基于BP神經網絡的發動機VBV調節規律研究

彭鴻博,馬鵬宇,史 磊,熊 碰

(1. 中國民航大學,天津 300300;2. 中國南方航空公司湖南分公司,湖南 長沙 410000)

1 引言

航空發動機的喘振會導致功率下降和熱端超溫,甚至造成內部部件的嚴重損壞,可調放氣活門(VBV)可以通過調節壓氣機內部壓強在一定程度上防止喘振的發生。然而在飛行過程中,由于VBV調節頻繁,容易出現開度異常的現象,造成安全隱患。通過一定的方法對VBV的實時狀態進行監控與分析,就可以在第一時間發現故障情況,進而通過有效的決策來規避事故的發生[1]。

此外,隨著我國航空業的發展,航空發動機的維修已不再依賴于統一的定期、事故后維修的方式,而是根據每架飛機的實時狀態制定維修方案[2],這種方法這樣可以在降低維修的成本的同時有效地提升飛機的安全性。然而,國內使用的民用渦扇發動機幾乎都是國外公司生產的,其部件特性、結構參數和控制特性等信息均無從得知,因此很難獲取VBV的調控機制[2],從而難以根據VBV的調節情況來判斷發動機的喘振等故障是否由其開度異常引起。針對這一問題,眾多學者從多角度給出了不同的解決方案。

在航空發動機VBV機械結構機構的研究方面,吳鑫睿[4]從VBV的組成和工作原理入手,分析了導致發動機VBV系統出現故障的各種原因,并提出了解決措施。陳信衡,張倩[5],從航空公司航線維護的角度,分析了VBV對發動機正常工作的重要性,為保證飛機的安全運行,提高航空公司運行效率提供了維護建議。DING Shuiting、QIU Tian[6]等人通過對高涵道比渦扇發動機VBV機構研究,總結并量化出了在不同飛行階段,VBV開度異常對發動機的影響。雖然這些方法在一定程度上可以起到VBV故障診斷的作用,然而要想提高診斷的精度,就需要耗費大量的精力來量化發動機內部的性能以及部件之間的聯系。

隨著人工智能的發展,機器學習已經越來越多的在航空航天等領域得到應用。Napolitano[7]等人,通過提出了以BP神經網絡模型為基礎,對航空航天器傳感器失效故障的診斷方法。Renato[8]等通過二元分類支持向量機分類算法,對飛機故障分類進行了研究,利用飛行數據確定當前飛機是否存在故障,從而有針對性的指導飛機進行視情維修。殷鍇[9]根據航空發動機的故障特點,利用BP神經網絡建立模型對航空發動機故障進行檢測,預測的正確率高達 80%以上,對發動機故障監控的研究具有一定的應用價值。郝紅勛[10]等人,通過BP神經網絡算法,利用仿真數據從民航發動機故障征兆影響因素的角度出發,為視情維修提供合適的建議。

本文根據QAR中的參數,通過Matlab軟件分航段建立BP神經網絡模型,對民用大涵道渦扇發動機CFM56-5B的VBV開度調節規律進行分析,來預測處于良好工作狀態的發動機在任意飛行狀態下的VBV開度,從而實現對VBV運行狀態進行監控,達到對故障作出預警的目的。

2 BP神經網絡算法原理

BP神經網絡是一種模仿生物神經網絡功能的經驗模型,由輸入層、隱含層和輸出層構成,可以有效解決數據分類以及預測等問題[11]。因為誤差反向傳播的特點,具有良好的適應性和高效的學習能力,圖2為一個典型的雙隱層的BP神經網絡結構模型。

整個網絡按有教師示教的方式進行學習,當輸入信號傳遞給網絡后,各神經元獲得響應然后初步產生權值和閾值,接著按減小希望輸出與實際輸出誤差的方向,從輸入層經各中間層逐層修正權值和閾值,回到輸入層。經過多次迭代,使誤差不斷減小,最終達到擬合數據的目的[12]。構成網絡模型的基本參數有:輸入層節點數(n)、隱含層節點數(l)、輸出層節點數(m)、連接權值(wij、wjk)和閾值(bj、bk)。網絡的輸入信號由正向傳播,而誤差由反向傳播,其算法的數學原理如下:

1)信號從輸入層到隱含層,通過計算得到隱含層輸出值(H),然后再通過隱含層的輸出值來計算得到實際輸出值(O);

(1)

(2)

2)比較期望輸出值與實際輸出值的誤差ek,其中Yk為期望輸出

ek=Yk-Ok

(3)

3)利用訓練算法將誤差信號從輸出層傳遞到隱含層再到輸入層,得到各層的誤差信息,從而逐層修正權值和閾值

(4)

wjk=wjk+cHjek

(5)

