基于XGBoost的民航飛機(jī)發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測模型

樊智勇，王振良，劉哲旭

（1.中國民航大學(xué) 工程技術(shù)訓(xùn)練中心，天津 300300；2.中國民航大學(xué) 電子信息與自動(dòng)化學(xué)院，天津 300300）

0 引言

航空發(fā)動(dòng)機(jī)是飛機(jī)的“心臟”，是保障大型民用航空飛機(jī)飛行安全的核心部件，目前航空發(fā)動(dòng)機(jī)的健康監(jiān)測方法大都采用航后診斷的方法，主要對航空發(fā)動(dòng)機(jī)的氣路參數(shù)、振動(dòng)參數(shù)和油液參數(shù)，通過異常的參數(shù)找到飛機(jī)發(fā)動(dòng)機(jī)潛在的風(fēng)險(xiǎn)狀態(tài)數(shù)據(jù)，進(jìn)而判斷發(fā)動(dòng)機(jī)中與氣路有關(guān)的單元體和子系統(tǒng)狀態(tài)是否存在異常作為故障診斷的依據(jù)［1］。對于航后飛機(jī)發(fā)動(dòng)機(jī)的故障診斷存在延遲性，若能根據(jù)飛機(jī)發(fā)動(dòng)機(jī)的性能參數(shù)變化趨勢，預(yù)判航空發(fā)動(dòng)機(jī)的超限狀態(tài)，可防患于未然，提高民航運(yùn)行的安全性。航空發(fā)動(dòng)機(jī)性能參數(shù)的預(yù)測在發(fā)動(dòng)機(jī)健康管理、視情維修、設(shè)計(jì)研發(fā)、建模仿真等領(lǐng)域起到關(guān)鍵性作用［2-5］，對航空發(fā)動(dòng)機(jī)壽命預(yù)測有助于提高飛機(jī)發(fā)動(dòng)機(jī)安全性，降低航空公司的維護(hù)成本［6］。

