馬明明，潘鵬飛

（中國飛行試驗(yàn)研究院，西安710089）

航空發(fā)動機(jī)試飛關(guān)鍵參數(shù)趨勢監(jiān)控的實(shí)現(xiàn)及應(yīng)用

馬明明，潘鵬飛

（中國飛行試驗(yàn)研究院，西安710089）

為了實(shí)現(xiàn)航空發(fā)動機(jī)滑油壓力、滑油溫度、振動值在試飛中的趨勢監(jiān)控，采用神經(jīng)網(wǎng)絡(luò)方法對某型發(fā)動機(jī)大量試飛數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，獲得了這幾個參數(shù)全過程較為準(zhǔn)確的計算模型。計算模型應(yīng)用于該型號另1臺發(fā)動機(jī)參數(shù)趨勢監(jiān)控中，在應(yīng)用前，利用有限架次試飛數(shù)據(jù)修正了這幾個參數(shù)的計算模型，采用動態(tài)鏈接庫形式實(shí)現(xiàn)計算模型與原有實(shí)時監(jiān)控系統(tǒng)的協(xié)同工作，進(jìn)行了模型計算結(jié)果和試飛結(jié)果趨勢實(shí)時對比監(jiān)控。結(jié)果表明：模型計算結(jié)果和試飛結(jié)果變化趨勢吻合良好，說明了神經(jīng)網(wǎng)絡(luò)計算模型的準(zhǔn)確性以及在關(guān)鍵參數(shù)趨勢監(jiān)控中的工程實(shí)用性。

神經(jīng)網(wǎng)絡(luò)；滑油壓力；滑油溫度；振動值；動態(tài)鏈接庫；趨勢監(jiān)控；航空發(fā)動機(jī)

0 引言

目前，普遍采用機(jī)載監(jiān)控系統(tǒng)監(jiān)控發(fā)動機(jī)滑油壓力、滑油溫度、振動值、轉(zhuǎn)速、排氣溫度等關(guān)鍵參數(shù)，將檢測到的參數(shù)與對應(yīng)的限制值對比，判別發(fā)動機(jī)工作正常與否[1]。這種監(jiān)控方式不能有效及時發(fā)現(xiàn)并檢測工作參數(shù)偏離正常值但未超出限制值的問題，可能會造成嚴(yán)重故障[2]。

發(fā)動機(jī)狀態(tài)監(jiān)控的重要發(fā)展方向是對關(guān)鍵參數(shù)趨勢監(jiān)控。趨勢監(jiān)控的基本原理是通過對監(jiān)控值與基準(zhǔn)值的偏差或偏差變化趨勢的分析，判斷發(fā)動機(jī)健康狀況，實(shí)現(xiàn)對發(fā)動機(jī)的狀態(tài)監(jiān)控[3]。與限制值監(jiān)控方式相比，趨勢監(jiān)控考慮了發(fā)動機(jī)參數(shù)基準(zhǔn)、個體差異等因素，可實(shí)現(xiàn)發(fā)動機(jī)故障的提前預(yù)報，提高使用的可靠性和試飛安全保障能力[3-4]。

國外開展了大量針對參數(shù)預(yù)測和狀態(tài)監(jiān)控的研究，如采用GASTURBO軟件，可實(shí)現(xiàn)發(fā)動機(jī)穩(wěn)態(tài)和過渡過程的參數(shù)預(yù)測和狀態(tài)監(jiān)控[5]；文獻(xiàn)[6]將基于故障辨識方法的模型結(jié)果與發(fā)動機(jī)穩(wěn)態(tài)和過渡過程試驗(yàn)數(shù)據(jù)進(jìn)行了對比，表明該技術(shù)能夠檢測和報告參數(shù)突變性故障。國外先進(jìn)航空發(fā)動機(jī)（如PW公司的F135、GE公司的GEnx以及發(fā)動機(jī)聯(lián)盟的GP7200發(fā)動機(jī)）已經(jīng)開始應(yīng)用參數(shù)趨勢監(jiān)控方式，應(yīng)用先進(jìn)的預(yù)測和管理系統(tǒng)，實(shí)現(xiàn)了發(fā)動機(jī)滑油、振動等趨勢監(jiān)控[7]。中國的工程技術(shù)人員在發(fā)動機(jī)參數(shù)預(yù)測及狀態(tài)監(jiān)控方面也開展了大量研究工作，涉及發(fā)動機(jī)氣路[8-9]、性能[10]、振動[4]、滑油[11]等關(guān)鍵參數(shù)，取得了良好效果。

