基于BP 神經網絡的航空發動機參數預測與實時告警系統設計

董 洋，孫景鈺，李南伯，莫古云

（成都飛機工業（集團）有限責任公司，成都 610073）

0 引言

航空發動機作為飛機系統的“心臟”［1］，是整個飛機最為重要的系統之一，其產品質量、性能指標與工作狀況會影響整個產品的工作性能。因此，對于航空發動機各性能參數的監控與判讀分析就顯得尤為重要［2］；另外，作為一種系統復雜的精密機械，一旦超過使用限制對其本身產生的影響以及后續維修處理成本都是相當巨大的。因此，提前發現參數異常現象，在發動機故障前提前做出動作對于發動機本身與使用方來說都是具有非常重大意義的事情。

國內外學者對發動機監控、診斷技術已經進行過大量的研究。航發機研究所的吳偉力等［3］對發動機振動故障的診斷技術進行研究，通過對多種故障診斷方法進行闡述，總結了故障診斷的有效途徑。霍榮偉等［4］在發動機氣路診斷方面做出了大量研究。崔展博等［5］建立基于量子神經網絡和趨勢推演的自修正安全預警模型，設計了一種適應多機型的實時飛行安全監控系統。郭朝翔等［6］舉例分析了發動機參數監控的幾種方法與應用，為工程技術人員進行參數監控提供了借鑒。可以看出國內外對發動機故障監控診斷技術已有成熟經驗。

另一方面，先進的算法模型在監控與故障分析診斷中的應用使得故障診斷效率大大提高。曹惠玲等［7］將改進后的Bagging算法應用在航空發動機的氣路診斷問題當中，提高了對于復雜故障現象的診斷準確率。史永勝等［8］學習了貝葉斯算法的基本原理，通過因果關系建立了發動機各部件或子系統故障情況與整機系統故障的關系可視化模型，結合自身的經驗，梳理出各部件、各子系統的依賴關系與程度，準確可靠地找到了系統的薄弱環節，提高系統整體可靠性。楊旭等［9］結合大型航空發動機機載振動監測研制需求，提出了機載健康管理振動監測系統硬件設計關鍵點，根據機載振動監測實時性要求，采用多線程技術設計了健康管理振動監測軟件，實現了對發動機機載振動實時監測告警的功能。

上述文獻中對于發動機監控與診斷技術均有大量的研究與應用，也融合了許多先進算法輔助分析。但是，其對于一線生產使用部門來說相對復雜，不具備可操作性。此外，基于飛參數據進行的分析，目前一線部門對于飛參數據的使用與判讀仍處于將試車或者飛行后的數據下載下來，通過專業的飛參判讀軟件進行處理。一方面使用部門對于機上成品設備的開發使用權限不足，無法進行底層更改；另一方面需要依賴專用的判讀軟件進行診斷，沒有根據自身經驗建立新的判讀和監控規則。這就導致對于發動機的狀態監控與故障診斷不具備時效性，不能發揮作為一線使用單位的優勢。

本文提出一種基于BP 神經網絡算法［10］的航空發動機參數預測與告警系統設計方法。通過對前期大量發動機參數的統計整理與特征學習，采用BP 神經網絡算法針對不同狀態不同參數建立參數特征模型，在發動機試車過程中，通過特征模型對特定工作狀態下的參數進行實時分析，預測后續狀態的參數值，實現參數的實時預測，提前發現參數異常趨勢，及時將風險消除。

1 系統技術應用

1.1 發動機參數監控

航空發動機追求的是高速高效的戰術性能，而這對其自身的可靠性與耐久性提出了巨大的挑戰，發動機監控技術正是針對這一需求出現的［11］。監控技術的意義在于確保發動機安全可靠地使用。

航空發動機工作特性與性能可以通過不同參數呈現出來，通過對參數的分析判讀來判斷發動機各項性能指標是否合格。發動機參數主要有氣路參數（包括發動機轉速、排氣溫度、壓氣機導向葉片角度等）和狀態參數（包括滑油溫度、燃油溫度、振動值等）等組成。通過對以上參數的監控來反映發動機的狀態與工作性能［12］。例如，通過對轉速的監控來反饋發動機工作狀態；通過對滑油壓力、燃油壓力的監控檢測發動機油路是否堵塞。

1.2 BP神經網絡

神經網絡［13］是一種數學算法模型，它類似于對動物神經網絡的模擬構建，通過構建網絡式結構的模型，將數據的信息通過大量的內部節點連接起來，通過調節節點之間的聯系實現信息處理與數據計算。

神經網絡通過對于輸入輸出數據的分析學習，自身訓練出某種規則，建立出特征模型。在給定輸入值后即可以得到最接近期望的輸出值。這種神經網絡的計算精度依賴于數據庫的大小以及模型的匹配程度。通過對大量前期數據的分析學習才能建立起相對準確的特征模型。

BP神經網絡是在原有基礎上加入了前饋環節，將實際輸出值與期望輸出值的誤差反向傳播，然后再通過修改各神經元的權值使得誤差最小。

2 系統設計

2.1 系統架構

為實現對發動機參數及時預測告警的功能，本系統將神經網絡算法、實時采集監控技術與預測告警技術集成為一個系統。本文通過軟硬件將3 種功能結合起來，在建立好不同參數的變化特征模型后，根據實時輸入的參數信號進行分析得到預測結果，告警模塊也隨時保持與監控軟件的通訊。系統架構如圖1 所示。

圖1 系統架構

2.2 參數預測模型建立

發動機使用過程中要求監控的參數有許多，不同參數的限制條件也不相同，因此需要對不同參數建立各自的特征模型。此處以某一參數的模型建立過程為例展示參數特征模型建立流程，具體流程如圖2 所示。

