基于飛行試驗數據的雙轉子航空發動機加減速瞬態模型辨識

潘鵬飛，馬明明，許艷芝（中國飛行試驗研究院，西安710089）

?

基于飛行試驗數據的雙轉子航空發動機加減速瞬態模型辨識

潘鵬飛，馬明明，許艷芝
（中國飛行試驗研究院，西安710089）

摘要：為辨識航空發動機飛行過程中加減速瞬態模型，通過對某型航空發動機慢車至中間以及中間至慢車過程的飛行試驗數據進行分析整理，將發動機上述加、減速過程簡化為靜態參數預測過程，利用3層前向人工神經網絡，建立了某型發動機加、減速瞬態過程中的發動機關鍵參數預測模型，對發動機參數預測模型預測結果與飛行試驗記錄數據進行了對比分析，同時利用額外的飛行試驗數據驗證了辨識模型的泛化能力。結果表明：辨識得到的發動機模型在油門桿穩定時參數預測相對誤差不超過3%，在油門桿動作期間參數預測相對誤差不超過5%；驗證點上辨識模型參數預測誤差不超過3%。證明該型發動機參數預測模型可以很好地預測發動機瞬態過程中的參數變化情況。該方法為建立發動機其他狀態的加、減速過程參數變化模型奠定了基礎，也能為建立全包線范圍內發動機瞬態參數預測模型提供參考。

關鍵詞：模型辨識；飛行試驗；神經網絡；加減速瞬態；航空發動機

引用格式：潘鵬飛，馬明明，許艷芝，基于飛行試驗數據的雙轉子航空發動機加減速瞬態模型辨識[J].航空發動機，2016,42（3）：78-81.Throttling-transient model identification of twin spool aeroengine based on flight test data[J].Aeroengine,2016,42(3):78-81.

0　引言

航空發動機工作過程涉及到復雜的熱力、機械過程，其數學模型的構建一直是廣泛研究的課題[1-4]。發動機建模方法基本可以劃分為基于解析法和基于系統辨識2大類。常用的部件級模型是1種基于解析法的發動機模型，主要通過發動機內部部件內氣動、熱力學等關系式建立發動機的狀態控制方程，通過求解控制方程確定發動機模型[5]。基于系統辨識的建模方法不考慮發動機系統內部的非線性工作過程，將發動機系統作為1個整體考慮，利用系統的輸入輸出響應關系，通過合適的數據分析處理方法建立系統模型[6]。

進行飛行試驗的航空發動機多為技術狀態不成熟、仍處在調整完善期間的發動機。飛行試驗采用比正常使用更為嚴酷的條件對發動機進行考核鑒定，因此需要在飛行試驗過程中對發動機實時監控，主要采用人工方式進行，監控質量受試飛工程師個人能力等因素影響，在發動機型號日益增加的情況下需要耗費大量人力資源。隨著計算機技術的迅猛發展，有必要建立發動機智能化、自動化的實時條件監控系統。

航空發動機條件監控對于飛機安全和飛行安全保障至關重要，為建立發動機故障檢測與隔離系統，首先需要建立發動機正常工作情況下的精確模型[2-4，6]。人工神經網絡模型屬于黑箱模型，是數據驅動模型的1種，直接從發動機運行數據中即可辨識得到發動機模型，在目前已得到廣泛應用[2-6，12]；Clifton[7]與Fast[9]分別應用神經網絡方法建立了發動機健康監測模型，通過試驗數據對模型進行訓練學習，而后對模型進行驗證，獲得了不錯的監測精度；Fast在發動機正常工作數據基礎上建立基于多層前向人工神經網絡的發動機參數變化模型，并成功應用于發動機故障檢測中[9-10]。本文基于某型渦扇發動機實際飛行試驗數據，對該型發動機的加減速瞬態模型進行辨識研究，以便在試飛過程中對發動機實施實時監控。

