空發(fā)動機制造商都有自己的發(fā)動機性能監(jiān)控軟件，比如普惠公司的EHM系統(tǒng)、GE公司的SAGE系統(tǒng)、羅羅公司的COMPASS系統(tǒng)，這些系統(tǒng)都具有發(fā)動機性能趨勢分析的功能，但是它們只是對已有的歷史數(shù)據(jù)進行分析，而無法對數(shù)據(jù)的未來發(fā)展的趨勢進行預(yù)測。

對于發(fā)動機性能數(shù)據(jù)的未來發(fā)展趨勢進行預(yù)測,國內(nèi)已有相關(guān)研究人員展開了這方面的工作。宋云雪等人用多元線性回歸的方法，在考慮其他因素的影響下對航空發(fā)動機排氣溫度(EGT——Exhaust Gas Temperature)進行了預(yù)測[1]；常博博等人利用求和自回歸移動平均(ARIMA)模型，對某型航空發(fā)動機排氣溫度時間序列建立ARIMA預(yù)測模型，對發(fā)動機性能進行預(yù)測[2]；丁剛等人利用過程神經(jīng)網(wǎng)絡(luò)對航空發(fā)動機EGT數(shù)據(jù)進行預(yù)測[3]；陳果利用結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)對航空發(fā)動機的起飛和巡航EGT裕度進行了預(yù)測[4]；白潔運用小波神經(jīng)網(wǎng)絡(luò)對渦輪增壓發(fā)動機性能進行預(yù)測[5]。

本文提出了一種動態(tài)神經(jīng)網(wǎng)絡(luò)中的NARX神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對氣動熱力參數(shù)中的EGT參數(shù)進行預(yù)測，應(yīng)用實測的發(fā)動機工作參數(shù)對預(yù)測結(jié)果進行檢驗，驗證該方法在航空發(fā)動機的性能參數(shù)預(yù)測中是可行的。

1航空發(fā)動機性能參數(shù)的數(shù)據(jù)特點

航空發(fā)動機長年在高溫、高壓以及高速等惡劣環(huán)境下工作，因而表征發(fā)動機性能的參數(shù)通常都是一個復(fù)雜的、非線性、非平穩(wěn)且?guī)в须S機波動的時間序列，比如EGT。某航空公司維修部門的日常記錄的巡航EGT原始記錄數(shù)據(jù)圖，記錄單位為航班，共1000個數(shù)據(jù)點，如圖1所示。

圖1　EGT原始記錄數(shù)據(jù)圖

從圖中可知隨著航班次數(shù)的增加，即發(fā)動機使用時間的增加，EGT數(shù)據(jù)整體上呈現(xiàn)上升趨勢，而細節(jié)上又存在較大的波動。這種變化反映出了發(fā)動機性能的總體降低和性能波動，這與發(fā)動機健康狀態(tài)是相吻合的。EGT數(shù)據(jù)具有很寬的頻帶，低頻段的數(shù)據(jù)反映了數(shù)據(jù)整體的發(fā)展趨勢，而高頻段數(shù)據(jù)反映了局部的波動情況。

目前在參數(shù)預(yù)測方法上用得較多的主要是以時間序列方法為代表的傳統(tǒng)預(yù)測方法和以靜態(tài)神經(jīng)網(wǎng)絡(luò)為代表的人工智能方法。若使用傳統(tǒng)的時間序列方法，如自回歸(AR)模型法、自回歸滑動(ARMA)模型法，則精度不高，且容錯性差，長區(qū)間的預(yù)測效果不佳；若使用靜態(tài)神經(jīng)網(wǎng)絡(luò)，如BP神經(jīng)網(wǎng)絡(luò)、Wavelet神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)等，則會在訓(xùn)練過程中收斂速度慢且易陷入局部極小，并且不能充分反映航空發(fā)動機數(shù)據(jù)的動態(tài)特性。

2NARX神經(jīng)網(wǎng)絡(luò)預(yù)測原理

NARX模型被廣泛應(yīng)用于時間序列的建模中,NARX屬于離散時間非線性系統(tǒng),數(shù)學(xué)表達式可以寫為:

y(t)=f[u(t-Du),...,u(t-1),u(t),

y(t-Dy),...,y(t-1)]

其中u(t)表示在t時刻模型的輸入,y(t)表示在t時刻模型的輸出：Du和Dy分別代表輸入記憶向量和輸出記憶向量,f是由多層感知器模擬的非線性函數(shù)。

圖2　NARX網(wǎng)絡(luò)結(jié)構(gòu)圖

NARX網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖中表示一個三層的NARX神經(jīng)網(wǎng)絡(luò)，IW和LW分別表示網(wǎng)絡(luò)各層的輸入向量和反饋向量的權(quán)重矩陣。網(wǎng)絡(luò)輸入層采用tansig傳遞函數(shù)；第一層帶有延遲線,采用logsig傳遞函數(shù);第二層采用purelin傳遞函數(shù)。網(wǎng)絡(luò)輸入向量包括兩部分，分別為外部輸入向量u(t)和網(wǎng)絡(luò)反饋向量y(t)。輸入信號從左側(cè)進入分接延遲線(TDL—Tapped Delay Line)，并依次經(jīng)過N-1個延遲。分接延遲線是由網(wǎng)絡(luò)當(dāng)前和之前的若干個時刻的輸入信號組成的N維向量。通過設(shè)置不同的TDL，可以實現(xiàn)不同時間延遲的輸入組合。對于NARX神經(jīng)網(wǎng)絡(luò)的輸入向量U和輸出向量Y，它們被組織成時間上的連續(xù)序列形式,即

