NARX神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)EGT趨勢(shì)預(yù)測(cè)中的應(yīng)用

徐　亮，李　平

(中國(guó)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(dòng)機(jī)EGT趨勢(shì)預(yù)測(cè)中的應(yīng)用

徐亮，李平

(中國(guó)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(dòng)機(jī)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(dòng)機(jī)隱藏的故障，通過(guò)預(yù)測(cè)發(fā)動(dòng)機(jī)性能參數(shù)的變化趨勢(shì)來(lái)掌握發(fā)動(dòng)機(jī)性能衰退情況，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)健康狀態(tài)的準(zhǔn)確判斷，具有重要的意義。針對(duì)航空發(fā)動(dòng)機(jī)性能參數(shù)的數(shù)據(jù)特點(diǎn)，提出將動(dòng)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(yùn)用到性能參數(shù)的預(yù)測(cè)中，并用航空發(fā)動(dòng)機(jī)排氣溫度(EGT)的趨勢(shì)預(yù)測(cè)對(duì)該方法進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明，這種方法在性能參數(shù)預(yù)測(cè)的精度上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。

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

0引言

航空發(fā)動(dòng)機(jī)是飛機(jī)的“心臟”，它的故障可能對(duì)飛行的安全造成影響甚至導(dǎo)致災(zāi)難性事故。同時(shí)，發(fā)動(dòng)機(jī)高昂的維修費(fèi)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(dòng)機(jī)隱藏的故障，通過(guò)預(yù)測(cè)發(fā)動(dòng)機(jī)性能參數(shù)的變化趨勢(shì)來(lái)掌握發(fā)動(dòng)機(jī)性能衰退情況，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)健康狀態(tài)的準(zhǔn)確判斷，對(duì)于有效實(shí)施航空發(fā)動(dòng)機(jī)的視情維修決策具有重要的意義。

目前，各航空發(fā)動(dòng)機(jī)制造商都有自己的發(fā)動(dòng)機(jī)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(dòng)機(jī)性能趨勢(shì)分析的功能，但是它們只是對(duì)已有的歷史數(shù)據(jù)進(jìn)行分析，而無(wú)法對(duì)數(shù)據(jù)的未來(lái)發(fā)展的趨勢(shì)進(jìn)行預(yù)測(cè)。

對(duì)于發(fā)動(dòng)機(jī)性能數(shù)據(jù)的未來(lái)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè),國(guó)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(duì)航空發(fā)動(dòng)機(jī)排氣溫度(EGT——Exhaust Gas Temperature)進(jìn)行了預(yù)測(cè)[1]；常博博等人利用求和自回歸移動(dòng)平均(ARIMA)模型，對(duì)某型航空發(fā)動(dòng)機(jī)排氣溫度時(shí)間序列建立ARIMA預(yù)測(cè)模型，對(duì)發(fā)動(dòng)機(jī)性能進(jìn)行預(yù)測(cè)[2]；丁剛等人利用過(guò)程神經(jīng)網(wǎng)絡(luò)對(duì)航空發(fā)動(dòng)機(jī)EGT數(shù)據(jù)進(jìn)行預(yù)測(cè)[3]；陳果利用結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)對(duì)航空發(fā)動(dòng)機(jī)的起飛和巡航EGT裕度進(jìn)行了預(yù)測(cè)[4]；白潔運(yùn)用小波神經(jīng)網(wǎng)絡(luò)對(duì)渦輪增壓發(fā)動(dòng)機(jī)性能進(jìn)行預(yù)測(cè)[5]。

本文提出了一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)中的NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)氣動(dòng)熱力參數(shù)中的EGT參數(shù)進(jìn)行預(yù)測(cè)，應(yīng)用實(shí)測(cè)的發(fā)動(dòng)機(jī)工作參數(shù)對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，驗(yàn)證該方法在航空發(fā)動(dòng)機(jī)的性能參數(shù)預(yù)測(cè)中是可行的。

1航空發(fā)動(dòng)機(jī)性能參數(shù)的數(shù)據(jù)特點(diǎn)

航空發(fā)動(dòng)機(jī)長(zhǎng)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(dòng)機(jī)性能的參數(shù)通常都是一個(gè)復(fù)雜的、非線性、非平穩(wěn)且?guī)в须S機(jī)波動(dòng)的時(shí)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(gè)數(shù)據(jù)點(diǎn)，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(dòng)機(jī)使用時(shí)間的增加，EGT數(shù)據(jù)整體上呈現(xiàn)上升趨勢(shì)，而細(xì)節(jié)上又存在較大的波動(dòng)。這種變化反映出了發(fā)動(dòng)機(jī)性能的總體降低和性能波動(dòng)，這與發(fā)動(dòng)機(jī)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(shì)，而高頻段數(shù)據(jù)反映了局部的波動(dòng)情況。