本文采用神經(jīng)網(wǎng)絡(luò)方法，利用試飛數(shù)據(jù)，獲得了滑油壓力、滑油溫度、振動值3個關(guān)鍵參數(shù)的基準(zhǔn)值，即建立了計算模型。將該計算模型應(yīng)用于該型號另1臺發(fā)動機(jī)參數(shù)趨勢監(jiān)控前，利用該臺發(fā)動機(jī)試飛初期獲得的試飛數(shù)據(jù)對計算模型進(jìn)行了修正。在該臺發(fā)動機(jī)上進(jìn)行了計算模型結(jié)果和飛行試驗(yàn)結(jié)果趨勢實(shí)時對比監(jiān)控，驗(yàn)證了計算模型的準(zhǔn)確性及趨勢監(jiān)控的可行性。

1 參數(shù)的影響因素分析及輸入?yún)?shù)確定

發(fā)動機(jī)滑油壓力、滑油溫度和振動值是表征發(fā)動機(jī)可靠性和安全性的關(guān)鍵參數(shù)，與飛機(jī)的飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)等關(guān)系緊密，但與表征飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)的參數(shù)之間的特性復(fù)雜且不明確[1]。

1.1 滑油壓力的影響因素分析及輸入?yún)?shù)確定

滑油系統(tǒng)能夠?qū)Πl(fā)動機(jī)高速轉(zhuǎn)動部件進(jìn)行潤滑和冷卻，減小軸承的摩擦力并帶走部分因摩擦產(chǎn)生的熱量，使之能夠在合適的溫度下長時間、穩(wěn)定地工作?；蛪毫κ欠裾Ｊ钦麄€滑油系統(tǒng)是否正常的重要標(biāo)志，直接影響潤滑量的大小，進(jìn)而影響潤滑和冷卻效果。滑油噴嘴阻塞可能造成滑油壓力過高，而管路泄漏、破壞、滑油泵失效等可能造成滑油壓力過低[12-13]。

飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)的變化都會影響滑油壓力。發(fā)動機(jī)工作參數(shù)隨飛行狀態(tài)改變而發(fā)生變化，特別是高壓轉(zhuǎn)速。高壓轉(zhuǎn)速越大，摩擦產(chǎn)生的熱量就越多，要求滑油更快地循環(huán)流動，及時地帶走熱量，滑油壓力就可能越大?；拖?、供油管路與滑油噴嘴的相對位置也會隨飛行姿態(tài)改變而發(fā)生變化，進(jìn)而影響滑油供油量及滑油壓力?；捅玫雀郊苯佑砂l(fā)動機(jī)高壓轉(zhuǎn)子傳動，滑油壓力受發(fā)動機(jī)狀態(tài)變化影響較大。

綜上，滑油壓力計算模型的輸入?yún)?shù)有氣壓高度、飛行馬赫數(shù)、大氣總溫、滾轉(zhuǎn)角、側(cè)滑角、高壓轉(zhuǎn)速和油門桿角度，共計7個。為了區(qū)分發(fā)動機(jī)穩(wěn)定狀態(tài)和過渡狀態(tài)，選取油門桿角度作為輸入?yún)?shù)。

