NARX神经网络在航空发动机EGT趋势预测中的应用

徐　亮，李　平

(中国民用航空飞行学院 航空工程学院，四川 广汉 618307)



NARX神经网络在航空发动机EGT趋势预测中的应用

徐亮，李平

(中国民用航空飞行学院 航空工程学院，四川 广汉 618307)

摘要：航空发动机的健康状态是保证飞行安全的重要因素，能在早期发现发动机隐藏的故障，通过预测发动机性能参数的变化趋势来掌握发动机性能衰退情况，实现对发动机健康状态的准确判断，具有重要的意义。针对航空发动机性能参数的数据特点，提出将动态神经网络中的NARX(非线性自回归)神经网络模型运用到性能参数的预测中，并用航空发动机排气温度(EGT)的趋势预测对该方法进行了验证。验证结果表明，这种方法在性能参数预测的精度上优于BP神经网络的预测结果。

关键词：航空发动机；NARX神经网络；EGT；性能参数预测

0引言

航空发动机是飞机的“心脏”，它的故障可能对飞行的安全造成影响甚至导致灾难性事故。同时，发动机高昂的维修费用也影响航空公司的成本和收益。因此，能在早期发现发动机隐藏的故障，通过预测发动机性能参数的变化趋势来掌握发动机性能衰退情况，实现对发动机健康状态的准确判断，对于有效实施航空发动机的视情维修决策具有重要的意义。

目前，各航空发动机制造商都有自己的发动机性能监控软件，比如普惠公司的EHM系统、GE公司的SAGE系统、罗罗公司的COMPASS系统，这些系统都具有发动机性能趋势分析的功能，但是它们只是对已有的历史数据进行分析，而无法对数据的未来发展的趋势进行预测。

对于发动机性能数据的未来发展趋势进行预测,国内已有相关研究人员展开了这方面的工作。宋云雪等人用多元线性回归的方法，在考虑其他因素的影响下对航空发动机排气温度(EGT——Exhaust Gas Temperature)进行了预测[1]；常博博等人利用求和自回归移动平均(ARIMA)模型，对某型航空发动机排气温度时间序列建立ARIMA预测模型，对发动机性能进行预测[2]；丁刚等人利用过程神经网络对航空发动机EGT数据进行预测[3]；陈果利用结构自适应神经网络对航空发动机的起飞和巡航EGT裕度进行了预测[4]；白洁运用小波神经网络对涡轮增压发动机性能进行预测[5]。

本文提出了一种动态神经网络中的NARX神经网络预测模型，对气动热力参数中的EGT参数进行预测，应用实测的发动机工作参数对预测结果进行检验，验证该方法在航空发动机的性能参数预测中是可行的。

1航空发动机性能参数的数据特点

航空发动机长年在高温、高压以及高速等恶劣环境下工作，因而表征发动机性能的参数通常都是一个复杂的、非线性、非平稳且带有随机波动的时间序列，比如EGT。某航空公司维修部门的日常记录的巡航EGT原始记录数据图，记录单位为航班，共1000个数据点，如图1所示。

图1　EGT原始记录数据图

从图中可知随着航班次数的增加，即发动机使用时间的增加，EGT数据整体上呈现上升趋势，而细节上又存在较大的波动。这种变化反映出了发动机性能的总体降低和性能波动，这与发动机健康状态是相吻合的。EGT数据具有很宽的频带，低频段的数据反映了数据整体的发展趋势，而高频段数据反映了局部的波动情况。

目前在参数预测方法上用得较多的主要是以时间序列方法为代表的传统预测方法和以静态神经网络为代表的人工智能方法。若使用传统的时间序列方法，如自回归(AR)模型法、自回归滑动(ARMA)模型法，则精度不高，且容错性差，长区间的预测效果不佳；若使用静态神经网络，如BP神经网络、Wavelet神经网络和RBF神经网络等，则会在训练过程中收敛速度慢且易陷入局部极小，并且不能充分反映航空发动机数据的动态特性。

2NARX神经网络预测原理

NARX模型被广泛应用于时间序列的建模中,NARX属于离散时间非线性系统,数学表达式可以写为:

y(t)=f[u(t-Du),...,u(t-1),u(t),

y(t-Dy),...,y(t-1)]

其中u(t)表示在t时刻模型的输入,y(t)表示在t时刻模型的输出：Du和Dy分别代表输入记忆向量和输出记忆向量,f是由多层感知器模拟的非线性函数。

图2　NARX网络结构图

NARX网络结构如图2所示。图中表示一个三层的NARX神经网络，IW和LW分别表示网络各层的输入向量和反馈向量的权重矩阵。网络输入层采用tansig传递函数；第一层带有延迟线,采用logsig传递函数;第二层采用purelin传递函数。网络输入向量包括两部分，分别为外部输入向量u(t)和网络反馈向量y(t)。输入信号从左侧进入分接延迟线(TDL—Tapped Delay Line)，并依次经过N-1个延迟。分接延迟线是由网络当前和之前的若干个时刻的输入信号组成的N维向量。通过设置不同的TDL，可以实现不同时间延迟的输入组合。对于NARX神经网络的输入向量U和输出向量Y，它们被组织成时间上的连续序列形式,即

