航空發動機試飛關鍵參數趨勢監控的實現及應用

馬明明，潘鵬飛

（中國飛行試驗研究院，西安710089）

航空發動機試飛關鍵參數趨勢監控的實現及應用

馬明明，潘鵬飛

（中國飛行試驗研究院，西安710089）

為了實現航空發動機滑油壓力、滑油溫度、振動值在試飛中的趨勢監控，采用神經網絡方法對某型發動機大量試飛數據進行訓練和驗證，獲得了這幾個參數全過程較為準確的計算模型。計算模型應用于該型號另1臺發動機參數趨勢監控中，在應用前，利用有限架次試飛數據修正了這幾個參數的計算模型，采用動態鏈接庫形式實現計算模型與原有實時監控系統的協同工作，進行了模型計算結果和試飛結果趨勢實時對比監控。結果表明：模型計算結果和試飛結果變化趨勢吻合良好，說明了神經網絡計算模型的準確性以及在關鍵參數趨勢監控中的工程實用性。

神經網絡；滑油壓力；滑油溫度；振動值；動態鏈接庫；趨勢監控；航空發動機

0 引言

目前，普遍采用機載監控系統監控發動機滑油壓力、滑油溫度、振動值、轉速、排氣溫度等關鍵參數，將檢測到的參數與對應的限制值對比，判別發動機工作正常與否[1]。這種監控方式不能有效及時發現并檢測工作參數偏離正常值但未超出限制值的問題，可能會造成嚴重故障[2]。

發動機狀態監控的重要發展方向是對關鍵參數趨勢監控。趨勢監控的基本原理是通過對監控值與基準值的偏差或偏差變化趨勢的分析，判斷發動機健康狀況，實現對發動機的狀態監控[3]。與限制值監控方式相比，趨勢監控考慮了發動機參數基準、個體差異等因素，可實現發動機故障的提前預報，提高使用的可靠性和試飛安全保障能力[3-4]。

國外開展了大量針對參數預測和狀態監控的研究，如采用GASTURBO軟件，可實現發動機穩態和過渡過程的參數預測和狀態監控[5]；文獻[6]將基于故障辨識方法的模型結果與發動機穩態和過渡過程試驗數據進行了對比，表明該技術能夠檢測和報告參數突變性故障。國外先進航空發動機（如PW公司的F135、GE公司的GEnx以及發動機聯盟的GP7200發動機）已經開始應用參數趨勢監控方式，應用先進的預測和管理系統，實現了發動機滑油、振動等趨勢監控[7]。中國的工程技術人員在發動機參數預測及狀態監控方面也開展了大量研究工作，涉及發動機氣路[8-9]、性能[10]、振動[4]、滑油[11]等關鍵參數，取得了良好效果。

本文采用神經網絡方法，利用試飛數據，獲得了滑油壓力、滑油溫度、振動值3個關鍵參數的基準值，即建立了計算模型。將該計算模型應用于該型號另1臺發動機參數趨勢監控前，利用該臺發動機試飛初期獲得的試飛數據對計算模型進行了修正。在該臺發動機上進行了計算模型結果和飛行試驗結果趨勢實時對比監控，驗證了計算模型的準確性及趨勢監控的可行性。

1 參數的影響因素分析及輸入參數確定

發動機滑油壓力、滑油溫度和振動值是表征發動機可靠性和安全性的關鍵參數，與飛機的飛行狀態、飛行姿態、發動機工作狀態等關系緊密，但與表征飛行狀態、飛行姿態、發動機工作狀態的參數之間的特性復雜且不明確[1]。

1.1 滑油壓力的影響因素分析及輸入參數確定

滑油系統能夠對發動機高速轉動部件進行潤滑和冷卻，減小軸承的摩擦力并帶走部分因摩擦產生的熱量，使之能夠在合適的溫度下長時間、穩定地工作。滑油壓力是否正常是整個滑油系統是否正常的重要標志，直接影響潤滑量的大小，進而影響潤滑和冷卻效果。滑油噴嘴阻塞可能造成滑油壓力過高，而管路泄漏、破壞、滑油泵失效等可能造成滑油壓力過低[12-13]。

飛行狀態、飛行姿態、發動機工作狀態的變化都會影響滑油壓力。發動機工作參數隨飛行狀態改變而發生變化，特別是高壓轉速。高壓轉速越大，摩擦產生的熱量就越多，要求滑油更快地循環流動，及時地帶走熱量，滑油壓力就可能越大。滑油箱、供油管路與滑油噴嘴的相對位置也會隨飛行姿態改變而發生變化，進而影響滑油供油量及滑油壓力。滑油泵等附件直接由發動機高壓轉子傳動，滑油壓力受發動機狀態變化影響較大。