1.2 滑油溫度的影響因素分析及輸入?yún)?shù)確定

滑油溫度是另1個重要參數(shù)，能反映發(fā)動機(jī)軸承和齒輪的工作狀態(tài)，影響滑油的黏度?；蜏囟冗^高還會改變滑油的特性(焦化、氧化)或損壞軸承的封嚴(yán)，也能夠反映出軸承極端惡化、熱端密封泄漏、過量加注等問題[12-13]?；蜏囟燃瓤稍诠┯凸苈飞蠝y量，也可以在回油管路上測量。本文研究的發(fā)動機(jī)的滑油溫度為回油溫度。

飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)可能會影響滑油溫度。飛行狀態(tài)、飛行姿態(tài)和發(fā)動機(jī)工作狀態(tài)能夠引起滑油壓差的改變，從而引起滑油供油量的改變，進(jìn)而影響滑油回油溫度?；筒捎萌加屠鋮s，所以溫度、燃油流量等參數(shù)也會對滑油溫度產(chǎn)生影響，如燃滑油散熱器中燃油管路的堵塞會造成滑油溫度升高。

綜上，滑油溫度計算模型的輸入?yún)?shù)有氣壓高度、飛行馬赫數(shù)、大氣總溫、滾轉(zhuǎn)角、滑油壓差、油門桿、高壓轉(zhuǎn)速、主燃油總管壓力與壓氣機(jī)出口壓力之差，共計8個。根據(jù)燃油噴嘴特性可知，主燃油總管壓力與壓氣機(jī)出口壓力之差能夠表征燃油流量的大小。本文研究中暫未考慮燃油溫度對滑油回油溫度的影響。

1.3 發(fā)動機(jī)振動值的影響因素分析及輸入?yún)?shù)確定

發(fā)動機(jī)轉(zhuǎn)子是1個高速旋轉(zhuǎn)部件。由盤、軸、葉片等零部件組裝而成的轉(zhuǎn)子在加工制造過程中都有一定的偏差，會引起轉(zhuǎn)子旋轉(zhuǎn)時的不平衡，從而在旋轉(zhuǎn)過程中產(chǎn)生振動[14]。以下原因可能造成發(fā)動機(jī)振動增加或超限：工作葉片折斷或部分損壞，如風(fēng)扇葉片或壓氣機(jī)葉片的外來物損傷；工作葉片安裝不合適；轉(zhuǎn)子上有部件丟失，如螺栓螺帽等；工作葉片或轉(zhuǎn)子變形；轉(zhuǎn)子軸承不同軸或軸承磨損。反之，振動值能夠反映轉(zhuǎn)子損壞、變形及軸承磨損等[15]。

飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)可能會影響發(fā)動機(jī)振動值。導(dǎo)致發(fā)動機(jī)振動較大的轉(zhuǎn)子不平衡、不對中等受制造、裝配的影響，因此，發(fā)動機(jī)振動也具有一定的個體差異性。

發(fā)動機(jī)進(jìn)、出口壓力等隨飛行狀態(tài)改變而發(fā)生變化。作用在轉(zhuǎn)子部件的作用力通過安裝節(jié)直接作用于上發(fā)動機(jī)，作用力發(fā)生變化，可能會引起發(fā)動機(jī)振動值變化。轉(zhuǎn)子離心力以及作用在轉(zhuǎn)子部件的作用力都會隨飛行狀態(tài)改變發(fā)生變化，引起發(fā)動機(jī)振動值變化。

綜上，振動值計算模型的輸入?yún)?shù)有氣壓高度、飛行馬赫數(shù)、大氣總溫、滾轉(zhuǎn)角、攻角、側(cè)滑角、油門桿、高壓轉(zhuǎn)速，共計8個。為了區(qū)分發(fā)動機(jī)穩(wěn)定狀態(tài)和過渡狀態(tài)，選取油門桿角度作為輸入?yún)?shù)。

2 計算模型的建立

2.1 滑油壓力等參數(shù)基準(zhǔn)值的計算方法

滑油壓力等參數(shù)與表征飛行狀態(tài)、飛行姿態(tài)、發(fā)動機(jī)工作狀態(tài)的參數(shù)之間的特性即計算模型復(fù)雜且不明確。神經(jīng)網(wǎng)絡(luò)法對復(fù)雜、不確定問題具有自適應(yīng)和自學(xué)習(xí)能力，且高度容錯，是進(jìn)行計算模型確定的有效方法。

