郭政波,劉振剛,雷 杰
(中國飛行試驗研究院發(fā)動機(jī)所,陜西?西安?710089)
全權(quán)限數(shù)字電子(FADEC)控制系統(tǒng)是航空發(fā)動機(jī)控制系統(tǒng)發(fā)展的必然趨勢,其中主燃油系統(tǒng)作為最核心部分,往往工作在高溫、高壓、強振動的惡劣環(huán)境中[1],在飛行過程中容易出現(xiàn)故障。為了提高飛行安全性,需要對發(fā)動機(jī)主燃油流量進(jìn)行實時監(jiān)控,從而實現(xiàn)對發(fā)動機(jī)主燃油系統(tǒng)的狀態(tài)評估,分析發(fā)動機(jī)性能是否衰減、可靠性和安全性是否降低,為航空發(fā)動機(jī)故障預(yù)測及診斷奠定基礎(chǔ)。
然而,現(xiàn)階段配裝無人機(jī)的渦扇發(fā)動機(jī)由于結(jié)構(gòu)限制、硬件冗余等原因,未安裝燃油流量計,同時飛行監(jiān)控中受測試條件的限制,無法實時獲取主燃油流量的數(shù)值[2]。為確保其飛行試驗安全,本文利用某型渦扇發(fā)動機(jī)歷史試飛數(shù)據(jù),通過高低壓轉(zhuǎn)子轉(zhuǎn)速、油門桿位置、排氣溫度等機(jī)載可測參數(shù),建立全包線范圍內(nèi)的渦扇發(fā)動機(jī)主燃油流量預(yù)測模型,間接獲取主燃油流量,并利用未參與發(fā)動機(jī)模型辨識的整個飛行架次的試驗數(shù)據(jù)進(jìn)行驗證,結(jié)果滿意。
某型渦扇發(fā)動機(jī)為雙轉(zhuǎn)子、雙涵道分開排氣式小型渦扇發(fā)動機(jī),由主機(jī)和系統(tǒng)組成。其中,系統(tǒng)包括全權(quán)限數(shù)字電子控制系統(tǒng)、傳動系統(tǒng)、潤滑系統(tǒng)和起動系統(tǒng)等。數(shù)控系統(tǒng)主要通過控制主燃油流量來實現(xiàn)起動控制、穩(wěn)態(tài)過渡態(tài)控制和導(dǎo)葉角度控制等功能,使得發(fā)動機(jī)在飛行包線內(nèi)的任意一點都有良好的動靜態(tài)特性。
該型發(fā)動機(jī)的主燃油系統(tǒng)由高速電磁閥、計量活門裝置、停車電磁閥和燃油分布器等組成。主燃油控制模塊由電液轉(zhuǎn)換執(zhí)行裝置(計量活門控制裝置)和燃油系統(tǒng)等部分組成,控制器采集計量活門閥芯位置給定量和反饋量,經(jīng)PI算法輸出PWM控制量,從而控制電磁閥的流量。計量開關(guān)控制裝置按照電磁閥的流量調(diào)節(jié)計量活門開度,而燃油系統(tǒng)負(fù)責(zé)供給發(fā)動機(jī)與計量活門面積相對應(yīng)的燃油。燃油系統(tǒng)主要由齒輪泵、定壓差控制器、燃油分配器等組成,壓差回油活門使計量活門前后壓差不變,保證計量活門工作在所需的開度位置,控制發(fā)動機(jī)不同狀態(tài)(包括起動、加減速、穩(wěn)定狀態(tài))的燃油流量,形成閉環(huán)控制回路[4]。
停車電磁閥用于應(yīng)急停車控制。當(dāng)停車電磁閥工作時,能夠關(guān)閉計量活門,迅速切斷供油。
