飛行試驗數據驅動的渦扇發動機模型辨識

潘鵬飛，馬明明，許艷芝

(中國飛行試驗研究院，西安710089)

飛行試驗數據驅動的渦扇發動機模型辨識

潘鵬飛，馬明明，許艷芝

(中國飛行試驗研究院，西安710089)

為實現航空發動機飛行試驗實時監控，分析整理了渦扇發動機實際飛行試驗數據，并以三層前向人工神經網絡為基礎，通過引入輸出層反饋至輸入層，形成該渦扇發動機的NNARX模型。對包括高壓轉子轉速在內的11個發動機關鍵參數變化模型進行研究，并在額外架次全程飛行試驗數據上驗證和討論辨識模型的推廣能力。結果表明，辨識模型樣本點上最大相對誤差在5%以內，辨識模型可以應用到該型發動機的試飛實時監控中，同時也可為后續建立渦扇發動機的全包線自適應實時監控模型提供參考。

航空發動機；飛行試驗；人工神經網絡；NARX模型辨識；全飛行包線；趨勢監控；健康管理

1 引言

用于飛行試驗的航空發動機的技術狀態通常都不成熟，在飛行條件、大氣環境等不可預料因素的影響下，會遭遇穩定性故障、氣路故障、振動故障及磨損故障。為提高航空發動機試飛安全，需要利用實時模型對發動機重要參數的變化趨勢進行預測，以便實時掌握發動機工作狀態，提前采取措施減小或消除異常工況。

航空發動機飛行試驗實時監控的關鍵在于發動機模型的獲取。雖然傳統的發動機部件模型充分考慮了工作中的氣動熱力過程，精度高，但由于計算復雜，實時計算時可能出現迭代不收斂等問題，尚未應用到航空發動機飛行試驗實時監控中[1-2]。現階段可行的方案是基于系統辨識的方法，從航空發動機歷史飛行試驗數據中辨識出發動機模型用于實時飛行監控。

基于人工神經網絡的航空發動機NARX(非線性自回歸)模型屬于黑箱模型，從運行數據中直接辨識得到航空發動機模型，綜合了人工神經網絡強大非線性運算能力，同時還兼備NARX辨識方法的優點。NARX模型辨識方法的實用性已得到國內外學者的證實[3-11]，然而其大部分研究工作是通過模擬數據或地面試驗數據訓練模型[12-13]，難以在實際飛行試驗中推廣應用。本文以某型渦扇發動機實際飛行試驗數據為基礎，利用人工神經網絡對該型發動機的NARX模型進行辨識，用于在實際試飛中基于模型實時監控發動機工作狀態。

2 模型辨識方法

NARX模型采用輸入延遲u(t-k)和輸出延遲y(t-m)作為回歸算子[14]，模型結構可寫為，其中Fnl代表合適的非線性函數。

前人研究表明[1，3-5，13-16]，只要具有合適的隱含層及神經元個數，人工神經網絡就能以任意精度逼近任何非線性函數。文中采用人工神經網絡方法擬合NARX模型中的Fnl，模型結構可寫為，其中Fnet為基于人工神經網絡在數據樣本上訓練得到的非線性函數。

3 渦扇發動機非線性模型辨識

飛行試驗期間，通過機載測試系統測取了渦扇發動機各個截面處的壓力、溫度等參數，同時記錄了飛機姿態、發動機控制器等參數。測試數據經遙測系統實時發送至地面監控室，由試飛工程師對發動機狀態進行實時監控。

3.1 神經網絡輸入輸出參數

渦扇發動機人工神經網絡模型輸入包括兩部分：當前時刻和延遲后的外部輸入參數，以及延遲后的模型預測參數。外部輸入參數為：氣壓高度Hp，飛行馬赫數Ma，大氣總溫Ttb，發動機油門桿角度φ，發動機作戰/訓練信號Gstr。模型預測參數為：高壓轉子轉速nH，低壓轉子轉速nL，低壓渦輪出口總溫T6，低壓渦輪出口總壓p6，低壓導向葉片角度α1，高壓導向葉片角度α2，高壓壓氣機出口壓力p31，主燃油總管壓力pf，尾噴管喉部直徑D8，滑油回油溫度Tole，發動機振動值B。發動機人工神經網絡模型結構如圖1所示，圖中TDL1、TDL2分別代表輸入參數和輸出參數的延遲環節。模型輸入、輸出參數信息見表1，表中t為當前時刻，k為輸入最大延遲時間，m為輸出最大延遲時間。

