基于GRU改進RNN神經網絡的飛機燃油流量預測

陳 聰， 候 磊， 李樂樂， 楊鑫濤

(1.中國民航大學航空工程學院， 天津 300300； 2.北京航空航天大學航空科學與工程學院, 北京 100191; 3.北京航空航天大學能源與動力學院， 北京 100191)

近年來，在“全面建設民航強國”的構想下，航空企業以做到“低碳運營、環境友好、資源節約”為節能減排的發展目標，各航空公司面臨著巨大挑戰。燃油流量(fuel flow, FF)是影響飛行性能的重要參數和衡量航空發動機的主要性能參數之一，對于發動機在不同航班中的燃油流量變化的跟蹤能夠反映發動機性能的故障和衰退情況[1]。

快速存儲記錄器(quick access recorder, QAR)數據是監控發動機異常狀態和評估飛機飛行品質評估的重要數據來源，這些數據蘊藏豐富發動機健康信息和環境信息，在一定程度上能夠反映發動機的部分控制規律[2]。QAR數據實時記載了飛行軌跡、狀態以及環境參數等反映飛行情況的參數。對QAR大數據的挖掘和研究有利于尋找影響FF的規律，監測發動機的工況。當發動機發生故障或性能衰退時，排氣溫度(exhaust gas temperature,EGT)、燃油流量FF和轉速等氣路參數實際測量值將會發生變化[3]，由此可對飛行品質進行監控，并進行故障排除與故障診斷。

神經網絡在人工智能和大數據挖掘領域有著廣泛應用，使用神經網絡對飛機機載系統進行預測與健康管理是飛機智能化的重要研究方向[4]，也是實現民航智能化的重要工具。

為了保證飛機的高綜合保障性、高可靠性、高安全性以及高運營效益，自20世紀90年代陸續開始了復雜裝備預測與健康管理(prognostics and health management,PHM)系統研究[4]。目前，B737NG是中國航空公司最廣泛使用的機型之一，受機載電子設備、傳感器網絡、空地數據鏈系統等限制無法使用PHM系統。在此情況下，對QAR數據的分析和監控結果成為了燃油流量研究等領域的重要依據，也成為了保障飛行安全、減少燃油消耗、提高飛機運營效率的科學技術手段。

在利用QAR數據進行燃油流量預測的領域，中外已經有許多相關研究。谷潤平等[1]根據最小二乘法提取出了影響發動機燃油流量的主要因素。耿宏等[5]利用多元分析方法，建立了飛機巡航階段左、右發燃油流量的線性回歸模型。張金柱等[6]使用回歸分析的方法，得出燃油流量受多因子影響的結論，并用最佳子集回歸法獲得了燃油流量回歸方程。

神經網絡對多個相關參數有良好的非線性映射能力，在多個領域都有運用。劉婧[7]在能量平衡原理的基礎上，利用BP(back propagation)神經網絡建立了不同階段飛機燃油消耗的精確模型。陳聰等[8]采用熵權法建立了BP神經網絡模型和回歸模型的飛機燃油消耗組合模型。牟永強等[9]將真實貨架場景中提取到的特征圖送入多任務循環神經網絡層學習并進行編碼，提高了價格牌識別的精度。Raol等[10]通過循環神經網絡網絡分別在模擬數據集和實際數據集上估計了飛機的橫向運動參數。Babaev等[11]采用循環神經網絡對零售商進行了信貸評分。Miao等[12]使用深度循環神經網絡構建了端對端語音識別系統。Selvin等[13]使用循環神經網絡建立了股票預測模型。人工神經網絡(artificial neural network，ANN)極大推進了人工智能領域的相關研究，近幾年已成功地解決了機器學習、深度學習等領域的復雜實際問題。