1　基于人工神經網絡的發動機加減速瞬態模型

文中研究對象為用于飛行試驗的渦扇發動機，其工作參數由加裝的機載測試系統測量和記錄，選用實際飛行試驗數據對該型發動機進行模型辨識，抽取了該型發動機慢車至中間35次加速過程試驗數據樣本，中間至慢車45次減速過程試驗數據樣本，試驗樣本點在飛行包線中的分布如圖1所示。圖中，Hp，min、Hp，max、Mai，min、Mai，max分別代表最低、最高飛行高度和最小、最大飛行馬赫數，因該型發動機慢車推力較小，試驗樣本點主要集中在飛行包線的左半邊。

1.1人工神經網絡

圖1 某型發動機加減速瞬態過程試驗點分布

人工神經網絡在函數逼近方面的應用非常廣泛，已形成較為成熟的分析方法。研究表明[4]，前饋神經網絡只要采用足夠數目的隱含層以及合適的神經元數目即可對任意函數逼近，同時也對人工神經網絡進行函數逼近的數學基礎與充分條件進行證明，人工神經網絡也適用于有限個間斷點的函數擬合。

該型發動機模型辨識時采用的人工神經網絡結構如圖2所示。第1層有R個外部輸入，第1、2層的輸出分別是第2、3層的輸入，第1～3層分別有S1、S2和S3個神經元。可以將第2層看作是1個單層網絡，有R=S1個輸入，S=S2個神經元，權值矩陣W2=S1×S2。第2層的輸入記為a1，輸出記為a2。b為神經元偏置系數，f為神經元激勵函數。如果某層的輸出是神經網絡的輸出，該層為輸出層，其他層稱為隱含層，圖中神經網絡具有1個輸出層和2個隱含層。

圖2 某型發動機模型辨識采用的3層神經網絡結構

若X為神經網絡輸入向量，經過3層神經網絡計算后的模型輸出為

式中：X為輸入參數向量，Y為神經網絡輸出向量，f為神經網絡激勵函數，W為權重系數矩陣，b為偏置系數向量，上標1、2和3分別代表神經網絡第1隱含層、第2隱含層和輸出層。

1.2飛行試驗數據樣本

航空發動機進行加、減速性飛行試驗時，油門桿動作的前后，均要求發動機穩定工作一定時間。為了簡化發動機模型復雜度，以發動機加、減速過程的持續時間t作為額外輸入變量，記油門桿起始動作時間為t0，則時間參數范圍為[t0-5，t0+20]，采用靜態神經網絡進行模型辨識。

1.3人工神經網絡結構設置

采用BP算法對建立的神經網絡系統進行訓練學習，以神經網絡輸出結果與飛行試驗數據之間的均方差作為訓練學習的性能指數。人工神經網絡采用3層結構，2個隱含層采用tan-sigmoid激勵函數，輸出層采用線性激勵函數，訓練學習過程基于Mat-lab2013b人工神經網絡工具箱，訓練學習算法采用LM算法。