綜上，滑油壓力計算模型的輸入參數有氣壓高度、飛行馬赫數、大氣總溫、滾轉角、側滑角、高壓轉速和油門桿角度，共計7個。為了區分發動機穩定狀態和過渡狀態，選取油門桿角度作為輸入參數。

1.2 滑油溫度的影響因素分析及輸入參數確定

滑油溫度是另1個重要參數，能反映發動機軸承和齒輪的工作狀態，影響滑油的黏度。滑油溫度過高還會改變滑油的特性(焦化、氧化)或損壞軸承的封嚴，也能夠反映出軸承極端惡化、熱端密封泄漏、過量加注等問題[12-13]。滑油溫度既可在供油管路上測量，也可以在回油管路上測量。本文研究的發動機的滑油溫度為回油溫度。

飛行狀態、飛行姿態、發動機工作狀態可能會影響滑油溫度。飛行狀態、飛行姿態和發動機工作狀態能夠引起滑油壓差的改變，從而引起滑油供油量的改變，進而影響滑油回油溫度。滑油采用燃油冷卻，所以溫度、燃油流量等參數也會對滑油溫度產生影響，如燃滑油散熱器中燃油管路的堵塞會造成滑油溫度升高。

綜上，滑油溫度計算模型的輸入參數有氣壓高度、飛行馬赫數、大氣總溫、滾轉角、滑油壓差、油門桿、高壓轉速、主燃油總管壓力與壓氣機出口壓力之差，共計8個。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。本文研究中暫未考慮燃油溫度對滑油回油溫度的影響。

1.3 發動機振動值的影響因素分析及輸入參數確定

發動機轉子是1個高速旋轉部件。由盤、軸、葉片等零部件組裝而成的轉子在加工制造過程中都有一定的偏差，會引起轉子旋轉時的不平衡，從而在旋轉過程中產生振動[14]。以下原因可能造成發動機振動增加或超限：工作葉片折斷或部分損壞，如風扇葉片或壓氣機葉片的外來物損傷；工作葉片安裝不合適；轉子上有部件丟失，如螺栓螺帽等；工作葉片或轉子變形；轉子軸承不同軸或軸承磨損。反之，振動值能夠反映轉子損壞、變形及軸承磨損等[15]。

飛行狀態、飛行姿態、發動機工作狀態可能會影響發動機振動值。導致發動機振動較大的轉子不平衡、不對中等受制造、裝配的影響，因此，發動機振動也具有一定的個體差異性。

發動機進、出口壓力等隨飛行狀態改變而發生變化。作用在轉子部件的作用力通過安裝節直接作用于上發動機，作用力發生變化，可能會引起發動機振動值變化。轉子離心力以及作用在轉子部件的作用力都會隨飛行狀態改變發生變化，引起發動機振動值變化。

綜上，振動值計算模型的輸入參數有氣壓高度、飛行馬赫數、大氣總溫、滾轉角、攻角、側滑角、油門桿、高壓轉速，共計8個。為了區分發動機穩定狀態和過渡狀態，選取油門桿角度作為輸入參數。

2 計算模型的建立

2.1 滑油壓力等參數基準值的計算方法

滑油壓力等參數與表征飛行狀態、飛行姿態、發動機工作狀態的參數之間的特性即計算模型復雜且不明確。神經網絡法對復雜、不確定問題具有自適應和自學習能力，且高度容錯，是進行計算模型確定的有效方法。

本文研究的滑油壓力等3個參數均采用3層神經網絡結構，按照分析確定的輸入參數建立計算模型。隱含層選用雙曲正切傳遞函數，輸出層選用純線性傳遞函數。

滑油壓力神經網絡計算模型結構如圖1所示。

2.2 建立計算模型的試飛數據說明

采用1臺發動機的試飛數據建立計算模型。

發動機工作過程包括各種穩定狀態、加速過程、減速過程、加力接通和切斷過程、空中起動等。發動機工作點幾乎涵蓋了整個飛行包線，包括一定的機動飛行情況下的發動機試飛試驗。

相關參數的最大值和最小值見表1。

在建立模型過程中，所有試飛數據，70%的作為神經網絡模型的訓練數據 (包括包線邊界點等)，15%作為模型的驗證數據，剩下的15%作為模型的測試使用。

2.3 滑油壓力計算模型的建立

計算滑油壓力的輸入參數為7個，神經網絡隱含層第1、2層的節點數分別為15、23。

滑油壓力模型計算結果與飛行試驗結果的差值情況如圖2所示。從圖中可見，模型計算結果與試驗結果的誤差在30 kPa以內。考慮到滑油壓力的控制誤差，計算模型的效果很好。

