航空發動機滑油壓力和溫度最大影響參數的一種確定方法

姜健

(中國飛行試驗研究院，西安710089)

航空發動機滑油壓力和溫度最大影響參數的一種確定方法

姜健

(中國飛行試驗研究院，西安710089)

以初步確定的試飛中滑油壓力和滑油溫度影響參數集合為基準輸入參數，基于大量試飛數據，采用人工神經網絡方法，獲得滑油壓力模型和滑油溫度模型的基準結果。隨后，采用不同的基準輸入參數子集進行人工神經網絡計算，以模型計算結果與試飛結果的最大偏差、偏差分布范圍作為判據，與基準結果對比，確定滑油壓力和滑油溫度的最大影響參數。最后，建立發動機全包線試飛、全工作狀態的滑油壓力和滑油溫度最大影響參數確定方法。該方法對滑油系統的試飛內容規劃、狀態預判和安全監控等具有重要的指導作用。

航空發動機；飛行試驗；全包線試飛；全工作狀態；滑油系統；滑油壓力；滑油溫度；人工神經網絡

1 引言

滑油系統是航空發動機的重要系統之一，其工作正常與否直接影響整個發動機的可靠性和安全性[1]。我國GJB 243A-2004《航空燃氣渦輪動力裝置飛行試驗要求》規定，通過在各種飛行條件(如起飛、爬升、穩定平飛、俯沖、躍升、倒飛、零過載等)下，發動機以各種狀態工作(如穩態、加減速過程、通斷加力過程、風車狀態等)，檢查滑油系統工作的可靠性，其評判依據主要為滑油壓力、溫度等參數值與設計指標的符合性。目前，每型發動機滑油系統試飛均按照GJB 243A-2004中的規定開展，但由于試飛前未對滑油壓力、溫度的影響因素開展深入研究，從而無法有效規劃試飛任務，也給準確預判可能出現的問題帶來困難。

近年來，研究人員利用人工神經網絡方法，在航空發動機參數辨識、趨勢預測及狀態監控方面開展了大量研究工作，涉及發動機滑油[2]、氣路[3-4]、性能[5]、振動[6]等關鍵參數，主要集中在不同神經網絡方法結果對比、神經網絡結果與離線數據對比驗證等。基于人工神經網絡在發動機參數辨識研究中的優勢，本文以某型發動機試飛數據為樣本，采用人工神經網絡方法，對樣本數據進行訓練驗證，再根據計算結果和驗證結果的對比分析，建立了一種確定滑油壓力和溫度最大影響參數的方法，以期對滑油系統的試飛內容準確設計以及安全運行監控等提供指導。

2 滑油壓力和溫度影響參數的初步確定

2.1 滑油壓力影響參數

滑油壓力是否正常是整個滑油系統是否正常的重要標志，其直接影響潤滑量大小，進而影響潤滑效果和冷卻效果[7-8]。本文研究的該型發動機滑油壓力為滑油供油壓力與中軸承腔壓力之差。滑油壓力受飛行狀態、飛行姿態、發動機工作狀態等因素的影響，綜合考慮其表征參數，初步確定影響滑油壓力的參數包括：氣壓高度、飛行馬赫數、大氣總溫、縱向過載、側向過載、法向過載、高壓轉速和油門桿角度。

2.2 滑油溫度影響參數

滑油溫度影響滑油的粘度，溫度過高會改變滑油的特性(焦化、氧化)或損壞軸承的封嚴。本文研究的滑油溫度為該型發動機后軸承腔滑油回油溫度。飛行狀態、飛行姿態、發動機工作狀態都可能影響滑油溫度。此外，由于滑油采用燃油冷卻，所以燃油流量、溫度等參數也會影響滑油溫度。根據燃油噴嘴特性可知，主燃油總管壓力與壓氣機出口壓力之差能夠表征燃油流量的大小。因此，初步確定影響滑油溫度的參數包括：氣壓高度、飛行馬赫數、大氣總溫、滾轉角、滑油壓力、油門桿、高壓轉速、主燃油總管壓力與壓氣機出口壓力之差。本文未考慮燃油溫度對滑油溫度的影響。

