基于優化智能網絡的發動機推力指令模型

潘　陽，李秋紅，顧書文，李業波

（南京航空航天大學能源與動力學院，南京 210016）

基于優化智能網絡的發動機推力指令模型

潘陽，李秋紅，顧書文，李業波

（南京航空航天大學能源與動力學院，南京 210016）

針對航空發動機性能退化緩解控制中推力指令模型輸入量有限問題，提出1種雙智能網絡串聯的推力指令建模方法。其中子模型I采用BP網絡映射與推力密切相關的氣路參數，其輸出作為子模型II的輸入；子模型II采用優化極端學習機（ELM）算法，輸出為額定發動機推力，并以此推力為性能蛻化緩解控制指令。為了減小ELM網絡規模，提高推力指令模型實時性，采用微分進化算法（D E）優化ELM初始網絡參數。數字仿真驗證表明：各飛行包線內推力指令模型預測值最大相對誤差小于4‰，遠優于單一神經網絡最大8.17%和單一極端學習機最大14.5%的誤差，模型推力指令計算時間僅需0.64ms，實時性好，驗證了該推力指令模型的有效性。

推力指令模型；性能退化緩解；極端學習機；微分進化算法；航空發動機

0　引言

性能退化緩解控制（Performance Deterioration Mitigating Control，PDMC）為了使得航空發動機發生性能退化后，仍然能夠保持額定推力，在現有控制的基礎上附加外回路推力控制的方式來解決此問題［1-3］。推力指令模型反映當前工作狀態下飛機對發動機推力的需求，是PDMC系統的重要組成部分。國內外對此研究比較欠缺，通常以額定發動機部件級模型、3維插值表格（高度、馬赫數、油門桿角度插值）來計算推力指令，在實際應用中，影響控制系統的實時性，如果僅單獨采用現有智能映射方法，則無法滿足性能退化緩解控制的精度需求，為此本文針對推力指令簡化模型的設計展開研究工作。常用的簡化模型包括小偏差狀態變量模型、平衡流型模型、智能網絡模型等。狀態變量模型可以在小偏差范圍內模擬控制參數和氣動熱力參數間的響應關系［4-5］。平衡流型模型在狀態變量模型的基礎上，通過線性插值和相似變換使得模型的適用范圍增大，近年得到廣泛應用［6-7］。智能映射模型采用神經網絡或支持向量機［8-9］等方法設計，常用于參數預測［10］，如推力估計［11-12］，傳感器故障診斷［13-14］等方面。NASA采用“狀態變量模型+神經網絡”的方法建立簡化模型，并結合Kalman濾波器使得模型具有自適應能力［15］。

本文提出基于雙智能網絡串聯的推力指令建模方法。推力指令模型采用離線訓練在線使用的模式，首先在發動機額定狀態下，以H、Ma、PLA映射和推力密切相關的多個氣路參數，形成子模型I；然后將模型I的輸出作為子模型II的輸入，映射發動機額定狀態下的推力，為性能退化緩解控制提供指令。

1　推力指令簡化模型結構

推力指令模型與常規簡化模型不同，它計算的是不同工作狀態下飛機對發動機的推力需求，反映的是額定發動機的推力，不受發動機性能退化的影響，因此其輸入不能包含發動機的氣路參數和控制量信息，這些信息會因發動機性能退化而改變。因此推力指令模型的可用輸入只有高度H，馬赫數Ma以及油門桿角度PLA，使得常規的簡化模型建立方法無法滿足要求。

由于發動機是強非線性系統，僅采用這3個量作為輸入直接對額定推力進行映射其效果較差，因此本文將推力指令模型的訓練步驟分為2個子模型：子模型I以H、Ma和PLA為輸入，對與推力密切相關的發動機氣路參數進行映射；子模型II以子模型I的輸出加上H、Ma為輸入，輸出為額定發動機推力F，這種雙層智能網絡結構，在子模型II中包含了額定狀態下的發動機氣路參數信息，有效解決了推力指令簡化模型輸入信息不足的問題。

基于集成學習思想，對2個子模型采取不同的訓練方法。鑒于子模型I各輸出參數對于整個推力指令簡化模型精度影響較大，本文對子模型I采用經典BP神經網絡訓練［16］，而對于子模型II為單輸出模塊，關系到最終的推力指令精度，對其采取優化極端學習機算法（ELM）訓練［17-18］，以微分進化（Differential evolution，DE）算法對ELM輸入層權值以及隱含層偏置進行優化，以提高網絡映射能力及實時性。子模型I與子模型II進行串聯后形成推力指令簡化模型，其結構如圖1所示。

