基于LSTM的航空發動機電氣附件性能預測

羅賢峰，何 宇，劉仲富，余振源，竇宇驍，孫兆榮

（中國民航大學，天津 300300）

隨著民航運輸業的高速發展，發動機作為飛機的核心部位對飛機的飛行安全及適航有著至關重要的作用。發動機電氣附件的數據獲取，傳輸以及運作和電氣線路的完整性對航空發動機的正常運行有著重要的影響，而發動機電氣附件的性能測試及預測成為了一個難題，能否快速測試分析電氣附件的性能衰減狀況和后期的預測，對發動機的維修效率有著巨大的影響。目前，發動機維修采用分立儀器對部分電氣附件進行測試，測試時間長、效率低、存在人為差錯，難以達到全覆蓋測試，且在維修間隔期間，電氣附件的性能難以監測，存在安全隱患，可能對發動機和維修人員造成潛在危險。對此我們通過該軟件系統開發，并結合到硬件系統之中，形成一套完整的測試系統實現發動機整機電氣附件的靜態測試，形成全覆蓋的數據測試，為發動機進一步性能測試提供有力的技術支持，為飛機安全高效運輸提供有效保障，該系統的實現打破了傳統對部分電氣附件的測試方法，除去人工的測試部分，通過對標準大數據的采集，訓練更加高效精準的測試與預測出所需要的電氣附件數據。

LSTM神經網絡作為一種特殊的RNN網絡有著良好的訓練與學習能力，眾多學術研究者利用該神經網絡在數據及器件性能預測方面展開了深入的研究。王鑫等[1]提出了基于LSTM循環神經網絡的故障時間序列預測，發現LSTM模型相比典型時間序列預測模型，其擬合和預測性能整體更優；相比于RNN等循環神經網絡，其擬合和預測精度整體更高。陸繼翔等[2]利用CNN-LSTM混合神經網絡模型在短期負荷預測中的應用，發現當LSTM輸入數據是以時序序列的特征向量時，LSTM網絡模型能較好地擬合負荷數據的時序性和復雜非線性關系。彭燕等[3]在基于LSTM的股票價格預測模型與分析中，發現適宜的LSTM網絡層數和前饋網絡層隱藏神經元個數可使股價數據預測準確率大大提高。武麗芬等[4]基于RNN模型與LSTM模型的機器作詩研究中對比了兩種預測模型在建立時間序列數據間的非線性關系時的結果。RNN網絡在訓練過程中，隨著遞歸層數的增加和計算梯度下降容易出現梯度爆炸和梯度消失的問題，只能處理短期依賴問題，而LSTM模型從神經單元的結構出發大大優化了上述問題，說明了LSTM在解決長期依賴問題方面明顯優于RNN模型。張明岳等[5]RNN與LSTM方法用于滑坡位移動態預測的研究中指出LSTM算法結構更為復雜，精度更高，誤差控制范圍更小，兩者訓練時間LSTM明顯多于RNN，說明LSTM在大量數據參與訓練的情況下，訓練及預測結果更為可靠。

本文提出運用LSTM長短期記憶神經網絡訓練構建一套預測模型用于測試發動機電氣附件性能。在發動機電氣附件龐大數據輸入的前提下，該預測模型利用LSTM對數據進行記憶訓練可大幅提高數據預測精準度，有效緩減了一般RNN循環網絡的梯度爆炸和梯度消失問題。本次實驗會將所得數據預測值與實際值作對比檢驗其預測精準度。

1 LSTM基本工作原理

LSTM是RNN-循環神經網絡的一種演化形式，RNN（Recurrent Neural Network）[6]網絡一般包含輸入層，隱藏層和輸出層，但是由于其在處理數據量較大的分析與預測時，可能會遺漏開頭部分重要數據信息[7]使預測結果不準確，并且存在梯度爆炸和梯度消失的問題，導致其不具備良好的長期學習能力。當訓練RNN模型時需要預先確定延遲窗口長度，然而實際應用中很難獲取這一參數的最優值。1977年，霍克賴特首次提出了長短期記憶網絡單元利用LSTM中的記憶細胞代替了一般網絡中的隱藏層結構有效緩解了RNN網絡的上述問題。一般的循環神經網絡對于序列輸入都是所有前序輸入與當前輸入的堆疊，但是RNN網絡對所有前序輸入沒有選擇性。而實際情況下，當前輸入所決定的輸出值可能只與（LSTM）模型前序輸入中的某個值有關，而與其他值無關，或者相關性很小。為此LSTM通過對記憶單元的門處理，用更行門（Γu）遺忘門（Γf）以及輸出門（Γo）來限制記憶細胞單元的值，從而來表示序列輸入的相關性。相關公式如下：