表1 相關參數的最大值和最小值

2.4 滑油溫度計算模型的建立

計算滑油溫度的輸入參數為8個，神經網絡隱含層第1、2層的節點數分別為17和25。

滑油溫度模型計算結果與試飛結果的差值情況如圖3所示。從圖中可見，模型計算結果與試飛結果的誤差在28℃以內。采用神經網絡建立的計算模型效果良好。

2.5 發動機振動值計算模型的建立

計算發動機振動值的輸入參數為8個，神經網絡隱含層第1、2層的節點數分別為17和25。發動機振動模型計算結果與飛行試驗結果的對比情況如圖4所示。從圖中可見，模型計算結果與試驗結果的誤差在10 mm/s以內，效果良好。

3 應用于特定發動機的計算模型的修正

將計算模型應用于同型號另1臺發動機，建立計算模型的發動機與該臺發動機先后配裝于同架飛機的同一位置。考慮到每臺發動機滑油壓力、滑油溫度、振動值的個體差異，在將計算模型應用于該臺發動機前，對計算模型進行了修正。修正模型的試飛數據為該臺發動機試飛初期的15架次數據，包括了發動機各種穩定狀態、加速過程、減速過程、加力接通和切斷過程、空中起動等。

不同發動機滑油壓力的調定值有所差異，考慮該差異為恒定差值，進行模型修正。該差值的求取方法如下：將該臺發動機的相關試飛數據代入計算模型(通用模型)計算滑油壓力，計算結果與試飛結果進行比較，形成偏差，用該偏差修正通用模型，形成針對該臺發動機的滑油壓力計算模型。利用計算模型(通用模型)所得結果與試飛結果的差值情況如圖5所示，即該臺發動機的修正偏差約為15 kPa。

對于滑油溫度和發動機振動值，將該臺發動機15個架次的試飛數據納入原計算模型采用的數據庫，重新進行神經網絡模型訓練、驗證和測試，獲得新的滑油溫度和振動值計算模型。修正后的計算模型的計算結果與試飛結果差值情況分別如圖6、7所示，較之圖3、4結果的分散度稍大一些，計算模型效果良好。

4 滑油壓力等參數趨勢監控的實現及驗證

該臺發動機在試飛過程中的實時監控系統基于LABVIEW平臺開發，本文采用動態鏈接庫形式實現了計算模型與實時監控系統的協同工作。在試飛過程中，實時監控系統調用該動態鏈接庫，將實測參數帶入發動機滑油壓力、滑油溫度、發動機振動值的計算模型中進行實時計算，待動態鏈接庫計算完畢后獲取參數計算模型的返回值，將計算結果與試飛結果進行趨勢對比監控并予以顯示，驗證計算模型的準確性及實時監控的可行性。

該臺發動機的某一架次試飛的相關參數時間歷程如圖8所示。從油門桿角度參數可見，該架次試飛中包括了發動機穩定狀態、加速性、減速性、加力接通和切斷、停車、空中起動等試驗科目。

該架次滑油壓力、滑油溫度、振動值的模型計算結果與飛行試驗結果對比分別如圖9～11所示。

從圖9～11中可見，模型計算結果和試飛結果變化趨勢吻合良好，二者誤差較小，進一步說明了神經網絡計算模型的準確性，也說明應用計算模型結果進行關鍵參數趨勢監控是可行且實用的。

5 結論

（1）基于某型號發動機大量試飛數據，采用神經網絡方法建立的滑油壓力、滑油溫度、振動值3個參數的模型計算結果與試驗結果的誤差較小。

（2）給出的利用有限架次試飛數據修正滑油壓力、滑油溫度、振動值3個參數計算模型的方法是可行的；在發動機實時監控系統基礎上，采用動態鏈接庫形式實現計算模型與實時監控系統的協同工作是可行的。

（3）實現了發動機滑油壓力、滑油溫度、振動值模型計算結果和試飛結果趨勢實時對比監控，模型計算結果和試飛結果變化趨勢吻合良好，說明應用計算模型結果進行關鍵參數趨勢監控是可行且實用的。

應用神經網絡方法建立的參數模型的精度依賴于對參數影響因素的正確分析及確定，本文基于工作原理及特點確定影響因素的方法具有一定的局限性，有待進一步深入研究；本文完成的發動機全過程關鍵參數實時趨勢監控研究工作，為實現發動機故障提前預報、提升試飛安全保障能力解決了技術難點，建立在趨勢監控基礎上的故障提前預報研究正在開展中。

[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,2011：24-28.CHEN Wei,CHENG Li,LI Quantong,et al.Monitoring technology of aeroengine[M].Beijing:National Defense Industry Press,2001：24-28.(in Chinese)

