基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)VBV調(diào)節(jié)規(guī)律研究

彭鴻博,馬鵬宇,史 磊,熊 碰

(1. 中國(guó)民航大學(xué),天津 300300;2. 中國(guó)南方航空公司湖南分公司,湖南 長(zhǎng)沙 410000)

1 引言

航空發(fā)動(dòng)機(jī)的喘振會(huì)導(dǎo)致功率下降和熱端超溫,甚至造成內(nèi)部部件的嚴(yán)重?fù)p壞,可調(diào)放氣活門(VBV)可以通過調(diào)節(jié)壓氣機(jī)內(nèi)部壓強(qiáng)在一定程度上防止喘振的發(fā)生。然而在飛行過程中,由于VBV調(diào)節(jié)頻繁,容易出現(xiàn)開度異常的現(xiàn)象,造成安全隱患。通過一定的方法對(duì)VBV的實(shí)時(shí)狀態(tài)進(jìn)行監(jiān)控與分析,就可以在第一時(shí)間發(fā)現(xiàn)故障情況,進(jìn)而通過有效的決策來規(guī)避事故的發(fā)生[1]。

此外,隨著我國(guó)航空業(yè)的發(fā)展,航空發(fā)動(dòng)機(jī)的維修已不再依賴于統(tǒng)一的定期、事故后維修的方式,而是根據(jù)每架飛機(jī)的實(shí)時(shí)狀態(tài)制定維修方案[2],這種方法這樣可以在降低維修的成本的同時(shí)有效地提升飛機(jī)的安全性。然而,國(guó)內(nèi)使用的民用渦扇發(fā)動(dòng)機(jī)幾乎都是國(guó)外公司生產(chǎn)的,其部件特性、結(jié)構(gòu)參數(shù)和控制特性等信息均無從得知,因此很難獲取VBV的調(diào)控機(jī)制[2],從而難以根據(jù)VBV的調(diào)節(jié)情況來判斷發(fā)動(dòng)機(jī)的喘振等故障是否由其開度異常引起。針對(duì)這一問題,眾多學(xué)者從多角度給出了不同的解決方案。

在航空發(fā)動(dòng)機(jī)VBV機(jī)械結(jié)構(gòu)機(jī)構(gòu)的研究方面,吳鑫睿[4]從VBV的組成和工作原理入手,分析了導(dǎo)致發(fā)動(dòng)機(jī)VBV系統(tǒng)出現(xiàn)故障的各種原因,并提出了解決措施。陳信衡,張倩[5],從航空公司航線維護(hù)的角度,分析了VBV對(duì)發(fā)動(dòng)機(jī)正常工作的重要性,為保證飛機(jī)的安全運(yùn)行,提高航空公司運(yùn)行效率提供了維護(hù)建議。DING Shuiting、QIU Tian[6]等人通過對(duì)高涵道比渦扇發(fā)動(dòng)機(jī)VBV機(jī)構(gòu)研究,總結(jié)并量化出了在不同飛行階段,VBV開度異常對(duì)發(fā)動(dòng)機(jī)的影響。雖然這些方法在一定程度上可以起到VBV故障診斷的作用,然而要想提高診斷的精度,就需要耗費(fèi)大量的精力來量化發(fā)動(dòng)機(jī)內(nèi)部的性能以及部件之間的聯(lián)系。

隨著人工智能的發(fā)展,機(jī)器學(xué)習(xí)已經(jīng)越來越多的在航空航天等領(lǐng)域得到應(yīng)用。Napolitano[7]等人,通過提出了以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ),對(duì)航空航天器傳感器失效故障的診斷方法。Renato[8]等通過二元分類支持向量機(jī)分類算法,對(duì)飛機(jī)故障分類進(jìn)行了研究,利用飛行數(shù)據(jù)確定當(dāng)前飛機(jī)是否存在故障,從而有針對(duì)性的指導(dǎo)飛機(jī)進(jìn)行視情維修。殷鍇[9]根據(jù)航空發(fā)動(dòng)機(jī)的故障特點(diǎn),利用BP神經(jīng)網(wǎng)絡(luò)建立模型對(duì)航空發(fā)動(dòng)機(jī)故障進(jìn)行檢測(cè),預(yù)測(cè)的正確率高達(dá) 80%以上,對(duì)發(fā)動(dòng)機(jī)故障監(jiān)控的研究具有一定的應(yīng)用價(jià)值。郝紅勛[10]等人,通過BP神經(jīng)網(wǎng)絡(luò)算法,利用仿真數(shù)據(jù)從民航發(fā)動(dòng)機(jī)故障征兆影響因素的角度出發(fā),為視情維修提供合適的建議。