逆向預(yù)測模型與常規(guī)預(yù)測模型不同,可實現(xiàn)對執(zhí)行機(jī)構(gòu)燃油流量的預(yù)測。常規(guī)預(yù)測模型以燃油流量、尾噴口面積等作為輸入,以各截面的溫度、壓力、轉(zhuǎn)子轉(zhuǎn)速等作為輸出,而逆向預(yù)測模型是以燃油流量為輸出量,各測量參數(shù)作為輸入。航空發(fā)動機(jī)是強非線性的復(fù)雜系統(tǒng),采用離線訓(xùn)練方法建立神經(jīng)網(wǎng)絡(luò)模型不能涵蓋發(fā)動機(jī)的全部工作狀態(tài),不適用于發(fā)動機(jī)的性能蛻化預(yù)測。因此,本文提出了離線和在線訓(xùn)練相結(jié)合的極限學(xué)習(xí)算法來建立發(fā)動機(jī)逆向預(yù)測模型,通過離線訓(xùn)練使網(wǎng)絡(luò)獲得初始診斷能力,通過在線訓(xùn)練將網(wǎng)絡(luò)模型擴(kuò)展應(yīng)用于發(fā)動機(jī)工作狀態(tài)和蛻化程度預(yù)測[5]。
發(fā)動機(jī)可測參數(shù)包括高度H、馬赫數(shù)M、進(jìn)口總壓Pt2、進(jìn)口總溫Tt2、低壓轉(zhuǎn)子轉(zhuǎn)速PNF、高壓轉(zhuǎn)子轉(zhuǎn)速PNC、導(dǎo)葉角度Afa2、壓氣機(jī)出口壓力Pt3、低壓渦輪出口總溫Tt5等,若把所有測量參數(shù)作為網(wǎng)絡(luò)輸入,可以提高訓(xùn)練精度,但會增加網(wǎng)絡(luò)的復(fù)雜度和訓(xùn)練時間,使得在線訓(xùn)練的效果大大降低,因此可以通過選擇關(guān)聯(lián)性大的輸出參數(shù)來解決在線訓(xùn)練難的問題。在工程實踐中,考慮到硬件計算資源的限制,采用盡可能少的辨別信息進(jìn)行決策,首先必須要選出對輸出敏感的特征量。
本文應(yīng)用平均影響值(MIV)算法實現(xiàn)神經(jīng)網(wǎng)絡(luò)敏感參數(shù)篩選。其算法流程如圖1所示。
圖1 ??變量篩選實現(xiàn)過程
MIV算法計算步驟為:網(wǎng)絡(luò)訓(xùn)練終止后,將訓(xùn)練樣本P中每一自變量分別加、減10%,構(gòu)建新的訓(xùn)練樣本Pl和P2,將Pl和P2分別作為仿真樣本,繼續(xù)進(jìn)行仿真,得到仿真結(jié)果Al和A2,求出兩者的差值,即為變動該自變量后對輸出產(chǎn)生的影響變化值,最后將影響變化值按觀測例數(shù)求取平均值,得到MIV。
計算得到每個自變量的MIV值后,根據(jù)絕對值的大小進(jìn)行排序,得到各自變量對網(wǎng)絡(luò)輸出影響相對重要性的關(guān)系,據(jù)此判斷輸入特征對于網(wǎng)絡(luò)結(jié)果的影響程度。計算結(jié)果見圖2。
圖2 ??各輸入?yún)?shù)的MIV值(絕對值)
極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM),是由Huang等提出的一種單隱含層前饋神經(jīng)網(wǎng)絡(luò),通過求解線性方程組獲取具有最小范數(shù)的最小二乘解,作為輸出層網(wǎng)絡(luò)權(quán)值,網(wǎng)絡(luò)訓(xùn)練過程簡單快速,不需要迭代[6]。與傳統(tǒng)網(wǎng)絡(luò)訓(xùn)練算法相比,ELM的訓(xùn)練速度提升明顯,能夠?qū)崟r在線訓(xùn)練。鑒于上述算法的優(yōu)點,本文采用ELM構(gòu)建發(fā)動機(jī)主燃油流量的逆向預(yù)測模型,同時為了提高模型的動態(tài)響應(yīng)精度,引入輸出變量反饋環(huán)節(jié)。
算法實現(xiàn)步驟如下:
步驟1 歷史試飛數(shù)據(jù)
