BP神經網絡在民航發動機實時監控技術中的應用研究

魏松江，李書明

（中國民航大學航空工程學院，天津 300300）

BP神經網絡在民航發動機實時監控技術中的應用研究

魏松江，李書明

（中國民航大學航空工程學院，天津 300300）

通過對民航發動機實時監控技術中，傳統門限值方法和BP神經網絡方法優缺點的比較，提出運用BP神經網絡進行民航發動機的實時監控；然后對將BP神經網絡方法運用到民航發動機實時監控中的步驟進行了一一說明；并最終簡要地進行了過程模擬；最后結果顯示，BP神經網絡能有效地進行民航發動機的實時監控。

民航發動機；實時監控；門限值法；BP神經網絡

民航發動機的機構十分復雜，其常常需要在高溫、高壓、高應力和高轉速的狀態下工作,是一種多發故障性的機械。任何故障的發生都可能導致災難的發生，所以，能夠及時地發現民航發動機的異常狀況就顯得特別的重要[1]。如今，航空工業發達國家對發動機狀態實時監控技術的應用研究已日趨成熟并普遍應用[3]。健康管理系統（EHM）和視情維修的概念也早已被提了出來[5～6]。今天，視情維修已經成為民航機務維修的主流[7]。而民航發動機的實時監控技術的地位也越來越高。因為視情維修的關鍵就是在于快速、及時、準確地監控出是民航發動機的哪些參數發生了超限，是哪些系統和部件發生了異常狀況。

1 傳統門限值法的優缺點

在實際生活中，各大航空公司一般采取傳統的方法進行民航發動機的實時監控，即門限值法。這種方法用起來往往比較快捷，并且看起來很直觀。但是其存在一個很大的缺陷，即一旦某種型號的民航發動機確定以后，其某個參數的門限值也就確定下來了，無論該民航發動機處于什么狀態，是起飛狀態或者是巡航狀態，這個門限值都不會發生變化。這明顯不利于民航發動機的實時監控，因為在不同狀態下，民航發動機的某個參數的超限值是連續發生變化的。同時，進行民航發動機實時監控時，需要同時監控很多個參數，而這很多個參數往往是有千絲萬縷的聯系的，即具有相關性。但傳統的門限值法則往往是分開監控各個參數，不能反映參數之間的這種相關性，且容錯能力差[1]。

2 利用BP神經網絡進行民航發動機的實時監控

利用BP神經網絡進行民航發動機的實時監控優點：

（1）當民航發動機的狀態發生變化時，對應參數的門限值所連成的邊界也就發生了變化。利用BP神經網絡進行實時監控時，可以緊隨這種變化，整體有效地檢測測量參數是否超限。

（2）利用BP神經網絡還可以使測量參數之間的相關性問題得到有效地解決。

2.1 選取測量參數

對于民航發動機實時監控所要選取的參數，往往需要考慮兩方面的因素。一方面，獲得盡可能多的民航發動機測量參數，但是在現實生活中，往往因為傳感器的原因，只能得到有限的測量參數；另一方面，控制測量參數之間的相關性，使相關性要小。同時要求所選取的測量參數能夠很敏銳地反映出所處民航發動機的故障狀況[1]。

對于民航發動機本身來說，對其要求是在整個飛行包線內，在不同的工作狀態下，能達到低耗油率、大推力的標準。在本文中選取風扇轉速nL、高壓轉子轉速nH、壓氣機出口總壓Pt3、風扇出口總溫Tt21、低壓渦輪出口總溫Tt5和主燃油流量Wf作為系統的測量參數。實際利用的是nH、Pt3、Tt21、Tt5、Wf的偏差值，風扇轉速nL則用于反映民航發動機當前所處的狀態。這也是借鑒了GE公司用風扇轉速nL來反映民航發動機的工況的方法。

2.2 BP神經網絡基本結構的確定

本論文選取的BP神經網絡是一個5進5出的結構，輸入的是瞬態ΔnH、ΔPt3、ΔTt21、ΔTt5、ΔWf的絕對值歸一化后的值，輸出DnH、DTt21、DTt3、DPt5、DWf則分別代表nH、Pt3、Tt21、Tt5、Wf的正常程度。如圖1：