(6)

bk=bk+ek

(7)

其中,i=1,2,3…n;j=1,2,3…l;K=1,2,3…m。不斷重復上面步驟,通過訓練算法改變權值和閾值使誤差逐漸減小,直到滿足要求時訓練結束。

3 VBV調節規律的BP神經網絡模型設計

3.1 飛行參數的選取

本文從QAR數據中挑選合適的參數作為模型的變量,由于QAR數據中實時記錄的參數有100多個,其中或多或少都會影響到VBV的調節。為了兼顧模型的精確性與復雜度,需要結合航空發動機原理和實際經驗來選擇合適的參數。

在眾多的飛行參數中,低壓轉子轉速(N1)與VBV開度的相關性最高[13]。根據相關文獻,VBV開度還受壓氣機進口流量影響,因此將P2、T2作為輸入參數。此外,VBV的開度控制不僅要根據低壓壓氣機的工作狀態進行調節,還需要匹配與高壓壓氣機的流量情況,避免放氣量過大或過小使高壓壓氣機發生氣流分離,影響高壓轉子穩定性和工作效率,因此高壓壓氣機進口流量的參數、N2、VSV角度也應作為建立模型時的輸入參數。發動機加、減速狀態下,VBV的調節也會有所不同,因此,將N1、N2的變化率(dN1/dt、dN2/dt)也作為訓練參數,來反映發動機加速和減速的狀態。綜上,選取這8種狀態參數作為因變量,它們與VBV開度之間的函數關系可表述為

VBV=f(N1、N2、P2、T2、T2.5、VSV、dN1/dt、dN2/dt)

(8)

3.2 飛行階段分析

一個完整的飛行過程可大致分為滑行、起飛、爬升、巡航、下降、進近和著陸等階段[14],以某一次航班為例,其VBV開度隨飛行階段的變化如圖2所示。圖中,AB段為滑行段,BC段速起飛段,CD段為爬升段,DE段位巡航段,EF為下降段,FG為進近段,GH為著陸段。從圖中可以觀察到,在不同的飛行階段,VBV開度的變化范圍在0%到40%左右,并且飛機的飛行參數也有較大差別,如果將所有飛行階段用同一個模型擬合,將難以保證模型的精度,某些階段可能會出現較大偏差;而如果將每一個飛行階段都構建獨立的模型,會導致工作量的加大。因此,需要對整個航班的VBV開度情況進行分析,選擇合適的方法來構建模型。

對多個航班的VBV實際調節情況分析發現,在起飛、爬升、下降、進近和著陸航段,VBV調節頻繁,其開度主要在這些階段出現異常。相比之下在飛機的滑行與巡航階段,航空發動機的工作狀態和外界條件變化都相對簡單,VBV開度調節比較少,其故障也很少發生。考慮到模型的實用性與準確性,本文選取起飛、爬升、下降、進近和著陸這5個階段,分別構建模型進行分析。由于著陸段時間較短,將其與進近段放在一起考慮。

3.3 BP神經網絡模型的構建

構建BP神經網絡模型時,首先要對原始數據進行歸一化處理,利用Matlab軟件中的mapminmax函數將樣本數據限制在[0 1]區間中,其目的是消除異常值的影響。表1為起飛階段的相關飛行參數以及VBV開度的一部分原始數據。

表1 起飛階段飛行參數

在神經網絡的輸入層共有8種變量參數,因此選用8個神經元節點。輸出層選擇1個神經元表示VBV開度。雖然多隱層神經網絡可能得到更好的預測效果,但可能產生梯度擴散的問題,大多情況下,單隱層的網絡就可以滿足精度的要求,結合本文需要解決的問題,最終選擇構建單隱層神經網絡。對于隱含層神經元節點數的選取,如果神經元數量過少,容易使神經網絡擬合精度過低;而如果節點數過多,雖然能減少訓練誤差,但是會增加網絡的復雜性,使學習速率變得很慢,并且容易使模型陷入局部最優。針對這種情況,根據經驗公式方法初步尋找隱含層的節點的合適范圍,公式如下

式中y表示隱含層神經元的個數,a表示輸入層神經元的個數,b表示輸出層神經元的個數,c通常選取1-10之間的常數,其中a=8,b=1,通過計算得知,y的取值范圍是[4 14],依次對y的可能取值進行實驗,通過對比表明節點數量為9時BP神經網絡性能最好,整個神經網絡結構如圖3所示。