式中，W[a，x]是簡化表達，表示相關a，x參數堆疊后與相應權重參數相乘，c~＜t＞是來自上一層的記憶信息，Wu.f.o是相關參數的參數矩陣，Γu，f.o是用sigmoid函數得到的門值，bu.o.f是偏置參數，x＜t＞是當前輸入的序列值，c＜t＞是當前輸出的記憶信息，a＜t＞為當前序列輸入產生的激活值，被用于下一次輸入。不同于傳統RNN，它是門輸出值與記憶細胞的激活值相乘的結果。如圖1所示。

圖1 LSTM網絡單元結構

當多個序列輸入時，就是圖1 LSTM單元相連的邏輯表示，如圖2所示。

圖2 LSTM網絡單元相連結構

2 預測模型的設計與構建

2.1 設計思路

由于飛機在飛行過程中各部分的運行是具有一定關聯性的，例如：飛行速度、空速、風速、飛行高度的變化等與發動機各部分運行具有一定關聯，利用數據之間的關聯性將使得算法在學習過程中更好地提取到數據特征，從而在很大程度上提高預測的精度，所以在本項目中主要體現為使用風速、飛行高度、發動機轉速，飛行速度等數據作為訓練數據，對發動機增壓比（EPR）進行預測。具體設計思路為：使用某型飛機發動機從啟動到停車過程中各項數據的記錄以及發動機之外的其他數據的記錄作為訓練數據導入LSTM神經網絡進行訓練。包括飛行速度、發動機轉速、空速等共計23項數據，完成訓練后，對發動機增壓比（EPR）等多項發動機指標進行預測，最后將預測值與實際值對比以檢驗該模型的準確性并對該模型做出評價。

2.2 數據的選取及預處理

現有主流機型均對飛機在飛行過程中各部分的運行有著詳細且真實的記錄，本項目將以某型飛機在一段航線共計203 min飛行中各個傳感器所記錄的數據（每秒記錄一次）為實驗數據。實驗數據為時間序列，選取其中有關聯的23列輸入訓練網絡進行訓練學習，每個時間序列即每個指標選取其中5 900個數據，23項共計135 700個數據。將其中某個單一序列的85%作為訓練數據與其余22項數據一同作為訓練數據導入LSTM神經網絡進行訓練，剩余15%作為測試數據參與預測，本文選取發動機增壓比為預測對象進行數據預處理。

（1）數據歸一化

為獲得較好的擬合并防止訓練過程發散，將訓練數據標準化為零均值和單位方差，公式如下：

（2）反歸一化

預測結束后，需根據先前的參數對預測值數據進行去標準化，公式如下：

式中，yk為歸一化（反歸一化）后的數據，ymean為數據均值，ystd為數據單位方差。

2.3 構建模型架構

本文所提出模型核心思想為多序列輸入訓練，單序列輸出預測，通過這種方法可以在省去訓練之前數據特征提取的同時完成訓練與預測。該模型共有6層，分別為：輸入層、LSTM層、全連接層1、丟棄層、全連接層2、回歸輸出層，具體模型如圖3所示。