為求解最優(yōu)網(wǎng)絡(luò)權(quán)值,使得網(wǎng)絡(luò)輸出與實際值誤差最小,最優(yōu)網(wǎng)絡(luò)權(quán)值可表示為:
基于極限學(xué)習(xí)機(jī)的發(fā)動機(jī)逆向預(yù)測模型以高度H、高壓轉(zhuǎn)子轉(zhuǎn)速PNC、進(jìn)氣總壓Pt2、壓氣機(jī)出口總壓Pt3和低壓轉(zhuǎn)子轉(zhuǎn)速PNF共5個參數(shù)作為輸入,主燃油流量Wf作為輸出,通過逆向預(yù)測模型輸出主燃油流量預(yù)測值。為了提升模型的預(yù)測精度,將傳感器測量的前q步數(shù)據(jù)也納入輸入?yún)?shù)序列。ELM模型的燃油流量預(yù)測值如下式所示:
逆向預(yù)測模型中,隱含層節(jié)點個數(shù)為20,隱含層激勵函數(shù)為sigmoid,輸入數(shù)據(jù)前選2步。
一般的ELM模型初始計算階段會隨機(jī)產(chǎn)生權(quán)值和偏置值,存在執(zhí)行機(jī)構(gòu)燃油流量預(yù)測值偏差較大的問題。為提高逆向預(yù)測模型的初始訓(xùn)練精度,在飛行包線范圍內(nèi),選取歷史試飛數(shù)據(jù),包括不同高度層、油門桿角度(PLA)=69.5°~100°,采集所有穩(wěn)態(tài)點數(shù)據(jù),對網(wǎng)絡(luò)參數(shù)初始化。訓(xùn)練樣本集在飛行包線中分布如圖3所示。
圖3 ??逆向預(yù)測模型訓(xùn)練樣本集
首先以地面全面開車試驗數(shù)據(jù)作為驗證,其結(jié)果如圖4所示。
圖4 ??主燃油流量逆向預(yù)測值與實際值對比(地面開車)
以未參與發(fā)動機(jī)模型辨識的整個飛行架次的試驗數(shù)據(jù)進(jìn)行驗證,其結(jié)果如圖5、圖6和圖7所示。
圖5 ??爬升過程中主燃油流量逆向預(yù)測值與實際值對比
圖6 ??加減速過程中主燃油流量逆向預(yù)測值與實際值對比
圖7 ??整個飛行架次過程中主燃油流量預(yù)測值與實際值對比
從圖中可以看出,基于極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的航空發(fā)動機(jī)主燃油流量逆向預(yù)測模型的參數(shù)預(yù)測值與實測值在穩(wěn)態(tài)時誤差小于1%,過渡態(tài)誤差小于6%,使用效果比較理想。
本文在某型渦扇發(fā)動機(jī)歷史試飛數(shù)據(jù)的基礎(chǔ)上,基于極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)構(gòu)建主燃油流量逆向預(yù)測模型,應(yīng)用平均影響值算法對預(yù)測模型的輸入變量進(jìn)行敏感性篩選,以提高模型的動態(tài)精度,形成結(jié)論如下:
(1)基于離線和在線訓(xùn)練的極限學(xué)習(xí)機(jī)(ELM)算法能夠?qū)⒛嫦蚰P蛿U(kuò)展應(yīng)用至發(fā)動機(jī)動態(tài)過程、發(fā)動機(jī)蛻化狀態(tài)的參數(shù)預(yù)測評估;
(2)基于極限學(xué)習(xí)機(jī)(ELM)的航空發(fā)動機(jī)主燃油流量逆向預(yù)測模型的參數(shù)預(yù)測值與實測值在穩(wěn)態(tài)時誤差小于1%,動態(tài)小于6%,精度較高,可滿足工程需要。