徐亮;李平
【摘 要】航空发动机的性能参数能够反映发动机的性能状况,现将动态神经网络中的NAR(Nonlinear Auto-Regressive)神经网络模型运用到性能参数的预测中,并用该模型对航空发动机巡航状态下的排气温度偏差(△EGT)进行预测,结果表明,这种方法在性能参数的变化趋势和数据的精度上都达到应用要求,能够为航空发动机故障预测提供决策依据.
【期刊名称】《滨州学院学报》
《中华人民共和国刑法》【年(卷),期】2015(031)006
【总页数】5页(P23-27)
【关键词】航空发动机;NAR神经网络;巡航状态;△EGT;性能参数预测;趋势预测
【作 者】徐亮;李平
【作者单位】中国民用航空飞行学院航空工程学院,四川广汉618307;中国民用航空飞行学院航空工程学院,四川广汉618307
【正文语种】中 文
水产学报【中图分类】V231
0 引言
航空发动机是飞机的心脏，它的健康状态影响飞机飞行的安全，其性能衰退不但直接威胁发动机的安全高效运行，而且还可能诱发其他的故障；同时它的维修成本也直接影响着航空运输公司的经济效益［1－2］。而航空发动机性能参数的变化趋势能够反映发动机性能衰退情况。因此，对反映航空发动机性能的参数进行预测，可实现对发动机健康状态的准确判断，变被动维修为主动维修，这对于有效实施航空发动机的视情维修决策具有重要的意义。
目前世界上著名的三大航空发动机制造商均具有相应的发动机性能监控软件，比如：普惠公司的ECMII和TEAMIII系统，GE公司的ADEPT和SAGE系统以及罗罗公司的COM－PAS
S系统等，这些软件均具有发动机的性能趋势分析功能，但是，它们只是对已知的发动机历史数据进行分析，即根据报文后得到的数据，将发动机的主要性能评定参数用连续曲线显示出来，而参数的未来走势如何并没有给出预测［3－4］。
图1是某航空公司维修部门的日常记录的巡航△EGT（Delta Exhausted Gas Temperature）记录数据图。△EGT是表征发动机性能的一个重要指标，在飞机的巡航中都会进行监控，航空公司也将△EGT作为对发动机进行检测、维修和换发的一个重要依据。从图1中可知，△EGT数据具有很宽的频带，其中低频段的数据反映了数据整体的发展趋势，而高频段数据反映了局部的波动情况。
目前国内已有相关研究人员展开了这方面的工作，在参数预测方法上用得较多的主要是以时间序列方法为代表的传统预测方法和以神经网络为代表的人工智能方法。基于传统的时间序列方法有自回归（AR）模型法、自回归滑动（ARMA）模型法、求和自回归移动平均（ARIMA）模型，基于神经网络的预测方法常见的有BP神经网络、Wavelet神经网络和RBF神经网络等［5－8］，如在文献［7－8］中，作者使用传统的时间序列方法，对航空发动机排气温度（EGT）进行了预测，但精度不高，且容错性差，长区间的预测效果不佳；
文献［9］中，作者利用静态神经网络对航空发动机性能参数进行了预测，但这些方法会在训练过程中出现收敛速度慢且易陷入局部极小，并且不能充分反映航空发动机数据的动态特性。
图1 △EGT记录数据图
本文基于△EGT的非线性及其本身的时间序列特征，运用动态神经网络中的NAR神经网络预测模型，对航空发动机的△EGT参数进行预测，并应用实测的发动机工作参数对预测结果进行检验，证明该方法的可行性。
1 NAR神经网络时间序列原理
1.1 NAR神经网络概述
神经网络按照是否存在反馈与记忆可以分为静态神经网络和动态神经网络。动态神经网络输入输出之间的变量关系并不仅仅是一种静态方式的映射，每一时刻的输出是基于当前时刻以前系统的动态综合结果而得，因此具有反馈和记忆的功能。其特点是系统有若干个稳定的状态，开始于任何状态，并且通过对各个神经元的链接权值的改变可以得到系统的稳
定状态。
动态神经网络依据其实现动态的方法不同可以分为以下两类：一类是回归神经网络［10］，它是由静态神经元与网络的输出反馈两部分组成，典型的网络如NAR回归神经网络。另一类是通过神经元反馈形成的神经网络，如PID神经网络等。
NAR神经网络是动态神经网络实现动态方法的一类，它是由静态神经元与网络输出反馈两部分组成。它的结构示意图如图2所示。
图2 NAR网络的结构示意图