3 滑油壓力人工神經網絡結構及試飛數據

3.1 人工神經網絡結構

采用三層人工神經網絡結構，隱含層中選用雙曲正切傳遞函數，輸出層中選用純線性傳遞函數。圖1為以2.1節確定的影響參數為輸入參數的滑油壓力人工神經網絡結構。

3.2 試飛數據

采用的數據樣本來源于某發動機試飛數據。發動機工作點幾乎涵蓋了整個飛行包線，相關參數的最大值和最小值見表1。發動機工作過程包括各種穩定狀態、加速、減速、加力接通和切斷、空中起動等。由于開展的負過載條件試飛內容較少，不足以支持利用人工神經網絡開展工作，所以本文不研究負過載條件下滑油壓力和溫度的最大影響參數。試飛中測試了發動機轉速、排氣溫度、滑油壓力、滑油溫度等參數，且各參數測試值正確。

表1 相關參數的最大值和最小值Table 1 The maximum and minimum values of related parameters

4 滑油壓力和溫度的基準計算結果

圖2為采用基準輸入參數計算的滑油壓力模型結果與試飛結果差值總體分布情況，圖3為差值在1 kPa、5 kPa、10 kPa等以內的分布比例。可看出，計算結果與試飛結果差值范圍為-14.2～18.9 kPa；計算結果與試飛結果差值分布在1 kPa、5 kPa、10 kPa、15 kPa、21 kPa以內的數量，分別占總樣本數量的32.97%、91.38%、99.84%、99.99%、100%。即計算結果與試飛結果差值全部在21 kPa以內，有總樣本數量0.16%的樣本點結果在10 kPa以外，有總樣本數量0.01%的樣本點結果在15 kPa以外。

圖4為采用基準輸入參數計算的滑油溫度模型結果與試飛結果差值的總體分布情況，圖5為差值在1℃、5℃、7℃等以內的分布比例。可看出，計算結果與試飛結果差值范圍為-7.2℃～10.3℃；計算結果與試飛結果差值分布在1℃、5℃、7℃、9℃、12℃以內的數量，分別占總樣本數量的76.71%、99.73%、99.97%、99.99%、100%。即計算結果與試飛結果差值全部在12℃以內，有總樣本數量0.03%的樣本點結果在7℃以外，有總樣本數量0.01%的樣本點結果在9℃以外。

5 不同輸入參數組合的滑油壓力計算結果

5.1 輸入參數組合說明

減少滑油壓力輸入參數：若采用其中的7個參數作為輸入參數，則有種輸入參數組合；采用其中的6個參數，則有C68=28種組合；依次類推，共計有種組合。對162種不同輸入參數組合均進行計算。為避免因數據分組不同而引起的計算結果差異，這162個算例用于模型訓練、驗證和測試的數據樣本分組，與采用基準輸入參數的樣本分組相同。

5.2 不同輸入參數組合計算結果對比判據說明

求解采用不同輸入參數組合的模型計算結果與試飛結果的最大偏差、偏差分布范圍，并將最大偏差、偏差分布范圍與基準結果的最大偏差、偏差分布范圍進行比較，以比較結果作為判據。假設采用其中的5個參數的某種組合作為輸入參數獲得的最大偏差、偏差分布范圍與基準結果相當，說明這5個輸入參數是滑油壓力的最大影響參數。

5.3 輸入參數為7個的滑油壓力計算結果

圖6示出三組輸入參數為7個時模型計算結果與試飛結果差值的總體分布。GROUPi(i=1～8)表示輸入參數中缺少第i個參數組合，其中氣壓高度、飛行馬赫數、大氣總溫、縱向過載、側向過載、法向過載、油門桿角度和高壓轉速，分別為第1、2、3…8個參數。