發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測是指通過一定的技術(shù)手段對表征發(fā)動(dòng)機(jī)工況的主要性能參數(shù)，如N2（高壓轉(zhuǎn)子轉(zhuǎn)速）、N1（風(fēng)扇轉(zhuǎn)速）、FF（燃油流量）、EGT（排氣溫度）進(jìn)行監(jiān)測，并根據(jù)實(shí)際監(jiān)測數(shù)據(jù)建模分析，以獲取各部件工作狀態(tài)在不同外界環(huán)境下的變化趨勢。航空發(fā)動(dòng)機(jī)的性能參數(shù)變化趨勢能夠客觀反映航空發(fā)動(dòng)機(jī)的性能衰退狀況［7］。由于航空發(fā)動(dòng)機(jī)工作過程復(fù)雜，工作環(huán)境多變，且核心部件長期處于高速旋轉(zhuǎn)、高溫狀態(tài)下，其性能參數(shù)呈現(xiàn)非線性、非平穩(wěn)性、波動(dòng)性等特點(diǎn)，給發(fā)動(dòng)機(jī)的性能趨勢預(yù)測帶來較大困難。傳統(tǒng)的預(yù)測方法如多元線性回歸［8］、自回歸滑動(dòng)平均模型［9］，其預(yù)測精度不高，且魯棒性不強(qiáng)。隨著機(jī)器學(xué)習(xí)的快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)和支持向量回歸（SVM，support vector regression）廣泛應(yīng)用于民航飛機(jī)發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測。文獻(xiàn)［10］采用改進(jìn)量子粒子群優(yōu)化支持向量回歸對V2500發(fā)動(dòng)機(jī)的排氣溫度進(jìn)行預(yù)測；文獻(xiàn)［11］建立了基于支持過程向量機(jī)的航空發(fā)動(dòng)機(jī)排氣溫度預(yù)測模型；文獻(xiàn)［12］利用模糊信息粒化方法對性能參數(shù)進(jìn)行?；幚恚⒉捎脙?yōu)化的SVM 對發(fā)動(dòng)機(jī)N2參數(shù)進(jìn)行了預(yù)測驗(yàn)證；文獻(xiàn)［13］利用堆疊降噪自動(dòng)編碼器構(gòu)建了燃油流量的預(yù)測模型，并使用真實(shí)飛行數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證；文獻(xiàn)［14］從提高訓(xùn)練樣本集的質(zhì)量角度，提出一種基于樣條函數(shù)擬合和相空間重構(gòu)的訓(xùn)練集構(gòu)造方法，并結(jié)合過程神經(jīng)網(wǎng)絡(luò)，對發(fā)動(dòng)機(jī)的性能參數(shù)進(jìn)行預(yù)測，取得了不錯(cuò)的效果。但是，支持向量回歸存在核函數(shù)選取的困難，需要根據(jù)經(jīng)驗(yàn)和反復(fù)試驗(yàn)確定，存在較大的隨機(jī)性。使用神經(jīng)網(wǎng)絡(luò)預(yù)測存在收斂速度慢、訓(xùn)練時(shí)間長、需要大量訓(xùn)練數(shù)據(jù)樣本、容易陷入局部最優(yōu)等問題。XGBoost（eXtreme gradient boosting）算法是在GBRT（gradient boosting regression tree）的基礎(chǔ)上對boosting算法的一種改進(jìn)，Chen［15］等詳細(xì)說明了XGBoost算法的原理并且證明了XGBoost計(jì)算速度優(yōu)于傳統(tǒng)的GBRT 算法。除此之外，很多學(xué)者使用XGBoost與傳統(tǒng)的SVM、ANN 方法等進(jìn)行比較皆得出XGBoost預(yù)測準(zhǔn)確性更高，可以在相對較少的調(diào)參時(shí)間下，得到較高預(yù)測準(zhǔn)確率［16］，且對異常值的魯棒性較強(qiáng)，不需要對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，是目前機(jī)器學(xué)習(xí)領(lǐng)域求解預(yù)測問題的常用模型之一。

對民航飛機(jī)發(fā)動(dòng)機(jī)性能參數(shù)的預(yù)測，本文采用快速存取記錄器（QAR，quick access recorder）記錄的真實(shí)飛行數(shù)據(jù)作為訓(xùn)練樣本集，QAR 數(shù)據(jù)記錄的是整個(gè)飛行過程的各項(xiàng)飛行參數(shù)，包含各個(gè)飛行階段。為提高預(yù)測模型的泛化能力，在構(gòu)建發(fā)動(dòng)機(jī)性能參數(shù)訓(xùn)練集時(shí)，采用模糊推理按照飛機(jī)的垂直飛行狀態(tài)進(jìn)行劃分，進(jìn)而構(gòu)建訓(xùn)練集，消除人為劃分?jǐn)?shù)據(jù)集的主觀影響。最后，基于XGBoost建立適用不同飛行階段的發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測模型，對不同飛行狀態(tài)下的發(fā)動(dòng)機(jī)工作狀況進(jìn)行模擬。

1 建模基礎(chǔ)