確定好神經元個數后,需要選擇合適的訓練函數,每種訓練函數都代表一種訓練算法。

常用的訓練算法有梯度下降算法、變學習率算法、Levenberg-Marquardt算法、BFGS擬牛頓算法[16]等。訓練算法主要影響模型的迭代次數、收斂速度、存儲空間和泛化能力,選擇合適的訓練算法對提高模型質量有著重要意義。圖4-7所示為4種常用算法對起飛階段的擬合度(R)情況。通過比較各個算法下訓練樣本的輸入、輸出擬合關系發現,Tansig函數對起飛階段VBV開度的擬合性能最好,因此選用Tansig函數作為起飛階段BP神經網絡的訓練函數。

導入訓練樣本后,設定模型的允許誤差和學習速率,開始對網絡進行初步訓練。模型會自動對各神經元節點的權值和閾值進行調整,直到誤差降到設定之內或者步數達到最大。訓練結束后,檢查網絡精度是否滿足要求,如果誤差依然較大,則需要重新進行網絡初始化。整個神經網絡在Matlab中的構建流如圖8所示。

在Matlab軟件中構建出模型后,代入起飛階段選擇好的樣本點進行擬合,得到的訓練效果如圖9所示。從圖中可以看出,隨著訓練過程的進行,驗證集和測試集的均方誤差在急劇下降后趨于平緩,總體呈下降趨勢。在迭代了22代后,整個精度開始趨于平穩。

4 模型的驗證與應用

依據前文的構建流程,依次對起飛、爬升、下降、進近和降落階段分別構建模型。為了驗證模型的適用性與準確性,本文隨機選取了裝備同型號發動機的其無故障航班的QAR數據,利用建立好的神經網絡模型對相應各航段進行測試,測試結果如下圖所示。

圖10和11為起飛階段的測試結果,此階段是駕駛員最繁忙、操作最復雜的階段,也是最容易出現事故的飛行階段。圖中AB為地面加速階段,BC為離地起飛,從中可以發現,AB段模型預測效果較好,誤差維持在2%以內,起飛后模型誤差略微增大到5%左右。

圖1 BP神經網絡基本結構

圖3 起飛階段BP神經網絡基本結構

圖8 BP神經網絡構建流程

圖9 起飛階段的模型訓練效果

圖10 起飛段模型訓練結果對比

圖11 起飛段模型訓練偏差百分比

圖12和13為爬升階段的測試結果,此階段為起飛終止到爬升至巡航高度的階段,整個過程約為20分鐘,由于采用階梯式爬升方式,其VBV開度在1%到8%之間浮動,從圖中可以看出,預測誤差基本在2.5%以內,少部分點偏離在5%左右。

圖12 爬升段模型訓練結果對比

圖13 爬升段模型訓練偏差百分比

圖14和15為下降階段的測試結果,此階段飛機不斷調整飛行姿態以逐漸降低飛行高度,從圖中可以看出,VBV開度在5%-40%以內變化,模型可以較準確地預測出VBV開度的變化,整個過程誤差在2%以內。

圖14 下降段模型訓練結果對比

圖15 下降段模型訓練偏差百分比

圖16和17為進近和著陸的測試結果,這個階段操作復雜,極易出現故障,從圖中可以發現,VBV開度迅速從40%下降到8%左右,之后又迅速上升,預測誤差略微增大,然而仍能預測出VBV變化趨勢。

圖16 進近、著陸段模型訓練偏差百分比

圖17 進近、著陸段模型訓練偏差百分比

綜上所述,從各航段的訓練結果來看,多數航段的擬合程度較好,模型的預測結果與VBV實際開度值基本一致。在爬升、下降階段的整體預測誤差維持在2.5%以內,在起飛、進近著陸階段整體在7.5%以內。因此可以表明,文中采用的建模思路是可行的,能夠較好的反映VBV的調節情況,對發動機VBV的狀態進行監控,及時發現放氣活門的開度異常,在維修人員分析航空發動機VBV相關故障時可以提供指導。除此之外,還有助于研究人員了解國外先進發動機VBV的調節規律,積累經驗。

5 結論

針對民用航空發動機VBV調控機制難以獲取的現狀,本文通過BP神經網絡對CFM56-5B發動機VBV調節規律進行建模分析,所做工作如下:

1)總結了國內外在VBV調控領域的研究現狀,提出BP神經網絡算法并分析了其基本原理和要素。

2)依據大涵道比民用渦扇發動機發動機的10次航班QAR數據中記錄的工作參數,分航段建立了起飛段、爬升、下降段、進近和著陸段VBV開度的BP神經網絡模型,并進一步尋找最優初始權值、閾值供給BP神經網絡。

3)應用同型號發動機正常航班的QAR數據進行了模型的適用性校驗,得到擬合結果。

結果表明,在爬升、下降階段的整體預測誤差在2.5%以內,在起飛、進近著陸階段整體誤差在7.5%以內,模型的測試效果良好,可以反映出VBV開度在不同航段中的變化情況,在分析發動機VBV的工作特性時可以提供指導作用。