NARX神經網絡在航空發動機EGT趨勢預測中的應用

徐　亮，李　平

(中國民用航空飛行學院 航空工程學院，四川 廣漢 618307)

?

NARX神經網絡在航空發動機EGT趨勢預測中的應用

徐亮，李平

(中國民用航空飛行學院 航空工程學院，四川 廣漢 618307)

摘要：航空發動機的健康狀態是保證飛行安全的重要因素，能在早期發現發動機隱藏的故障，通過預測發動機性能參數的變化趨勢來掌握發動機性能衰退情況，實現對發動機健康狀態的準確判斷，具有重要的意義。針對航空發動機性能參數的數據特點，提出將動態神經網絡中的NARX(非線性自回歸)神經網絡模型運用到性能參數的預測中，并用航空發動機排氣溫度(EGT)的趨勢預測對該方法進行了驗證。驗證結果表明，這種方法在性能參數預測的精度上優于BP神經網絡的預測結果。

關鍵詞：航空發動機；NARX神經網絡；EGT；性能參數預測

0引言

航空發動機是飛機的“心臟”，它的故障可能對飛行的安全造成影響甚至導致災難性事故。同時，發動機高昂的維修費用也影響航空公司的成本和收益。因此，能在早期發現發動機隱藏的故障，通過預測發動機性能參數的變化趨勢來掌握發動機性能衰退情況，實現對發動機健康狀態的準確判斷，對于有效實施航空發動機的視情維修決策具有重要的意義。

目前，各航空發動機制造商都有自己的發動機性能監控軟件，比如普惠公司的EHM系統、GE公司的SAGE系統、羅羅公司的COMPASS系統，這些系統都具有發動機性能趨勢分析的功能，但是它們只是對已有的歷史數據進行分析，而無法對數據的未來發展的趨勢進行預測。

對于發動機性能數據的未來發展趨勢進行預測,國內已有相關研究人員展開了這方面的工作。宋云雪等人用多元線性回歸的方法，在考慮其他因素的影響下對航空發動機排氣溫度(EGT——Exhaust Gas Temperature)進行了預測[1]；常博博等人利用求和自回歸移動平均(ARIMA)模型，對某型航空發動機排氣溫度時間序列建立ARIMA預測模型，對發動機性能進行預測[2]；丁剛等人利用過程神經網絡對航空發動機EGT數據進行預測[3]；陳果利用結構自適應神經網絡對航空發動機的起飛和巡航EGT裕度進行了預測[4]；白潔運用小波神經網絡對渦輪增壓發動機性能進行預測[5]。

本文提出了一種動態神經網絡中的NARX神經網絡預測模型，對氣動熱力參數中的EGT參數進行預測，應用實測的發動機工作參數對預測結果進行檢驗，驗證該方法在航空發動機的性能參數預測中是可行的。

1航空發動機性能參數的數據特點

航空發動機長年在高溫、高壓以及高速等惡劣環境下工作，因而表征發動機性能的參數通常都是一個復雜的、非線性、非平穩且帶有隨機波動的時間序列，比如EGT。某航空公司維修部門的日常記錄的巡航EGT原始記錄數據圖，記錄單位為航班，共1000個數據點，如圖1所示。

圖1　EGT原始記錄數據圖

從圖中可知隨著航班次數的增加，即發動機使用時間的增加，EGT數據整體上呈現上升趨勢，而細節上又存在較大的波動。這種變化反映出了發動機性能的總體降低和性能波動，這與發動機健康狀態是相吻合的。EGT數據具有很寬的頻帶，低頻段的數據反映了數據整體的發展趨勢，而高頻段數據反映了局部的波動情況。

目前在參數預測方法上用得較多的主要是以時間序列方法為代表的傳統預測方法和以靜態神經網絡為代表的人工智能方法。若使用傳統的時間序列方法，如自回歸(AR)模型法、自回歸滑動(ARMA)模型法，則精度不高，且容錯性差，長區間的預測效果不佳；若使用靜態神經網絡，如BP神經網絡、Wavelet神經網絡和RBF神經網絡等，則會在訓練過程中收斂速度慢且易陷入局部極小，并且不能充分反映航空發動機數據的動態特性。

2NARX神經網絡預測原理

NARX模型被廣泛應用于時間序列的建模中,NARX屬于離散時間非線性系統,數學表達式可以寫為:

y(t)=f[u(t-Du),...,u(t-1),u(t),

y(t-Dy),...,y(t-1)]