1 主控參數選取與數據預處理

針對從QAR數據中獲取的海量數據，設計研究了一種利用RNN神經網絡進行飛機燃油流量預測的模型。首先對QAR數據選用皮爾遜相關性系數對燃油流量進行相關性分析，結合發動機控制原理，提取出對燃油流量有較大影響的參數，例如，排氣溫度EGT，油門桿角度TLA，發動機轉速N1、N2，馬赫數Ma，大氣總溫TAT，飛行高度H等。構建樸素RNN燃油流量預測模型，隨后將數據喂入RNN網絡供其學習，使用BPTT算法訓練網絡，Adam優化算法加速更新損失函數梯度。在Seq參數調整實驗時發現RNN網絡對歷史信息利用能力不足，極易發生梯度消失與梯度爆炸等問題，遂提出改進網絡結構重構，引入門控循環單元GRU重構預測模型。選取短程、中遠程、遠程航班來驗證模型的準確性與適用性，并將由樸素RNN網絡和GRU網絡建立的燃油流量模型進行對比分析，探討將該預測模型用于故障診斷等實用場景的可行性。論文研究流程如圖1所示。

圖1 研究流程Fig.1 Research process

1.1 發動機控制原理

在現代民航客機上，通常由飛行管理系統(flight management and control system, FMCS)負責飛行性能管理與飛行總體規劃，一個典型的FMCS結構形式如圖2所示。該系統的核心部件主要包括：控制顯示組件(control display unit, CDU)和飛行管理計算機(flight management system, FMC)。飛行管理系統本質是一個專家系統，該系統計算機內部預裝有與飛機運行性能相關的數據庫。當FMC的某些內置程序接收到相關的信號與參數時，FMC會自動計算當前所需的目標N1轉速，計算值經過顯示電子組件(display electronic unit, DEU)傳給顯示組件(display unit, DU)進行顯示，同時，傳輸給發動機電子控制組件(electronic engine control, EEC)進行控制。

圖2 典型FMCS構成Fig.2 Typical FMCS composition

對航空發動機推力的控制，本質是要實現對發動機燃油流量的控制。因此，計算機計算出目標N1轉速之后，駕駛員可以選擇通過手動油門桿選擇適當的油門桿位置，或者通過自動油門桿(A/T)由飛行系統自動控制油門桿來獲取對應的所需推力。在飛機起飛、爬升等狀態，目標N1轉速通常是發動機的極限轉速；在巡航、下降等階段，飛行管理系統會計算出最經濟的飛行速度與N1轉速。

EEC自動采集油門桿位置信號，綜合考慮環境參數，計算并控制燃油計量活門(fuel metering value, FMV)的開度，從而控制發動機的轉速。此外，EEC同時控制可變引氣活門(variable bleed valve, VBV)、可變定子葉片(variable stator vane, VSV)、瞬時放氣活門(transient bleed valve, TBV)、燃燒室壓力CDP、溫度傳感器T20和T25、靜壓傳感器Ps12和Ps3等部件[6]，以確保發動機不超溫、不超轉，不超出貧、富油極限，壓氣機不喘振，同時保證發動機全流程工況的氣動穩定性。

圖3是燃油控制組件(fuel control unit, FCU)的工作流程示意圖，結合以上分析可知：發動機N1轉速、N2轉速、發動機性能參數、環境參數等參數都能影響發動機燃油消耗。

圖3 燃油控制組件的工作流程圖Fig.3 Flow chart of fuel control unit

1.2 QAR主控參數選取

快速存取記錄器(QAR)中存儲的大量數據是本次研究所需數據的來源，需要從中進行信息提取。QAR數據量極大、方便獲取、獲取成本低廉，其能記錄飛機各部件的信息，包含豐富發動機信息和環境信息，其數據基本涵蓋了發動機控制、加速處理器、燃油系統、滑油系統等多方面的性能參數。因此，QAR 數據在飛行品質分析、燃油流量研究等多個領域有很高的實際應用價值，由QAR 數據分析所得出的結論常常作為飛行品質監控與排故的重要依據。QAR的應用場景主要包括：為評價駕駛員的操縱品質提供數據支持和信息支撐；為發動機的維護提供監控數據與技術支撐；為飛行節省航油提供數據支持。