完整的NAR神经网络由输入层、隐藏层、输入延迟层与输入层构成。左边的y（t）代表输入数据，右边的y（t）代表输出数据；1∶2代表的是输入与输出的延时阶数，在实际的应用中，可设置不同的数值；w代表连接权；b代表阈值。NAR网络有两种输出模式，一种是Parallel（Close－loop）模式，在该模式下，输出的数据被反馈到输入端，在隐藏层中学习；另一种是Series－Parallel（Open－loop）模式，该模式下，将预期输出反馈到输入端。NAR神经网络模型的数学表达式可以写为
农业经济问题
式中d代表延时层的个数。由式（1）可以看出，下一个y（t）值的大小取决为前d个y（t）的值。
1.2 时间序列
中国热加工网时间序列是把某种统计指标的数值根据时间顺序进行排列得到的一组数字序列。编制和分析时间序列是时间序列预测法的基本方法。时间序列分析是根据时间序列所反映出来的发展过程、方向和趋势，进行曲线拟合以及参数的估计，然后建立相应的数学模型预测下一段时间可能达到的数值。一般应用于以下两种情况：（1）决定预测变量因素的信息较少；（2）具有用于构成时间序列的足够多的数据量。
时间序列分析是以定量预测方法为基础的，应用的原理是根据事物发展的延续性以及随机性来拟合分析。延续性是指根据过去的数据来预测未来的发展趋势；随机性是指事物因为偶然的因素而产生的不确定性，利用各种统计分析方法对历史数据进行分析处理。非线性自回归（Nonlinear Auto－Regressive，NAR）模型是基于动态神经网络时间的预测模型。本文提出的预测模型是利用△EGT的非线性以及动态性特点，结合神经网络的所具有的记忆功能，因此基于动态神经网络时间序列分析可以较好地映射出性能参数预测模型。
2 NAR神经网络在航空发动机性能参数预测中的应用研究
2.1 数据预处理
航空发动机常年在高温、高压、高噪声环境下工作，其相关参数的测量较为困难，常见的问题主要有数据测量误差大、传感器易发生故障、某些数据甚至难以采集等。采集到的航空发动机相关性能参数的数据若不加以预处理，则很难准确反映航空发动机健康状态的实际情况。因此在航空发动机性能参数预测中，必须对测量到得参数数据先进行预处理，数据的预处理主要包括对原始数据的平滑处理和对粗大误差的判别和修正［11－13］。
首先将本文准备使用的75个数据按时间顺序进行排列，构建相应的时间序列模型｛△EGT｝。然后使用一次指数平滑方法对其进行平滑预处理。一次指数平滑法如下所示：
式中xk为参数的真实值为xk的平滑值，β为平滑系数。可用MATLAB画出平滑图，如图3所示。平滑处理后，再进行粗大误差的判别和修正，使用统计判别法中的拉伊达准则，判别出时间序列
中的△EGT29、△EGT48、△EGT67是粗大误差，应予以剔除。此时，在时间序列中剔除的数用内插值来代替xi，即发泄吧
此时
则△EGT29＝39.423；同理可得到△EGT48＝34.343，△EGT67＝30.107。从而可得到经过预处理后的时间序列的分布如图4所示。
图3 数据平滑图
图4 预处理后的△EGT数据图
2.2 预测及结果分析
将预处理后的中的前70个数据用来建立模型，将△EGT值作为y（t），运用 MATLAB工具箱中的Time Series Tool（ntstool）进行NAR建模，其中训练集70%，验证集20%，测试集10%。采用Series－Parallel（Open－loop）模式，经过多次的训练，确定 Hidden Neurons值为12，delays d值为4时，模型最优。
图5 NAR神经网络预测值与真实值比较图上海电气商和网
用训练的模型进行单步预测，即通过预测出第71个数据，然后将第71个数据作为已知数据，通过预测出第72个数据，同理可得出第73、74、75个数据结果如图5所示。
对NAR神经网络的预测结果进行精度分析，如表1所示。
从图5中可以看出NAR神经网络预测的性能参数在数据变化的趋势上与实测数据的趋势相似，从表1预测结果的精度分析中也可以看出NAR预测值的误差、相对误差都达到应用要求。
表1 预测结果的精度分析编号 实测值 NAR预测值 NAR绝对误差 NAR相对误差／%07 72 33.609 34.083 0.474 1.41 73 32.281 33.146 0.879 2.72 74 34.758 33.661 1.097 3.16 75 37.195 36.534 0.661 1.71 36.931 35.399 0.766 2.78
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议