其中,元組細胞[ut]和[yt]分別代表變量U和Y在時刻t取值的一個集合。因此,我們在利用NARX動態(tài)神經(jīng)網(wǎng)絡(luò)進行建模時,我們可以提前設(shè)置好分接延遲線,以建立相應(yīng)NARX神經(jīng)網(wǎng)絡(luò)的輸入組合,即建立網(wǎng)絡(luò)輸出y(t)與網(wǎng)絡(luò)輸入向量u(t)和反饋向量y(t)之間的對應(yīng)關(guān)系。

3NARX神經(jīng)網(wǎng)絡(luò)在航空發(fā)動機EGT趨勢預(yù)測中的應(yīng)用研究

3.1數(shù)據(jù)預(yù)處理

因為航空發(fā)動機在高溫、高壓、高噪聲環(huán)境下工作, 它的相關(guān)參數(shù)的測量較為困難, 采集的數(shù)據(jù)可能出現(xiàn)誤差大、不準(zhǔn)確的問題。因此，采集到的航空發(fā)動機相關(guān)性能參數(shù)的數(shù)據(jù)若不加以預(yù)處理, 則很難準(zhǔn)確反映出航空發(fā)動機健康狀態(tài)的實際變化。數(shù)據(jù)的預(yù)處理主要包括對原始數(shù)據(jù)的平滑處理和對粗大誤差的判別和修正[6]。

圖3　數(shù)據(jù)平滑圖

3.2預(yù)測及結(jié)果分析

對NARX神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進行精度分析，并與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進行對比，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值如圖5所示。

對NARX神經(jīng)網(wǎng)絡(luò)預(yù)測值和BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實測量值進行結(jié)果的精度分析，如表1所示。

圖4　NARX神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實值比較圖

圖5　BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實值比較圖

編號實測值預(yù)測值NARX BP絕對誤差NARX BP相對誤差/%NARX BP4142434445599.7602.3609.5605.8605.9601.52606.90616.86601.86601.18594.67592.69601.82612.36610.831.824.606.823.944.725.019.627.687.565.830.3040.7641.1190.6510.7940.8351.5961.2591.2470.962

從圖4和圖5中可以看出NARX神經(jīng)網(wǎng)絡(luò)預(yù)測的趨勢圖與實際相似度更高；從表1預(yù)測結(jié)果的精度分析中也可以看出NARX預(yù)測值的相對誤差都低于BP預(yù)測的相對誤差。

4結(jié)論

提出將NARX神經(jīng)網(wǎng)絡(luò)應(yīng)用于航空發(fā)動機性能參數(shù)的預(yù)測, 表現(xiàn)出了很強的適用性。盡管本文僅對發(fā)動機EGT性能參數(shù)進行了預(yù)測分析,但是按同樣思路,不難對其它的參數(shù),如低、高壓轉(zhuǎn)子轉(zhuǎn)速(N1，N2)和燃油流量(FF)等進行預(yù)測。

本文的研究工作對于提前預(yù)知航空發(fā)動機未來時刻的性能數(shù)據(jù),有效地實施發(fā)動機狀態(tài)監(jiān)控、故障預(yù)測和健康管理具有重要意義。

參考文獻

[1] 宋云雪,張科星,史永勝.基于多元線性回歸的發(fā)動機性能參數(shù)預(yù)測[J].航空動力學(xué)報,2009,24(2):427-431.

[2] 常博博,毛寧,劉驍,等.基于ARIMA模型的航空發(fā)動機性能預(yù)測[J].自動化應(yīng)用,2013(5):45-46,53.

[3] 丁剛,付旭云,鐘詩勝.基于過程神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機性能參數(shù)預(yù)測[J].計算機集成制造系統(tǒng),2011,17(1):198-207.

[4] 陳果.用結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)預(yù)測航空發(fā)動機性能趨勢[J].航空學(xué)報,2007,28(3):535-539.

[5] 白潔.基于小波神經(jīng)網(wǎng)絡(luò)的渦輪增壓發(fā)動機性能預(yù)測研究[J].制造業(yè)自動化,2011,33(5):82-84,139.

[6] 邸亞洲,秦永元,尚希良,等.基于多項式回歸算法的飛參記錄數(shù)據(jù)預(yù)處理研究[J].測控技術(shù),2008,27(4):21-22.

[責(zé)任編輯、校對：梁春燕]

Application of NARX Neural Network in Aeroengine Performance Parameters Prediction

XULiang,LIPing

(College of Aviation Engineering,Civil Aviation Flight University of China,Guanghan 618307,China)

Abstract：Aeroengine has been known as the heart of the aircraft,and its performance is important in ensuring flight safety.Therefore,it is significant for aircraft safety since it is able to reflect the decline of engine performance through predicting the change trend of engine performance parameters.In view of the data characteristics of aeroengine performance parameters,the NARX neural network model is proposed and used for the prediction of performance parameters.This article employs the model to predict the aeroengine exhausted gas temperature (EGT).According to the results,the NARX neural network model has a higher precision than the model based on the BP neural network in parameters change trend and data accuracy.

Key words：aeroengine;NARX neural network;EGT;performance parameters prediction

中圖分類號：V263.6；TP183

文獻標(biāo)識碼：A

文章編號：1008-9233(2016)01-0036-04

作者簡介：徐亮(1990-)，男，江蘇揚州人，碩士研究生，從事航空發(fā)動機故障預(yù)測、健康管理研究。

基金項目：中國民航飛行學(xué)院學(xué)生科技活動基金(X2014-13)

收稿日期：2015-11-13