目前，QAR 數據已被廣泛應用到飛機航空發動機狀態監控和故障診斷等品質監控的實踐中，為眾多航空公司帶來了極大的經濟價值。相關應用集中在現代民航飛機上的各大系統，主要是針對氣路參數(即發動機各氣流通道中所測量到的參數)進行健康狀態監控及性能分析[4]。因此，從大量廣泛的QAR數據中提取出實用信息至關重要[14]。

對發動機燃油流量的影響因素眾多，既包含發動機控制參數也包含環境參數，從QAR中選取對燃油流量產生較大影響的參數，將直接影響燃油流量預測的準確性和精度。

1.3 數據歸一化處理

從QAR中提取的數據是真實飛行數據，這些數據的數量級往往差異較大，這會對神經網絡的訓練造成一定影響：數量級較大的數據對網絡連接權值影響大，數量級較小的數據對權值影響小，但是數量級的大小無法表征參數的重要程度。例如，飛行高度H的數量級可達103，而亞音速飛行的民航客機飛行馬赫數Ma一直小于1，因此，需要對從QAR中提取的原始數據進行歸一化處理。對數據進行歸一化處理以后，數據的變化范圍較小，在梯度計算過程中能顯著加速梯度下降求最優解的過程。

除了能夠顯著加速梯度下降求最優解的過程，歸一化處理還可能提高計算精度。一些分類器(例如K近鄰算法)在計算樣本距離時，若一個特征向量值域范圍相差非常大且沒有進行歸一化處理，計算時值范圍更大的特征向量對距離的影響更大，而K近鄰算法的實際情況是，取值范圍較小的特征向量對樣本距離影響更大，與之相悖。在此種情況下，精度會受到影響。

常見的歸一化類型有：線性歸一化、標準差標準化、非線性歸一化。本文選取的歸一化方式是線性歸一化，對原始數據進行線性歸一化處理以后，原始訓練數據會壓縮在[-1,1]區間內。線性歸一化公式為

(1)

式(1)中：xmin為數據中的最小值；xmax為數據中的最大值；Xnor為數據歸一化以后的輸出值。

2 循環神經網絡的搭建與預測模型建立

2.1 RNN網絡概述

簡單神經網絡往往只能單獨處理離散輸入，即兩個輸入前后毫無關聯，但在某些任務中需要能夠更好地處理前后輸入相互影響、相互關聯的序列信息。循環神經網絡 (recurrent neural network，RNN)是眾多的人工神經網絡中可以刻畫序列輸出與之前信息的關系的網絡之一。在網絡結構層面，循環神經網絡能“記憶”歷史數據信息，并利用已知的時間序列數據影響后面結點的輸出。其實現方式為：網絡隱藏層之間的結點在時間鏈條上按照時序相互連結，某一時刻隱藏層的輸入不僅來源于該時刻輸入層的輸入信息，還來源于上一時刻隱藏層的輸出信息。

循環神經網絡是考慮了數據在時序上前后關系的一種神經網絡，是一種序列——序列模型。由于其隱層是一種類似于循環鏈式的結構，它的每個輸出除了受當前輸入的影響，還受到之前輸入的影響，使得數據可以持久地在網絡中傳播，因此，循環神經網絡在時序數據處理領域具有較大的優勢。圖4為一個典型RNN結構圖的展開形式，U為輸入層權重矩陣，V為輸出層權重矩陣，W為隱藏層權重矩陣。網絡的輸入通常是一個序列，序列中的每一個向量都會進入一個相同的胞體進行運算，得到一個狀態向量(state)，上一時刻的狀態向量連同當前時刻的序列向量共同輸入到下一個細胞中，如此循環往復。

圖4 RNN按時間展開Fig.4 RNN is expanded in time

RNN結構通常用于序列問題，其數學表達式為

(2)

這個網絡在t時刻接收到輸入xt之后，隱藏層的值是st，相當于每次有了前面時刻的記憶，輸出值是ot。值得注意的是，st的值不僅僅取決于xt，還取決于st-1。

為了衡量模型的誤差與精度，需要對模型進行定量評估。引入均方誤差 (mean square error，MSE)函數，MSE是一種常用的損失函數，廣泛運用于回歸問題，可用來檢測模型預測值和真實值之間的偏差。

