基于BP神經網絡的飛機爬升段燃油消耗模型研究

陶 理 王曉宇 謝 園

（廣州民航職業技術學院，廣東 廣州 510403）

0 引言

在當前節能減排背景下，降低燃油消耗始終是航空公司的頭等目標。航空發動機的燃油流量是發動機的重要參數，直接決定飛機燃油消耗，始終是航空公司關注的重點。航空器燃油消耗的準確評估是航空公司降低飛行成本和控制燃油排放的重要手段。相較于巡航階段，飛機在爬升階段的外界環境變化最為劇烈，飛機故障和事故也多發于此階段。對爬升階段的飛機燃油消耗進行研究，有利于幫助航空公司合理使用爬升方式，實現節油飛行。本文基于此目的，利用飛機快速存取記錄器QAR數據，通過改進BP神經網絡建立爬升段發動機燃油消耗模型，實現燃油預測，為航空公司提供理論參考。

1 爬升階段燃油消耗模型

1.1 爬升階段特點分析

爬升階段是指飛機起飛之后，上升到規定巡航高度的階段。在這一階段，飛機發動機雖然不再處于最大推力狀態，但始終以較大推力進行爬升，需要消耗大量燃油。另外，不同爬升方式、爬升角度和爬升速度所需燃油不同。同時，在爬升段，外界環境變化劇烈，氣象條件復雜。這些因素都增大了航空公司精確估算飛機燃油消耗的難度。為此，建立一種飛機爬升段燃油消耗模型，提高燃油消耗預測能力，提升爬升階段運行效率能夠在減少成本以及降低噪聲與排放方面上有著巨大的環境效益和經濟效益。

1.2 基于BP神經網絡的飛機燃油消耗模型

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出。

通過BP神經網絡建立預測模型分為三步；BP神經網絡構建、BP神經網絡訓練和BP神經網絡預測，如圖1所示。

圖1 BP神經網絡算法流程圖

具體流程如下：

步驟一：數據預處理，對樣本數據進行歸一化處理。

步驟二：初始化設置，輸入訓練樣本。

步驟三：輸入測試樣本，計算誤差，如果滿足誤差則轉到step8，否則執行step6。

步驟四：調整誤差，通過逆梯度下降修正權值和閾值。

步驟五：檢查全局誤差，滿足要求，執行步驟六，否則重復步驟四。

步驟六：計算輸出層，完成預測。

2 仿真研究

2.1 模型建立及參數設置

飛機在爬升階段影響燃油消耗的因素很多，本文選取飛機QAR數據中的俯仰角、大氣靜溫SAT、大氣總溫TAT、壓氣機進口壓力P、壓氣機進口溫度T、壓氣機出口溫度T、高壓轉子轉速N、飛機排氣溫度EGT、油門桿角度TRA作為燃油消耗影響參數。現有某航空公司B777-200飛機5個航班段的QAR數據，截取每個航班的爬升段數據，合計數據點數2 540組。隨機選取2 300組數據作為訓練樣本，剩余240組數據作為測試樣本，所有數據經隨機抽取后數據順序均已打亂。設置神經網絡的輸入層節點n數為21，輸入層節點q數為4，隱含層節點p根據經驗公式，最終取25為最佳。

2.2 結果分析

測試結果如圖2所示，圖中橫坐標為測試樣本序數，縱坐標為燃油流量。測試集中240組數據經訓練好的神經網絡計算，得出240個對應燃油流量預測值與實際燃油流量數值接近。

圖2 模型預測值與期望值

測試誤差如圖3所示，圖中橫坐標為測試樣本序數，縱坐標為燃油流量預測值與真實值的相對誤差。各組數據測試誤差整體較為平穩，測試集相對誤差平均值達0.28%，其相對誤差大部分均在1%之下。測試集中僅有2個數據點相對誤差超4%，測試結果較為優異。

圖3 模型誤差

2.3 模型驗證

由于訓練集和測試集的數據來自相同的數據池，為排除同架次飛行數據的相關性，驗證建立的燃油消耗監控模型的穩定性，另取1組訓練集與測試集之外的同型數據，即另取同型B777-200飛機的1個航班爬升階段的QAR數據作為本模型的驗證樣本，進行預測測試。預測結果與相對偏差率如圖4、圖5所示。從圖中可以看出燃油流量預測值與真實值之間誤差很小，變化趨勢一致；相對誤差大部分都在2%以內，處于合理的范圍內。證實該模型可以監控飛機燃油流量，為判斷發動機健康狀態提供依據。

圖4 爬升段燃油消耗預測

圖5 爬升段燃油消耗預測模型誤差

3 結語

本文通過BP神經網絡作為模型應用于飛機爬升階段的燃油消耗預測中，該模型具有較高的預測精度，可為航空公司節油飛行以及節能減排提供一定理論指導。需指出的是，本文采用的BP神經網絡算法還有其改進空間，如對于故障類樣本的識別等，可以在今后的研究中繼續完善。