圖1 渦扇發動機人工神經網絡模型結構Fig.1 The structure of turbofan engine ANN model

表1 發動機非線性模型輸入輸出參數信息Table 1 Input and output parameters in the engine nonlinear model

3.2 飛行試驗數據樣本

采用該型發動機試飛期間11架次飛行數據作為人工神經網絡模型的訓練學習樣本。利用Euclidean距離對數據樣本點進行篩選，剔除數據樣本中狀態相近的數據點。若需從原始數據樣本庫C中增加數據樣本點Pi至訓練學習樣本集Csub，首先將Pi與Csub中的樣本點Pj(j=1,2,…,N)逐個進行Euclidean距離計算，若滿足要求則將Pj增加至Csub中。記dij代表Pi到Pj之間的Euclidean距離，由于，則：

3.3 神經網絡訓練學習

選用三層神經網絡結構。隱含層傳遞函數選用雙曲正切函數，輸出層傳遞函數選用純線性函數，采用LM算法對人工神經網絡進行訓練學習。模型輸出指標采用MSE性能函數以及輸入、輸出之間的回歸系數R。

4 結果分析與討論

人工神經網絡訓練時，將數據樣本按照70%、15%和15%的比例分為三組，分別用于模型訓練、模型測試和模型驗證。數據樣本點在飛行包線內分布與分組情況見圖2。為方便對比分析，文中對數據樣本進行了歸一化處理。

圖2 飛行試驗數據樣本在飛行包線內的分布Fig.2 Distribution of flight test data samples in flight envelope

為確定渦扇發動機人工神經網絡模型輸入、輸出的延遲時間和隱含層神經元數目，以發動機高壓轉子轉速為基準模型，訓練學習得到人工神經網絡模型性能指標，如表2所示。表中，NMSE代表神經網絡模型的歸一化均方差，其計算式見公式(2)；NNARXij代表輸入延遲為i、輸出延遲為j的神經網絡模型，i、j分別為取值1～3之間的整數。最后，從高壓轉子轉速模型辨識結果中，選擇精度最高的NNARX23作為最終非線性模型，對發動機11個關鍵參數進行研究。

表2 基于NNARX的高壓轉子轉速模型結構Table 2 Model structure based on NNARX of high pressure spool speed

圖3 渦扇發動機關鍵參數模型辨識結果Fig.3 Identified results of key parameter model of turbofan engine

4.1 模型辨識結果

對發動機9個關鍵參數進行辨識，圖3示出了發動機高壓轉子轉速、高壓壓氣機出口壓力、低壓渦輪出口總溫以及滑油回油溫度的模型辨識結果。圖中實線代表辨識模型輸出結果，空心圓點代表飛行試驗數據樣本。訓練學習過程中，辨識模型的最大相對誤差RE,max分別為：高壓轉子轉速RE,max=2.4%，高壓壓氣機出口壓力RE,max=4.6%，低壓渦輪出口總溫RE,max=3.4%，滑油回油溫度RE,max=0.5%。第25個數據樣本點處因發動機執行了遭遇加速，所以高壓轉子轉速偏低。

4.2 模型推廣能力驗證

采用額外一個架次全程飛行試驗數據對辨識模型的非樣本點推廣能力進行檢驗。飛行過程中，氣壓高度、飛行馬赫數、大氣總溫、油門桿角度的變化范圍如圖4所示。針對每1 s數據，準備神經網絡模型輸入參數，由辨識模型計算出當前時刻的參數預測值，并與當前時刻該參數的飛行試驗數據進行對比。

圖4 辨識模型推廣能力驗證數據樣本分布Fig.4 Sample distribution of validated flight test samples for model generalization

對發動機11個關鍵參數均進行了推廣能力驗證。圖5給出了高壓轉子轉速、高壓壓氣機出口壓力、低壓渦輪出口總溫以及滑油回油溫度的模型推廣能力檢驗結果。該架次飛行中，辨識模型輸出結果與飛行試驗數據吻合良好，模型最大相對誤差分別為：高壓轉子轉速RE,max=1.0%，高壓壓氣機出口壓力RE,max=1.7%，低壓渦輪出口總溫RE,max=0.2%，滑油總回油溫度RE,max=1.2%。最大相對誤差對應時刻tRE分別為：高壓轉子轉速tRE=729 s，高壓壓氣機出口壓力tRE=2 063 s，低壓渦輪出口總溫tRE=393 s，滑油回油溫度tRE=58 s。

圖5 渦扇發動機辨識模型推廣能力檢驗結果Fig.5 Validated results of generalization of turbofan engine identified model