訓練集為

Train={(x1,y1),(x2,y2),…，(xN,yN)}

(3)

測試集為

Test={(x1,y1),(x2,y2),…,(xM,yM)}

(4)

式中：N為訓練樣本的總數；M為測試樣本的總數。若訓練模型函數為f(x)，此模型的輸出值(即預測值)為

(5)

均方誤差計算公式為

(6)

使用MSE值刻畫預測值與真實值之間的差異，MSE值越大，表明預測值和真實值之間的偏差越大，預測效果也就越差。

2.2 BPTT算法訓練RNN網絡[15]

BPTT算法訓練RNN的主要過程如下。

(1)前向傳播過程計算所有神經元的輸出值。

(2)反向傳播計算所有神經元的誤差項值(即誤差函數對加權輸入的偏導數)。

(3)計算每個權重的梯度，最后再用梯度下降方法或優化算法尋找使得損失函數取得最小值的梯度方向，更新權重。

假設Lt=Lt(ot,yt)作為模型的損失函數，為了更清晰地表明網絡配置，將RNN網絡展開成如圖5所示的結構。

圖5 網絡配置結構Fig.5 Network configuration structure

根據網絡結構可知，對矩陣V的求導過程和輸出過程即為普通的反向傳播算法，用公式表示為

(7)

由式(7)可以看出，梯度除了按照空間結構傳播ot→st→xt以外，還得沿著時間通道傳播st→st-1→…→s1。

由于 RNN 需要沿時間通道進行反向傳播，若選取在某個時間步長內求解梯度，其相應的“局部梯度”為

(8)

BPTT和BP算法的本質區別是：RNN有記憶歷史數據信息的功能，它的輸出不僅僅依賴于輸入數據，而是當前輸入和該時刻的記憶共同運算的結果。RNN的記憶有序列——序列的特點，即當前時刻的輸出受到上一時刻的影響。因此，使用BPTT算法訓練RNN時，若在當前時刻對參數進行求導運算，一定會涉及前一時刻。

2.3 Adam優化算法[15]

優化算法的任務是在每一個epoch中計算損失函數的梯度，進而更新參數，從而使損失函數快速準確逼近最小值。優化算法的通用框架如下。

定義待優化參數ω，損失函數f(ω)，初始學習率α，每次迭代一個batch，t表示當前batch迭代的總次數。更新步驟如下。

(1)計算損失函數關于當前參數的梯度，即

(9)

(2)根據已知歷史梯度計算一階動量和二階動量，即

(10)

(3)計算當前時刻的下降梯度，即

(11)

(4)根據下降梯度進行更新，即

ωt+1=ωt-ηt

(12)

Adam優化算法結合了SGDM和RMSProp優化算法的優點，把SGDM的一階動量和RMSProp的二階動量結合起來，再修正偏差。

SGDM的一階動量計算式為

mt=β1mt-1+(1-β1)gt

(13)

加上RMSProp的二階動量計算式為

Vt=β2Vt-1+(1-β2)gt2

(14)

式中：參數經驗值是β1=0.9,β2=0.999。

初始化m0=0、V0=0，在初期，迭代得到的mt、Vt會接近于0。可以通過對mt、Vt進行偏差修正來解決這一問題，即

(15)

Adam優化算法主要包含以下幾個顯著的優點：很適合應用于數據和參數規模極大的場景；更新的步長能夠被限制在大致的范圍內；能自動調整學習率；適用于梯度稀疏或梯度存在很大噪聲的問題[16]。

2.4 超參數選取

模型最重要的超參數之一是學習率LR，其經驗值通常選擇為0.01～0.001。學習率越小越容易擬合，但是學習更新相對較慢；若學習率較大，參數的迭代更新越快，但同時輸出誤差在反向傳播過程中對參數的影響會增大，若訓練數據包含異常數據，對訓練結果的影響也會隨之增大，最終容易引起發散的結果，本次實驗選擇學習率為LR=0.001。每次喂入網絡的數據個數BATCH_SIZE(批尺寸)越大，其確定的下降方向是梯度下降方向的概率越大，由訓練引起的震蕩也越小，批尺寸過大會過多占用計算機內存，綜合考慮，BATCH_SIZE 設置為256。其他幾個重要超參數由以下調整實驗產生。