1.1 總體性能分析

民航飛機(jī)發(fā)動(dòng)機(jī)是一個(gè)集熱力學(xué)、機(jī)械、控制等多學(xué)科技術(shù)于一身的復(fù)雜系統(tǒng)，航空發(fā)動(dòng)機(jī)是一個(gè)復(fù)雜的非線性系統(tǒng)，為了與之發(fā)動(dòng)機(jī)的性能參數(shù)變化趨勢采用總體法對其進(jìn)行性能分析即不對發(fā)動(dòng)機(jī)內(nèi)部的物理過程進(jìn)行詳細(xì)地?cái)?shù)學(xué)描述，而是將整臺發(fā)動(dòng)機(jī)看作一個(gè) “黑盒”模型。模型的輸入量包括發(fā)動(dòng)機(jī)控制輸入及飛機(jī)自身狀態(tài)、外界環(huán)境等影響因素，輸出量主要包括表征發(fā)動(dòng)機(jī)推力和工作狀況的性能參數(shù)。輸入量與輸出量之間的映射關(guān)系即為發(fā)動(dòng)機(jī)的總體性能模型［17］。通過對航空發(fā)動(dòng)機(jī)工作原理的分析，選取油門桿位置（TLA）作為控制輸入；根據(jù)民航飛機(jī)的性能手冊，確定影響發(fā)動(dòng)機(jī)性能的因素主要包括馬赫數(shù)（Mach）、外界大氣總溫（TAT）、飛機(jī)總重（GW）、飛行高度（ALT）。另外，考慮到當(dāng)前大型民航客機(jī)均裝有自動(dòng)推力系統(tǒng)，例如波音737系列、空客A320系列飛機(jī)，當(dāng)飛機(jī)處于不同的飛行階段時(shí)，自動(dòng)推力系統(tǒng)采用不同的推力控制模式，其推力控制律會發(fā)生變化。因而，發(fā)動(dòng)機(jī)的性能參數(shù)的變化規(guī)律會隨著飛行階段的改變有所不同，故將飛行階段同樣作為影響因素。圖1為航空發(fā)動(dòng)機(jī)總體性能模型結(jié)構(gòu)圖。

圖1 發(fā)動(dòng)機(jī)總體性能模型結(jié)構(gòu)

據(jù)上述分析，在構(gòu)建XGBoost發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測模型時(shí)，選取油門桿位置、氣壓高度、大氣總溫、飛機(jī)總重以及馬赫數(shù)作為輸入特征變量，以所要預(yù)測的性能參數(shù)為狀態(tài)變量，對模型進(jìn)行訓(xùn)練。

1.2 飛行數(shù)據(jù)預(yù)處理

QAR 是飛行數(shù)據(jù)記錄系統(tǒng)的設(shè)備之一，記錄數(shù)據(jù)量大，可靠性高。相比 “黑匣子”記錄的飛行數(shù)據(jù)，QAR 數(shù)據(jù)存取方便可靠，讀取速度快，具有更高的數(shù)據(jù)獲取效率，更便于維護(hù)人員存取。本文的試驗(yàn)和驗(yàn)證數(shù)據(jù)來自某航空公司波音737-800客機(jī)，發(fā)動(dòng)機(jī)型號為CFM56-7B。

QAR 記錄的飛行數(shù)據(jù)，其部分起飛爬升階段的數(shù)據(jù)如表1所示。

表1 737-800型飛機(jī)部分起飛爬升階段的數(shù)據(jù)

表1包含飛機(jī)飛行高度、大氣溫度、飛行馬赫數(shù)、發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣管溫度等基本參數(shù)。利用數(shù)據(jù)譯碼軟件從機(jī)載記錄器中獲取QAR 數(shù)據(jù)中的高度、總溫、馬赫數(shù)等所需參數(shù)。QAR 記錄的飛行數(shù)據(jù)由于飛行環(huán)境的復(fù)雜多變，其中存在眾多野值或頻繁抖動(dòng)，直接使用原始數(shù)據(jù)會包含野值這會影響發(fā)動(dòng)機(jī)性能參數(shù)的預(yù)測精度，故在訓(xùn)練XGBoost預(yù)測模型前先需要對飛行數(shù)據(jù)進(jìn)行預(yù)處理，通過降噪濾波的方法將眾多野值過濾進(jìn)而排除野值對模型預(yù)測效果的影響。平穩(wěn)小波變換和系數(shù)相關(guān)性原理相結(jié)合的方法處理飛行數(shù)據(jù)能較好地去除雜波［18-19］。