圖3 模型流程圖

關于模型中每層的解釋如下：

（1）輸入層

讀取數據集中23個時間序列的數據并進行歸一化預處理。

（2）LSTM層

該層的作用為學習導入各序列數據中各時間步長之間的長期相關性。

（3）全連接層1

綜合LSTM層所學習的結果進行特征輸入丟棄層。

（4）丟棄層

通過設置合適的丟棄率解決過擬合問題。

（5）全連接層2

綜合丟棄層的數據特征輸入回歸輸出層。

（6）回歸輸出層

對預測結果進行輸出。

2.4 網絡參數設置

飛機發動機電氣附件的變化是由多方面因素影響的復雜非線性過程，故定義LSTM網絡的初始化狀態對整個訓練過程有至關重要的作用。首先，設置網絡的初始參數：網絡中隱藏單元個數影響著訓練效果，需要通過設置合適的隱藏單元數來降低誤差，根據數據的特性與復雜程度利用轉換函數將LSTM層的隱藏單元數定義為200，同時隱藏單元數還需要小于N-1（N為訓練數據樣本個數）；后續為一大小為50的全連接層和丟棄概率為0.1的丟棄層；將學習率定義為0.001，每經過1 000步長，學習率衰減0.1；閾值為1以防止梯度爆炸。然后在以上參數的基礎上定義大小為25的小批量進行400輪訓練。

3 發動機增壓比（EPR）預測

3.1 網絡評價指標

本文研究目的是對航空發動機的各項運行指標進行預測，著重對發動機增壓比預測。本文將以均方根誤差（RMSE）和平均相對誤差（MAPE）作為網絡的評價指標進一步驗證模型的精確程度，RESE和MAPE二者數值越小則表明預測值越準確，模型性能越優越。

具體公式如下：

式中，n為樣本數據個數，yi為數據實際值，為預測值。

3.2 預測結果分析

發動機增壓比（engine pressure ratio）是指渦扇發動機中壓氣機出氣口與進氣口的總壓之比，公式如下：

其關乎到飛機發動機的運行狀態以及燃油消耗效率。本次預測使用的是實采于某型航空發動機的發動機實際運行中增壓比數據記錄，為一時間序列。平穩飛行階段實測與預測值的對比曲線圖如圖4所示。

圖4 平穩飛行階段預測值與實際值曲線圖

可見使用LSTM所預測的結果與實際值基本符合，也驗證了該網絡用于時間序列預測的優越性以及在本項目中的高度適用性。上述預測的數據選取自飛機進入巡航高度后的較平穩飛行階段，為進一步驗證該網絡的普適性以及準確性，再選取飛機起飛階段的部分數據進行預測。起飛階段的預測值與實際值對比曲線圖如圖5所示。

圖5 起飛階段預測值與實際值曲線圖

觀察圖5所繪曲線可知該模型對于變化較為復雜的情況，雖然在部分時間點有數據預測偏差，但仍然在數據改變時刻能夠預測其變化趨勢及其走向，也具有較好的攀附性。

由表1可知，對飛機不同飛行階段的預測具有很高的準確度。0～0.5 h的均方根誤差為0.522 0，0.5～1 h的均方根誤差為1.121 7，1～1.5 h均方根誤差為1.426 5，由此可見該模型對于數據的預測雖有一定誤差但仍具有較高的準確性。MAPE平均相對誤差在3個時間段內均小于0.1，且隨時間的變化逐漸減小，0.5～1 h與1～1.5 h兩個時間段內均小于0.01，以MAPE為評價標準時，此模型具有相當高的預測精準度。

表1 不同飛行階段的RMSE與MAPE值

同機型飛機在其他航線飛行數據預測對比，如圖6所示，此部分數據選取自起飛一段時間后。去除起飛時部分奇異值后，此模型對于短序列有部分預測偏差，但是起飛一定時間后，預測性非常準確，這說明此網絡的魯棒性和穩健性很好。綜合來看，網絡對數據依賴性較大，同時對長期序列數據具有較大依賴性，對于其他不同于此環境的飛行情況、飛行高度、氣流、天氣因素等等預測都會有一定影響，此網絡預測準度也必然會略有下降，同時對于某些情況值會出現準確度丟失，但對于一般飛行參數，此網絡仍然有參考意義。

圖6 其他航線預測對比

4 結束語

基于LSTM的航空發動機靜態預測模型的設計，克服了航空發動機維修過程中電器附件性能難以檢測，使用人工分立測試效率低，時間長等實際存在問題。該系統運用了LSTM（長短期神經網絡）作為訓練模型，解決了一般RNN網絡無法長期學習和儲存記憶的問題，其不僅開發周期短，設計成本低，還可快速集成測試和進行性能預測，及時監測到電氣附件的性能衰減情況，方便為進一步的航空發動機維修提供指導策略，大大縮短了測試及預測時間，確保了所得數據的準確性與可靠性，解決了傳統測試方法所存在的誤差比較大等問題。