2.4.1 Seq調整實驗

參數時序長度Seq的含義是：RNN網絡利用前Seq個歷史數據信息和當前輸入值預測當前時刻的輸出值。為了獲得Seq的最佳值，在固定epoch=10，學習率LR=0.001的情況下,進行Seq調整實驗。部分損失函數曲線與某航班的預測曲線如圖6所示。

圖6 Seq調整實驗Fig.6 Seq adjustment experiment

調整實驗中涉及的所有Seq值相應的訓練和測試損失值變化如表1所示。

表1 Seq調整實驗損失值變化匯總

實驗結果顯示，在Seq=20時訓練損失函數與測試損失函數MSE值都取得較小值，數據擬合也較好，故將Seq設置為20。

2.4.2 epoch調整實驗

在設置Seq=20，學習率LR=0.001的情況下，進行epoch調整實驗。實驗結果如圖7所示。

圖7 Epoch調整實驗Fig.7 Epoch adjustment experiment

結果顯示，在epoch<100時，訓練集和測試集數據都在逐漸緩慢降低，在epoch>100后，測試集數據的MSE值出現了震蕩甚至上升。綜合考慮計算機算力、誤差衰減等情況，將epoch值設置在100較為合適。

2.5 建立燃油流量預測模型

2.5.1 數據還原曲線

為了使樣本更具代表性，表征大部分航班預測情況，根據QAR數據將航班劃分為短航程、中遠航程和遠航程航班進行分類預測，劃分主要依據是時間和數據點，數據點小于 7 000 以下的劃分為短程航班，7 000～10 800 劃分為中遠程航班，10 800 以上的劃分為遠程航班。現對建立的燃油流量預測模型分別進行短航程、中遠航程和遠航程預測對比，以評判預測模型對其原數據的還原度，模型的訓練數據損失值MSE=0.002 51，訓練數據還原結果如圖8所示。

圖8 短、中、遠航程訓練用數據還原度Fig.8 Training flight data fitting result in short、medium and long range respectively

可以看出，對于短程航班，模型只在飛機燃油流量突變時擬合效果不佳，整體擬合效果良好。

對于中遠程航班，只有起飛前以及流量連續變化等復雜工況時有少許偏差，模型整體擬合效果良好。

對于遠程航班，在巡航階段有較長時間數據與實際值存在較大偏離，數據還原效果欠佳。

2.5.2 燃油流量預測曲線

為了保證預測模型的可用性，用真實的三個不同航程的航班進行預測模型預測值與真實的燃油流量進行對比分析。模型在測試數據上的MSE值為0.001 36，測試數據預測結果如圖9所示。

圖9 短、中、遠航程預測結果對比Fig.9 Comparison among short、medium and long range prediction results

可以看出，對于短程、中遠程航班，模型只在飛機燃油流量有較大突變時預測值與實際值有較大偏移，整體預測效果較好。

對于中遠程航班，模型整體預測效果較好。

對于遠程航班，在巡航階段較長一段時間內，預測值較大偏離實際值。

2.6 預測結果分析

結合訓練歷史數據和分析對比預測結果曲線圖可知，當飛機遭遇燃油流量在短時間內急劇變化的復雜工況時，預測結果誤差相對較大，除了在復雜工況和起飛前易出現個別偏差較大的數據點外，其他飛行階段的預測值相對較為穩定。相對于短航程和中遠航程航班，遠航程航班在訓練數據的巡航階段擬合結果偏差較大，其他階段預測結果較為穩定。

2.7 梯度消失與梯度爆炸

結合表3中Seq調整實驗的實驗結果，隨著Seq值的增加，訓練數據與測試數據上的損失函數先減小后增大，一個可能的原因是：RNN在初期發揮了它能記憶歷史的信息的優點，隨著Seq增大，網絡記憶的信息增多，從而獲得越來越好的預測效果，訓練數據和測試數據上的損失值也減小；當Seq值增大到某一個臨界值時，在BPTT算法執行的過程中，產生了梯度消失或梯度爆炸等問題，模型的預測能力減弱，損失值也隨之增大。