小波閾值去噪是一種非線性的去噪方法，在最小均方誤差意義下達(dá)到近似最有，可獲得較好的去噪效果，小波閾值算法對飛行數(shù)據(jù)濾波平滑處理的基本原理為：QAR 數(shù)據(jù)經(jīng)過小波變換分解后，得到一組小波分解系數(shù)，信號經(jīng)過小波變換后的小波系數(shù)在各個(gè)尺度上有較強(qiáng)的相關(guān)性，而噪聲數(shù)據(jù)經(jīng)過小波變換后的小波系數(shù)相關(guān)性不強(qiáng)，得出信號的小波分解系數(shù)要大于噪聲的小波分解系數(shù)，通過選取合適的閾值，將大于閾值的小波系數(shù)認(rèn)為是信號產(chǎn)生的，予以保留，小于閾值的小波系數(shù)認(rèn)為是噪聲產(chǎn)生的，將其置零，最后將處理后的系數(shù)重構(gòu)信號即可完成信號去噪。

1.3 飛行狀態(tài)識別

民航飛機(jī)對其發(fā)動(dòng)機(jī)的推力要求會根據(jù)當(dāng)前飛行狀態(tài)的不同發(fā)生改變。根據(jù)不同的飛行狀態(tài)，民航渦扇發(fā)動(dòng)機(jī)通常具備5種額定推力模式：起飛／復(fù)飛推力、最大連續(xù)推力、靈活起飛推力、最大爬升推力以及慢車推力。此外，現(xiàn)代大型民航客機(jī)均裝有自動(dòng)推力系統(tǒng)或者自動(dòng)油門系統(tǒng)，在自動(dòng)推力接通條件下，根據(jù)不同飛行狀態(tài)，發(fā)動(dòng)機(jī)推力的控制律也會發(fā)生相應(yīng)的改變。因此，在不同的飛行狀態(tài)下，民航發(fā)動(dòng)機(jī)具有不同的運(yùn)轉(zhuǎn)狀態(tài)和工作負(fù)荷，使得其主要的性能參數(shù)具有不同的變化規(guī)律或函數(shù)關(guān)系。故在根據(jù)真實(shí)飛行數(shù)據(jù)對發(fā)動(dòng)機(jī)進(jìn)行性能參數(shù)辨識過程時(shí)，需要對飛行數(shù)據(jù)進(jìn)行飛行狀態(tài)的識別，進(jìn)而按照不同飛行狀態(tài)進(jìn)行建模分析。

民航飛機(jī)在爬升、下降飛行階段中采用階梯爬升和階梯下降的方式，并不是連續(xù)地爬升及持續(xù)下降到目標(biāo)高度。若僅從飛行階段的定義上去簡單地劃分飛行數(shù)據(jù)，簡單的將其分為起飛段、爬升段、巡航段、下降階段以及處于地面滑行階段，會造成辨識結(jié)果存在較大誤差的問題。因此，需要將爬升和下降階段中的階梯平飛階段單獨(dú)進(jìn)行考慮，同理若在飛機(jī)巡航階段出現(xiàn)飛行高度改變時(shí)，需要將其中的爬升段和下降段單獨(dú)考慮，若將該部分發(fā)動(dòng)機(jī)性能數(shù)據(jù)視作巡航狀態(tài)，會造成辨識結(jié)果具有較大誤差。由于飛行階段對飛機(jī)飛行狀態(tài)的識別沒有明確的界限，因此本文采用模糊推理［20］的方式進(jìn)行飛行階段的識別。