圖1 數據超限檢查的神經網絡示意圖

（1）BP神經網絡隱含層神經元數目的確定

能夠將BP神經網絡中隱含層的神經元數目確定在某個合適的值或者小范圍內，對于該BP神經網絡能否有效地發揮作用，具有很關鍵的作用。因為如果隱含層的神經元數目太少，那么該神經網絡的映射精度就會變低，結果會出現較大的偏差。如果隱含層神經元數目太多會導致泛化能力會變差，并且誤差不一定最佳、學習時間還會過長。

對BP神經網絡來講，要想確定它的結構需要遵循兩條指導原則：

一是，在一般情況下，三層網絡就可以滿足要求；

二是，在三層網絡中，隱含層神經元個數n1和n之間有以下近似關系[9]：

在本文中所用的BP神經網絡中，因為n=5，則隱含層中神經元的個數n1=11。那么可以確定該神經網絡的結構是5、11、5。

（2）激活函數的選擇

BP網絡經常采用S型的正切函數、S型對數函數或線性函數。

設x為函數的輸入，y為函數的輸出，則：

（1）雙曲正切S型函數：

（2）S型對數函數：

對于本文所應用的BP神經網絡，其輸入輸出均需歸一化到[0，1]之間，因此，為了將隱含層的神經元的輸入映射到區間(-1，1)，隱含層選取雙曲正切S型函數；而為了可將輸出層的神經元輸入很好的映射到區間(0，1)中，輸出層選擇S型對數函數。

（3）確定測量參數的有效性邊界

有效性邊界指的是民航發動機測量參數的超限邊界，其是由一個個所謂的門限值組成的。它隨著民航發動機狀態的不同而發生改變。本論文利用發動機的仿真模型來模擬得到參數。主要有以下步驟：

首先，把發動機仿真模型從慢車狀態加速到最大狀態，可以得到這個過渡態中所有的nL、nH、Pt3、Tt21、Tt5、Wf的值。從而，可以得到各個nL下的各參數的正常瞬態值，即基線值。

然后，利用這些基線值，可以得到各參數的偏差值。

最后，在模擬中發現，當民航發動機出現故障時，氣路參數偏離基線值絕大部分超過10%。故將各測量參數相對各自基線值的百分比小于±10%定義成正常，超過±10%則定義成異常，這也是基于在仿真過程中經過統計發現，民航發動機發生故障的情況有95%以上都集中在偏離基線值10%以上的范圍內，即正態分布中的3σ法則而考慮的。利用民航發動機的仿真非線性模型來模擬得到所需要的發動機在各個狀態下相對于nL的基線，然后根據以上準則得出測量參數的有效性邊界圖，它們都是連續的曲線。

2.3 BP神經網絡的訓練

把本文中的BP神經網絡的誤差精度確定為0.01。然后通過訓練，得到各層的權值和閾值。最后把這些權值和閾值用到民航發動機的實時監控上。步驟是：

（1）首先把民航發動機各參數沒有發生變化時，即各參數和基線重合時的BP神經網絡的輸出值定為1；把參數偏離所對應的基線值25%時的BP神經網絡的輸出定為0。根據2.2.3，當參數偏離所對應的基線值是10%時，該BP神經網絡的輸出值定為0.6，則當輸出值大于0.6時，民航發動機正常；當輸出值小于0.6時，民航發動機發生超限。

（2）利用民航發動機仿真模型模擬得到一系列BP神經網絡的訓練樣本。分別有：3個參數變化、2個不變化的樣本240種；2個參數變3個均不變化的樣本210種；1個參數變化、其他4個均不變化的樣本60種。三者合計共510個樣本。其中每種類型中超限樣本占33.3%。

