基于BP神经网络的发动机VBV调节规律研究

彭鸿博,马鹏宇,史 磊,熊 碰

(1. 中国民航大学,天津 300300;2. 中国南方航空公司湖南分公司,湖南 长沙 410000)

1 引言

航空发动机的喘振会导致功率下降和热端超温,甚至造成内部部件的严重损坏,可调放气活门(VBV)可以通过调节压气机内部压强在一定程度上防止喘振的发生。然而在飞行过程中,由于VBV调节频繁,容易出现开度异常的现象,造成安全隐患。通过一定的方法对VBV的实时状态进行监控与分析,就可以在第一时间发现故障情况,进而通过有效的决策来规避事故的发生[1]。

此外,随着我国航空业的发展,航空发动机的维修已不再依赖于统一的定期、事故后维修的方式,而是根据每架飞机的实时状态制定维修方案[2],这种方法这样可以在降低维修的成本的同时有效地提升飞机的安全性。然而,国内使用的民用涡扇发动机几乎都是国外公司生产的,其部件特性、结构参数和控制特性等信息均无从得知,因此很难获取VBV的调控机制[2],从而难以根据VBV的调节情况来判断发动机的喘振等故障是否由其开度异常引起。针对这一问题,众多学者从多角度给出了不同的解决方案。

在航空发动机VBV机械结构机构的研究方面,吴鑫睿[4]从VBV的组成和工作原理入手,分析了导致发动机VBV系统出现故障的各种原因,并提出了解决措施。陈信衡,张倩[5],从航空公司航线维护的角度,分析了VBV对发动机正常工作的重要性,为保证飞机的安全运行,提高航空公司运行效率提供了维护建议。DING Shuiting、QIU Tian[6]等人通过对高涵道比涡扇发动机VBV机构研究,总结并量化出了在不同飞行阶段,VBV开度异常对发动机的影响。虽然这些方法在一定程度上可以起到VBV故障诊断的作用,然而要想提高诊断的精度,就需要耗费大量的精力来量化发动机内部的性能以及部件之间的联系。

随着人工智能的发展,机器学习已经越来越多的在航空航天等领域得到应用。Napolitano[7]等人,通过提出了以BP神经网络模型为基础,对航空航天器传感器失效故障的诊断方法。Renato[8]等通过二元分类支持向量机分类算法,对飞机故障分类进行了研究,利用飞行数据确定当前飞机是否存在故障,从而有针对性的指导飞机进行视情维修。殷锴[9]根据航空发动机的故障特点,利用BP神经网络建立模型对航空发动机故障进行检测,预测的正确率高达 80%以上,对发动机故障监控的研究具有一定的应用价值。郝红勋[10]等人,通过BP神经网络算法,利用仿真数据从民航发动机故障征兆影响因素的角度出发,为视情维修提供合适的建议。

本文根据QAR中的参数,通过Matlab软件分航段建立BP神经网络模型,对民用大涵道涡扇发动机CFM56-5B的VBV开度调节规律进行分析,来预测处于良好工作状态的发动机在任意飞行状态下的VBV开度,从而实现对VBV运行状态进行监控,达到对故障作出预警的目的。

2 BP神经网络算法原理

BP神经网络是一种模仿生物神经网络功能的经验模型,由输入层、隐含层和输出层构成,可以有效解决数据分类以及预测等问题[11]。因为误差反向传播的特点,具有良好的适应性和高效的学习能力,图2为一个典型的双隐层的BP神经网络结构模型。

整个网络按有教师示教的方式进行学习,当输入信号传递给网络后,各神经元获得响应然后初步产生权值和阈值,接着按减小希望输出与实际输出误差的方向,从输入层经各中间层逐层修正权值和阈值,回到输入层。经过多次迭代,使误差不断减小,最终达到拟合数据的目的[12]。构成网络模型的基本参数有:输入层节点数(n)、隐含层节点数(l)、输出层节点数(m)、连接权值(wij、wjk)和阈值(bj、bk)。网络的输入信号由正向传播,而误差由反向传播,其算法的数学原理如下:

1)信号从输入层到隐含层,通过计算得到隐含层输出值(H),然后再通过隐含层的输出值来计算得到实际输出值(O);

(1)

(2)

2)比较期望输出值与实际输出值的误差ek,其中Yk为期望输出

ek=Yk-Ok

(3)