1.3.1 輸入、輸出量的模糊化

如圖2所示，模糊計(jì)算的過程可分為4個(gè)模塊：模糊規(guī)則庫、模糊化、推理方法和去模糊化。模糊規(guī)則庫是專家提供的模糊規(guī)則包括數(shù)據(jù)庫和規(guī)則庫。輸入?yún)?shù)是根據(jù)選定的QAR 參數(shù)設(shè)定論域進(jìn)行模糊化，模糊化是根據(jù)隸屬度函數(shù)從具體的輸入得到對模糊集隸屬度的過程，根據(jù)模糊規(guī)則進(jìn)行模糊推理，經(jīng)過模糊推理得到模糊結(jié)論，在進(jìn)行去模糊化完成飛行狀態(tài)的識別，去模糊化也稱解模糊化是將模糊結(jié)論轉(zhuǎn)化為具體的、精確的輸出過程。

圖2 模糊計(jì)算的過程圖

QAR記錄數(shù)據(jù)的頻率為1Hz，每條記錄包含數(shù)百個(gè)飛行參數(shù)在某一時(shí)刻的值。從QAR 數(shù)據(jù)中選取標(biāo)準(zhǔn)氣壓高度、垂直速度、空速為特征參量用于判斷該條記錄數(shù)據(jù)屬于哪個(gè)飛行狀態(tài)。飛行狀態(tài)的模糊推理模型的輸入主要有：標(biāo)準(zhǔn)氣壓高度、垂直速度、空速，將其進(jìn)行模糊化，隸屬度取值為［0，1］。通過隸屬度函數(shù)將垂直速度分為負(fù)（NV）、零（ZV）、正（PV）三個(gè)模糊集合，其論域取值范圍為［-5 000，5 000］ft／min；采用“Z”形、“S”形及三角形隸屬度函數(shù)對氣壓高度、垂直速度、空速參量進(jìn)行處理。其中，垂直速度的隸屬度函數(shù)如圖3所示。

圖3 垂直速度的模糊隸屬度函數(shù)

同理，將標(biāo)準(zhǔn)氣壓高度分為低（LH）、中（MH）、高（HH）三個(gè)模糊集合，其論域取值范圍為［-2 000，40 000］ft；將空速分為低（LV）、中（MV）、高（HV）三個(gè)模糊集合，其論域取值范圍為［0，400］knots。以飛行階段為輸出，將其劃分為滑行／停止（T／S）狀態(tài)、起飛爬升（CLB）狀態(tài)、階梯平飛（LEV）狀態(tài)、巡航（CRU）狀態(tài)以及下降（DES）狀態(tài)，其論域取值范圍為［0，5］。

1.3.2 模糊推理

根據(jù)每個(gè)飛行階段飛機(jī)高度、垂直速度、空速參量的特點(diǎn)，采用“if-then”形式制定模糊規(guī)則，用于推導(dǎo)每條數(shù)據(jù)屬于那個(gè)飛行階段。具體的模糊規(guī)則見表2。根據(jù)模糊規(guī)則庫，采用Mamdani模糊推理法計(jì)算每條記錄數(shù)據(jù)的總輸出隸屬度函數(shù)。

表2 模糊推理規(guī)則表

1.3.3 去模糊化

去模糊化就是將模糊結(jié)論轉(zhuǎn)化為具體的、精確的輸出過程。采用最大隸屬度法進(jìn)行去模糊化，以得到該記錄數(shù)據(jù)所處的飛行階段。由于模糊集合通常是由多個(gè)模糊子集的并集構(gòu)成的，它的隸屬度曲線中可能有多處的隸屬度都取最大值，故在最大隸屬度的基礎(chǔ)上，采取最大值法選擇模糊集合代表點(diǎn)。

通過模糊推理的方式來進(jìn)行飛行階段的劃分，可以很好地解決真實(shí)飛行數(shù)據(jù)中飛行階段界限不明確的問題，并且排除以往人工劃分飛行階段對預(yù)測結(jié)果的主觀影響。

2 基于XGBoost的民航發(fā)動(dòng)機(jī)性能參數(shù)建模

2.1 XGBoost原理

XGBoost是一種Boosting 集成學(xué)習(xí)算法，它通過不斷迭代，生成新的樹來擬合前一棵樹的殘差，與其他算法相比XGBoost不僅使用一階導(dǎo)數(shù)，而且還使用二階導(dǎo)數(shù)，損失更精確［21］。從本質(zhì)上來看，XGBoost是由多個(gè)弱分類器組合而成的學(xué)習(xí)器：