人工神經網絡輸入輸出參數見表1。為了便于討論分析，對試驗數據進行歸一化處理，選擇的歸一化參數為數據樣本中參數的最大值和最小值，分別用下標max和min表示。

表1 某型發動機人工神經網絡模型輸入輸出參數

1.4神經網絡模型訓練學習

進行某型發動機加、減速過程模型辨識時，采取如下訓練學習步驟：

步驟1：初始化神經網絡隱含層神經元個數；

步驟2：將試驗數據樣本按照預定的比例70%、15%和15%進行隨機分組，分別用于模型訓練、驗證和測試；

步驟3：利用模型訓練和模型驗證數據樣本訓練學習發動機神經網絡模型；

步驟4：利用模型測試數據樣本對辨識得到的發動機模型進行測試，若滿足精度要求，則訓練學習結束，輸出辨識得到發動機模型，若不滿足精度要求，則重復步驟2；

步驟5：調整神經網絡隱含層神經元數目，若達到預定的最大數目，則停止訓練學習，若未達到，重復步驟2；

步驟6：對比步驟4得到的神經網絡模型參數預測精度，選擇結構最簡單，預測精度最高的神經網絡模型。

2　模型辨識結果

某型發動機飛行試驗期間的加、減速試驗過程中飛行試驗點分布為：0.02Hp，max～0.72Hp，max，0.15Mai，max～ 0.43Mai，max，-0.86Ttb，max～0.56Ttb，max，為了降低計算復雜度，剔除重復的試驗數據樣本點。進行慢車至中間、中間至慢車加速瞬態過程模型辨識時，抽取具有代表性的飛行試驗數據樣本，將數據樣本按70%、15%和15%的比例隨機分組，這3組數據分別用于模型訓練、驗證和測試。為便于分析，用相對誤差來表征預測結果的精度。

式中，Yflt為飛行試驗實測數據，Ysim為神經網絡模擬結果，Erel為相對誤差。

2.1慢車至中間過程參數模型

抽取該型發動機35次慢車至中間的加速過程試驗數據樣本用于模型辨識，其結果如圖3所示。由于試驗次數較多，圖中只給出5次慢車至中間加速過程的模型辨識結果，實線為辨識模型模擬計算結果，虛線為計算結果相對飛行試驗數據的誤差分布情況，圖4同此說明。從模型預測結果與實際飛行試驗結果對比中可見，發動機油門桿穩定時風扇轉子轉速、壓氣機轉子轉速以及低壓渦輪出口溫度的模型計算結果相對誤差均不超過2%，油門桿動作期間的相對誤差不超過5%。在油門桿動作以及穩定期間，低壓渦輪出口壓力的模型計算結果相對誤差均不高于5%。該型發動機慢車狀態存在2種不同的尾噴管控制方案，尾噴管的收放動作對低壓渦輪出口壓力有直接影響，因此低壓渦輪出口壓力的辨識模型精度略低。

圖3 慢車至中間加速過程模型辨識結果

2.2中間至慢車過程參數模型

抽取了某型發動機45次中間至慢車減速過程試驗數據樣本用于模型辨識，其結果如圖4所示。從模型預測結果與實際飛行試驗結果對比中可見，發動機油門桿穩定時風扇轉子轉速、壓氣機轉子轉速以及低壓渦輪出口溫度的模型計算結果相對誤差均不超過2%，油門桿動作期間的相對誤差不超過5%。在油門桿動作以及穩定期間，低壓渦輪出口壓力的模型計算結果相對誤差均不高于5%。同慢車至中間過程辨識結果類似，低壓渦輪出口壓力受尾噴管收放的直接影響，辨識精度略低。

圖4 中間至慢車減速過程模型辨識結果

3　辨識模型驗證

分別選擇未參與到發動機模型辨識過程的7次慢車至中間、中間至慢車過程數據樣本對模型進行測試，驗證該型發動機模型的推廣性能，計算結果如圖5所示。為了清晰顯示，圖中只給出3次測試結果，從圖中可見，將辨識模型應用至新的試驗數據樣本上時，低、高壓轉子轉速的相對誤差均低于2%。該型發動的辨識模型在非樣本點上的推廣性能較好。

圖5 風扇轉子及壓氣機轉子轉速驗證結果

4　結論

本文基于某型發動機科研試飛實際飛行試驗數據，利用3層前向人工神經網絡辨識得到了某型發動機的慢車至中間加速過程以及中間至慢車減速過程的參數預測模型，利用飛行試驗數據對辨識模型進行了檢驗，檢驗結果表明該型發動機辨識模型具有可靠的精度，可以應用于發動機定型試飛過程中的安全監控、故障監測中，同時本文采用的模型辨識方法可以推廣應用至該型發動機的其他瞬態過程參數辨識中。

參考文獻：

[1]Gennady G，Haydn A.Dynamic modeling of gas turbines：identifica-tion，simulation，condition monitoring and optimal control[M].London：Springer-Verlag，2004：90-110.