3)利用训练算法将误差信号从输出层传递到隐含层再到输入层,得到各层的误差信息,从而逐层修正权值和阈值

(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。不断重复上面步骤,通过训练算法改变权值和阈值使误差逐渐减小,直到满足要求时训练结束。

3 VBV调节规律的BP神经网络模型设计

3.1 飞行参数的选取

本文从QAR数据中挑选合适的参数作为模型的变量,由于QAR数据中实时记录的参数有100多个,其中或多或少都会影响到VBV的调节。为了兼顾模型的精确性与复杂度,需要结合航空发动机原理和实际经验来选择合适的参数。

在众多的飞行参数中,低压转子转速(N1)与VBV开度的相关性最高[13]。根据相关文献,VBV开度还受压气机进口流量影响,因此将P2、T2作为输入参数。此外,VBV的开度控制不仅要根据低压压气机的工作状态进行调节,还需要匹配与高压压气机的流量情况,避免放气量过大或过小使高压压气机发生气流分离,影响高压转子稳定性和工作效率,因此高压压气机进口流量的参数、N2、VSV角度也应作为建立模型时的输入参数。发动机加、减速状态下,VBV的调节也会有所不同,因此,将N1、N2的变化率(dN1/dt、dN2/dt)也作为训练参数,来反映发动机加速和减速的状态。综上,选取这8种状态参数作为因变量,它们与VBV开度之间的函数关系可表述为

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

(8)

3.2 飞行阶段分析

一个完整的飞行过程可大致分为滑行、起飞、爬升、巡航、下降、进近和着陆等阶段[14],以某一次航班为例,其VBV开度随飞行阶段的变化如图2所示。图中,AB段为滑行段,BC段速起飞段,CD段为爬升段,DE段位巡航段,EF为下降段,FG为进近段,GH为着陆段。从图中可以观察到,在不同的飞行阶段,VBV开度的变化范围在0%到40%左右,并且飞机的飞行参数也有较大差别,如果将所有飞行阶段用同一个模型拟合,将难以保证模型的精度,某些阶段可能会出现较大偏差;而如果将每一个飞行阶段都构建独立的模型,会导致工作量的加大。因此,需要对整个航班的VBV开度情况进行分析,选择合适的方法来构建模型。

对多个航班的VBV实际调节情况分析发现,在起飞、爬升、下降、进近和着陆航段,VBV调节频繁,其开度主要在这些阶段出现异常。相比之下在飞机的滑行与巡航阶段,航空发动机的工作状态和外界条件变化都相对简单,VBV开度调节比较少,其故障也很少发生。考虑到模型的实用性与准确性,本文选取起飞、爬升、下降、进近和着陆这5个阶段,分别构建模型进行分析。由于着陆段时间较短,将其与进近段放在一起考虑。

3.3 BP神经网络模型的构建

构建BP神经网络模型时,首先要对原始数据进行归一化处理,利用Matlab软件中的mapminmax函数将样本数据限制在[0 1]区间中,其目的是消除异常值的影响。表1为起飞阶段的相关飞行参数以及VBV开度的一部分原始数据。

表1 起飞阶段飞行参数

在神经网络的输入层共有8种变量参数,因此选用8个神经元节点。输出层选择1个神经元表示VBV开度。虽然多隐层神经网络可能得到更好的预测效果,但可能产生梯度扩散的问题,大多情况下,单隐层的网络就可以满足精度的要求,结合本文需要解决的问题,最终选择构建单隐层神经网络。对于隐含层神经元节点数的选取,如果神经元数量过少,容易使神经网络拟合精度过低;而如果节点数过多,虽然能减少训练误差,但是会增加网络的复杂性,使学习速率变得很慢,并且容易使模型陷入局部最优。针对这种情况,根据经验公式方法初步寻找隐含层的节点的合适范围,公式如下

式中y表示隐含层神经元的个数,a表示输入层神经元的个数,b表示输出层神经元的个数,c通常选取1-10之间的常数,其中a=8,b=1,通过计算得知,y的取值范围是[4 14],依次对y的可能取值进行实验,通过对比表明节点数量为9时BP神经网络性能最好,整个神经网络结构如图3所示。

确定好神经元个数后,需要选择合适的训练函数,每种训练函数都代表一种训练算法。

常用的训练算法有梯度下降算法、变学习率算法、Levenberg-Marquardt算法、BFGS拟牛顿算法[16]等。训练算法主要影响模型的迭代次数、收敛速度、存储空间和泛化能力,选择合适的训练算法对提高模型质量有着重要意义。图4-7所示为4种常用算法对起飞阶段的拟合度(R)情况。通过比较各个算法下训练样本的输入、输出拟合关系发现,Tansig函数对起飞阶段VBV开度的拟合性能最好,因此选用Tansig函数作为起飞阶段BP神经网络的训练函数。