圖7為不同輸入參數組合下模型計算結果與試飛結果的最大偏差，其中GROUP0(采用基準輸入參數)為基準計算結果。可看出，采用7個參數作為輸入參數(即GROUP1～GROUP8)，計算結果與試飛結果的最大偏差較之基準結果偏差范圍更大，這說明分析確定的8個參數對滑油壓力都有影響；GROUP8的計算結果與試飛結果的最大偏差較之基準結果相差很大，說明高壓轉速是影響滑油壓力的關鍵參數之一；GROUP4與基準結果最接近，說明相較其他參數，縱向過載對滑油壓力的影響最小。

圖8示出了輸入參數為7個時模型計算結果與試飛結果差值在1 kPa、5 kPa、10 kPa等的分布比例。可看出，GROUP1、GROUP4、GROUP5、GROUP6、GROUP7作為輸入參數的結果，與基準結果分布基本相當。

綜上，如果采用7個參數作輸入參數，從最大偏差、偏差分布范圍來衡量，GROUP4最接近基準結果，即較之其他參數，縱向過載對滑油壓力影響最小。

5.4 滑油壓力最大影響參數的確定

采用7個輸入參數時，最接近基準結果的輸入參數組合記為GROUP_P7_OPT(即5.3節中確定的GROUP4)。繼續減少輸入參數數量進行計算，并將最大偏差、偏差分布范圍與基準結果進行比較，從而最終確定滑油壓力的最大影響參數。圖9為采用6個、5個、4個、3個輸入參數時最接近基準結果的結果。輸入參數組合GROUP_P6_OPT，為氣壓高度、飛行馬赫數、縱向過載、側向過載、法向過載、高壓轉速；輸入參數組合GROUP_P5_OPT，為飛行馬赫數、大氣總溫、縱向過載、法向過載、高壓轉速；輸入參數組合GROUP_P4_OPT，為飛行馬赫數、大氣總溫、法向過載、高壓轉速；輸入參數組合GROUP_P3_OPT，為飛行馬赫數、法向過載、高壓轉速。輸入參數為2個時，模型計算結果與試飛結果差值均很大。

圖10為采用GROUP0、GROUP_P7_OPT、GROUP_P6_OPT……GROUP_P3_OPT等輸入參數組合下模型計算結果與試飛結果的最大偏差。可看出，計算結果與試飛結果差值均在21 kPa以內，最大偏差范圍與基準結果非常接近。

圖11為模型計算結果與試飛結果差值在1 kPa、5 kPa、10 kPa等的分布比例。結合圖9可看出，隨著輸入參數個數的減少，差值分布偏離基準結果越來越大。

綜上，從最大偏差、偏差分布范圍衡量，滑油壓力最影響參數為高壓轉速、法向過載和飛行馬赫數。

6 不同輸入參數組合的滑油溫度計算結果

圖12為采用7個輸入參數時的滑油溫度計算結果。其中圖12(a)的輸入參數組合為氣壓高度、大氣總溫、滾轉角、滑油壓力、油門桿角度、高壓轉速、主燃油總管壓力與壓氣機出口壓力之差，這也是最接近基準結果的輸入參數組合，記為GROUP_T7_OPT；圖12(b)輸入參數組合為氣壓高度、飛行馬赫數、大氣總溫、滾轉角、滑油壓力、油門桿角度、高壓轉速。由圖可知，表征主燃油流量的參數(主燃油總管壓力與壓氣機出口壓力之差)對計算結果影響很大，該參數是影響滑油溫度的主要參數之一。

圖13為采用6個、5個、4個、3個輸入參數時最接近基準結果的結果。輸入參數組合GROUP_T6_OPT，為大氣總溫、滾轉角、滑油壓力、油門桿角度、高壓轉速、主燃油總管壓力與壓氣機出口壓力之差；輸入參數組合GROUP_T5_OPT，為滾轉角、滑油壓力、油門桿角度、高壓轉速、主燃油總管壓力與壓氣機出口壓力之差；輸入參數組合GROUP_T4_OPT，為氣壓高度、滑油壓力、油門桿、主燃油總管壓力與壓氣機出口壓力之差；輸入參數組合GROUP_T3_OPT，為滑油壓力、油門桿、主燃油總管壓力與壓氣機出口壓力之差。輸入參數為2個時，模型計算結果與試飛結果差值很大。

