董 洋，孫景鈺，李南伯，莫古云

（成都飛機工業(yè)（集團）有限責任公司，成都 610073）

0 引言

航空發(fā)動機作為飛機系統(tǒng)的“心臟”［1］，是整個飛機最為重要的系統(tǒng)之一，其產品質量、性能指標與工作狀況會影響整個產品的工作性能。因此，對于航空發(fā)動機各性能參數(shù)的監(jiān)控與判讀分析就顯得尤為重要［2］；另外，作為一種系統(tǒng)復雜的精密機械，一旦超過使用限制對其本身產生的影響以及后續(xù)維修處理成本都是相當巨大的。因此，提前發(fā)現(xiàn)參數(shù)異?，F(xiàn)象，在發(fā)動機故障前提前做出動作對于發(fā)動機本身與使用方來說都是具有非常重大意義的事情。

國內外學者對發(fā)動機監(jiān)控、診斷技術已經進行過大量的研究。航發(fā)機研究所的吳偉力等［3］對發(fā)動機振動故障的診斷技術進行研究，通過對多種故障診斷方法進行闡述，總結了故障診斷的有效途徑。霍榮偉等［4］在發(fā)動機氣路診斷方面做出了大量研究。崔展博等［5］建立基于量子神經網絡和趨勢推演的自修正安全預警模型，設計了一種適應多機型的實時飛行安全監(jiān)控系統(tǒng)。郭朝翔等［6］舉例分析了發(fā)動機參數(shù)監(jiān)控的幾種方法與應用，為工程技術人員進行參數(shù)監(jiān)控提供了借鑒?？梢钥闯鰢鴥韧鈱Πl(fā)動機故障監(jiān)控診斷技術已有成熟經驗。

另一方面，先進的算法模型在監(jiān)控與故障分析診斷中的應用使得故障診斷效率大大提高。曹惠玲等［7］將改進后的Bagging算法應用在航空發(fā)動機的氣路診斷問題當中，提高了對于復雜故障現(xiàn)象的診斷準確率。史永勝等［8］學習了貝葉斯算法的基本原理，通過因果關系建立了發(fā)動機各部件或子系統(tǒng)故障情況與整機系統(tǒng)故障的關系可視化模型，結合自身的經驗，梳理出各部件、各子系統(tǒng)的依賴關系與程度，準確可靠地找到了系統(tǒng)的薄弱環(huán)節(jié)，提高系統(tǒng)整體可靠性。楊旭等［9］結合大型航空發(fā)動機機載振動監(jiān)測研制需求，提出了機載健康管理振動監(jiān)測系統(tǒng)硬件設計關鍵點，根據(jù)機載振動監(jiān)測實時性要求，采用多線程技術設計了健康管理振動監(jiān)測軟件，實現(xiàn)了對發(fā)動機機載振動實時監(jiān)測告警的功能。

上述文獻中對于發(fā)動機監(jiān)控與診斷技術均有大量的研究與應用，也融合了許多先進算法輔助分析。但是，其對于一線生產使用部門來說相對復雜，不具備可操作性。此外，基于飛參數(shù)據(jù)進行的分析，目前一線部門對于飛參數(shù)據(jù)的使用與判讀仍處于將試車或者飛行后的數(shù)據(jù)下載下來，通過專業(yè)的飛參判讀軟件進行處理。一方面使用部門對于機上成品設備的開發(fā)使用權限不足，無法進行底層更改；另一方面需要依賴專用的判讀軟件進行診斷，沒有根據(jù)自身經驗建立新的判讀和監(jiān)控規(guī)則。這就導致對于發(fā)動機的狀態(tài)監(jiān)控與故障診斷不具備時效性，不能發(fā)揮作為一線使用單位的優(yōu)勢。

本文提出一種基于BP 神經網絡算法［10］的航空發(fā)動機參數(shù)預測與告警系統(tǒng)設計方法。通過對前期大量發(fā)動機參數(shù)的統(tǒng)計整理與特征學習，采用BP 神經網絡算法針對不同狀態(tài)不同參數(shù)建立參數(shù)特征模型，在發(fā)動機試車過程中，通過特征模型對特定工作狀態(tài)下的參數(shù)進行實時分析，預測后續(xù)狀態(tài)的參數(shù)值，實現(xiàn)參數(shù)的實時預測，提前發(fā)現(xiàn)參數(shù)異常趨勢，及時將風險消除。

1 系統(tǒng)技術應用

1.1 發(fā)動機參數(shù)監(jiān)控

航空發(fā)動機追求的是高速高效的戰(zhàn)術性能，而這對其自身的可靠性與耐久性提出了巨大的挑戰(zhàn)，發(fā)動機監(jiān)控技術正是針對這一需求出現(xiàn)的［11］。監(jiān)控技術的意義在于確保發(fā)動機安全可靠地使用。