本文根據(jù)QAR中的參數(shù),通過Matlab軟件分航段建立BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)民用大涵道渦扇發(fā)動(dòng)機(jī)CFM56-5B的VBV開度調(diào)節(jié)規(guī)律進(jìn)行分析,來預(yù)測(cè)處于良好工作狀態(tài)的發(fā)動(dòng)機(jī)在任意飛行狀態(tài)下的VBV開度,從而實(shí)現(xiàn)對(duì)VBV運(yùn)行狀態(tài)進(jìn)行監(jiān)控,達(dá)到對(duì)故障作出預(yù)警的目的。

2 BP神經(jīng)網(wǎng)絡(luò)算法原理

BP神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)功能的經(jīng)驗(yàn)?zāi)Ｐ?由輸入層、隱含層和輸出層構(gòu)成,可以有效解決數(shù)據(jù)分類以及預(yù)測(cè)等問題[11]。因?yàn)檎`差反向傳播的特點(diǎn),具有良好的適應(yīng)性和高效的學(xué)習(xí)能力,圖2為一個(gè)典型的雙隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

整個(gè)網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí),當(dāng)輸入信號(hào)傳遞給網(wǎng)絡(luò)后,各神經(jīng)元獲得響應(yīng)然后初步產(chǎn)生權(quán)值和閾值,接著按減小希望輸出與實(shí)際輸出誤差的方向,從輸入層經(jīng)各中間層逐層修正權(quán)值和閾值,回到輸入層。經(jīng)過多次迭代,使誤差不斷減小,最終達(dá)到擬合數(shù)據(jù)的目的[12]。構(gòu)成網(wǎng)絡(luò)模型的基本參數(shù)有:輸入層節(jié)點(diǎn)數(shù)(n)、隱含層節(jié)點(diǎn)數(shù)(l)、輸出層節(jié)點(diǎn)數(shù)(m)、連接權(quán)值(wij、wjk)和閾值(bj、bk)。網(wǎng)絡(luò)的輸入信號(hào)由正向傳播,而誤差由反向傳播,其算法的數(shù)學(xué)原理如下:

1)信號(hào)從輸入層到隱含層,通過計(jì)算得到隱含層輸出值(H),然后再通過隱含層的輸出值來計(jì)算得到實(shí)際輸出值(O);

(1)

(2)

2)比較期望輸出值與實(shí)際輸出值的誤差ek,其中Yk為期望輸出

ek=Yk-Ok

(3)

3)利用訓(xùn)練算法將誤差信號(hào)從輸出層傳遞到隱含層再到輸入層,得到各層的誤差信息,從而逐層修正權(quán)值和閾值

(4)

wjk=wjk+cHjek

(5)

(6)

bk=bk+ek

(7)

其中,i=1,2,3…n;j=1,2,3…l;K=1,2,3…m。不斷重復(fù)上面步驟,通過訓(xùn)練算法改變權(quán)值和閾值使誤差逐漸減小,直到滿足要求時(shí)訓(xùn)練結(jié)束。

3 VBV調(diào)節(jié)規(guī)律的BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

3.1 飛行參數(shù)的選取

本文從QAR數(shù)據(jù)中挑選合適的參數(shù)作為模型的變量,由于QAR數(shù)據(jù)中實(shí)時(shí)記錄的參數(shù)有100多個(gè),其中或多或少都會(huì)影響到VBV的調(diào)節(jié)。為了兼顧模型的精確性與復(fù)雜度,需要結(jié)合航空發(fā)動(dòng)機(jī)原理和實(shí)際經(jīng)驗(yàn)來選擇合適的參數(shù)。

