基于IGA-Elman算法的民航發(fā)動機基線挖掘研究

李書明 周大鵬 許旺山 王超 丁凱

摘要：為進一步提高民航發(fā)動機性能參數(shù)基線挖掘的準確性，提出了一種基于改進遺傳算法（IGA）優(yōu)化Elman動態(tài)回歸神經(jīng)網(wǎng)絡的基線預測模型。該模型通過改進遺傳算法的交叉和變異概率更新操作，并優(yōu)化Elman網(wǎng)絡的初始權值和閾值。同時，結合EHM系統(tǒng)輸出的飛行數(shù)據(jù)報告，對該神經(jīng)網(wǎng)絡進行訓練，用訓練好的神經(jīng)網(wǎng)絡對某航空公司提供的監(jiān)控數(shù)據(jù)進行基線預測，并與基本Elman神經(jīng)網(wǎng)絡和GA-Elman神經(jīng)網(wǎng)絡的輸出值進行對比。實驗結果表明，IGA-Elman算法在航空發(fā)動機基線預測精度方面優(yōu)于上述其他方法。

關鍵詞：神經(jīng)網(wǎng)絡；改進遺傳算法；民航發(fā)動機；基線預測

Keywords：neural network；improved genetic algorithm；civil aero-engine；baseline prediction

0 引言

航空發(fā)動機的維修方式已經(jīng)由定時維修逐漸轉變?yōu)橐暻榫S修方式，視情維修又以航空發(fā)動機趨勢狀態(tài)監(jiān)控和故障診斷為前提[1]。目前，航空公司性能工程師通過監(jiān)控各發(fā)動機性能參數(shù)與其基線之間的偏差值趨勢，進而評估發(fā)動機性能衰退情況，分析發(fā)動機潛在故障，但發(fā)動機基線完全隱藏在OEM廠家開發(fā)的性能監(jiān)控軟件中，用戶無法獲取。隨著大數(shù)據(jù)和人工智能技術不斷發(fā)展，可實現(xiàn)對航空公司的監(jiān)控數(shù)據(jù)進行基線挖掘，為進一步提高國產(chǎn)民航發(fā)動機狀態(tài)監(jiān)控程序開發(fā)和故障診斷水平做出貢獻。

目前，國內外學者在基線挖掘方面做了一定研究?；€通常是指處于良好狀態(tài)的發(fā)動機在一定的飛行條件下某個狀態(tài)參數(shù)與發(fā)動機控制量之間的函數(shù)關系[2]。林兆福等人利用正交試驗設計原理和最小二乘曲線擬合方法，建立了JT9D三種類型發(fā)動機的基線方程，并與廠家監(jiān)控系統(tǒng)ECM的計算值作了比較，取得了滿意的結果[3]。曹惠玲等人利用支持向量機算法，對廠家監(jiān)控數(shù)據(jù)和QAR數(shù)據(jù)進行基線挖掘，取得較好的計算結果[4]。鐘詩勝等人采用高斯牛頓法對羅羅公司的發(fā)動機基線方程進行了多元回歸分析，給出了可滿足實際應用要求的基線方程[2]。龍江等人利用回歸分析方法給出了湍達700發(fā)動機基線的一元二次多項式方程[5]。付金華等人利用RBF神經(jīng)網(wǎng)絡預測CFM56-5B的EGT健康基線，并與真實的EGT基線對比證明了該建模方法的有效性[6]。李書明等人利用數(shù)據(jù)擬合方法對發(fā)動機基線方程進行了挖掘[7]。閆峰利用RBF神經(jīng)網(wǎng)絡預測了發(fā)動機巡航狀態(tài)的燃油流量基線，并與真實FF基線對比證明了該建模方法的有效性[8]。鐘詩勝等人利用三次回歸分析法建立了發(fā)動機試車臺基線的數(shù)學模型，并通過發(fā)動機全壽命管理系統(tǒng)的應用驗證了該模型的實用性[9]。閆峰等人利用RBF神經(jīng)網(wǎng)絡建立了航空發(fā)動機巡航狀態(tài)下的高壓轉子轉速基線模型，并驗證其精度滿足實際要求[10]。Chunxiao Zhang等人利用支持向量機方法建立了四種性能參數(shù)基線的預測模型，并驗證了該模型的準確性[11]。

為進一步提高航空發(fā)動機基線挖掘的準確性和實用性，本文提出一種基于IGA-Elman的動態(tài)回歸神經(jīng)網(wǎng)絡預測模型，以基線的網(wǎng)絡預測值與真實基線值之差為目標，使用改進遺傳算法對Elman網(wǎng)絡的初始權值和閾值進行尋優(yōu)。本文通過采集EHM系統(tǒng)（普惠公司發(fā)動機監(jiān)控軟件）輸出的V2527發(fā)動機飛行數(shù)據(jù)報告的相關參數(shù)，結合優(yōu)化后的Elman網(wǎng)絡對該型發(fā)動機基線作了預測。實驗結果表明，該動態(tài)回歸模型用于預測發(fā)動機基線是可行的。