导入训练样本后,设定模型的允许误差和学习速率,开始对网络进行初步训练。模型会自动对各神经元节点的权值和阈值进行调整,直到误差降到设定之内或者步数达到最大。训练结束后,检查网络精度是否满足要求,如果误差依然较大,则需要重新进行网络初始化。整个神经网络在Matlab中的构建流如图8所示。

在Matlab软件中构建出模型后,代入起飞阶段选择好的样本点进行拟合,得到的训练效果如图9所示。从图中可以看出,随着训练过程的进行,验证集和测试集的均方误差在急剧下降后趋于平缓,总体呈下降趋势。在迭代了22代后,整个精度开始趋于平稳。

4 模型的验证与应用

依据前文的构建流程,依次对起飞、爬升、下降、进近和降落阶段分别构建模型。为了验证模型的适用性与准确性,本文随机选取了装备同型号发动机的其无故障航班的QAR数据,利用建立好的神经网络模型对相应各航段进行测试,测试结果如下图所示。

图10和11为起飞阶段的测试结果,此阶段是驾驶员最繁忙、操作最复杂的阶段,也是最容易出现事故的飞行阶段。图中AB为地面加速阶段,BC为离地起飞,从中可以发现,AB段模型预测效果较好,误差维持在2%以内,起飞后模型误差略微增大到5%左右。

图1 BP神经网络基本结构

图3 起飞阶段BP神经网络基本结构

图8 BP神经网络构建流程

图9 起飞阶段的模型训练效果

图10 起飞段模型训练结果对比

图11 起飞段模型训练偏差百分比

图12和13为爬升阶段的测试结果,此阶段为起飞终止到爬升至巡航高度的阶段,整个过程约为20分钟,由于采用阶梯式爬升方式,其VBV开度在1%到8%之间浮动,从图中可以看出,预测误差基本在2.5%以内,少部分点偏离在5%左右。

图12 爬升段模型训练结果对比

图13 爬升段模型训练偏差百分比

图14和15为下降阶段的测试结果,此阶段飞机不断调整飞行姿态以逐渐降低飞行高度,从图中可以看出,VBV开度在5%-40%以内变化,模型可以较准确地预测出VBV开度的变化,整个过程误差在2%以内。

图14 下降段模型训练结果对比

图15 下降段模型训练偏差百分比

图16和17为进近和着陆的测试结果,这个阶段操作复杂,极易出现故障,从图中可以发现,VBV开度迅速从40%下降到8%左右,之后又迅速上升,预测误差略微增大,然而仍能预测出VBV变化趋势。

图16 进近、着陆段模型训练偏差百分比

图17 进近、着陆段模型训练偏差百分比

综上所述,从各航段的训练结果来看,多数航段的拟合程度较好,模型的预测结果与VBV实际开度值基本一致。在爬升、下降阶段的整体预测误差维持在2.5%以内,在起飞、进近着陆阶段整体在7.5%以内。因此可以表明,文中采用的建模思路是可行的,能够较好的反映VBV的调节情况,对发动机VBV的状态进行监控,及时发现放气活门的开度异常,在维修人员分析航空发动机VBV相关故障时可以提供指导。除此之外,还有助于研究人员了解国外先进发动机VBV的调节规律,积累经验。

5 结论

针对民用航空发动机VBV调控机制难以获取的现状,本文通过BP神经网络对CFM56-5B发动机VBV调节规律进行建模分析,所做工作如下:

1)总结了国内外在VBV调控领域的研究现状,提出BP神经网络算法并分析了其基本原理和要素。

2)依据大涵道比民用涡扇发动机发动机的10次航班QAR数据中记录的工作参数,分航段建立了起飞段、爬升、下降段、进近和着陆段VBV开度的BP神经网络模型,并进一步寻找最优初始权值、阈值供给BP神经网络。

3)应用同型号发动机正常航班的QAR数据进行了模型的适用性校验,得到拟合结果。

结果表明,在爬升、下降阶段的整体预测误差在2.5%以内,在起飞、进近着陆阶段整体误差在7.5%以内,模型的测试效果良好,可以反映出VBV开度在不同航段中的变化情况,在分析发动机VBV的工作特性时可以提供指导作用。