在眾多的飛行參數(shù)中,低壓轉(zhuǎn)子轉(zhuǎn)速(N1)與VBV開度的相關(guān)性最高[13]。根據(jù)相關(guān)文獻(xiàn),VBV開度還受壓氣機(jī)進(jìn)口流量影響,因此將P2、T2作為輸入?yún)?shù)。此外,VBV的開度控制不僅要根據(jù)低壓壓氣機(jī)的工作狀態(tài)進(jìn)行調(diào)節(jié),還需要匹配與高壓壓氣機(jī)的流量情況,避免放氣量過大或過小使高壓壓氣機(jī)發(fā)生氣流分離,影響高壓轉(zhuǎn)子穩(wěn)定性和工作效率,因此高壓壓氣機(jī)進(jìn)口流量的參數(shù)、N2、VSV角度也應(yīng)作為建立模型時(shí)的輸入?yún)?shù)。發(fā)動(dòng)機(jī)加、減速狀態(tài)下,VBV的調(diào)節(jié)也會(huì)有所不同,因此,將N1、N2的變化率(dN1/dt、dN2/dt)也作為訓(xùn)練參數(shù),來反映發(fā)動(dòng)機(jī)加速和減速的狀態(tài)。綜上,選取這8種狀態(tài)參數(shù)作為因變量,它們與VBV開度之間的函數(shù)關(guān)系可表述為

VBV=f(N1、N2、P2、T2、T2.5、VSV、dN1/dt、dN2/dt)

(8)

3.2 飛行階段分析

一個(gè)完整的飛行過程可大致分為滑行、起飛、爬升、巡航、下降、進(jìn)近和著陸等階段[14],以某一次航班為例,其VBV開度隨飛行階段的變化如圖2所示。圖中,AB段為滑行段,BC段速起飛段,CD段為爬升段,DE段位巡航段,EF為下降段,FG為進(jìn)近段,GH為著陸段。從圖中可以觀察到,在不同的飛行階段,VBV開度的變化范圍在0%到40%左右,并且飛機(jī)的飛行參數(shù)也有較大差別,如果將所有飛行階段用同一個(gè)模型擬合,將難以保證模型的精度,某些階段可能會(huì)出現(xiàn)較大偏差;而如果將每一個(gè)飛行階段都構(gòu)建獨(dú)立的模型,會(huì)導(dǎo)致工作量的加大。因此,需要對(duì)整個(gè)航班的VBV開度情況進(jìn)行分析,選擇合適的方法來構(gòu)建模型。

對(duì)多個(gè)航班的VBV實(shí)際調(diào)節(jié)情況分析發(fā)現(xiàn),在起飛、爬升、下降、進(jìn)近和著陸航段,VBV調(diào)節(jié)頻繁,其開度主要在這些階段出現(xiàn)異常。相比之下在飛機(jī)的滑行與巡航階段,航空發(fā)動(dòng)機(jī)的工作狀態(tài)和外界條件變化都相對(duì)簡(jiǎn)單,VBV開度調(diào)節(jié)比較少,其故障也很少發(fā)生。考慮到模型的實(shí)用性與準(zhǔn)確性,本文選取起飛、爬升、下降、進(jìn)近和著陸這5個(gè)階段,分別構(gòu)建模型進(jìn)行分析。由于著陸段時(shí)間較短,將其與進(jìn)近段放在一起考慮。

3.3 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型時(shí),首先要對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理,利用Matlab軟件中的mapminmax函數(shù)將樣本數(shù)據(jù)限制在[0 1]區(qū)間中,其目的是消除異常值的影響。表1為起飛階段的相關(guān)飛行參數(shù)以及VBV開度的一部分原始數(shù)據(jù)。

表1 起飛階段飛行參數(shù)

在神經(jīng)網(wǎng)絡(luò)的輸入層共有8種變量參數(shù),因此選用8個(gè)神經(jīng)元節(jié)點(diǎn)。輸出層選擇1個(gè)神經(jīng)元表示VBV開度。雖然多隱層神經(jīng)網(wǎng)絡(luò)可能得到更好的預(yù)測(cè)效果,但可能產(chǎn)生梯度擴(kuò)散的問題,大多情況下,單隱層的網(wǎng)絡(luò)就可以滿足精度的要求,結(jié)合本文需要解決的問題,最終選擇構(gòu)建單隱層神經(jīng)網(wǎng)絡(luò)。對(duì)于隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的選取,如果神經(jīng)元數(shù)量過少,容易使神經(jīng)網(wǎng)絡(luò)擬合精度過低;而如果節(jié)點(diǎn)數(shù)過多,雖然能減少訓(xùn)練誤差,但是會(huì)增加網(wǎng)絡(luò)的復(fù)雜性,使學(xué)習(xí)速率變得很慢,并且容易使模型陷入局部最優(yōu)。針對(duì)這種情況,根據(jù)經(jīng)驗(yàn)公式方法初步尋找隱含層的節(jié)點(diǎn)的合適范圍,公式如下

