BP神经网络在民航发动机实时监控技术中的应用研究

魏松江，李书明

（中国民航大学航空工程学院，天津 300300）

BP神经网络在民航发动机实时监控技术中的应用研究

魏松江，李书明

（中国民航大学航空工程学院，天津 300300）

通过对民航发动机实时监控技术中，传统门限值方法和BP神经网络方法优缺点的比较，提出运用BP神经网络进行民航发动机的实时监控；然后对将BP神经网络方法运用到民航发动机实时监控中的步骤进行了一一说明；并最终简要地进行了过程模拟；最后结果显示，BP神经网络能有效地进行民航发动机的实时监控。

民航发动机；实时监控；门限值法；BP神经网络

民航发动机的机构十分复杂，其常常需要在高温、高压、高应力和高转速的状态下工作,是一种多发故障性的机械。任何故障的发生都可能导致灾难的发生，所以，能够及时地发现民航发动机的异常状况就显得特别的重要[1]。如今，航空工业发达国家对发动机状态实时监控技术的应用研究已日趋成熟并普遍应用[3]。健康管理系统（EHM）和视情维修的概念也早已被提了出来[5～6]。今天，视情维修已经成为民航机务维修的主流[7]。而民航发动机的实时监控技术的地位也越来越高。因为视情维修的关键就是在于快速、及时、准确地监控出是民航发动机的哪些参数发生了超限，是哪些系统和部件发生了异常状况。

1 传统门限值法的优缺点

在实际生活中，各大航空公司一般采取传统的方法进行民航发动机的实时监控，即门限值法。这种方法用起来往往比较快捷，并且看起来很直观。但是其存在一个很大的缺陷，即一旦某种型号的民航发动机确定以后，其某个参数的门限值也就确定下来了，无论该民航发动机处于什么状态，是起飞状态或者是巡航状态，这个门限值都不会发生变化。这明显不利于民航发动机的实时监控，因为在不同状态下，民航发动机的某个参数的超限值是连续发生变化的。同时，进行民航发动机实时监控时，需要同时监控很多个参数，而这很多个参数往往是有千丝万缕的联系的，即具有相关性。但传统的门限值法则往往是分开监控各个参数，不能反映参数之间的这种相关性，且容错能力差[1]。

2 利用BP神经网络进行民航发动机的实时监控

利用BP神经网络进行民航发动机的实时监控优点：

（1）当民航发动机的状态发生变化时，对应参数的门限值所连成的边界也就发生了变化。利用BP神经网络进行实时监控时，可以紧随这种变化，整体有效地检测测量参数是否超限。

（2）利用BP神经网络还可以使测量参数之间的相关性问题得到有效地解决。

2.1 选取测量参数

对于民航发动机实时监控所要选取的参数，往往需要考虑两方面的因素。一方面，获得尽可能多的民航发动机测量参数，但是在现实生活中，往往因为传感器的原因，只能得到有限的测量参数；另一方面，控制测量参数之间的相关性，使相关性要小。同时要求所选取的测量参数能够很敏锐地反映出所处民航发动机的故障状况[1]。

对于民航发动机本身来说，对其要求是在整个飞行包线内，在不同的工作状态下，能达到低耗油率、大推力的标准。在本文中选取风扇转速nL、高压转子转速nH、压气机出口总压Pt3、风扇出口总温Tt21、低压涡轮出口总温Tt5和主燃油流量Wf作为系统的测量参数。实际利用的是nH、Pt3、Tt21、Tt5、Wf的偏差值，风扇转速nL则用于反映民航发动机当前所处的状态。这也是借鉴了GE公司用风扇转速nL来反映民航发动机的工况的方法。

2.2 BP神经网络基本结构的确定

本论文选取的BP神经网络是一个5进5出的结构，输入的是瞬态ΔnH、ΔPt3、ΔTt21、ΔTt5、ΔWf的绝对值归一化后的值，输出DnH、DTt21、DTt3、DPt5、DWf则分别代表nH、Pt3、Tt21、Tt5、Wf的正常程度。如图1：

图1 数据超限检查的神经网络示意图

（1）BP神经网络隐含层神经元数目的确定

能够将BP神经网络中隐含层的神经元数目确定在某个合适的值或者小范围内，对于该BP神经网络能否有效地发挥作用，具有很关键的作用。因为如果隐含层的神经元数目太少，那么该神经网络的映射精度就会变低，结果会出现较大的偏差。如果隐含层神经元数目太多会导致泛化能力会变差，并且误差不一定最佳、学习时间还会过长。

对BP神经网络来讲，要想确定它的结构需要遵循两条指导原则：

一是，在一般情况下，三层网络就可以满足要求；

二是，在三层网络中，隐含层神经元个数n1和n之间有以下近似关系[9]：

在本文中所用的BP神经网络中，因为n=5，则隐含层中神经元的个数n1=11。那么可以确定该神经网络的结构是5、11、5。

（2）激活函数的选择

BP网络经常采用S型的正切函数、S型对数函数或线性函数。

设x为函数的输入，y为函数的输出，则：

（1）双曲正切S型函数：

（2）S型对数函数：

对于本文所应用的BP神经网络，其输入输出均需归一化到[0，1]之间，因此，为了将隐含层的神经元的输入映射到区间(-1，1)，隐含层选取双曲正切S型函数；而为了可将输出层的神经元输入很好的映射到区间(0，1)中，输出层选择S型对数函数。