目前在參數(shù)預(yù)測(cè)方法上用得較多的主要是以時(shí)間序列方法為代表的傳統(tǒng)預(yù)測(cè)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(shí)間序列方法，如自回歸(AR)模型法、自回歸滑動(dòng)(ARMA)模型法，則精度不高，且容錯(cuò)性差，長(zhǎng)區(qū)間的預(yù)測(cè)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(huì)在訓(xùn)練過(guò)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(dòng)機(jī)數(shù)據(jù)的動(dòng)態(tài)特性。

2NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)原理

NARX模型被廣泛應(yīng)用于時(shí)間序列的建模中,NARX屬于離散時(shí)間非線性系統(tǒng),數(shù)學(xué)表達(dá)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(shí)刻模型的輸入,y(t)表示在t時(shí)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(gè)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(hào)從左側(cè)進(jìn)入分接延遲線(TDL—Tapped Delay Line)，并依次經(jīng)過(guò)N-1個(gè)延遲。分接延遲線是由網(wǎng)絡(luò)當(dāng)前和之前的若干個(gè)時(shí)刻的輸入信號(hào)組成的N維向量。通過(guò)設(shè)置不同的TDL，可以實(shí)現(xiàn)不同時(shí)間延遲的輸入組合。對(duì)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(shí)間上的連續(xù)序列形式,即

其中,元組細(xì)胞[ut]和[yt]分別代表變量U和Y在時(shí)刻t取值的一個(gè)集合。因此,我們?cè)诶肗ARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模時(shí),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(duì)應(yīng)關(guān)系。

3NARX神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)EGT趨勢(shì)預(yù)測(cè)中的應(yīng)用研究

3.1數(shù)據(jù)預(yù)處理

因?yàn)楹娇瞻l(fā)動(dòng)機(jī)在高溫、高壓、高噪聲環(huán)境下工作, 它的相關(guān)參數(shù)的測(cè)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(wèn)題。因此，采集到的航空發(fā)動(dòng)機(jī)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(dòng)機(jī)健康狀態(tài)的實(shí)際變化。數(shù)據(jù)的預(yù)處理主要包括對(duì)原始數(shù)據(jù)的平滑處理和對(duì)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(cè)及結(jié)果分析

對(duì)NARX神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行精度分析，并與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值如圖5所示。

對(duì)NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)測(cè)量值進(jìn)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(cè)值與真實(shí)值比較圖

圖5　BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值比較圖

編號(hào)實(shí)測(cè)值預(yù)測(cè)值NARX BP絕對(duì)誤差NARX BP相對(duì)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(cè)的趨勢(shì)圖與實(shí)際相似度更高；從表1預(yù)測(cè)結(jié)果的精度分析中也可以看出NARX預(yù)測(cè)值的相對(duì)誤差都低于BP預(yù)測(cè)的相對(duì)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(dòng)機(jī)性能參數(shù)的預(yù)測(cè), 表現(xiàn)出了很強(qiáng)的適用性。盡管本文僅對(duì)發(fā)動(dòng)機(jī)EGT性能參數(shù)進(jìn)行了預(yù)測(cè)分析,但是按同樣思路,不難對(duì)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(jìn)行預(yù)測(cè)。

本文的研究工作對(duì)于提前預(yù)知航空發(fā)動(dòng)機(jī)未來(lái)時(shí)刻的性能數(shù)據(jù),有效地實(shí)施發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控、故障預(yù)測(cè)和健康管理具有重要意義。

參考文獻(xiàn)

[1] 宋云雪,張科星,史永勝.基于多元線性回歸的發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測(cè)[J].航空動(dòng)力學(xué)報(bào),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(dòng)機(jī)性能預(yù)測(cè)[J].自動(dòng)化應(yīng)用,2013(5):45-46,53.

[3] 丁剛,付旭云,鐘詩(shī)勝.基于過(guò)程神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測(cè)[J].計(jì)算機(jī)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(cè)航空發(fā)動(dòng)機(jī)性能趨勢(shì)[J].航空學(xué)報(bào),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(dòng)機(jī)性能預(yù)測(cè)研究[J].制造業(yè)自動(dòng)化,2011,33(5):82-84,139.

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

[責(zé)任編輯、校對(duì)：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(hào)：V263.6；TP183

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1008-9233(2016)01-0036-04

作者簡(jiǎn)介：徐亮(1990-)，男，江蘇揚(yáng)州人，碩士研究生，從事航空發(fā)動(dòng)機(jī)故障預(yù)測(cè)、健康管理研究。

基金項(xiàng)目：中國(guó)民航飛行學(xué)院學(xué)生科技活動(dòng)基金(X2014-13)

收稿日期：2015-11-13