圖中子模型I采用BP網絡映射得到的和推力密切相關的氣路參數預測值，子模型II基于子模型I獲得的預測值結合高度、馬赫數映射推力指令。整個網絡采取離線訓練方式，得到網絡參數后形成推力指令簡化模型。下面對子模型I進行設計。

2　基于BP網絡的子模型I

子模型I輸入為H、Ma、PLA，輸出為與發動機推力密切相關的氣路參數，為子模型II提供更多的輸入信息。

通過計算發動機各截面氣路參數與額定推力F之間的相關性，選取相關性較高且包含信息豐富的組合作為子模型I的輸出，包括高壓壓氣機出口溫度T3，低壓渦輪出口壓力P46，低壓渦輪出口溫度T46，尾噴管喉道溫度T8，發動機總溫比TER。

對子模型I的每個輸出單獨建立BP網絡，為了提高網絡映射精度，本文將飛行包線按高度分為0～5、5～10、10～5、15～20 km 4個子包線，分別在子包線內建立推力簡化模型。

在訓練過程中，通過遍歷搜索在所有包線內BP神經網絡的隱含層節點都設定為40。隱含層激勵函數選為tansig，輸出層激勵函數選為logsig。在4個高度子包線內子模型I各輸出參數預測相對誤差平均值及最大值見表1。

表1　子模型I的BP網絡訓練平均誤差及最大誤差

從表中可見，雖然子模型I輸出的發動機參數訓練以及測試相對誤差平均值均在5‰以內，但其最大誤差超過4.71%，若以單獨BP網絡建立推力指令模型，勢必會引起推力偏離期望值。因此僅以H、Ma、PLA作為輸入，進行推力指令計算是不能滿足性能退化緩解控制需求的。

3　基于優化ELM的子模型II

子模型II采用ELM算法設計。ELM算法預測精度隨著隱含層節點數的增加而提高，但過多的隱含層節點數勢必會使得網絡結構復雜，降低計算實時性，因此本文希望在保證計算精度的前提下，將ELM隱含層節點數控制為40個以提高計算速度。由于ELM算法的輸入層權值以及隱含層偏置均在初始化時隨機生成，不能保證ELM獲得最優的結果，而子模型II的映射能力直接關系到推力指令的精度，為此對子模型II的網絡參數進行優化設計。

本文要進行優化的極端學習機初始化參數較多，采用微分進化算法［19］對其進行優化，以獲得相同預測精度下隱含層節點更少的ELM網絡，提高推力指令簡化模型實時性和精度。

3.1微分進化算法

微分進化（DE）算法在收斂速度和穩定性方面都有極為出色的表現，是近年來最熱門的進化算法，具有保存最優解并與種群內部進行信息共享的特點。算法的基本思想是利用向量差的操作規則從初始種群開始進行交叉、變異等操作，通過不斷迭代計算實現優勝劣汰，引導個體向最優解逼近［20］。其算法流程如下：

（1）參數設置。設定待優化參數維數為D，種群規模為NP，放縮因子為F，交叉常量為CR。

（2）初始化。在問題的搜索空間中隨機產生初代種群x（0），并計算每個個體的適應度fit（xi（0））。

式中：i∈｛1，2，…，NP｝；j∈｛1，2，…，D｝；xj，min和xj，max為解空間中第j維的上、下界；rand（0，1）為（0，1）區間內的隨機數。

（3）變異。在目標個體xi之外隨機選取另外3個不同的個體xr1、xr2及xr3，將2個互異的個體向量相減產生差分向量，將得到的差分向量乘以1個系數并與另一隨機選出的向量相加，生成變異個體vi。

式中：F為定值放縮因子；r1，r2，r3∈［1，NP］且r1≠r2≠r3≠i。

（4）交叉。按照給定的交叉率CR將目標個體xi與變異個體vi進行混合交叉生成交叉個體ui。

（5）選擇。當前迭代次數為n，交叉個體ui（n）與原目標個體xi（n）進行貪婪選擇，擇優生成新1代的種群個體xi（n+1）。

式中：NP｝；fit（·）為適應度算子。

（6）檢驗是否滿足結束條件。若滿足則停止循環，輸出問題的最優解，如不滿足則繼續迭代，重復（3）～（5）的過程。

3.2基于DE算法優化的ELM算法

式中：wi=［wi1，wi2，…，win］T為連接輸入層節點與隱含層第i個節點的權值；bi為隱含層第i節點的偏置；βi= ［βi1，…，βim］T為連接隱含層第i節點和輸出層節點的權值。