本文研究的滑油壓力等3個參數(shù)均采用3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，按照分析確定的輸入?yún)?shù)建立計算模型。隱含層選用雙曲正切傳遞函數(shù)，輸出層選用純線性傳遞函數(shù)。

滑油壓力神經(jīng)網(wǎng)絡(luò)計算模型結(jié)構(gòu)如圖1所示。

2.2 建立計算模型的試飛數(shù)據(jù)說明

采用1臺發(fā)動機(jī)的試飛數(shù)據(jù)建立計算模型。

發(fā)動機(jī)工作過程包括各種穩(wěn)定狀態(tài)、加速過程、減速過程、加力接通和切斷過程、空中起動等。發(fā)動機(jī)工作點(diǎn)幾乎涵蓋了整個飛行包線，包括一定的機(jī)動飛行情況下的發(fā)動機(jī)試飛試驗(yàn)。

相關(guān)參數(shù)的最大值和最小值見表1。

在建立模型過程中，所有試飛數(shù)據(jù)，70%的作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù) (包括包線邊界點(diǎn)等)，15%作為模型的驗(yàn)證數(shù)據(jù)，剩下的15%作為模型的測試使用。

2.3 滑油壓力計算模型的建立

計算滑油壓力的輸入?yún)?shù)為7個，神經(jīng)網(wǎng)絡(luò)隱含層第1、2層的節(jié)點(diǎn)數(shù)分別為15、23。

滑油壓力模型計算結(jié)果與飛行試驗(yàn)結(jié)果的差值情況如圖2所示。從圖中可見，模型計算結(jié)果與試驗(yàn)結(jié)果的誤差在30 kPa以內(nèi)?？紤]到滑油壓力的控制誤差，計算模型的效果很好。

表1 相關(guān)參數(shù)的最大值和最小值

2.4 滑油溫度計算模型的建立

計算滑油溫度的輸入?yún)?shù)為8個，神經(jīng)網(wǎng)絡(luò)隱含層第1、2層的節(jié)點(diǎn)數(shù)分別為17和25。

滑油溫度模型計算結(jié)果與試飛結(jié)果的差值情況如圖3所示。從圖中可見，模型計算結(jié)果與試飛結(jié)果的誤差在28℃以內(nèi)。采用神經(jīng)網(wǎng)絡(luò)建立的計算模型效果良好。

2.5 發(fā)動機(jī)振動值計算模型的建立

計算發(fā)動機(jī)振動值的輸入?yún)?shù)為8個，神經(jīng)網(wǎng)絡(luò)隱含層第1、2層的節(jié)點(diǎn)數(shù)分別為17和25。發(fā)動機(jī)振動模型計算結(jié)果與飛行試驗(yàn)結(jié)果的對比情況如圖4所示。從圖中可見，模型計算結(jié)果與試驗(yàn)結(jié)果的誤差在10 mm/s以內(nèi)，效果良好。

3 應(yīng)用于特定發(fā)動機(jī)的計算模型的修正

將計算模型應(yīng)用于同型號另1臺發(fā)動機(jī)，建立計算模型的發(fā)動機(jī)與該臺發(fā)動機(jī)先后配裝于同架飛機(jī)的同一位置?？紤]到每臺發(fā)動機(jī)滑油壓力、滑油溫度、振動值的個體差異，在將計算模型應(yīng)用于該臺發(fā)動機(jī)前，對計算模型進(jìn)行了修正。修正模型的試飛數(shù)據(jù)為該臺發(fā)動機(jī)試飛初期的15架次數(shù)據(jù)，包括了發(fā)動機(jī)各種穩(wěn)定狀態(tài)、加速過程、減速過程、加力接通和切斷過程、空中起動等。