3 引入GRU重構預測模型

3.1 門控循環單元GRU內部結構

門控循環單元(gate recurrent unit，GRU)是循環神經網絡的一種改進形式，相較于樸素神經網絡，GRU引入了門控單元，很好地解決了循環神經網絡中極易發生的長期記憶力不足，反向傳播中梯度消失、梯度爆炸等問題。GRU的輸入輸出結構與樸素RNN類似，一個典型的GRU輸入輸出結構如圖10所示。

圖10 GRU的輸入輸出結構Fig.10 GRU’s input and output structure

其基本工作邏輯是：先通過上一個傳輸下來的狀態ht-1和當前節點的輸入x來獲取重置門r和更新門z兩個門控狀態，其表達式為

(16)

(17)

得到相關信號之后，重置門控r首先發揮作用：使用重置門控r來得到“重置”之后的數據h′t-1，運算過程為：h′t-1=ht-1⊙r。再將h′t-1與輸入xt進行組合拼接，隨后將拼接數據通過一個tanh激活函數將數據放縮到[-1,1]的范圍內，即得

(18)

式(18)中：h′包含了當前輸入的xt數據，相當于“記憶”了當前時刻輸入信息的狀態。隨后是“更新記憶”階段。在這個階段，同時進行遺忘和記憶兩個步驟。更新表達式為

ht=z⊙ht-1+(1-z)⊙h′

(19)

式(19)中:門控信號z的范圍為0～1，其表征記憶能力的大小。z越接近1，意味著記憶的數據越多；而z越接近0，則代表遺忘的數據越多。GRU內部結構及其工作流程示意圖如圖11所示。

圖11 GRU的內部結構Fig.11 GRU’s internal structure

GRU的反向傳播過程與RNN相同，相比于RNN的梯度下降是單項式連乘，GRU則是多項式相乘，因此GRU更難發生梯度消失。

3.2 使用GRU改進預測模型

為了與樸素RNN網絡進行對比，設置超參數LR=0.001, Seq=20, epoch=100, BATCH_SIZE=256，使用與樸素RNN網絡相同數據集對改進后的網絡進行訓練，在經過100輪迭代后，其損失函數MSE值在訓練集和測試集上分別為0.002 03、0.000 98。可以看出，在相同的參數條件下，改進后的模型損失值相較于原始模型損失值只有微小改變。可能的原因是，使用相同的參數限制了GRU網絡的工作能力，GRU網絡的一個特點就是：能夠記憶更多的信息，使用現有參數限制了GRU網絡記憶。

對GRU網絡進行一系列Seq調整實驗與epoch調整實驗，找到該網絡較好的參數為LR=0.001,Seq=40,epoch=10。改網絡的損失函數MSE值在訓練集和測試集上分別為0.001 08、0.000 97, 訓練集和測試集上損失函數變化如圖12所示。短程、中遠程、遠程航班的預測曲線分別如圖13所示。

圖12 GRU網絡損失函數變化Fig.12 Change of loss function of GRU network

圖13 短、中、遠航程GRU預測結果Fig.13 GRU prediction results in short、 medium and long range respectively