（3）确定测量参数的有效性边界

有效性边界指的是民航发动机测量参数的超限边界，其是由一个个所谓的门限值组成的。它随着民航发动机状态的不同而发生改变。本论文利用发动机的仿真模型来模拟得到参数。主要有以下步骤：

首先，把发动机仿真模型从慢车状态加速到最大状态，可以得到这个过渡态中所有的nL、nH、Pt3、Tt21、Tt5、Wf的值。从而，可以得到各个nL下的各参数的正常瞬态值，即基线值。

然后，利用这些基线值，可以得到各参数的偏差值。

最后，在模拟中发现，当民航发动机出现故障时，气路参数偏离基线值绝大部分超过10%。故将各测量参数相对各自基线值的百分比小于±10%定义成正常，超过±10%则定义成异常，这也是基于在仿真过程中经过统计发现，民航发动机发生故障的情况有95%以上都集中在偏离基线值10%以上的范围内，即正态分布中的3σ法则而考虑的。利用民航发动机的仿真非线性模型来模拟得到所需要的发动机在各个状态下相对于nL的基线，然后根据以上准则得出测量参数的有效性边界图，它们都是连续的曲线。

2.3 BP神经网络的训练

把本文中的BP神经网络的误差精度确定为0.01。然后通过训练，得到各层的权值和阈值。最后把这些权值和阈值用到民航发动机的实时监控上。步骤是：

（1）首先把民航发动机各参数没有发生变化时，即各参数和基线重合时的BP神经网络的输出值定为1；把参数偏离所对应的基线值25%时的BP神经网络的输出定为0。根据2.2.3，当参数偏离所对应的基线值是10%时，该BP神经网络的输出值定为0.6，则当输出值大于0.6时，民航发动机正常；当输出值小于0.6时，民航发动机发生超限。

（2）利用民航发动机仿真模型模拟得到一系列BP神经网络的训练样本。分别有：3个参数变化、2个不变化的样本240种；2个参数变3个均不变化的样本210种；1个参数变化、其他4个均不变化的样本60种。三者合计共510个样本。其中每种类型中超限样本占33.3%。

（3）选取ΔnH、ΔPt3、ΔTt21、ΔTt5、ΔWf5个偏差值，进行归一化处理后作为BP神经网络的输入。

（4）进行BP神经网络的训练，最终得到权值和阈值，然后储存。

（5）设x是参数的基线值，t是参数偏差百分比。那么，最大的偏差值Δxmax为0.25x，当前的偏差绝对值Δx为tx。于是求得当前偏差归一化后的值ΔxIN为：

由式（4）知，输入样本归一化后的值与当前民航发动机状态无关。所以无论民航发动机处于一种什么样的状态，BP神经网络训练样本都是一样的,即权值和阈值都一样。

2.4 模拟用BP神经网络进行民航发动机的实时监控

当民航发动机的仿真非线性模型模拟得到所需要的发动机的测量参数后，经过处理作为BP神经网络的输入值输入网络中。然后神经网络会利用已经通过训练得到的权值（3.2）和阈值0.9进行计算，最后得出0.1的结果来和0.6作比较。最后得出所对应的民航发动机测量参数是否超限。如果超限，则报警。

选取nL为设计点的86%，Pt3偏差了21%，其他参数没有变化，得到此时神经网络的输出为{0.989 4，0.996 3，0.996 1，0.2183，0.975 3}。显然，Pt3发生了超限。由以上可知，该BP神经网络的输出值是符合民航发动机参数超限检查要求的。

当模拟的民航发动机参数中有两个发生变化时，有意使这两个参数超限。然后将参数进行绝对值归一化处理后，作为本论文所要使用的BP神经网络的输入值，会得到表1的结果。

可见采用BP神经网络符合民航发动机参数超限检查的要求。

3 结束语

利用BP神经网络进行民航发动机状态的实时监控，具有门限值会随发动机的状态变化而变化和可以很好地解决测量参数之间相关性的优点。相对于传统的门限值法，它能准确地实时监控民航发动机的状态，是一种非常值得思考和研究的方法。

表1 当有两个参数发生超限时，BP神经网络的输出值

[1]李训亮，门路，周山.GA-BP神经网络在航空发动机状态监测中的应用研究[J].计测技术，2011,（3）：22-23.

[2]郝 英，孙健国，白 杰.航空燃气涡轮发动机气路故障诊断现状与展望[J].航空动力学报，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]高占宝，梁旭，李行善.复杂系统综合健康管理[J].测控技术，2005，24（8）：1-5.

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

[6]李爱军，章卫国，谭健.飞行器健康管理技术综述[J].电光与控制，2007，14（3）：79-83.

[7]梁旭，李行善.支持视情维修的故障预测技术研究[J].测控技术，2007，26（6）：5-14.

[8]张 飞，潘罗平.基于人工神经网络的水轮发电机组振动预测研究[J].人民长江，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，河南郑州人，在读硕士研究生，硕士，研究方向为民航发动机的健康管理；李书明（1964—），男，河北邢台人，教授，工学博士，研究方向为民航发动机的健康管理。