不同發(fā)動機(jī)滑油壓力的調(diào)定值有所差異，考慮該差異為恒定差值，進(jìn)行模型修正。該差值的求取方法如下：將該臺發(fā)動機(jī)的相關(guān)試飛數(shù)據(jù)代入計算模型(通用模型)計算滑油壓力，計算結(jié)果與試飛結(jié)果進(jìn)行比較，形成偏差，用該偏差修正通用模型，形成針對該臺發(fā)動機(jī)的滑油壓力計算模型。利用計算模型(通用模型)所得結(jié)果與試飛結(jié)果的差值情況如圖5所示，即該臺發(fā)動機(jī)的修正偏差約為15 kPa。

對于滑油溫度和發(fā)動機(jī)振動值，將該臺發(fā)動機(jī)15個架次的試飛數(shù)據(jù)納入原計算模型采用的數(shù)據(jù)庫，重新進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練、驗(yàn)證和測試，獲得新的滑油溫度和振動值計算模型。修正后的計算模型的計算結(jié)果與試飛結(jié)果差值情況分別如圖6、7所示，較之圖3、4結(jié)果的分散度稍大一些，計算模型效果良好。

4 滑油壓力等參數(shù)趨勢監(jiān)控的實(shí)現(xiàn)及驗(yàn)證

該臺發(fā)動機(jī)在試飛過程中的實(shí)時監(jiān)控系統(tǒng)基于LABVIEW平臺開發(fā)，本文采用動態(tài)鏈接庫形式實(shí)現(xiàn)了計算模型與實(shí)時監(jiān)控系統(tǒng)的協(xié)同工作。在試飛過程中，實(shí)時監(jiān)控系統(tǒng)調(diào)用該動態(tài)鏈接庫，將實(shí)測參數(shù)帶入發(fā)動機(jī)滑油壓力、滑油溫度、發(fā)動機(jī)振動值的計算模型中進(jìn)行實(shí)時計算，待動態(tài)鏈接庫計算完畢后獲取參數(shù)計算模型的返回值，將計算結(jié)果與試飛結(jié)果進(jìn)行趨勢對比監(jiān)控并予以顯示，驗(yàn)證計算模型的準(zhǔn)確性及實(shí)時監(jiān)控的可行性。

該臺發(fā)動機(jī)的某一架次試飛的相關(guān)參數(shù)時間歷程如圖8所示。從油門桿角度參數(shù)可見，該架次試飛中包括了發(fā)動機(jī)穩(wěn)定狀態(tài)、加速性、減速性、加力接通和切斷、停車、空中起動等試驗(yàn)科目。

該架次滑油壓力、滑油溫度、振動值的模型計算結(jié)果與飛行試驗(yàn)結(jié)果對比分別如圖9～11所示。

從圖9～11中可見，模型計算結(jié)果和試飛結(jié)果變化趨勢吻合良好，二者誤差較小，進(jìn)一步說明了神經(jīng)網(wǎng)絡(luò)計算模型的準(zhǔn)確性，也說明應(yīng)用計算模型結(jié)果進(jìn)行關(guān)鍵參數(shù)趨勢監(jiān)控是可行且實(shí)用的。

5 結(jié)論

（1）基于某型號發(fā)動機(jī)大量試飛數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)方法建立的滑油壓力、滑油溫度、振動值3個參數(shù)的模型計算結(jié)果與試驗(yàn)結(jié)果的誤差較小。

（2）給出的利用有限架次試飛數(shù)據(jù)修正滑油壓力、滑油溫度、振動值3個參數(shù)計算模型的方法是可行的；在發(fā)動機(jī)實(shí)時監(jiān)控系統(tǒng)基礎(chǔ)上，采用動態(tài)鏈接庫形式實(shí)現(xiàn)計算模型與實(shí)時監(jiān)控系統(tǒng)的協(xié)同工作是可行的。

