李书明 周大鹏 许旺山 王超 丁凯

摘要：为进一步提高民航发动机性能参数基线挖掘的准确性，提出了一种基于改进遗传算法（IGA）优化Elman动态回归神经网络的基线预测模型。该模型通过改进遗传算法的交叉和变异概率更新操作，并优化Elman网络的初始权值和阈值。同时，结合EHM系统输出的飞行数据报告，对该神经网络进行训练，用训练好的神经网络对某航空公司提供的监控数据进行基线预测，并与基本Elman神经网络和GA-Elman神经网络的输出值进行对比。实验结果表明，IGA-Elman算法在航空发动机基线预测精度方面优于上述其他方法。

关键词：神经网络；改进遗传算法；民航发动机；基线预测

Keywords：neural network；improved genetic algorithm；civil aero-engine；baseline prediction

0 引言

航空发动机的维修方式已经由定时维修逐渐转变为视情维修方式，视情维修又以航空发动机趋势状态监控和故障诊断为前提[1]。目前，航空公司性能工程师通过监控各发动机性能参数与其基线之间的偏差值趋势，进而评估发动机性能衰退情况，分析发动机潜在故障，但发动机基线完全隐藏在OEM厂家开发的性能监控软件中，用户无法获取。随着大数据和人工智能技术不断发展，可实现对航空公司的监控数据进行基线挖掘，为进一步提高国产民航发动机状态监控程序开发和故障诊断水平做出贡献。

目前，国内外学者在基线挖掘方面做了一定研究。基线通常是指处于良好状态的发动机在一定的飞行条件下某个状态参数与发动机控制量之间的函数关系[2]。林兆福等人利用正交试验设计原理和最小二乘曲线拟合方法，建立了JT9D三种类型发动机的基线方程，并与厂家监控系统ECM的计算值作了比较，取得了满意的结果[3]。曹惠玲等人利用支持向量机算法，对厂家监控数据和QAR数据进行基线挖掘，取得较好的计算结果[4]。钟诗胜等人采用高斯牛顿法对罗罗公司的发动机基线方程进行了多元回归分析，给出了可满足实际应用要求的基线方程[2]。龙江等人利用回归分析方法给出了湍达700发动机基线的一元二次多项式方程[5]。付金华等人利用RBF神经网络预测CFM56-5B的EGT健康基线，并与真实的EGT基线对比证明了该建模方法的有效性[6]。李书明等人利用数据拟合方法对发动机基线方程进行了挖掘[7]。闫峰利用RBF神经网络预测了发动机巡航状态的燃油流量基线，并与真实FF基线对比证明了该建模方法的有效性[8]。钟诗胜等人利用三次回归分析法建立了发动机试车台基线的数学模型，并通过发动机全寿命管理系统的应用验证了该模型的实用性[9]。闫峰等人利用RBF神经网络建立了航空发动机巡航状态下的高压转子转速基线模型，并验证其精度满足实际要求[10]。Chunxiao Zhang等人利用支持向量机方法建立了四种性能参数基线的预测模型，并验证了该模型的准确性[11]。

为进一步提高航空发动机基线挖掘的准确性和实用性，本文提出一种基于IGA-Elman的动态回归神经网络预测模型，以基线的网络预测值与真实基线值之差为目标，使用改进遗传算法对Elman网络的初始权值和阈值进行寻优。本文通过采集EHM系统（普惠公司发动机监控软件）输出的V2527发动机飞行数据报告的相关参数，结合优化后的Elman网络对该型发动机基线作了预测。实验结果表明，该动态回归模型用于预测发动机基线是可行的。

1 Elman神经网络

Elman神经网络是一种局部递归神经网络，其结构主要由输入层、隐含层、输出层和承接层构成[12]。Elman网络增加的承接层单元用来记忆隐含层单元前一时刻的输出值，其输入输出到隐含层经历延迟与存储。与传统BP网络结构相比，该连接方式使网络模型对隐含层输出数据具有敏感性，因此Elman神经网络在处理变化复杂数据方面表现出了较好效果。具体结构如图1所示。

IGA-Elman神經网络由遗传算法优化和Elman网络两大部分组成，如图2所示。

IGA-Elman神经网络算法步骤如下：

1）选取Elman网络的权值和阈值作为参变量，进行实数编码。

其中，为随机数；和分别为从父代群体中随机选取的两个个体；和分别为线性组合交叉方式产生的两个新后代。

5）变异操作。从种群随机挑选若干个体，并随机确定变异位，以一定概率对变异位进行取反运算形成新的一代。

6）判断是否达到终止条件。若不满足条件，计算新种群个体适应度，否则算法结束。

7）将IGA算法寻找出来的最优解作为Elman神经网络初始权值和阈值，对神经网络进行初始化。

8）将优化后的Elman神经网络进行数据训练，直到误差收敛至设定精度，训练结束。

2 基于IGA-Elman神经网络的航空发动机基线挖掘

2.1 采集参数准备

以V2527发动机为例，根据某航空公司提供的报文数据，经输入格式转化后输入EHM系统，并在其输出的飞行数据报告中采集相关参数，包括大气总温（TAT）、马赫数（MA）、海拔高度（ALT）、空调引气代码（PKS）、发动机压比（EPR）、低压转子转速（N1）及其偏差值（ΔN1）、高压转子转速（N2）及其偏差值（ΔN2）、排气温度（EGT）及其偏差值（ΔEGT）和燃油流量（FF）及其偏差值（ΔFF）。