航空發(fā)動機工作特性與性能可以通過不同參數(shù)呈現(xiàn)出來，通過對參數(shù)的分析判讀來判斷發(fā)動機各項性能指標是否合格。發(fā)動機參數(shù)主要有氣路參數(shù)（包括發(fā)動機轉速、排氣溫度、壓氣機導向葉片角度等）和狀態(tài)參數(shù)（包括滑油溫度、燃油溫度、振動值等）等組成。通過對以上參數(shù)的監(jiān)控來反映發(fā)動機的狀態(tài)與工作性能［12］。例如，通過對轉速的監(jiān)控來反饋發(fā)動機工作狀態(tài)；通過對滑油壓力、燃油壓力的監(jiān)控檢測發(fā)動機油路是否堵塞。

1.2 BP神經網絡

神經網絡［13］是一種數(shù)學算法模型，它類似于對動物神經網絡的模擬構建，通過構建網絡式結構的模型，將數(shù)據(jù)的信息通過大量的內部節(jié)點連接起來，通過調節(jié)節(jié)點之間的聯(lián)系實現(xiàn)信息處理與數(shù)據(jù)計算。

神經網絡通過對于輸入輸出數(shù)據(jù)的分析學習，自身訓練出某種規(guī)則，建立出特征模型。在給定輸入值后即可以得到最接近期望的輸出值。這種神經網絡的計算精度依賴于數(shù)據(jù)庫的大小以及模型的匹配程度。通過對大量前期數(shù)據(jù)的分析學習才能建立起相對準確的特征模型。

BP神經網絡是在原有基礎上加入了前饋環(huán)節(jié)，將實際輸出值與期望輸出值的誤差反向傳播，然后再通過修改各神經元的權值使得誤差最小。

2 系統(tǒng)設計

2.1 系統(tǒng)架構

為實現(xiàn)對發(fā)動機參數(shù)及時預測告警的功能，本系統(tǒng)將神經網絡算法、實時采集監(jiān)控技術與預測告警技術集成為一個系統(tǒng)。本文通過軟硬件將3 種功能結合起來，在建立好不同參數(shù)的變化特征模型后，根據(jù)實時輸入的參數(shù)信號進行分析得到預測結果，告警模塊也隨時保持與監(jiān)控軟件的通訊。系統(tǒng)架構如圖1 所示。

圖1 系統(tǒng)架構

2.2 參數(shù)預測模型建立

發(fā)動機使用過程中要求監(jiān)控的參數(shù)有許多，不同參數(shù)的限制條件也不相同，因此需要對不同參數(shù)建立各自的特征模型。此處以某一參數(shù)的模型建立過程為例展示參數(shù)特征模型建立流程，具體流程如圖2 所示。

圖2 神經網絡特征模型建立流程

首先需要對前期試車數(shù)據(jù)進行整合，建立數(shù)據(jù)集，此處需要對飛參數(shù)據(jù)進行重構，包括工作時間、發(fā)動機轉速、排氣溫度等參數(shù)，通過工作時間與轉速來進行關鍵要素篩選與優(yōu)化整合，針對不同參數(shù)建立不同數(shù)據(jù)集。

其次，將數(shù)據(jù)集中大部分數(shù)據(jù)用來作為訓練數(shù)據(jù)，建立BP神經網絡模型，神經元輸入輸出函數(shù)如下：

式中：wij為各隱藏層之間的權值；θ 為隱藏層的閾值。

得到初始模型后與少部分測試數(shù)據(jù)融合進行誤差計算。根據(jù)實際經驗與通用公式選擇合適的隱藏層節(jié)點數(shù)目與訓練次數(shù)，節(jié)點數(shù)目前期根據(jù)經驗公式進行選擇。

式中：m為隱藏層節(jié)點數(shù)量；n 為輸入層節(jié)點數(shù)量；l 為輸出層節(jié)點數(shù)量。

上述數(shù)據(jù)集的篩選、特征模型的建立均在MATLAB軟件中進行［14］，將飛參數(shù)據(jù)讀取后進行組合重構，根據(jù)需要選擇不同參數(shù)，利用軟件自帶的神經網絡函數(shù)模塊進行訓練，設定合適的節(jié)點數(shù)與訓練次數(shù)，根據(jù)測試數(shù)據(jù)的誤差計算得到最優(yōu)的特征模型。最終得到的模型數(shù)據(jù)如圖所3示，圖中參數(shù)特征模型隱藏層節(jié)點數(shù)為12，在訓練到第5次時得到了最優(yōu)解，其均方誤差如圖4所示。

圖3 BP神經網絡模型參數(shù)

圖4 均方誤差變化

發(fā)動機狀態(tài)可以分為停車、起動、慢車、中間態(tài)、最大狀態(tài)等多種工況。本文選取的工況是發(fā)動機起動狀態(tài)，通過訓練起動過程中溫度參數(shù)的變化曲線，得到該參數(shù)整個起動階段的特征模型，后需代入測試數(shù)據(jù)對模型進行驗證，得到最優(yōu)模型后即可實現(xiàn)在起動初期階段就能夠判斷出起動后期發(fā)動機的溫度狀態(tài)。