其中,元组细胞[ut]和[yt]分别代表变量U和Y在时刻t取值的一个集合。因此,我们在利用NARX动态神经网络进行建模时,我们可以提前设置好分接延迟线,以建立相应NARX神经网络的输入组合,即建立网络输出y(t)与网络输入向量u(t)和反馈向量y(t)之间的对应关系。

3NARX神经网络在航空发动机EGT趋势预测中的应用研究

3.1数据预处理

因为航空发动机在高温、高压、高噪声环境下工作, 它的相关参数的测量较为困难, 采集的数据可能出现误差大、不准确的问题。因此，采集到的航空发动机相关性能参数的数据若不加以预处理, 则很难准确反映出航空发动机健康状态的实际变化。数据的预处理主要包括对原始数据的平滑处理和对粗大误差的判别和修正[6]。

图3　数据平滑图

3.2预测及结果分析

对NARX神经网络的预测结果进行精度分析，并与BP神经网络的预测结果进行对比，BP神经网络的预测值如图5所示。

对NARX神经网络预测值和BP神经网络预测值与真实测量值进行结果的精度分析，如表1所示。

图4　NARX神经网络预测值与真实值比较图

图5　BP神经网络预测值与真实值比较图

编号实测值预测值NARX BP绝对误差NARX BP相对误差/%NARX BP4142434445599.7602.3609.5605.8605.9601.52606.90616.86601.86601.18594.67592.69601.82612.36610.831.824.606.823.944.725.019.627.687.565.830.3040.7641.1190.6510.7940.8351.5961.2591.2470.962

从图4和图5中可以看出NARX神经网络预测的趋势图与实际相似度更高；从表1预测结果的精度分析中也可以看出NARX预测值的相对误差都低于BP预测的相对误差。

4结论

提出将NARX神经网络应用于航空发动机性能参数的预测, 表现出了很强的适用性。尽管本文仅对发动机EGT性能参数进行了预测分析,但是按同样思路,不难对其它的参数,如低、高压转子转速(N1，N2)和燃油流量(FF)等进行预测。

本文的研究工作对于提前预知航空发动机未来时刻的性能数据,有效地实施发动机状态监控、故障预测和健康管理具有重要意义。

参考文献

[1] 宋云雪,张科星,史永胜.基于多元线性回归的发动机性能参数预测[J].航空动力学报,2009,24(2):427-431.

[2] 常博博,毛宁,刘骁,等.基于ARIMA模型的航空发动机性能预测[J].自动化应用,2013(5):45-46,53.

[3] 丁刚,付旭云,钟诗胜.基于过程神经网络的航空发动机性能参数预测[J].计算机集成制造系统,2011,17(1):198-207.

[4] 陈果.用结构自适应神经网络预测航空发动机性能趋势[J].航空学报,2007,28(3):535-539.

[5] 白洁.基于小波神经网络的涡轮增压发动机性能预测研究[J].制造业自动化,2011,33(5):82-84,139.

[6] 邸亚洲,秦永元,尚希良,等.基于多项式回归算法的飞参记录数据预处理研究[J].测控技术,2008,27(4):21-22.

[责任编辑、校对：梁春燕]

Application of NARX Neural Network in Aeroengine Performance Parameters Prediction

XULiang,LIPing

(College of Aviation Engineering,Civil Aviation Flight University of China,Guanghan 618307,China)

Abstract：Aeroengine has been known as the heart of the aircraft,and its performance is important in ensuring flight safety.Therefore,it is significant for aircraft safety since it is able to reflect the decline of engine performance through predicting the change trend of engine performance parameters.In view of the data characteristics of aeroengine performance parameters,the NARX neural network model is proposed and used for the prediction of performance parameters.This article employs the model to predict the aeroengine exhausted gas temperature (EGT).According to the results,the NARX neural network model has a higher precision than the model based on the BP neural network in parameters change trend and data accuracy.

Key words：aeroengine;NARX neural network;EGT;performance parameters prediction

中图分类号：V263.6；TP183

文献标识码：A

文章编号：1008-9233(2016)01-0036-04

作者简介：徐亮(1990-)，男，江苏扬州人，硕士研究生，从事航空发动机故障预测、健康管理研究。

基金项目：中国民航飞行学院学生科技活动基金(X2014-13)

收稿日期：2015-11-13