5 結論

通過分析整理渦扇發動機實際飛行試驗數據，基于人工神經網絡辨識得到了發動機的NARX模型。在訓練學習樣本點上對模型精度進行了討論，同時利用額外一個全架次的飛行試驗數據對模型推廣泛化能力進行了分析討論。研究結論如下：

(1)模型預測包線范圍內，渦扇發動機模型在穩態和動態過程中關鍵參數預測精度可靠，可用于該型發動機的試飛實時監控；

(2)文中采用的渦扇發動機試飛數據模型辨識方法具有通用性，可為航空發動機自適應控制、健康管理系統的開發提供參考。

[1]Kulikov G G，Thompson H A.Dynamic modeling of gas turbines identification,simulation,condition monitoring and optimal control[M].London：Springer-Verlag，2004：90—110.

[2]Ruano A E，Fleming P J，Teixeira C，et al.Nonlinear identification of aircraft gas-turbine dynamics[J].Neurocomputing，2003，55(3-4)：551—579.

[3]Sina Tayarani-Bathaie S，Sadough Vanini Z N，Khorasani K.Dynamic neural network-based fault diagnosis of gas turbine engines[J].Neurocomputing，2014，125(3)：153—165.

[4]Joly R B，Ogaji S O T，Singh R，et al.Gas-turbine diagnostics using artificial neural-networks for a high bypass ratio military turbofan engine[J].Applied Energy，2004，78(4)：397—418.

[5]Jonas S，Zhang Q H，Lennart L，et al.Nonlinear black-box modeling in system identification:a unified overview[J]. Automatica，1995，31(12)：1691—1724.

[6]Clifton D A.Condition monitoring of gas-turbine engines [D].London：University of Oxford，2005.

[7]Dawn A，Nam N K，Joo H C.Statistical aspects in neural network for the purpose of prognostics[R].AIAA 2014-0481，2014.

[8]楊浩，姜斌，王駿.基于神經網絡與自適應控制的飛控系統重構方法[C]//.第24屆中國控制會議論文集.廣州：2005：1420—1424.

[9]姚彥龍.航空發動機神經網絡直接推力逆控制[D].南京：南京航天航空大學，2008.

[10]Fast M，Assadi M，De S.Development and multi-utility of an ANN model for an industrial gas turbine[J].Applied Energy，2009，86(1)：9—17.

[11]Fast M.Artificial neural networks for gas turbine monitoring[D].Sweden：Lund University，2010.

[12]Li W F，Wang Y S.Identifying the inlet pressure distortion signalbasedonwavelet-neuralnetwork[R].AIAA 2004-2604，2004.

[13]Chiras N，Evans C，Rees D.Nonlinear gas turbine modeling using feedforward networks[R].ASME GT-2002-30035，2002.

[14]Lazzaretto A，Toffolo A.Analytical and neural network models for gas turbine design and off-design simulation[J]. International Journal of Applied Thermodynamics，2001，4 (4)：173—182.

[15]Gupta M，Jin L，Hormma N.Static and dynamic neural networks:from fundamentals to advanced theory[M].New York：John Wiley&Sons,Inc.，2003：106—140.

[16]LéonardO，Borgue S，Dewallef P.Adaptive estimation algorithm for aircraft engine performance monitoring[J].Journal of Propulsion and Power，2008，24(4)：763—769.

Flight test data-driven model identification of turbofan engine

PAN Peng-fei，MA Ming-ming，XU Yan-zhi
(Chinese Flight Test Establishment，Xi’an 710089，China)

To realize the real-time monitoring of flight test of aero-engine,the actual turbofan engine flight test data has been analyzed,and based on three-layer feedforward artificial neural network,which has been revised so that there is a backforward connection between output layer and input layer,finally the dynamic NNARX model of two-spool turbofan engine has been identified.During the identification of NNARX model,about 11 key parameters of the engine,which includes high pressure spool speed,have been studied. The identified model was implemented on totally new flight data,which has been used as non-samples in order to test the model,and the precision of identified model in new data has been discussed.It has been shown that good consistency has been achieved in both real flight samples and non-samples,and identified method and results can be used in such turbofan engine flight test to monitor the engine state.It could be a good reference for building real-time and adaptive model of turbofan engine in global flight envelope.

aero-engine；flight test；artificial neural network(ANN)；NARX model identification；global flight envelope；trend monitoring；health management

V235.13

A

1672-2620(2016)06-0021-05

2016-01-25；

2016-12-09

潘鵬飛(1987-)，男，安徽阜陽人，工程師，碩士，主要從事航空發動機工作特性與性能飛行試驗技術研究。