[2]Ruano A，Fleming P.Nonlinear identification of aircraft gas-turbine dynamics[J].Neurocomputing，2003，55（3）：551-579.

[3]Sina T，Sadough Z.Dynamic neural network-based fault diagnosis of gas turbine engines[J].Neurocomputing，2014，125（5）：153-165.

[4]Joly R，Ogaji S.Gas-turbine diagnostics using artificial neural networks for a high bypass ratio military turbofan engine [J].Applied Energy，2004，78（4）：397-418.

[5]Aidan W，Donald L.An integrated architecture for aircraft engine per-formance monitoring and fault diagnostics:engine testresults [R].AIAA-2014-3924.

[6]Jonas S，Qinghua Z.Nonlinear black-box modeling in system identifi-cation：a unified overview[J].Automatica，1995，31（12）：1691-1724.

[7]Clifton D.Condition monitoring of gas-turbine engines [D].London：University of Oxford，2005.

[8]Dawn A，Nam N，Joo H C.Statistical aspects in neural network for the purpose of prognostics[R].AIAA-2014-0481.

[9]Fast M，Assadi M.Development and multi-utility of an ANN model for an industrial gas turbine[J].Applied Energy，2009，86（1）：9-17.

[10]Fast M.Artificial neural networks for gas turbine monitoring[D].Sca-nia：Lund University，2010.

[11]Andrea L.Analytical and neural network models for gas turbine de-sign and off-design simulation [J].International Journal of Applied Thermodynamics，2001，4（4）：173-182.

[12] W enfeng L，Yongsheng W .Identifying the inlet pressure distortion signal based on wavelet-neural network[R].AIAA-2004-2604.

[13]Chiras N，Evans C.Nonlinear gas turbine modeling using feed forward networks[R].ASME 2002-GT-30035.

[14]Madan M，Liang J，Noriyasu H.Static and dynamic neural networks：from fundamentals to advanced theory [M]. Hoboken：W iley-IEEE Press，2003：106-140.

[15]Oliver L，Pierre D.Adaptive estimation algorithm for aircraft engine performance monitoring[J].Journal of Propulsion and Power，2008，24 （4）：763-769.

（編輯：趙明菁）

Throttling-Transient Model Identification of Twin Spool Aeroengine Based on Flight Test Data

PAN Peng-fei，MA Ming-ming，XU Yan-zhi
（Chinese Flight Test Establishment，Xi'an 710089，China）

Abstract:In order to identify transient process model of an aeroengine during the flight,the flight test data of the aeroengine during the processes from idle state to middle state and from middle state to idle state has been analyzed.The actual throttling-transient process has been simplified as static parameter predicting of the gas turbine engine.The key parameter predicting model of the transient process of turbofan has been built with three-layers feed-forward artificial neural networks.The simulated results of identified model has been compared with actual flight test data,and the generalization of the model was validated using extra flight test data.The results show that the relative error of parameter prediction from the identified model is below 3% in stable throttling period，below 5% in transient throttling period，and the relative error of parameters prediction on verification points is below 3% .It shows that the parameters prediction model of an aeroengine can predict best parameters variation conditions of transient process.The method lay the foundation for building parameters variation model of aeroengine other throttling transient processes，and would provide conferences for aeroengine transient parameter predicting model in global flight envelope.

Key words:model identification；flight test；artificial neural network；throttling-transient process；aeroengine

中圖分類號：235.13

文獻標識碼：A

doi：10.13477/j.cnki.aeroengine.2016.03.015

收稿日期：2015-10-23

作者簡介：潘鵬飛（1987），男，碩士，從事動力裝置工作特性與性能飛行試驗研究工作；E-mail：pf_pan@163.com。