對損失函數(shù)進(jìn)行二階泰勒展開得：

將式（9）代入式（8）即可得到目標(biāo)函數(shù)最小值，其值越小，樹的結(jié)構(gòu)越好，此時(shí)即為目標(biāo)函數(shù)的最優(yōu)解：

2.2 建模流程

采用XGBoost建立發(fā)動(dòng)機(jī)主要性能參數(shù)的流程如圖4所示，具體步驟如下：

圖4 XGBoost發(fā)動(dòng)機(jī)性能參數(shù)建模流程

1）通過總體性能分析，從真實(shí)飛行數(shù)據(jù)中選取油門桿的位置、標(biāo)準(zhǔn)氣壓高度、空速、大氣總溫及飛機(jī)總重作為輸入；

2）采用小波變換和系數(shù)相關(guān)性原理相結(jié)合的方法對原始數(shù)據(jù)進(jìn)行濾波處理以剔除其中的野值，并實(shí)現(xiàn)數(shù)據(jù)平滑；

3）采用模糊推理對預(yù)處理后的數(shù)據(jù)進(jìn)行狀態(tài)劃分，并對其進(jìn)行標(biāo)準(zhǔn)化，然后分別構(gòu)建爬升階段數(shù)據(jù)集、巡航階段數(shù)據(jù)集、階梯平飛階段數(shù)據(jù)集、下降階段數(shù)據(jù)集；

4）對每一飛行階段的數(shù)據(jù)集，按照7：3：2的比例來隨機(jī)構(gòu)建訓(xùn)練集、驗(yàn)證集和測試集；

5）使用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型得到一個(gè)XGBoost模型，并采用交叉驗(yàn)證的方式，使用驗(yàn)證集對該XGBoost模型進(jìn)行評估，最后得到一個(gè)近似最優(yōu)的XGBoost模型；

6）最后，將測試集數(shù)據(jù)輸入到步驟5）得到的模型，檢驗(yàn)其擬合精度。若模型精度不滿足誤差要求，則重返第4）步，重新劃分?jǐn)?shù)據(jù)集進(jìn)行訓(xùn)練。

3 實(shí)驗(yàn)與分析

3.1 模型建立

由于構(gòu)建不同飛行階段的發(fā)動(dòng)機(jī)性能參數(shù)模型時(shí)的區(qū)別在于數(shù)據(jù)集的不同，其所采用的建模方法是一致的。因此，以爬升階段、下降階段為例詳細(xì)闡述建模流程。試驗(yàn)數(shù)據(jù)選取120個(gè)航班的飛行數(shù)據(jù)，用于構(gòu)建發(fā)動(dòng)機(jī)主要性能參數(shù)的XGBoost模型，其中70個(gè)航班數(shù)據(jù)用作模型的訓(xùn)練集，30個(gè)航班數(shù)據(jù)用作模型的驗(yàn)證集，20個(gè)航班數(shù)據(jù)用作模型的測試集。飛機(jī)通常裝有兩套相同的發(fā)動(dòng)機(jī)引氣系統(tǒng)，本文選用的數(shù)據(jù)均是在兩套引氣系統(tǒng)正常工作的情況下記錄的。在確定的引氣狀態(tài)下，對發(fā)動(dòng)機(jī)工作狀況的影響因素可以歸結(jié)為如下幾個(gè)特征變量，如式（11）所示。采用XGBoost建模的目標(biāo)就是構(gòu)建一個(gè)擬合函數(shù)關(guān)系，如式（12）所示，用于仿真飛機(jī)在爬升階段，隨著外界條件改變其發(fā)動(dòng)機(jī)性能參數(shù)的變化規(guī)律。

