航空發(fā)動機(jī)傳感器解析余度模型的建立方法

李業(yè)波，蔣平國，田 迪，俞明帥，文彬鶴

（中國航發(fā)控制系統(tǒng)研究所，江蘇無錫214063）

0 引言

隨著航空發(fā)動機(jī)控制技術(shù)的發(fā)展，笨重的液壓機(jī)械式控制系統(tǒng)已全面被全權(quán)限數(shù)字電子控制(Full Authority Digital Electronics Control,FADEC)系統(tǒng)取代[1-3]。為了滿足航空發(fā)動機(jī)安全性和可靠性的要求，F(xiàn)ADEC系統(tǒng)一般采用雙通道架構(gòu)，每個通道通過獨立的傳感器測量控制所需的發(fā)動機(jī)參數(shù)[4]。當(dāng)1個通道的傳感器發(fā)生故障時，可以切換到另一通道傳感器的測量值進(jìn)行控制，從而保證發(fā)動機(jī)正常工作[5-6]。然而，由此帶來1個問題，即當(dāng)其中1個通道傳感器由于安裝松動、工作環(huán)境惡劣等因素，發(fā)生軟故障而偏離真實值，由于沒有其它參考，很難判斷究竟是哪個余度發(fā)生了故障。在20世紀(jì)70年代，Wallhagen等[7]就針對上述問題提出了利用解析余度模型來對傳感器進(jìn)行診斷，提高航空發(fā)動機(jī)控制系統(tǒng)的可靠性；從80年代開始，美國的科研機(jī)構(gòu)圍繞解析余度技術(shù)及其應(yīng)用開展了系列研究，并在F100發(fā)動機(jī)上進(jìn)行了試驗驗證[8-11]。

利用極端學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法建立航空發(fā)動機(jī)的傳感器解析余度模型，對關(guān)鍵傳感器的參數(shù)進(jìn)行估計，可為FADEC系統(tǒng)傳感器故障診斷提供解析余度，提高FADEC系統(tǒng)的可靠性[12-16]。雖然ELM算法的輸入層權(quán)值和隱含層偏置可隨機(jī)產(chǎn)生，然而，不適宜的隨機(jī)值也會影響估計的精度和算法的穩(wěn)定性。為此，本文利用改進(jìn)的微分進(jìn)化(Improved Differential Evolution,IDE)算法優(yōu)化ELM的輸入層權(quán)值和隱含層偏置，構(gòu)建基于IDE-ELM的航空發(fā)動機(jī)傳感器解析余度模型[17]。同時，采用K-均值聚類對用于試驗數(shù)據(jù)進(jìn)行處理聚類處理，剔除相似數(shù)據(jù)，提高訓(xùn)練的速度和精度[18-19]。

1 IDE-ELM算法

式中：wi=[wi1，wi2，…，win]T，為連接隱含層第 i節(jié)點與輸入層節(jié)點的權(quán)值；bi為隱含層第i節(jié)點的偏差；βi=[βi1，…，βim]T，為連接隱含層第 i節(jié)點和輸出層節(jié)點的權(quán)值。

式（1）的N個方程可以寫為矩陣形式

其中

式中：H為神經(jīng)網(wǎng)絡(luò)的輸出層矩陣，H的第i列是相對于輸入x1，…，xN的第i個隱含層節(jié)點的輸出向量。

輸入權(quán)值wi和隱含層節(jié)點偏差bi是隨機(jī)給定的，輸出權(quán)值β由下式求得

式中：H?為網(wǎng)絡(luò)輸出層矩陣H的Moore-Penrose廣義逆。

通過求解式（5）可得式（2）的最小二乘解

引入正則化因子C，則式（6）可改寫為

式中：I為單位矩陣。

由于ELM的輸入層權(quán)值wi和隱含層節(jié)點偏差是隨機(jī)給定的，為獲得更好的泛化能力，需要的隱含層節(jié)點數(shù)要明顯多于BP、LM等傳統(tǒng)算法，這就會相對占用更多的系統(tǒng)資源，增加系統(tǒng)的響應(yīng)時間[14]。特別是當(dāng)隱含層節(jié)點數(shù)很多時，隱含層矩陣H可能為病態(tài)矩陣，導(dǎo)致泛化能力差。為了減少隱含層節(jié)點數(shù)，提高ELM算法的穩(wěn)定性和精度，本文利用IDE算法優(yōu)化ELM的輸入層的權(quán)值和隱含層偏置，形成IDE-ELM算法，如圖1所示。

圖1 IDE-ELM算法

2 基于IDE-ELM的傳感器解析余度模型設(shè)計

以某型大涵道比渦扇發(fā)動機(jī)為研究對象，其截面劃分如圖2所示。設(shè)計基于IDE-ELM的傳感器解析余度模型，為FADEC系統(tǒng)雙通道傳感器故障診斷提供解析余度[20]。為了提高解析余度模型動態(tài)時的精度，將被解析余度模型的輸出前p步以及p-1的數(shù)據(jù)也作為模型輸入，p由實際情況確定，模型的拓?fù)浣Y(jié)構(gòu)如圖3所示[21]。本文根據(jù)航空發(fā)動機(jī)實際需求，針對風(fēng)扇轉(zhuǎn)速N1、壓氣機(jī)轉(zhuǎn)速N2、高壓壓氣機(jī)進(jìn)口總溫T25以及壓氣機(jī)出口靜壓Ps34個關(guān)鍵航空發(fā)動機(jī)參數(shù)建立基于數(shù)據(jù)的解析余度模型。