其中u(t)表示在t時刻模型的輸入,y(t)表示在t時刻模型的輸出：Du和Dy分別代表輸入記憶向量和輸出記憶向量,f是由多層感知器模擬的非線性函數。

圖2　NARX網絡結構圖

NARX網絡結構如圖2所示。圖中表示一個三層的NARX神經網絡，IW和LW分別表示網絡各層的輸入向量和反饋向量的權重矩陣。網絡輸入層采用tansig傳遞函數；第一層帶有延遲線,采用logsig傳遞函數;第二層采用purelin傳遞函數。網絡輸入向量包括兩部分，分別為外部輸入向量u(t)和網絡反饋向量y(t)。輸入信號從左側進入分接延遲線(TDL—Tapped Delay Line)，并依次經過N-1個延遲。分接延遲線是由網絡當前和之前的若干個時刻的輸入信號組成的N維向量。通過設置不同的TDL，可以實現不同時間延遲的輸入組合。對于NARX神經網絡的輸入向量U和輸出向量Y，它們被組織成時間上的連續序列形式,即

其中,元組細胞[ut]和[yt]分別代表變量U和Y在時刻t取值的一個集合。因此,我們在利用NARX動態神經網絡進行建模時,我們可以提前設置好分接延遲線,以建立相應NARX神經網絡的輸入組合,即建立網絡輸出y(t)與網絡輸入向量u(t)和反饋向量y(t)之間的對應關系。

3NARX神經網絡在航空發動機EGT趨勢預測中的應用研究

3.1數據預處理

因為航空發動機在高溫、高壓、高噪聲環境下工作, 它的相關參數的測量較為困難, 采集的數據可能出現誤差大、不準確的問題。因此，采集到的航空發動機相關性能參數的數據若不加以預處理, 則很難準確反映出航空發動機健康狀態的實際變化。數據的預處理主要包括對原始數據的平滑處理和對粗大誤差的判別和修正[6]。

圖3　數據平滑圖

3.2預測及結果分析

對NARX神經網絡的預測結果進行精度分析，并與BP神經網絡的預測結果進行對比，BP神經網絡的預測值如圖5所示。

對NARX神經網絡預測值和BP神經網絡預測值與真實測量值進行結果的精度分析，如表1所示。

圖4　NARX神經網絡預測值與真實值比較圖

圖5　BP神經網絡預測值與真實值比較圖

編號實測值預測值NARX BP絕對誤差NARX BP相對誤差/%NARX BP4142434445599.7602.3609.5605.8605.9601.52606.90616.86601.86601.18594.67592.69601.82612.36610.831.824.606.823.944.725.019.627.687.565.830.3040.7641.1190.6510.7940.8351.5961.2591.2470.962

從圖4和圖5中可以看出NARX神經網絡預測的趨勢圖與實際相似度更高；從表1預測結果的精度分析中也可以看出NARX預測值的相對誤差都低于BP預測的相對誤差。

4結論

提出將NARX神經網絡應用于航空發動機性能參數的預測, 表現出了很強的適用性。盡管本文僅對發動機EGT性能參數進行了預測分析,但是按同樣思路,不難對其它的參數,如低、高壓轉子轉速(N1，N2)和燃油流量(FF)等進行預測。

本文的研究工作對于提前預知航空發動機未來時刻的性能數據,有效地實施發動機狀態監控、故障預測和健康管理具有重要意義。

參考文獻

[1] 宋云雪,張科星,史永勝.基于多元線性回歸的發動機性能參數預測[J].航空動力學報,2009,24(2):427-431.

[2] 常博博,毛寧,劉驍,等.基于ARIMA模型的航空發動機性能預測[J].自動化應用,2013(5):45-46,53.

[3] 丁剛,付旭云,鐘詩勝.基于過程神經網絡的航空發動機性能參數預測[J].計算機集成制造系統,2011,17(1):198-207.

[4] 陳果.用結構自適應神經網絡預測航空發動機性能趨勢[J].航空學報,2007,28(3):535-539.

[5] 白潔.基于小波神經網絡的渦輪增壓發動機性能預測研究[J].制造業自動化,2011,33(5):82-84,139.

[6] 邸亞洲,秦永元,尚希良,等.基于多項式回歸算法的飛參記錄數據預處理研究[J].測控技術,2008,27(4):21-22.

[責任編輯、校對：梁春燕]

Application of NARX Neural Network in Aeroengine Performance Parameters Prediction

XULiang,LIPing

(College of Aviation Engineering,Civil Aviation Flight University of China,Guanghan 618307,China)

Abstract：Aeroengine has been known as the heart of the aircraft,and its performance is important in ensuring flight safety.Therefore,it is significant for aircraft safety since it is able to reflect the decline of engine performance through predicting the change trend of engine performance parameters.In view of the data characteristics of aeroengine performance parameters,the NARX neural network model is proposed and used for the prediction of performance parameters.This article employs the model to predict the aeroengine exhausted gas temperature (EGT).According to the results,the NARX neural network model has a higher precision than the model based on the BP neural network in parameters change trend and data accuracy.

Key words：aeroengine;NARX neural network;EGT;performance parameters prediction

中圖分類號：V263.6；TP183

文獻標識碼：A

文章編號：1008-9233(2016)01-0036-04

作者簡介：徐亮(1990-)，男，江蘇揚州人，碩士研究生，從事航空發動機故障預測、健康管理研究。

基金項目：中國民航飛行學院學生科技活動基金(X2014-13)

收稿日期：2015-11-13