對于不同的數(shù)據(jù)集樣本，各類回歸預(yù)測算法的表現(xiàn)不同。為驗(yàn)證XGBoost算法在發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測方面具有的優(yōu)勢，本文分別構(gòu)建爬升和下降階段發(fā)動(dòng)機(jī)性能參數(shù)的數(shù)據(jù)集，并進(jìn)行對比試驗(yàn)，以說明該算法的有效性。分別采取線性回歸（LR，liner regression）、BP神經(jīng)網(wǎng)絡(luò)以及支持向量回歸對該樣本集進(jìn)行建模，并在驗(yàn)證集上進(jìn)行測試，得到了各自最優(yōu)的訓(xùn)練模型。

采用決定系數(shù)R2、平均絕對誤差（MAE，mean absolute error，）及均方誤差（MSE，mean square error）為衡量標(biāo)準(zhǔn)，來評估模型輸出的預(yù)測值與真實(shí)值之間的偏差，如公式（13）所示：

3.2 爬升階段預(yù)測結(jié)果分析

選取真實(shí)飛機(jī)從15 000ft高度爬升到30 000ft高度的一段真實(shí)爬升數(shù)據(jù)，該數(shù)據(jù)未用作模型訓(xùn)練，對所建立的XGBoost發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測模型進(jìn)行檢驗(yàn)。真實(shí)飛機(jī)影響發(fā)動(dòng)機(jī)性能參數(shù)的狀態(tài)變量變化，如圖5所示。將其作為輸入，對所建立的模型進(jìn)行檢驗(yàn)。

圖5 爬升階段飛機(jī)狀態(tài)參數(shù)變化趨勢

將如圖5所示數(shù)據(jù)，輸入到所建立的性能參數(shù)辨識模型中，在民航飛機(jī)從15 000ft爬升到30 000ft高度過程中，發(fā)動(dòng)機(jī)N1、燃油流量參數(shù)的預(yù)測結(jié)果與真實(shí)記錄的數(shù)據(jù)對比，如圖6～7所示，觀測值即為真實(shí)數(shù)據(jù)，圖中用不帶標(biāo)記的實(shí)線表示，支持向量回歸（SVM）預(yù)測模型曲線在圖中用附帶實(shí)心小黑圓的實(shí)線表示、XGBoost算法的預(yù)測曲線在圖中用附帶實(shí)心的黑五角星的實(shí)線表示、線性回歸模型（LR）預(yù)測曲線在圖中用附帶實(shí)心黑三角的實(shí)線表示、BP神經(jīng)網(wǎng)絡(luò)預(yù)測曲線在圖中用附帶實(shí)心小黑矩形的實(shí)線表示。

圖6 爬升階段發(fā)動(dòng)機(jī)N1參數(shù)預(yù)測結(jié)果對比

通過對比分析圖6和圖7可知飛機(jī)爬升階段對發(fā)動(dòng)機(jī)N1、燃油流量參數(shù)預(yù)測結(jié)果，對比四種預(yù)測算法和觀測值曲線的跟隨性可得出：XGBoost模型預(yù)測曲線、SVM 模型預(yù)測曲線、BP 模型預(yù)測曲線、LR 模型預(yù)測曲線中XGBoost模型預(yù)測曲線更接近觀測值，預(yù)測結(jié)果更好。

圖7 爬升階段發(fā)動(dòng)機(jī)燃油流量參數(shù)預(yù)測結(jié)果對比

其中：R2取值范圍為［0，1］，其值越靠近于1，則說明模型的解釋性越強(qiáng)；MAE、MSE的值越小，表示模型預(yù)測效果越好。從表3結(jié)果中可以看出，XGBoost對該數(shù)據(jù)集的預(yù)測效果，相比線性回歸、SVM、BP 神經(jīng)網(wǎng)絡(luò)，其R2最接近于1，MAE和MSE的值最小，則說明XGBoost預(yù)測模型對爬升階段N1參數(shù)的預(yù)測精度較高。