式（5）可以表達為

隱含層矩陣H的第i個隱含層節點的輸出，即第i列元素hi為

輸出權值β為

式中：H+為H的廣義逆矩陣。

由于ELM的輸入層權值與及隱含層偏置是隨機給定的，只通過廣義逆矩陣修正輸出層權值，需要較多的隱含層節點數量來保證精度，這就增加了網絡規模的復雜性，降低了實時性［21］。

為了提高ELM算法在線使用時的計算速度，減少映射使用隱含層節點數量，采用DE算法對ELM的輸入層權值和隱含層偏置進行優化，成為DE-ELM算法，對子模型II進行訓練。以T3、P46、T46、T8和TER共5個子模型I的輸出加上H、Ma作為輸入，額定發動機推力F為輸出，采用DE-ELM算法進行訓練。

在DE算法中，種群規模以及迭代次數越多，優化結果越接近最優解，但會急劇增加優化耗時；縮放因子F過小會引起算法過早收斂，難以跳出局部最優，而過大則會使得DE算法收斂速度降低，根據經驗F取0.6具有較好的優化效果；通常交叉常量CR較好的取值范圍為［0.3，0.9］，較大的CR會加快DE算法收斂速度［20］。

在訓練子模型II時，DE-ELM算法中的設置ELM隱含層節點數設置為40個，經過多次嘗試，設定DE算法的種群規模NP為100，放縮因子F為0.6，交叉常量CR為0.9，最大迭代次數Nmax=500，在較短的優化時間內具有最佳優化效果，定義適應度函數為ELM訓練樣本數據預測誤差絕對值和的倒數，其形式為

式中：N為ELM訓練樣本數據容量；ek為第k個ELM訓練樣本預測值的相對誤差。

將DE-ELM算法與ELM算法預測結果進行對比（其節點數通過遍歷獲得）。在映射達到相同平均誤差水平的情況下，隱含層節點數量見表2。

從表中可見，DE-ELM算法相較于ELM算法，在達到同等映射精度的情況下所需的隱含層節點數量更少，網絡規模小，映射的實時性更好。

表2　ELM網絡優化前后效果對比

4　發動機推力指令簡化模型仿真

以某型雙軸渦扇發動機為例，將子模型I和子模型II串聯，形成如圖1所示的推力指令簡化模型，以高度、馬赫數、油門角度為輸入，對發動機推力指令進行計算，不同包線分區內，推力指令計算相對誤差如圖2所示。值得指出的是，子模型I和子模型II均采用離線訓練方法，在實際使用時，只需將網絡參數代入，基于隱含層和輸出層激勵函數進行計算，即可獲得推力指令，不需要進行在線訓練，同時由于模型輸入只與H、Ma、PLA有關，獲得的推力指令反映發動機的額定推力需求，不隨發動機的個體差異而變化，可以為性能退化緩解控制提供指令。

圖2　推力指令簡化模型預測誤差

從圖中可見，本文提出的基于BP網絡以及DE-ELM算法的雙層結構推力簡化模型具有良好的預測精度和泛化能力，訓練樣本最大相對誤差小于3‰，測試樣本最大相對誤差小于4‰。經測試，推力指令簡化模型1次計算耗時0.64 ms，遠快于部件級模型迭代計算時間，可以用于性能退化緩解控制的推力指令計算。

為了進一步驗證本文所提出的推力指令簡化模型的優勢，以H、Ma、PLA為輸入，將直接采用單獨BP網絡或ELM進行額定推力估計的結果與推力指令簡化模型進行誤差對比，結果見表3。

表3　推力指令預測誤差對比

通過表中的對比可見，采用單一神經網絡進行推力指令計算時，雖然計算平均誤差不大，但在各子包線內的最大誤差均超過4%，而單一的極端學習機的最大計算誤差則均超過7.2%。而本文所提出的雙智能網絡推力指令簡化模型，包線推力計算最大相對誤差為4‰，遠優于單一神經網絡最大8.17%和單一極端學習機最大14.5%的誤差，驗證了雙智能網絡在推力指令計算中的優勢。