圖2 某型大涵道比渦扇發(fā)動機(jī)截面

圖3 基于IDE-ELM的傳感器解析余度模型結(jié)構(gòu)

雖然航空發(fā)動機(jī)動力學(xué)具有高度的非線性，但是在全包線范圍內(nèi)并不是所有工作點的數(shù)據(jù)都是獨立的，很多數(shù)據(jù)之間存在非常大的相關(guān)性，沒有必要將所用采集到的數(shù)據(jù)都用來訓(xùn)練IDE-ELM模型。此外，鑒于ELM算法是通過求廣義逆來訓(xùn)練模型的特點，當(dāng)存在大量訓(xùn)練樣本相似時，會導(dǎo)致H矩陣的奇異，雖然通過正則化可以在一定程度上避免H矩陣的奇異，但會影響模型的訓(xùn)練精度。因此，本文借助模式識別中的K-均值聚類方法將數(shù)據(jù)根據(jù)Mahalanobis距離進(jìn)行聚類[19]。K-均值聚類的結(jié)果就是產(chǎn)生k個類，每類有1個質(zhì)心，然后計算當(dāng)前狀態(tài)與k個質(zhì)心的Mahalanobis距離，將當(dāng)前狀態(tài)歸屬于離k個質(zhì)心Mahalanobis距離最近的類中，最后分別從每類中隨機(jī)選擇1組數(shù)據(jù)組成k個樣本訓(xùn)練模型[18]。

本文以航空發(fā)動機(jī)某次飛行試驗數(shù)據(jù)作為訓(xùn)練樣本，共采集試驗數(shù)據(jù)59563組，各參數(shù)對油門桿角度PLA的響應(yīng)如圖4所示，圖中數(shù)據(jù)均為歸一化之后的數(shù)據(jù)，橫坐標(biāo)為按照100 ms間隔采樣的飛行試驗數(shù)據(jù)樣本序列。為了選擇與 N1、N2、T25、Ps3相關(guān)性較強(qiáng)的輸入?yún)?shù)，采用相關(guān)分析法從發(fā)動機(jī)可測參數(shù)中選擇模型的輸入?yún)?shù)，見表1。

圖4 飛行試驗數(shù)據(jù)中各參數(shù)的變化曲線

表1 各解析余度模型選擇的輸入?yún)?shù)

3 試驗分析與驗證

為了使模型的輸入?yún)?shù)具有相同的權(quán)重，對所選的參數(shù)歸一化到[0,1]。同時，選用相對誤差(Relative Deviation)作為性能衡量指標(biāo)。

通過 K- 均值聚類選取的 N1、N2、T25、Ps34 個解析余度模型的訓(xùn)練樣本分別為1987組、1986組、1988組、1984組；在訓(xùn)練IDE-ELM的過程中，選取ELM 的隱含層節(jié)點N~分別為 30、32、28、35，正則化因子都為C=106；此外，由于進(jìn)行FADEC系統(tǒng)的雙通道傳感器診斷時需要進(jìn)行周期確認(rèn)，本文選擇p=6。N1、N2、T25、Ps34個解析余度模型的測試效果分別如圖5～8所示。

圖5 N1傳感器解析余度模型測試效果

圖6 N2傳感器解析余度模型測試效果

圖7 T25傳感器解析余度模型測試效果

圖8 Ps3傳感器解析余度模型測試效果

從圖中可見 N1、N2、T25、Ps3的估計值能夠很好地跟蹤飛行試驗的實際值，相對誤差基本都在2%以內(nèi)，穩(wěn)態(tài)的誤差基本都在1%以內(nèi)，能夠滿足傳感器解析余度模型的精度要求。雖然通過K-均值聚類只選擇了很少一部分?jǐn)?shù)據(jù)用來訓(xùn)練模型，但是這些數(shù)據(jù)樣本能夠反映發(fā)動機(jī)各參數(shù)之間的特征。因此，本文基于K-均值聚類和IDE-ELM建立的傳感器解析余度模型具有很好的精度，可為FADEC系統(tǒng)雙通道傳感器的故障診斷提供參考，提高傳感器故障的檢測率。

4 總結(jié)

本文提出了1種基于K-均值聚類和IDE-ELM算法建立航空發(fā)動機(jī)傳感器解析余度模型的方法。基于K-均值聚類對試驗數(shù)據(jù)進(jìn)行聚類，然后針對聚類處理后的樣本，采用IDE-ELM算法訓(xùn)練模型。該方法避免了飛行試驗數(shù)據(jù)中冗余數(shù)據(jù)對訓(xùn)練效果的影響，采用IDE優(yōu)化ELM的輸入層的權(quán)值和隱含層偏置，可以減少隱含層神經(jīng)元數(shù)目，降低網(wǎng)絡(luò)的復(fù)雜度；基于K-均值聚類和IDE-ELM算法建立的模型，經(jīng)過飛行試驗數(shù)據(jù)驗證表明該傳感器解析余度模型具有較高的精度，可用于FADEC系統(tǒng)雙通道傳感器的故障診斷。