圖14為采用GROUPT0(基準輸入參數組合)、GROUP_T7_OPT、GROUP_T6_OPT……GROUP_T3_OPT等輸入參數組合下的模型計算結果與試飛結果最大偏差的比較。可看出，計算結果與試飛結果差值均在12℃以內，最大偏差范圍與基準結果非常接近。

圖15為模型計算結果與試飛結果差值在1℃、5℃、7℃等以內的分布比例。結合圖14可看出，隨著輸入參數個數的減少，差值分布偏離基準結果越來越大。

綜上，從最大偏差、偏差分布范圍來衡量，滑油溫度最大影響參數為滑油壓力、油門桿角度、主燃油總管壓力與壓氣機出口壓力之差。

7 結論

(1)基于試飛數據和人工神經網絡方法，確定了發動機試飛全包線、工作全過程中滑油壓力和滑油溫度的最大影響參數，給出了一種滑油壓力和溫度的最大影響參數的確定方法。

(2)滑油壓力的最大影響參數為高壓轉速、法向過載和飛行馬赫數。

(3)滑油溫度最大影響參數為滑油壓力、油門桿角度、主燃油總管壓力與壓氣機出口壓力之差。

[1]陳衛，程禮，李全通，等.航空發動機監控技術[M].北京：國防工業出版社，2011.

[2]張蓉，謝武杰.基于小波神經網絡航空發動機滑油系統故障診斷方法研究[J].航空制造技術，2009，(6)：85—89.

[3]單曉明，宋云峰，黃金泉，等.基于神經網絡和模糊邏輯的航空發動機狀態監控[J].航空動力學報，2009，24 (10)：2356—2361.

[4]鐘詩勝，雷達，丁剛.卷積和離散過程神經網絡及其在航空發動機排氣溫度預測中的應用[J].航空學報，2012，33(3)：438—445.

[5]陳果.用結構自適應神經網絡預測航空發動機性能趨勢[J].航空學報，2007，28(3)：535—539.

[6]金向陽，林琳，鐘詩勝，等.航空發動機振動趨勢預測的過程神經網絡法[J].振動、測試與診斷，2011，31(3)：331—334.

[7]尉詢楷，楊立，劉芳，等.航空發動機預測與健康管理[M].北京：國防工業出版社，2014.

[8]朱建東.飛機發動機的監控技術及其發展趨勢[J].飛機設計，2013，(1)：58—61.

A method to determine the main influence parameters of aero-engine oil pressure and oil temperature

JIANG Jian
(China Flight Test Establishment，Xi’an 710089，China)

The reference models of aero-engine oil pressure and oil temperature were constructed on refer?ence input parameter sets preliminarily determined by using the ANN method for training and validation of a large number of engine flight test data.Moreover,by applying all subsets of reference input parameter sets as inputs of ANN,the main influence parameters of oil pressure and oil temperature were determined.The criteria to determine the main influence parameters included the maximum errors between ANN calculation results and flight-test results,and the ratios of error ranges,which were compared with the results of refer?ence models.By all means,a method to determine the main influence parameters of aero-engine oil pres?sure and oil temperature in entire flight envelope and whole engine state was developed,which could guide the design of the flight test content,and the state prediction and monitoring of oil system.

aero-engine；flight test；entire flight envelope；whole engine state；oil system；oil pressure；oil temperature；ANN(Artificial Neural Network)

V233.7

：A

：1672-2620(2017)01-0007-07

2016-04-19；

：2017-02-22

姜健(1981-)，男，陜西漢中人，碩士，高級工程師，主要從事航空發動機飛行試驗技術研究。