與RNN預測曲線對比可知，GRU預測曲線在燃油流量突變處預測效果有了明顯改善。

對于中遠航程航班，不管是起飛前流量突變處還是巡航階段預測值與真實值偏差均較小，整體預測效果較好。

對于遠程航班，GRU顯著改善了樸素RNN在巡航階段預測效果差的問題，整體預測效果很好。

3.3 預測結果對比

表2為在相同超參數條件下(LR=0.001,Seq=20,epoch=100, BATCH_SIZE=256)，樸素RNN和改進GRU網絡的損失函數MSE值的對比結果。表3展示了在各自最優超參數條件下(RNN參數為LR=0.001,Seq=20,epoch=100, BATCH_SIZE=256,GRU參數為LR=0.001,Seq=40,epoch=10, BATCH_SIZE=256)使用樸素RNN和改進GRU網絡所建立的預測模型在訓練集和測試集上的MSE值。結果顯示，改進后的GRU網絡在訓練輪次少于樸素RNN網絡的情況下，其訓練誤差和測試誤差均明顯減小，短程、中遠程、遠程航班的預測曲線擬合效果也更佳，對于樸素RNN網絡在遠程航班的預測曲線擬合效果不佳的問題也有了明顯改善。由此可見，使用GRU結構的模型顯著改善了模型的預測能力，有較好的預測效果。

表2 相同超參數預測結果對比

表3 各自最優超參數預測結果對比

3.4 故障模擬與分析

本文中所建立的燃油流量預測模型除了可以用于預測飛機燃油消耗，也可用于故障預測與分析。若飛機在實際運行中出現了故障(如傳感器故障、系統故障等)，導致相關的QAR數據出現異常值，此時預測曲線和原始數據曲線會出現較大偏差，訓練得到的損失函數MSE值也會大于原始模型MSE值。由于本次研究建立的模型涉及的相關參數較少，出現偏差后可以根據這些數據產生的部件快速鎖定故障后排故，能極大減少故障診斷時間。

根據故障隔離手冊(fault isolation manuel，FIM)手冊進行故障模擬與分析。模擬的故障為：從第6 000秒開始，某一與監控燃油流量相關的傳感器線路異常而使QAR數據記錄器記錄的燃油流量數值異常，直到第8 000秒傳感器恢復到正常狀態該故障才被解除。該異常狀態是由于線路異常引起的數據異常問題，其他與模型相關的參數均為正常狀態。從圖14模擬故障預測對比曲線可以看出，預測值與測試值出現了極大偏差，此時模型在訓練數據上的損失函數MSE值整體提升到了0.001 69，遠大于模型初始的MSE值0.000 97，由此可以斷定故障出現，技術人員可以根據技術手冊快速在相應章節展開故障調查。

圖14 模擬故障預測對比曲線Fig.14 Simulation fault prediction comparison curve

對曲線做進一步分析，預測值大致維持在正常狀態，而原始數據曲線出現了極大波動且數據全部偏小，這表征了與預測模型相關的參數未出現較大變化，導致這一現象的原因可能是：QAR(3TU)接頭異常，或者相關傳感器線路異常，技術人員可以根據對該異常的分析和調取相應時間段的飛行數據快速鎖定故障部位，極大減少故障診斷時間。

4 結論

循環神經網絡具有記憶歷史信息的能力，對時間序列研究有較好的適用性，善于對變化較大、影響因素多的時間序列數據進行擬合，因此，本文所建立的燃油流量預測模型擬合效果較好。

本文研究主要步驟為：首先根據統計學分析和發動機控制原理選擇主控參數：TRA、H、Ma、TAT、N1、N2。對這些數據進行小波去燥、歸一化處理后，搭建樸素RNN網絡，構建燃油流量預測模型，在參數調整實驗中發現循環神經網絡對歷史信息利用能力不足，遂提出改進網絡結構，引入門控循環單元(GRU)重構預測模型。

與樸素RNN和GRU構建的燃油流量預測模型在相同數據上的預測結果對比曲線，其在各自的最優超參數條件下，在測試集上的損失函數MSE值分別為0.001 36、0.000 97,通過對比曲線和誤差值的對比可以發現，改進后的網絡結構的預測精度與擬合能力顯著提高。且改進后的網絡在訓練輪次遠小于原始網絡情況下預測表現仍更佳，這極大節省了計算機算力。

改進后的GRU網絡能夠“記憶”更多歷史信息而不會出現梯度消失或梯度爆炸等問題，針對樸素RNN網絡在遠程航班的預測曲線擬合效果不佳的問題也有了明顯改善。由此可見，使用GRU結構的模型顯著改善了模型的預測能力，有較好的預測效果，且具有很強的可靠性，可以利用該預測模型進行故障診斷等實際應用。