本文提出的推力簡化模型通過離線訓練獲取網絡參數，在實際應用過程中僅需編程構建網絡結構，相較于機載模型計算過程更為簡單，具有良好的工程應用前景。

5　結論

本文提出1種基于雙智能網絡的推力指令簡化模型設計方法，采用2個子模型串聯的結構，分別用BP神經網絡和DE-ELM網絡訓練2個子模型，其工作模式為離線訓練在線使用。

（1）DE-ELM算法在相同映射精度的前提下，簡化了ELM網絡規模。

（2）基于雙智能網絡的推力指令簡化模型最大預測誤差小于4‰，計算時間小于0.64 ms，具有較高的精度和實時性。

（3）推力指令簡化模型工程實現簡單，將離線訓練參數存儲后，通過編程計算可以實現在線實時獲取額定推力指令。

（4）雙智能網絡串聯的結構為實現高精度簡化模型提供了有益的思路。

［1］Garg S.Controls and health management technologies for intelligent aerospace propulsion systems［R］.AIAA-2004-0949.

［2］Garg S.NASA Glenn research in controls and diagnostics for intelligent aerospace propulsion systems［R］.NASA-TM-2005-214036.

［3］李業波，李秋紅，黃向華，等.航空發動機性能退化緩解控制技術［J］.航空動力學報，2012，27（4）：930-936.

LI Yebo，LI Qiuhong，HUANG Xianghua，et al.Performance deterioration mitigation control of aero-engine［J］.Journal of Aerospace Power，2012，27（4）：930-936.（in Chinese）

［4］Weiss M，Bucco D.Adjoint method for hybrid guidance loop state-space models［J］.Journal of Guidance，Control，and Dynamics，2014，38（4）：1-9.

［5］胡宇，楊月誠，張世英，等.基于改進擬合法的渦扇發動機狀態變量模型建立方法［J］.推進技術，2013，34（3）：405-410.

HU Yu，YANG Yuecheng，ZHANG Shiying，et al.Establishment of turbofan engine state variable model based on improved fitting method ［J］.Journal of Propulsion Technology，2013，34（3）：405-410.（in Chinese）

［6］趙輝，牛軍，姜云峰，等.基于平衡流形模型的航空發動機線性建模方法［J］.推進技術，2011，32（3）：377-382.

ZHAO Hui，NIU Jun，JIANG Yunfeng，et al.Linear modeling of aero engines based on equilibrium manifold model［J］.Journal of Propulsion Technology，2011，32（3）：377-382.（in Chinese）

［7］李述清，張勝修，胡衛紅.基于平衡流形的航空發動機LPV建模方法［J］.推進技術，2011，32（1）：21-25.

LI Shuqing，ZHANG Shengxiu，HU Weihong.Equilibrium-manifold based linear parameter varying modeling for aeroengine［J］.Journal of Propulsion Technology，2011，32（1）：21-25.（in Chinese）

［8］ZHAO Y，SUN J.Recursive reduced least squares support vector regression［J］.Pattern Recognition，2009，42（5）：837-842.

［9］Basudhar A，Missoum S.Reliability assessment using probabilistic support vector machines［J］.International Journal of Reliability and Safety，2013，7（2）：156-173.

［10］Ghafir M F A，Li Y G，Wang L.Creep life prediction for aero gas turbine hot section component using artificial neural networks［J］. Journal of Engineering for Gas Turbines and Power，2014，136（3）：1-9.

［11］Peyada N，Ghosh A.Aircraft parameter estimation using neural networkbasedalgorithm［C］//AtmosphericFlightMechanics Conference.Chicago：AIAA Press，2009：5941-5950.

［12］趙永平，孫健國，王前宇，等.基于K-均值聚類和約簡最小二乘支持向量回歸機的推力估計器設計［J］.航空動力學報，2010，25（5）：1177-1183.

ZHAO Yongping，SUN Jianguo，WANG Qianyu，et al.Thrust estimator design based on K-means clustering and reduced least squares support vector regression［J］.Journal of Aerospace Power，2010，25 （5）：1177-1183.（in Chinese）

［13］馮志剛，王祁，徐濤，等.基于小波包和支持向量機的傳感器故障診斷方法 ［J］.南京理工大學學報（自然科學版），2008，32（5）：609-614.