2.3 數(shù)據(jù)采集與預測告警

試車時的實時數(shù)據(jù)采集擬采用圖像識別的方式進行，通過字符識別的功能對發(fā)動機某項參數(shù)進行采集，并將數(shù)據(jù)實時記錄傳輸給下位機進行分析處理，代入到參數(shù)特征模型中進行預測。

監(jiān)控模塊對采集設備的采樣速率、分辨率、精度等參數(shù)具有一定的要求，本文選擇了一款工業(yè)智能相機作為數(shù)據(jù)采集設備，在其中寫入字符識別（OCR）功能［15］。該款相機字符識別采集速率可達到10 Hz，完全有能力滿足參數(shù)監(jiān)控的需求。

參數(shù)預測告警的目的是提前發(fā)現(xiàn)風險點并給出提示，根據(jù)發(fā)動機的監(jiān)控參數(shù)特征不同，編寫不同的限制條件以及判讀條件。本文采用MATLAB 軟件進行數(shù)據(jù)分析與處理，一方面利用其函數(shù)庫中的神經網絡函數(shù)計算出結果之后，將數(shù)據(jù)及時顯示，并與限制條件作為對比，通過可視化圖形進行監(jiān)控與告警；另一方面對實時提取出的數(shù)據(jù)進行增長率計算，當判斷其增長率異常后同樣發(fā)出告警。舉例如下：

式中：xt為當前采集到的排氣溫度參數(shù)；Δt為采樣周期。

當計算出的kt值超過一定標準后，就會發(fā)生發(fā)動機熱懸掛現(xiàn)象。

參數(shù)界面如圖5 所示，此時已經將前期數(shù)據(jù)導入并顯示出來，現(xiàn)階段需要將實時提取的參數(shù)同時繪入曲線圖中，進行后期參數(shù)預測。在界面中可以分別顯示出當前值、預測值與限制值，當預測值超過限制值時會發(fā)出告警信號提示操作人員進行處置。

圖5 參數(shù)顯示界面

3 系統(tǒng)運用

3.1 系統(tǒng)組成

系統(tǒng)整體搭建如圖6 所示，主要由數(shù)據(jù)采集監(jiān)控設備、上位機信息處理計算機以及飛參綜合檢測設備組成。以某航空發(fā)動機起動階段排氣溫度變化預測為例，在發(fā)動機起動過程中，通過數(shù)據(jù)采集設備將排氣溫度數(shù)據(jù)傳給信息處理計算機，將數(shù)據(jù)導入前期建立好的參數(shù)特征模型，計算出起動到達狀態(tài)時的預測溫度，與限制值進行對比，即可實現(xiàn)提前告警功能。

圖6 系統(tǒng)整體示意

3.2 軟件應用

圖7 所示為軟件運行時的顯示界面，左邊表格是獲取到的監(jiān)控數(shù)據(jù)，單擊預測按鈕即可執(zhí)行神經網絡預測程序，同時在上方顯示預測結果，每個參數(shù)有3 個顯示值，第一個為當前狀態(tài)值，第二個為模型計算出的預測值，第三個為該參數(shù)的限制值。為了方便判斷，在右下方將參數(shù)的實際曲線繪制出來，可以看到參數(shù)發(fā)展的趨勢圖，當預測值超過限制值時其背景顏色會變?yōu)榧t色，此時試車人員可以進行應急操作，每個參數(shù)框有一個處置按鈕，單擊即可打開該參數(shù)異常時的應急處置措施。

圖7 軟件運行界面

3.3 功能拓展

結合發(fā)動機的自身特點以及使用維護要求，除了預測告警的功能外本系統(tǒng)后期還可以具備自動應急處置的能力?，F(xiàn)階段由于信息處理計算機無法與飛機通信，只能進行監(jiān)控功能，在異常時提示告警措施，后期可以將該軟件裝載到飛參綜合檢測設備當中，出現(xiàn)異常情況時點擊處置按鈕可以直接發(fā)送控制信號進行處置。

4 結束語

本文針對目前航空發(fā)動機試車監(jiān)控技術與應用系統(tǒng)提出了一種新的解決方式。針對現(xiàn)有監(jiān)控技術不具備時效性的問題，構建了一種基于神經網絡模型的參數(shù)預測系統(tǒng)，通過對大量數(shù)據(jù)的訓練學習建立參數(shù)的變化模型，給參數(shù)預測提供了模型支撐，又通過圖像識別處理的方式采集實時數(shù)據(jù)，打通基礎條件，最后編寫了一款軟件將模型與硬件結合起來，完整地構建出本文中的預測與實時告警系統(tǒng)。實現(xiàn)發(fā)動機試車參數(shù)的實時預測功能。

本系統(tǒng)對于工業(yè)部門、生產單位具有通用的使用價值，能夠提升發(fā)動機試車的安全性，極高生產效率，降低風險的同時減少維護成本。在未來發(fā)展方面，對于設計單位同樣具備借鑒性。在故障判斷與控制手段中應用，可以實現(xiàn)實現(xiàn)故障的提前處置。