式中y表示隱含層神經(jīng)元的個(gè)數(shù),a表示輸入層神經(jīng)元的個(gè)數(shù),b表示輸出層神經(jīng)元的個(gè)數(shù),c通常選取1-10之間的常數(shù),其中a=8,b=1,通過計(jì)算得知,y的取值范圍是[4 14],依次對(duì)y的可能取值進(jìn)行實(shí)驗(yàn),通過對(duì)比表明節(jié)點(diǎn)數(shù)量為9時(shí)BP神經(jīng)網(wǎng)絡(luò)性能最好,整個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

確定好神經(jīng)元個(gè)數(shù)后,需要選擇合適的訓(xùn)練函數(shù),每種訓(xùn)練函數(shù)都代表一種訓(xùn)練算法。

常用的訓(xùn)練算法有梯度下降算法、變學(xué)習(xí)率算法、Levenberg-Marquardt算法、BFGS擬牛頓算法[16]等。訓(xùn)練算法主要影響模型的迭代次數(shù)、收斂速度、存儲(chǔ)空間和泛化能力,選擇合適的訓(xùn)練算法對(duì)提高模型質(zhì)量有著重要意義。圖4-7所示為4種常用算法對(duì)起飛階段的擬合度(R)情況。通過比較各個(gè)算法下訓(xùn)練樣本的輸入、輸出擬合關(guān)系發(fā)現(xiàn),Tansig函數(shù)對(duì)起飛階段VBV開度的擬合性能最好,因此選用Tansig函數(shù)作為起飛階段BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

導(dǎo)入訓(xùn)練樣本后,設(shè)定模型的允許誤差和學(xué)習(xí)速率,開始對(duì)網(wǎng)絡(luò)進(jìn)行初步訓(xùn)練。模型會(huì)自動(dòng)對(duì)各神經(jīng)元節(jié)點(diǎn)的權(quán)值和閾值進(jìn)行調(diào)整,直到誤差降到設(shè)定之內(nèi)或者步數(shù)達(dá)到最大。訓(xùn)練結(jié)束后,檢查網(wǎng)絡(luò)精度是否滿足要求,如果誤差依然較大,則需要重新進(jìn)行網(wǎng)絡(luò)初始化。整個(gè)神經(jīng)網(wǎng)絡(luò)在Matlab中的構(gòu)建流如圖8所示。

在Matlab軟件中構(gòu)建出模型后,代入起飛階段選擇好的樣本點(diǎn)進(jìn)行擬合,得到的訓(xùn)練效果如圖9所示。從圖中可以看出,隨著訓(xùn)練過程的進(jìn)行,驗(yàn)證集和測(cè)試集的均方誤差在急劇下降后趨于平緩,總體呈下降趨勢(shì)。在迭代了22代后,整個(gè)精度開始趨于平穩(wěn)。

4 模型的驗(yàn)證與應(yīng)用

依據(jù)前文的構(gòu)建流程,依次對(duì)起飛、爬升、下降、進(jìn)近和降落階段分別構(gòu)建模型。為了驗(yàn)證模型的適用性與準(zhǔn)確性,本文隨機(jī)選取了裝備同型號(hào)發(fā)動(dòng)機(jī)的其無故障航班的QAR數(shù)據(jù),利用建立好的神經(jīng)網(wǎng)絡(luò)模型對(duì)相應(yīng)各航段進(jìn)行測(cè)試,測(cè)試結(jié)果如下圖所示。

圖10和11為起飛階段的測(cè)試結(jié)果,此階段是駕駛員最繁忙、操作最復(fù)雜的階段,也是最容易出現(xiàn)事故的飛行階段。圖中AB為地面加速階段,BC為離地起飛,從中可以發(fā)現(xiàn),AB段模型預(yù)測(cè)效果較好,誤差維持在2%以內(nèi),起飛后模型誤差略微增大到5%左右。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