表3 爬升階段各模型對N1的預(yù)測結(jié)果評估

3.3 下降階段預(yù)測結(jié)果分析

選取飛機(jī)從30 000ft高度下降到3 000ft高度的一段真實(shí)下降數(shù)據(jù)，對所建立的下降階段XGBoost模型進(jìn)行檢驗(yàn)。該過程中飛機(jī)的馬赫數(shù)、油門桿輸入、外界大氣總溫以及飛機(jī)自身重量的變化，如圖8所示。各種預(yù)測模型對該過程中發(fā)動(dòng)機(jī)N1、燃油流量的預(yù)測效果如圖9、圖10所示。

圖8 下降階段飛機(jī)狀態(tài)參數(shù)變化趨勢

圖9 下降階段發(fā)動(dòng)機(jī)N1參數(shù)預(yù)測結(jié)果對比

圖10 下降階段發(fā)動(dòng)機(jī)燃油流量參數(shù)預(yù)測結(jié)果對比

觀測值即為真實(shí)數(shù)據(jù)，圖中用不帶標(biāo)記的實(shí)線表示，支持向量回歸（SVM）預(yù)測模型曲線在圖中用附帶實(shí)心小黑圓的實(shí)線表示、XGBoost算法的預(yù)測曲線在圖中用附帶實(shí)心的黑五角星的實(shí)線表示、線性回歸模型（LR）預(yù)測曲線在圖中用附帶實(shí)心黑三角的實(shí)線表示、BP神經(jīng)網(wǎng)絡(luò)預(yù)測曲線在圖中用附帶實(shí)心小黑矩形的實(shí)線表示。

通過對比分析圖9和圖10可知飛機(jī)下降階段對發(fā)動(dòng)機(jī)N1、燃油流量參數(shù)預(yù)測結(jié)果，比較四種預(yù)測算法和觀測值曲線的跟隨性可得出：XGBoost模型預(yù)測曲線、SVM 模型預(yù)測曲線、BP 模型預(yù)測曲線、LR 模型預(yù)測曲線中XGBoost模型預(yù)測曲線更接近觀測值，預(yù)測結(jié)果更好。

從表4結(jié)果中可以看出，XGBoost對下降階段數(shù)據(jù)集同樣具有較好的預(yù)測效果，相比線性回歸、SVM、BP神經(jīng)網(wǎng)絡(luò)，其R2最接近于1，MAE和MSE值最小，說明XGBoost預(yù)測模型對爬升階段N1參數(shù)的預(yù)測精度較高。

表4 下降階段各模型對N1的預(yù)測結(jié)果評估

4 結(jié)束語

航空發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測是故障預(yù)判和視情維修的決策前提，本文將集成學(xué)習(xí)算法中的XGBoost用于發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測模型的構(gòu)建，在構(gòu)建模型訓(xùn)練數(shù)據(jù)集時(shí)，考慮了飛行階段對預(yù)測精度的影響，提出一種基于模糊推理和XGBoost算法的發(fā)動(dòng)機(jī)性能參數(shù)預(yù)測方法。

利用真實(shí)民航飛行數(shù)據(jù)對預(yù)測模型進(jìn)行驗(yàn)證，并將其與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法、支持向量回歸、線性回歸模型在預(yù)測精度上進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，基于XGBoost的發(fā)動(dòng)機(jī)性能參數(shù)模型的精度較高，同時(shí)不需要對數(shù)據(jù)進(jìn)行縮放。本文對航空大飛機(jī)航空發(fā)動(dòng)機(jī)性能參數(shù)的研究對通用航空機(jī)載信息網(wǎng)絡(luò)數(shù)據(jù)共享技術(shù)中數(shù)據(jù)處理和飛行階段劃分有借鑒意義。