（3）選取ΔnH、ΔPt3、ΔTt21、ΔTt5、ΔWf5個偏差值，進行歸一化處理后作為BP神經網絡的輸入。

（4）進行BP神經網絡的訓練，最終得到權值和閾值，然后儲存。

（5）設x是參數的基線值，t是參數偏差百分比。那么，最大的偏差值Δxmax為0.25x，當前的偏差絕對值Δx為tx。于是求得當前偏差歸一化后的值ΔxIN為：

由式（4）知，輸入樣本歸一化后的值與當前民航發動機狀態無關。所以無論民航發動機處于一種什么樣的狀態，BP神經網絡訓練樣本都是一樣的,即權值和閾值都一樣。

2.4 模擬用BP神經網絡進行民航發動機的實時監控

當民航發動機的仿真非線性模型模擬得到所需要的發動機的測量參數后，經過處理作為BP神經網絡的輸入值輸入網絡中。然后神經網絡會利用已經通過訓練得到的權值（3.2）和閾值0.9進行計算，最后得出0.1的結果來和0.6作比較。最后得出所對應的民航發動機測量參數是否超限。如果超限，則報警。

選取nL為設計點的86%，Pt3偏差了21%，其他參數沒有變化，得到此時神經網絡的輸出為{0.989 4，0.996 3，0.996 1，0.2183，0.975 3}。顯然，Pt3發生了超限。由以上可知，該BP神經網絡的輸出值是符合民航發動機參數超限檢查要求的。

當模擬的民航發動機參數中有兩個發生變化時，有意使這兩個參數超限。然后將參數進行絕對值歸一化處理后，作為本論文所要使用的BP神經網絡的輸入值，會得到表1的結果。

可見采用BP神經網絡符合民航發動機參數超限檢查的要求。

3 結束語

利用BP神經網絡進行民航發動機狀態的實時監控，具有門限值會隨發動機的狀態變化而變化和可以很好地解決測量參數之間相關性的優點。相對于傳統的門限值法，它能準確地實時監控民航發動機的狀態，是一種非常值得思考和研究的方法。

表1 當有兩個參數發生超限時，BP神經網絡的輸出值

[1]李訓亮，門路，周山.GA-BP神經網絡在航空發動機狀態監測中的應用研究[J].計測技術，2011,（3）：22-23.

[2]郝 英，孫健國，白 杰.航空燃氣渦輪發動機氣路故障診斷現狀與展望[J].航空動力學報，2003，18（6）：753-760.

[3]Takahisa Kobayashi.Aircraft Engine Sensor/Actuator/Component Fault Diagnosis Using a Bankof Kalman Filters，NASA/CR-2003-212298。

[4]高占寶，梁旭，李行善.復雜系統綜合健康管理[J].測控技術，2005，24（8）：1-5.

[5]Sanjay Gary.Controls and Health Management Technologies for IntelligentAerospacePropulsion Systems，AIAA-2004-0949.

[6]李愛軍，章衛國，譚健.飛行器健康管理技術綜述[J].電光與控制，2007，14（3）：79-83.

[7]梁旭，李行善.支持視情維修的故障預測技術研究[J].測控技術，2007，26（6）：5-14.

[8]張 飛，潘羅平.基于人工神經網絡的水輪發電機組振動預測研究[J].人民長江，2011，(13)：88-89.

Application Research of the BPNeuralNetworks in CivilAviation Engine Real-time Monitoring

WEISong-jiang，LIShu-ming
（Civil Aviation University ofChina College of Aeronautical Engineering，Tianjin 300300，China）

With the comparison of the traditional thresholdmethod and the BP neuralnetworksmethod,the BP neural networksmethod is demonstrated to be used in the civilaviation engine real-timemonitoring technology.Then the steps of BP neural networksmethod are explained in detail;Finally,the process is simulated briefly;and the results show that the BPneuralworksareeffective.

civilaviation engine；real-timemonitoring；thresholdmethod；BPneuralnetworks

TP183；V263.6

B

1672-545X（2013）02-0070-03

2012-11-09

魏松江（1985—），男，河南鄭州人，在讀碩士研究生，碩士，研究方向為民航發動機的健康管理；李書明（1964—），男，河北邢臺人，教授，工學博士，研究方向為民航發動機的健康管理。