基于SVM理論的航空發動機飛行數據可視化建模

閆鋒 呂雙祺

摘? 要：使用飛行數據，利用支持向量機（SVM）理論對航空發動機排氣溫度基線（EGT）進行建模，通過基于K-CV交互檢驗法對模型參數進行優化，采用最優懲罰參數c和核函數參數g對航空發動機排氣溫度（EGT）基線進行回歸器訓練，得到最佳性能的回歸預測模型。然后計算EGT基線預測值，進而得到EGT值的偏差量，并實現偏差量變化趨勢的可視化。偏差量作為航空發動機性能監視和故障診斷的主要依據，通過對偏差量以及偏差量的變化趨勢分析，可以判斷航空發動機的健康狀況和性能趨勢，對使用和維護發動機提供重要的依據。最后利用MATLAB軟件完成用戶界面和航空發動機性能參數數據可視化軟件的開發。

關鍵詞：航空發動機;排氣溫度基線;支持向量機;數據可視化

Abstract： Using the flight data of the airlines， this study adopts the support vector machine （SVM） theory to model the aero-engine exhaust gas temperature （EGT） baseline， and optimizes the model parameters through the cross-checking method based on K-CV. The optimal penalty parameter c and kernel function parameter g are used to train the aero-engine exhaust gas temperature （EGT） baseline， and the regression prediction model of optimal performance is obtained. Then， the EGT baseline prediction value is calculated， the deviation of EGT value is obtained， and the tendency of deviation is visualized. Deviation is the main basis for performance monitoring and fault diagnosis of aero-engines. Through the analysis of deviation and its changing tendency， the health condition and performance tendency of aero-engines can be judged， which provides the important basis for using and maintaining the engine. Finally， Matlab software is used to complete the development of the user interface and the data visualization software.

數字化作為國家創新驅動發展戰略的技術基點，已經在我國全社會各行各業深入推廣。航空發動機作為民用客機的核心系統其結構復雜，在高溫、高壓、高轉速的惡劣條件下長時間工作，故障率較高，對飛行安全的影響較大。同時發動機安裝數十種傳感器，運行過程中每秒鐘都會產生大量的數據。如何利用這些數據來保障航空器安全和經濟是現在和未來行業的技術發展方向。實現航空發動機運行數據的可視化是實施航空發動機狀態監控、故障診斷以及性能預測的重要技術路徑。人工智能數據挖掘算法是數據可視化的理論基礎。數據挖掘算法需要依賴于發動機運行過程中產生的各種類型的傳感器觀測參數，模擬人類從實例中學習歸納的能力，主要研究從一些觀測數據中挖掘出目前尚不能通過原理分析得到的規律，并利用這些規律去分析客觀對象，對未知數據或無法觀測的新數據進行預測和判斷，并實現狀態的解譯和評估。航空發動機狀態監控、故障診斷和性能預測的代表性數據挖掘方法主要有基于神經網絡的故障診斷方法、基于支持向量機（SVM）的故障診斷方法等等[1-5]。本文采用SVM方法。

1 飛行數據可視化總體實現流程

該實驗教學軟件總體的開發流程圖如圖1所示。

2 樣本數據的獲取及處理

獲取A321-200型飛機機載ACARS系統采集到的CFM56-5B型發動機的飛行數據，并對樣本數據篩選，構建模型樣本向量空間[6-8]：選取800組仿真模型樣本數據（如表1所示），其中前面500組數據作為模型的訓練樣本，后300組數據作為模型的測試樣本。

3 數據可視化理論

3.1 支持向量機理論

支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力[9-12]。它在解決小樣本、非線性及高維模式識別為題中已初步表現出很多優于已有方法的性能，并大大提高了學習方法的泛化能力[13-15]。

3.2 支持向量機核函數選擇

核函數作為SVM回歸算法的核心，對SVM模型的精度有著很重要的作用。核函數精度對比如表2所示。本文選用徑向基核函數作為預測模型的核函數。

3.3 基于K-CV交互檢驗方法的參數尋優

建立SVM回歸預測模型的兩個關鍵參數：一個是控制SVM算法經驗風險與泛化性能達到某一平衡點的懲罰參數c，另一個是控制徑向基核函數性能的參數g。本方案選用K-CV交互檢驗方法進行參數尋優，首先將原始樣本數據分成K組（一般是均分），將每個子集數據分別做一次驗證集，其余的K-1組子集數據作為訓練集。

6 結束語

以國內某航空公司的真實飛行數據，利用SVM人工智能數據挖掘算法，模擬仿真航空發動機性能基線模型（以EGT為例），分析預測的排氣溫度值與EGT基線之間的偏差量及偏差變化趨勢，并用MATLAB工具開發了數據可視化軟件，將數據直觀的顯示出來，用以判斷航空發動機健康狀態，為工程決策提供依據。

該模型得到EGT絕對誤差在±10k范圍內，SVM模型對排氣溫度基線的訓練數據樣本集的回歸預測結果理想，該模型適用。

參考文獻：

[1]楊玉紅.信息技術與職業技術在課堂教學中深度融合研究[J].通訊世界，2017（14）：270-271.

[2]黃曦，卿新林，王奕首，等.基于SDAE的航空發動機燃油流量基線模型構建[J].航空發動機，2019，45（2）：29-33.

[3]閆鋒.一種航空發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.

[4]楊洪富，賈曉亮，任壽偉.基于數據驅動的航空發動機故障診斷與預測方法綜述[J].航空精密制造技術，2016，52（5）：6-9.

[5]付旭云，陜振勇，李臻，等.時變模糊神經網絡及其在航空發動機排氣溫度預測中的應用[J].計算機集成制造系統，2014，20（4）：919-925.

[6]曹惠玲，張卓，曲春剛.SVR在航空發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.

[7]李應紅，尉詢楷，等.航空發動機的智能診斷、建模與預測方法[M].北京：科學出版社，2013.

[8]尉詢楷，楊立，等.航空發動機預測與健康管理[M].北京：國防工業出版社，2014.

[9]上海航空測控技術研究所.航空故障診斷與健康管理技術[M].北京：航空工業出版社，2013.

[10]白鵬，張喜斌，張斌，等.支持向量機理論及工程應用實例[M].西安：西安電子科技大學出版社，2008.

[11]鄧乃揚，田英杰.支持向量機——理論、算法與拓展[M].北京：科學出版社，2009.

[12]劉方園，王水花，張煜東.孿生支持向量機數學模型與應用綜述[J].測控技術，2018（8）：10-15.

[13]陳永義，熊秋芬.支持向量機方法應用教程[M].北京：氣象出版社，2011.

[14]CFMI.CFM56-5B Line and Base Maintenance[R]. China：CFMI 2009.

[15]閆鋒，尚永鋒，左渝鈺，等.民用航空發動機拐點溫度的計算方法[J].航空計算技術，2013，43（1）：44-48.

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

[17]劉志榮，朱睿，梁忠生，等.發動機健康基線及評估準則研究[J].廈門大學學報（自然科學版），2010，49（4）：520-525.

[18]GE Aviation. Diagnostics Trend Interpretation Training[M]. 5th Edition. China：GE Aviation，2009.

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

[20]張春，舒敏.基于支持向量機的健康狀態評估方法[J].計算機系統應用，2018，27（3）：18-26.