圖2 神經網絡特征模型建立流程

首先需要對前期試車數據進行整合，建立數據集，此處需要對飛參數據進行重構，包括工作時間、發動機轉速、排氣溫度等參數，通過工作時間與轉速來進行關鍵要素篩選與優化整合，針對不同參數建立不同數據集。

其次，將數據集中大部分數據用來作為訓練數據，建立BP神經網絡模型，神經元輸入輸出函數如下：

式中：wij為各隱藏層之間的權值；θ 為隱藏層的閾值。

得到初始模型后與少部分測試數據融合進行誤差計算。根據實際經驗與通用公式選擇合適的隱藏層節點數目與訓練次數，節點數目前期根據經驗公式進行選擇。

式中：m為隱藏層節點數量；n 為輸入層節點數量；l 為輸出層節點數量。

上述數據集的篩選、特征模型的建立均在MATLAB軟件中進行［14］，將飛參數據讀取后進行組合重構，根據需要選擇不同參數，利用軟件自帶的神經網絡函數模塊進行訓練，設定合適的節點數與訓練次數，根據測試數據的誤差計算得到最優的特征模型。最終得到的模型數據如圖所3示，圖中參數特征模型隱藏層節點數為12，在訓練到第5次時得到了最優解，其均方誤差如圖4所示。

圖3 BP神經網絡模型參數

圖4 均方誤差變化

發動機狀態可以分為停車、起動、慢車、中間態、最大狀態等多種工況。本文選取的工況是發動機起動狀態，通過訓練起動過程中溫度參數的變化曲線，得到該參數整個起動階段的特征模型，后需代入測試數據對模型進行驗證，得到最優模型后即可實現在起動初期階段就能夠判斷出起動后期發動機的溫度狀態。

2.3 數據采集與預測告警

試車時的實時數據采集擬采用圖像識別的方式進行，通過字符識別的功能對發動機某項參數進行采集，并將數據實時記錄傳輸給下位機進行分析處理，代入到參數特征模型中進行預測。

監控模塊對采集設備的采樣速率、分辨率、精度等參數具有一定的要求，本文選擇了一款工業智能相機作為數據采集設備，在其中寫入字符識別（OCR）功能［15］。該款相機字符識別采集速率可達到10 Hz，完全有能力滿足參數監控的需求。

參數預測告警的目的是提前發現風險點并給出提示，根據發動機的監控參數特征不同，編寫不同的限制條件以及判讀條件。本文采用MATLAB 軟件進行數據分析與處理，一方面利用其函數庫中的神經網絡函數計算出結果之后，將數據及時顯示，并與限制條件作為對比，通過可視化圖形進行監控與告警；另一方面對實時提取出的數據進行增長率計算，當判斷其增長率異常后同樣發出告警。舉例如下：

式中：xt為當前采集到的排氣溫度參數；Δt為采樣周期。

當計算出的kt值超過一定標準后，就會發生發動機熱懸掛現象。

參數界面如圖5 所示，此時已經將前期數據導入并顯示出來，現階段需要將實時提取的參數同時繪入曲線圖中，進行后期參數預測。在界面中可以分別顯示出當前值、預測值與限制值，當預測值超過限制值時會發出告警信號提示操作人員進行處置。

圖5 參數顯示界面

3 系統運用

3.1 系統組成

系統整體搭建如圖6 所示，主要由數據采集監控設備、上位機信息處理計算機以及飛參綜合檢測設備組成。以某航空發動機起動階段排氣溫度變化預測為例，在發動機起動過程中，通過數據采集設備將排氣溫度數據傳給信息處理計算機，將數據導入前期建立好的參數特征模型，計算出起動到達狀態時的預測溫度，與限制值進行對比，即可實現提前告警功能。

圖6 系統整體示意

3.2 軟件應用

圖7 所示為軟件運行時的顯示界面，左邊表格是獲取到的監控數據，單擊預測按鈕即可執行神經網絡預測程序，同時在上方顯示預測結果，每個參數有3 個顯示值，第一個為當前狀態值，第二個為模型計算出的預測值，第三個為該參數的限制值。為了方便判斷，在右下方將參數的實際曲線繪制出來，可以看到參數發展的趨勢圖，當預測值超過限制值時其背景顏色會變為紅色，此時試車人員可以進行應急操作，每個參數框有一個處置按鈕，單擊即可打開該參數異常時的應急處置措施。

圖7 軟件運行界面

3.3 功能拓展

結合發動機的自身特點以及使用維護要求，除了預測告警的功能外本系統后期還可以具備自動應急處置的能力。現階段由于信息處理計算機無法與飛機通信，只能進行監控功能，在異常時提示告警措施，后期可以將該軟件裝載到飛參綜合檢測設備當中，出現異常情況時點擊處置按鈕可以直接發送控制信號進行處置。

4 結束語

本文針對目前航空發動機試車監控技術與應用系統提出了一種新的解決方式。針對現有監控技術不具備時效性的問題，構建了一種基于神經網絡模型的參數預測系統，通過對大量數據的訓練學習建立參數的變化模型，給參數預測提供了模型支撐，又通過圖像識別處理的方式采集實時數據，打通基礎條件，最后編寫了一款軟件將模型與硬件結合起來，完整地構建出本文中的預測與實時告警系統。實現發動機試車參數的實時預測功能。

本系統對于工業部門、生產單位具有通用的使用價值，能夠提升發動機試車的安全性，極高生產效率，降低風險的同時減少維護成本。在未來發展方面，對于設計單位同樣具備借鑒性。在故障判斷與控制手段中應用，可以實現實現故障的提前處置。