1 Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡是一種局部遞歸神經(jīng)網(wǎng)絡，其結構主要由輸入層、隱含層、輸出層和承接層構成[12]。Elman網(wǎng)絡增加的承接層單元用來記憶隱含層單元前一時刻的輸出值，其輸入輸出到隱含層經(jīng)歷延遲與存儲。與傳統(tǒng)BP網(wǎng)絡結構相比，該連接方式使網(wǎng)絡模型對隱含層輸出數(shù)據(jù)具有敏感性，因此Elman神經(jīng)網(wǎng)絡在處理變化復雜數(shù)據(jù)方面表現(xiàn)出了較好效果。具體結構如圖1所示。

IGA-Elman神經(jīng)網(wǎng)絡由遺傳算法優(yōu)化和Elman網(wǎng)絡兩大部分組成，如圖2所示。

IGA-Elman神經(jīng)網(wǎng)絡算法步驟如下：

1）選取Elman網(wǎng)絡的權值和閾值作為參變量，進行實數(shù)編碼。

其中，為隨機數(shù)；和分別為從父代群體中隨機選取的兩個個體；和分別為線性組合交叉方式產(chǎn)生的兩個新后代。

5）變異操作。從種群隨機挑選若干個體，并隨機確定變異位，以一定概率對變異位進行取反運算形成新的一代。

6）判斷是否達到終止條件。若不滿足條件，計算新種群個體適應度，否則算法結束。

7）將IGA算法尋找出來的最優(yōu)解作為Elman神經(jīng)網(wǎng)絡初始權值和閾值，對神經(jīng)網(wǎng)絡進行初始化。

8）將優(yōu)化后的Elman神經(jīng)網(wǎng)絡進行數(shù)據(jù)訓練，直到誤差收斂至設定精度，訓練結束。

2 基于IGA-Elman神經(jīng)網(wǎng)絡的航空發(fā)動機基線挖掘

2.1 采集參數(shù)準備

以V2527發(fā)動機為例，根據(jù)某航空公司提供的報文數(shù)據(jù)，經(jīng)輸入格式轉化后輸入EHM系統(tǒng)，并在其輸出的飛行數(shù)據(jù)報告中采集相關參數(shù)，包括大氣總溫（TAT）、馬赫數(shù)（MA）、海拔高度（ALT）、空調引氣代碼（PKS）、發(fā)動機壓比（EPR）、低壓轉子轉速（N1）及其偏差值（ΔN1）、高壓轉子轉速（N2）及其偏差值（ΔN2）、排氣溫度（EGT）及其偏差值（ΔEGT）和燃油流量（FF）及其偏差值（ΔFF）。

2.2 數(shù)據(jù)處理

2.3 網(wǎng)絡結構設置

根據(jù)某航空公司提供的巡航報文可知，發(fā)動機在巡航狀態(tài)運行時，空調組件正常穩(wěn)定引氣，PKS=“2”。因此，本文將正常穩(wěn)定引氣狀態(tài)下的EPR、MA、TAT和ALT作為Elman神經(jīng)網(wǎng)絡的4個輸入?yún)?shù)，將通過式（10）得到的性能參數(shù)基線值作為神經(jīng)網(wǎng)絡的目標輸出值。目前，對于隱含層神經(jīng)元個數(shù)的設定，研究學者還沒有給出精確的計算方法。經(jīng)過仿真試驗，當隱含層神經(jīng)元個數(shù)為15時，Elman網(wǎng)絡回歸精度最好，同時設定承接層神經(jīng)元個數(shù)與隱含層相同，故所采用的Elman神經(jīng)網(wǎng)絡結構為（4，15，1）型。

3 IGA-Elman算法驗證

3.1 算法參數(shù)設置

通過Matlab R2014a軟件編程，建立IGA-Elman神經(jīng)網(wǎng)絡的航空發(fā)動機基線回歸模型。Elman神經(jīng)網(wǎng)絡訓練總共選取200組飛行數(shù)據(jù)，前150組數(shù)據(jù)作為訓練集，后50組數(shù)據(jù)作為驗證集。受篇幅限制，在此僅給出處理后的EGT基線挖掘數(shù)據(jù)進行展示，具體數(shù)據(jù)如表1所示。其次，設定遺傳算法的種群規(guī)模為50，進化次數(shù)為30，最大和最小交叉概率分別取0.9和0.4，最大和最小變異概率分別取0.06和0.02。訓練Elman神經(jīng)網(wǎng)絡時，設定IGA-Elman算法模型最大訓練步數(shù)為2000，訓練目標精度為0.01。