2.2 数据处理

2.3 网络结构设置

根据某航空公司提供的巡航报文可知，发动机在巡航状态运行时，空调组件正常稳定引气，PKS=“2”。因此，本文将正常稳定引气状态下的EPR、MA、TAT和ALT作为Elman神经网络的4个输入参数，将通过式（10）得到的性能参数基线值作为神经网络的目标输出值。目前，对于隐含层神经元个数的设定，研究学者还没有给出精确的计算方法。经过仿真试验，当隐含层神经元个数为15时，Elman网络回归精度最好，同时设定承接层神经元个数与隐含层相同，故所采用的Elman神经网络结构为（4，15，1）型。

3 IGA-Elman算法验证

3.1 算法参数设置

通过Matlab R2014a软件编程，建立IGA-Elman神经网络的航空发动机基线回归模型。Elman神经网络训练总共选取200组飞行数据，前150组数据作为训练集，后50组数据作为验证集。受篇幅限制，在此仅给出处理后的EGT基线挖掘数据进行展示，具体数据如表1所示。其次，设定遗传算法的种群规模为50，进化次数为30，最大和最小交叉概率分别取0.9和0.4，最大和最小变异概率分别取0.06和0.02。训练Elman神经网络时，设定IGA-Elman算法模型最大训练步数为2000，训练目标精度为0.01。

3.2 仿真结果

如图3所示，在遗传算法初始化参数和Elman网络结构参数一定时，IGA-Elman算法相比GA-Elman算法在早期迭代时收敛速度较快。GA-Elman网络在迭代初期的收敛精度表现良好，但随着算法迭代过程的进行，IGA-Elman网络对性能参数基线预测误差的收敛精度明显得到提高。图4对比了 IGA-Elman网络在不同种群规模下的平均适应度变化情况，较大或者较小种群数目对遗传算法优化Elman存在一定收敛精度局限。

本文给出了IGA-Elman神经网络与其他两种方法在基线回归预测的绝对误差图，从图中可以看出未经优化的Elman网络和GA-Elman网络在EGT基线、FF基线、N2基线和N1基线预测时表现出了不同程度的误差波动性，而IGA-Elman动态回归神经网络对四种性能参数基线预测精度较其他两种方法有一定幅度的提高，可满足实际工程要求。具体仿真结果如图5～图8所示。

为有效地定量评价IGA-Elman回归模型的实用性，表2给出了该预测模型与其他两种方法在对50组验证数据进行性能参数基线预测时的均方根误差。数据表明，IGA-Elman回归模型在基线回归预测方面表现出良好的精度效果。

4 结论

本文使用某航空公司提供的巡航报文数据，并采集EHM系统输出的相应飞行参数，综合考虑了影响性能参数基线的多种飞行参数，提出了基于IGA-Elman动态回归神经网络的航空发动机基线预测模型。仿真实验表明，相较基本Elman网络、GA-Elman网络，IGA-Elman回归模型在挖掘性能参数基线的精确性方面提升较高，对监控国产民航发动机性能参数基线预测具有一定的实际指导意义。

參考文献

[1]庞思凯.基于气路参数的航空发动机故障诊断技术研究[D].天津：中国民航大学，2014.

[2]钟诗胜，崔智全，付旭云.Rolls- Royce发动机基线挖掘方法[J].计算机集成制造系统，2010，16（10）：2265-2270.

[3]林兆福，范作民.发动机基线方程的建立[J].中国民航学院学报，1992，10（4）：20-32.

[4]曹惠玲，张卓，曲春刚.SVR在航空发动机基线挖掘中的应用研究[J].机械科学与技术，2017，36（1）：152-160.

[5]龙江，吴瑞，尚泽译，等.Trent700发动机基线建模[J].西安航空学院学报，2015，33（3）：7-10.

[6]付金华，闫锋.航空发动机排气温度基线建模方法[J].航空计算技术，2014，44（6）：49-54.

[7]李书明，任沛，黄燕晓.航空发动机基线方程的拟合[J].机械工程与自动化，2016（1）：153-154+157.

[8]闫锋.一种航空发动机燃油流量基线的建模方法[J].计算机测量与控制，2015，23（5）：1635-1638.

[9]钟诗胜，周志波，张永，等.基于三次回归分析的试车台基线库的建立[J].计算机集成制造系统，2005（2）：270-274.

[10]闫锋，付为刚.航空发动机高压转子转速（N2）基线的建模方法[J].机械设计与制造，2015（1）：148-151.

[11] Chunxiao Zhang，Nan Wang. Aero-Engine Condition Monitoring Based on Support Vector Machine [C]. 2012 International Conference on Applied Physics and Industrial Engineering，2012：1546-1552.

[12] Jia Wei-kuan，Zhao De-an，Zheng Yuan-jie，et al. A novel optimized GA-Elman neural network algorithm [J]. Neural Computing and Applications，2017，31（8）：449-459.

[13] You Wen-xia，Chang Jun-xiao，Zhou Zi-heng，et al. Short-term Load Forecasting Based on GA-Elman Model [J]. Advanced Materials Research，2014，986（7）：520-523.

[14] Chen Ye. Forecast of Short-Term Wind Power Based on GA Optimized Elman Neural Network [J]. Applied Mechanics and Materials，2014，536（4）：470-473.

作者简介

李书明，教授，博士，研究方向：航空发动机故障诊断及健康管理。

周大鹏，硕士研究生，研究方向：航空发动机状态监控及转子故障诊断。

3680500338238