（3）實(shí)現(xiàn)了發(fā)動機(jī)滑油壓力、滑油溫度、振動值模型計算結(jié)果和試飛結(jié)果趨勢實(shí)時對比監(jiān)控，模型計算結(jié)果和試飛結(jié)果變化趨勢吻合良好，說明應(yīng)用計算模型結(jié)果進(jìn)行關(guān)鍵參數(shù)趨勢監(jiān)控是可行且實(shí)用的。

應(yīng)用神經(jīng)網(wǎng)絡(luò)方法建立的參數(shù)模型的精度依賴于對參數(shù)影響因素的正確分析及確定，本文基于工作原理及特點(diǎn)確定影響因素的方法具有一定的局限性，有待進(jìn)一步深入研究；本文完成的發(fā)動機(jī)全過程關(guān)鍵參數(shù)實(shí)時趨勢監(jiān)控研究工作，為實(shí)現(xiàn)發(fā)動機(jī)故障提前預(yù)報、提升試飛安全保障能力解決了技術(shù)難點(diǎn)，建立在趨勢監(jiān)控基礎(chǔ)上的故障提前預(yù)報研究正在開展中。

[1]陳衛(wèi),程禮,李全通,等.航空發(fā)動機(jī)監(jiān)控技術(shù)[M].北京：國防工業(yè)出版社,2011：24-28.CHEN Wei,CHENG Li,LI Quantong,et al.Monitoring technology of aeroengine[M].Beijing:National Defense Industry Press,2001：24-28.(in Chinese)

[2]魏松江,李書明.BP神經(jīng)網(wǎng)絡(luò)在民航發(fā)動機(jī)實(shí)時監(jiān)控技術(shù)的應(yīng)用研究[J].裝備制造技術(shù),2013(2)：70-72.WEI Songjiang，LI Shuming.Application research of BP neural networks in civil aviation engine real-time monitoring[J].Equipment Manufacturing Technology，2013(2)：70-72.(in Chinese)

[3]陳志英,李其漢.監(jiān)視參數(shù)預(yù)測和故障識別法 [J].航空動力學(xué)報,1994,9（4）：419-421.CHEN Zhiying，LI Qihan.Monitoring parameters forecasting and faults recognition[J].Journal of Aerospace Power，1994，9（4）：419-421.(in Chinese)

[4]金向陽,林琳,鐘詩勝,等.航空發(fā)動機(jī)振動趨勢預(yù)測的過程神經(jīng)網(wǎng)絡(luò)法[J].振動、測試與診斷，2011，31（3）：331-334.JIN Xiangyang，LIN Lin，ZHONG Shisheng，et al.Prediction of aeroengine vibration trend using process neural network[J].Journal of Vibration，Measurement&Diagnosis，2011，31(3)：331-334.(in Chinese)

[5]Kong C D，Ki J Y,Kang M C,et al．A new scaling method for component maps of gas turbine using system identification[J]．ASME JournalofEngineeringforGasTurbine Power，2003，125(4)：979-985．

[6]Malloy D J，Chappell M A，Biegl C.Real-time fault identification for development turbine engine testing[R].Orlando：ASME International Gas Turbine Institute’s Turbo Expo，97-GT-141,1997.

[7]李·安·泰格梅爾.新發(fā)動機(jī)的維修策略[J].國際航空,2005(6)：44-48.Taigermeir L A.Maintenance on their mind[J]．International Aviation，2005，(6)：44-48．(in Chinese)

[8]單曉明,宋云峰,黃金泉,等．基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的航空發(fā)動機(jī)狀態(tài)監(jiān)控[J]．航空動力學(xué)報,2009,24(10)：2356-2361．SHAN Xiaoming，SONG Yunfeng，HUANG Jinquan，et al．Condition monitoring of aeroengine based on neural network and fuzzy logic[J]．Journal of Aerospace Power，2003，24(10)：2356-2361．(in Chinese)