FENG Zhigang，WANG Qi，XU Tao，et al.Sensor fault diagnosis based on wavelet packet and support vector machines［J］.Joumal of Nanjing University of Science and Technology（Natural Science），2008，32（5）：609-614.（in Chinese）

［14］Van E，Chu Q P.Sensor fault detection and isolation for redundant air data sensors［R］.AIAA-2014-1147.

［15］Vloponi A.Enhanced self tuning on-board real-time model（eSTORM）foraircraftengineperformancehealthtracking［R］.NASACR-2008-215272.

［16］李萍，曾令可，稅安澤，等.基于MATLAB的BP神經網絡預測系統的設計［J］.計算機應用與軟件，2008，25（4）：149-150，184.

LI Ping，ZENG Lingke，SHUI Anze，et al.Design of forecast system of back propagation neural network based on MATLAB［J］.Computer Applications and Software，2008，25（4）：149-150，184.（in Chinese）

［17］王新迎，韓敏.基于極端學習機的多變量混沌時間序列預測［J］.物理學報，2012，61（8）：97-105.

WANG Xinying，HAN Min.Multi-variate chaotic time series prediction based on extreme learning machine［J］.Acta Physica Sinica，2012，61（8）：97-105.（in Chinese）

［18］趙永平，王康康.具有增加刪除機制的正則化極端學習機的混沌時間序列預測［J］.物理學報，2013，62（24）：82-89.

ZHAO Yongping，WANG Kangkang.Chaotic time se-ries prediction using add-delete mechanism based regula rized extreme learning machine［J］.Acta Physica Sinica，2013，62（24）：82-89.（in Chinese）

［19］Storn R，Price K.Differential evolutiona simple and efficient heuristic for global optimization over continuous spaces［J］.Journal of Global Optimization，1997，11（4）：341-359.

［20］段海濱，張祥銀，徐春芳.仿生智能計算［M］.北京：科學出版社，2011：90-92.

DUAN Haibing，ZHANG Xiangyin，XU Chunfang.Bioinspried computing［M］.Beijing：Science Press，2011：90-92.（in Chinese）

［21］Matej C，Shin H L，Marjan M.Exploration and exploitation in evolutionary algorithms：a survey［J］.ACM Computing Surveys，2013，45（3）：21-33.

［21］李業波.智能航空發動機性能退化緩解控制技術研究［D］.南京：南京航空航天大學，2014.

LI Yebo.Research on intelligent aeroengine performance deterioration mitigating control［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2014.（in Chinese）

（編輯：趙明菁）

Aeroengine Thrust Command Model Based on Optimized Intelligent Networks

PAN Yang，LI Qiu-hong，GU Shu-wen，LI Ye-bo
（College of Energy and Power Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016,China）

To solve the problem of input information deficient in thrust command model used in Performance Deterioration Mitigating Control（PDMC）of aeroengine，a series of connection structure of double intelligent networks model was proposed to model the thrust.In sub-model I，a BP network was adopted to map the gas-path parameters which have closely correlation with thrust.The outputs of submodel I were used as inputs of sub-model II.The Extreme Learning Machine（ELM）was adopted in sub-model II to estimate the nominal thrust of the engine which was used as the thrust command for PDMC.Differential Evolution（DE）was used to optimize the network parameters of ELM in order to simplify the network scale and improve the calculation speed.The result of digital simulation shows that the max relative error of thrust model is less than 4‰，far better than the 8.17%error of single BP network and the 14.5%error of single ELM network.It takes only 0.64 ms in the thrust command calculation process of the model.The results demonstrate the effectiveness and realtime of proposed aeroengine thrust command model.

thrust command model；performance deterioration mitigation；extreme learning machine；differential evolution；aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2016.02.010

2015-04-09基金項目：航空科學基金（20110652003）、中央高?；究蒲袠I務專項基金（NN2012033）資助

潘陽（1991），男，在讀碩士研究生，研究方向為航空發動機故障診斷；E-mail：499735168@qq.com。

引用格式：潘陽，李秋紅，顧書文，等.基于優化智能網絡的發動機推力指令模型［J］.航空發動機，2016，42（2）：51-56.PANYang，LIQiuhong，GUShuwen，etal. Aeroenginethrustcommandmodelbasedonoptimizedintelligentnetworks［J］.Aeroen-gine，2016，42（2）：51-56.