圖3 起飛階段BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

圖8 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建流程

圖9 起飛階段的模型訓(xùn)練效果

圖10 起飛段模型訓(xùn)練結(jié)果對(duì)比

圖11 起飛段模型訓(xùn)練偏差百分比

圖12和13為爬升階段的測(cè)試結(jié)果,此階段為起飛終止到爬升至巡航高度的階段,整個(gè)過程約為20分鐘,由于采用階梯式爬升方式,其VBV開度在1%到8%之間浮動(dòng),從圖中可以看出,預(yù)測(cè)誤差基本在2.5%以內(nèi),少部分點(diǎn)偏離在5%左右。

圖12 爬升段模型訓(xùn)練結(jié)果對(duì)比

圖13 爬升段模型訓(xùn)練偏差百分比

圖14和15為下降階段的測(cè)試結(jié)果,此階段飛機(jī)不斷調(diào)整飛行姿態(tài)以逐漸降低飛行高度,從圖中可以看出,VBV開度在5%-40%以內(nèi)變化,模型可以較準(zhǔn)確地預(yù)測(cè)出VBV開度的變化,整個(gè)過程誤差在2%以內(nèi)。

圖14 下降段模型訓(xùn)練結(jié)果對(duì)比

圖15 下降段模型訓(xùn)練偏差百分比

圖16和17為進(jìn)近和著陸的測(cè)試結(jié)果,這個(gè)階段操作復(fù)雜,極易出現(xiàn)故障,從圖中可以發(fā)現(xiàn),VBV開度迅速?gòu)?0%下降到8%左右,之后又迅速上升,預(yù)測(cè)誤差略微增大,然而仍能預(yù)測(cè)出VBV變化趨勢(shì)。

圖16 進(jìn)近、著陸段模型訓(xùn)練偏差百分比

圖17 進(jìn)近、著陸段模型訓(xùn)練偏差百分比

綜上所述,從各航段的訓(xùn)練結(jié)果來看,多數(shù)航段的擬合程度較好,模型的預(yù)測(cè)結(jié)果與VBV實(shí)際開度值基本一致。在爬升、下降階段的整體預(yù)測(cè)誤差維持在2.5%以內(nèi),在起飛、進(jìn)近著陸階段整體在7.5%以內(nèi)。因此可以表明,文中采用的建模思路是可行的,能夠較好的反映VBV的調(diào)節(jié)情況,對(duì)發(fā)動(dòng)機(jī)VBV的狀態(tài)進(jìn)行監(jiān)控,及時(shí)發(fā)現(xiàn)放氣活門的開度異常,在維修人員分析航空發(fā)動(dòng)機(jī)VBV相關(guān)故障時(shí)可以提供指導(dǎo)。除此之外,還有助于研究人員了解國(guó)外先進(jìn)發(fā)動(dòng)機(jī)VBV的調(diào)節(jié)規(guī)律,積累經(jīng)驗(yàn)。

5 結(jié)論

針對(duì)民用航空發(fā)動(dòng)機(jī)VBV調(diào)控機(jī)制難以獲取的現(xiàn)狀,本文通過BP神經(jīng)網(wǎng)絡(luò)對(duì)CFM56-5B發(fā)動(dòng)機(jī)VBV調(diào)節(jié)規(guī)律進(jìn)行建模分析,所做工作如下:

1)總結(jié)了國(guó)內(nèi)外在VBV調(diào)控領(lǐng)域的研究現(xiàn)狀,提出BP神經(jīng)網(wǎng)絡(luò)算法并分析了其基本原理和要素。

2)依據(jù)大涵道比民用渦扇發(fā)動(dòng)機(jī)發(fā)動(dòng)機(jī)的10次航班QAR數(shù)據(jù)中記錄的工作參數(shù),分航段建立了起飛段、爬升、下降段、進(jìn)近和著陸段VBV開度的BP神經(jīng)網(wǎng)絡(luò)模型,并進(jìn)一步尋找最優(yōu)初始權(quán)值、閾值供給BP神經(jīng)網(wǎng)絡(luò)。

3)應(yīng)用同型號(hào)發(fā)動(dòng)機(jī)正常航班的QAR數(shù)據(jù)進(jìn)行了模型的適用性校驗(yàn),得到擬合結(jié)果。

結(jié)果表明,在爬升、下降階段的整體預(yù)測(cè)誤差在2.5%以內(nèi),在起飛、進(jìn)近著陸階段整體誤差在7.5%以內(nèi),模型的測(cè)試效果良好,可以反映出VBV開度在不同航段中的變化情況,在分析發(fā)動(dòng)機(jī)VBV的工作特性時(shí)可以提供指導(dǎo)作用。