[9]鐘詩勝,雷達(dá),丁剛．卷積和離散過程神經(jīng)網(wǎng)絡(luò)及其在航空發(fā)動機(jī)排氣溫度預(yù)測中的應(yīng)用[J]．航空學(xué)報,2012,33(3)：438-445．ZHONG Shisheng，LEI Da，DING Gang．Convolution sum discrete process neural network and its application in aeroengine exhausted gas temperature prediction[J]．Acta Aeronautica et Astronautica Sinica，2012，33(3)：438-445．(in Chinese)

[10]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(jī)性能趨勢[J]．航空學(xué)報,2007,28(3)：535-539．CHEN Guo．Forecasting engine performance trend by using structure self-adaptive neural network[J]．Acta Aeronautica et Astronautica Sinica，2007，28(3)：535-539．(in Chinese)

[11]張蓉,謝武杰.基于小波神經(jīng)網(wǎng)絡(luò)航空發(fā)動機(jī)滑油系統(tǒng)故障診斷方法研究[J].航空制造技術(shù)，2009(6)：85-89.ZHANG Rong，XIE Wujie.Research on aeroengine lubricant system fault diagnosis based on wavelet neural network [J].Aeronautical Manufacturing Technology，2009(6)：85-89.(in Chinese)

[12]尉詢楷,楊立,劉芳,等.航空發(fā)動機(jī)預(yù)測與健康管理[M].北京：國防工業(yè)出版社,2014：217-218.WEI Xunkai，YANG Li，LIU Fang，et al．Aeroengine prognostics and health management[M].Beijing:National Defense Industry Press,2014:217-218.(in Chinese)

[13]朱建東.飛機(jī)發(fā)動機(jī)的監(jiān)控技術(shù)及其發(fā)展趨勢[J].飛機(jī)設(shè)計,2013(1):58-61.ZHU Jiandong.The development trend of aeroengine control[J].Aircraft Design，2013(1):58-61.(in Chinese)

[14]徐可君.航空發(fā)動機(jī)振動及控制[J].航空科學(xué)技術(shù),1999(1):28-30.XU Kejun.Vibration and its control of aeroengine.Aeronautical Science and Technology，1999(1):28-30.(in Chinese)

[15]倪世宏，史忠科，沙孟春.一種基于支持向量回歸的發(fā)動機(jī)振動監(jiān)控方法[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版)，2006，7(5)：1-3.NI Shihong，SHI Zhongke，SHA Mengchun.A monitoring method of aeroengine vibration based on the SVR[J].Journal of Air Force Engineering University(Natural Science Edition).2006，7(5)：1-3.(in Chinese)

Realization and Application of Key Parameters Trend Monitoring in Aeroengine Flight Test

MA Ming-ming，PAN Peng-fei
（Chinese Flight Test Establishment,Xi'an 710089,China）

In order to conduct trend monitoring of aeroengine oil pressure,oil temperature and vibration value in flight test，accurate calculation models of these parameters in the whole engine working process were established by using the neural network method for training and validation of a large number of engine flight test data.Calculation models are corrected based on limited flight test data of another engine before applied in its trend monitoring.For this engine，calculation models were cooperated with real-time monitoring system to realize parameters trend monitoring based on dynamic link library.Real-time monitoring between calculation results and flight-test results was implemented on the engine.Results indicate that trends of calculation results and flight-test results are in good agreement.It shows the accuracy of the neural network models and the engineering practicability in the key parameter trend monitoring.

neural network；oil pressure；oil temperature；vibration；dynamic link library；trend monitoring;aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2017.01.014

2016-05-02

馬明明（1981），男，高級工程師，主要從事航空發(fā)動機(jī)飛行試驗(yàn)技術(shù)研究工作；E-mail：mmm_2007@live.cn。

馬明明，潘鵬飛.航空發(fā)動機(jī)試飛關(guān)鍵參數(shù)趨勢監(jiān)控的實(shí)現(xiàn)及應(yīng)用[J].航空發(fā)動機(jī)，2017，43（1）：79-84.MAMingming，PANPengfei.Realization andapplicationofkeyparameterstrendmonitoringinaeroengineflighttest[J].Aeroengine，2017，43（1）：79-84..

（編輯：趙明菁）