[2]魏松江,李書明.BP神經網絡在民航發動機實時監控技術的應用研究[J].裝備制造技術,2013(2)：70-72.WEI Songjiang，LI Shuming.Application research of BP neural networks in civil aviation engine real-time monitoring[J].Equipment Manufacturing Technology，2013(2)：70-72.(in Chinese)

[3]陳志英,李其漢.監視參數預測和故障識別法 [J].航空動力學報,1994,9（4）：419-421.CHEN Zhiying，LI Qihan.Monitoring parameters forecasting and faults recognition[J].Journal of Aerospace Power，1994，9（4）：419-421.(in Chinese)

[4]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.JIN Xiangyang，LIN Lin，ZHONG Shisheng，et al.Prediction of aeroengine vibration trend using process neural network[J].Journal of Vibration，Measurement&Diagnosis，2011，31(3)：331-334.(in Chinese)

[5]Kong C D，Ki J Y,Kang M C,et al．A new scaling method for component maps of gas turbine using system identification[J]．ASME JournalofEngineeringforGasTurbine Power，2003，125(4)：979-985．

[6]Malloy D J，Chappell M A，Biegl C.Real-time fault identification for development turbine engine testing[R].Orlando：ASME International Gas Turbine Institute’s Turbo Expo，97-GT-141,1997.

[7]李·安·泰格梅爾.新發動機的維修策略[J].國際航空,2005(6)：44-48.Taigermeir L A.Maintenance on their mind[J]．International Aviation，2005，(6)：44-48．(in Chinese)

[8]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．SHAN Xiaoming，SONG Yunfeng，HUANG Jinquan，et al．Condition monitoring of aeroengine based on neural network and fuzzy logic[J]．Journal of Aerospace Power，2003，24(10)：2356-2361．(in Chinese)

[9]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．ZHONG Shisheng，LEI Da，DING Gang．Convolution sum discrete process neural network and its application in aeroengine exhausted gas temperature prediction[J]．Acta Aeronautica et Astronautica Sinica，2012，33(3)：438-445．(in Chinese)

[10]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．CHEN Guo．Forecasting engine performance trend by using structure self-adaptive neural network[J]．Acta Aeronautica et Astronautica Sinica，2007，28(3)：535-539．(in Chinese)

[11]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.ZHANG Rong，XIE Wujie.Research on aeroengine lubricant system fault diagnosis based on wavelet neural network [J].Aeronautical Manufacturing Technology，2009(6)：85-89.(in Chinese)

[12]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,2014：217-218.WEI Xunkai，YANG Li，LIU Fang，et al．Aeroengine prognostics and health management[M].Beijing:National Defense Industry Press,2014:217-218.(in Chinese)

[13]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.ZHU Jiandong.The development trend of aeroengine control[J].Aircraft Design，2013(1):58-61.(in Chinese)

[14]徐可君.航空發動機振動及控制[J].航空科學技術,1999(1):28-30.XU Kejun.Vibration and its control of aeroengine.Aeronautical Science and Technology，1999(1):28-30.(in Chinese)

[15]倪世宏，史忠科，沙孟春.一種基于支持向量回歸的發動機振動監控方法[J].空軍工程大學學報(自然科學版)，2006，7(5)：1-3.NI Shihong，SHI Zhongke，SHA Mengchun.A monitoring method of aeroengine vibration based on the SVR[J].Journal of Air Force Engineering University(Natural Science Edition).2006，7(5)：1-3.(in Chinese)

Realization and Application of Key Parameters Trend Monitoring in Aeroengine Flight Test

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

In order to conduct trend monitoring of aeroengine oil pressure,oil temperature and vibration value in flight test，accurate calculation models of these parameters in the whole engine working process were established by using the neural network method for training and validation of a large number of engine flight test data.Calculation models are corrected based on limited flight test data of another engine before applied in its trend monitoring.For this engine，calculation models were cooperated with real-time monitoring system to realize parameters trend monitoring based on dynamic link library.Real-time monitoring between calculation results and flight-test results was implemented on the engine.Results indicate that trends of calculation results and flight-test results are in good agreement.It shows the accuracy of the neural network models and the engineering practicability in the key parameter trend monitoring.

neural network；oil pressure；oil temperature；vibration；dynamic link library；trend monitoring;aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2017.01.014

2016-05-02

馬明明（1981），男，高級工程師，主要從事航空發動機飛行試驗技術研究工作；E-mail：mmm_2007@live.cn。

馬明明，潘鵬飛.航空發動機試飛關鍵參數趨勢監控的實現及應用[J].航空發動機，2017，43（1）：79-84.MAMingming，PANPengfei.Realization andapplicationofkeyparameterstrendmonitoringinaeroengineflighttest[J].Aeroengine，2017，43（1）：79-84..

（編輯：趙明菁）