3.2 仿真結果

如圖3所示，在遺傳算法初始化參數(shù)和Elman網(wǎng)絡結構參數(shù)一定時，IGA-Elman算法相比GA-Elman算法在早期迭代時收斂速度較快。GA-Elman網(wǎng)絡在迭代初期的收斂精度表現(xiàn)良好，但隨著算法迭代過程的進行，IGA-Elman網(wǎng)絡對性能參數(shù)基線預測誤差的收斂精度明顯得到提高。圖4對比了 IGA-Elman網(wǎng)絡在不同種群規(guī)模下的平均適應度變化情況，較大或者較小種群數(shù)目對遺傳算法優(yōu)化Elman存在一定收斂精度局限。

本文給出了IGA-Elman神經(jīng)網(wǎng)絡與其他兩種方法在基線回歸預測的絕對誤差圖，從圖中可以看出未經(jīng)優(yōu)化的Elman網(wǎng)絡和GA-Elman網(wǎng)絡在EGT基線、FF基線、N2基線和N1基線預測時表現(xiàn)出了不同程度的誤差波動性，而IGA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡對四種性能參數(shù)基線預測精度較其他兩種方法有一定幅度的提高，可滿足實際工程要求。具體仿真結果如圖5～圖8所示。

為有效地定量評價IGA-Elman回歸模型的實用性，表2給出了該預測模型與其他兩種方法在對50組驗證數(shù)據(jù)進行性能參數(shù)基線預測時的均方根誤差。數(shù)據(jù)表明，IGA-Elman回歸模型在基線回歸預測方面表現(xiàn)出良好的精度效果。

4 結論

本文使用某航空公司提供的巡航報文數(shù)據(jù)，并采集EHM系統(tǒng)輸出的相應飛行參數(shù)，綜合考慮了影響性能參數(shù)基線的多種飛行參數(shù)，提出了基于IGA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡的航空發(fā)動機基線預測模型。仿真實驗表明，相較基本Elman網(wǎng)絡、GA-Elman網(wǎng)絡，IGA-Elman回歸模型在挖掘性能參數(shù)基線的精確性方面提升較高，對監(jiān)控國產(chǎn)民航發(fā)動機性能參數(shù)基線預測具有一定的實際指導意義。

參考文獻

[1]龐思凱.基于氣路參數(shù)的航空發(fā)動機故障診斷技術研究[D].天津：中國民航大學，2014.

[2]鐘詩勝，崔智全，付旭云.Rolls- Royce發(fā)動機基線挖掘方法[J].計算機集成制造系統(tǒng)，2010，16（10）：2265-2270.

[3]林兆福，范作民.發(fā)動機基線方程的建立[J].中國民航學院學報，1992，10（4）：20-32.

[4]曹惠玲，張卓，曲春剛.SVR在航空發(fā)動機基線挖掘中的應用研究[J].機械科學與技術，2017，36（1）：152-160.

[5]龍江，吳瑞，尚澤譯，等.Trent700發(fā)動機基線建模[J].西安航空學院學報，2015，33（3）：7-10.

[6]付金華，閆鋒.航空發(fā)動機排氣溫度基線建模方法[J].航空計算技術，2014，44（6）：49-54.

[7]李書明，任沛，黃燕曉.航空發(fā)動機基線方程的擬合[J].機械工程與自動化，2016（1）：153-154+157.

[8]閆鋒.一種航空發(fā)動機燃油流量基線的建模方法[J].計算機測量與控制，2015，23（5）：1635-1638.

[9]鐘詩勝，周志波，張永，等.基于三次回歸分析的試車臺基線庫的建立[J].計算機集成制造系統(tǒng)，2005（2）：270-274.

[10]閆鋒，付為剛.航空發(fā)動機高壓轉子轉速（N2）基線的建模方法[J].機械設計與制造，2015（1）：148-151.

[11] Chunxiao Zhang，Nan Wang. Aero-Engine Condition Monitoring Based on Support Vector Machine [C]. 2012 International Conference on Applied Physics and Industrial Engineering，2012：1546-1552.

[12] Jia Wei-kuan，Zhao De-an，Zheng Yuan-jie，et al. A novel optimized GA-Elman neural network algorithm [J]. Neural Computing and Applications，2017，31（8）：449-459.

[13] You Wen-xia，Chang Jun-xiao，Zhou Zi-heng，et al. Short-term Load Forecasting Based on GA-Elman Model [J]. Advanced Materials Research，2014，986（7）：520-523.

[14] Chen Ye. Forecast of Short-Term Wind Power Based on GA Optimized Elman Neural Network [J]. Applied Mechanics and Materials，2014，536（4）：470-473.

作者簡介

李書明，教授，博士，研究方向：航空發(fā)動機故障診斷及健康管理。

周大鵬，碩士研究生，研究方向：航空發(fā)動機狀態(tài)監(jiān)控及轉子故障診斷。

3680500338238