2020年12月Dec. ,2020
第36卷第6期
Vol. 36 , No. 6
滨州学院学报
Journal of Binzhou University
【航空科学与工程研究】
阚玉祥
(滨州学院飞行学院，山东滨州256603)
摘要：现代民航发动机大多使用VSV 系统来提高发动机工作稳定性和避免发动机失速
或喘振。为了诊断VSV 系统故障，提出了 一种基于PSO-BP 神经网络对VSV 位置进行监控 的方法，当PSO-BP 神经网络模型的预测值与实际值的偏差超过一定值时，则判断VSV 系统
BP 神经网络建立的VSV 调节规律模型的诊断精度，高于传统的BP 神经网络模型，可为民航发 动机状态监控和故障诊断提供依据，具有一定的工程实用价值。
关键词：民航发动机；VSV ；故障诊断；PSO 算法；BP 神经网络
中图分类号：TP 183 文献标识码：A DOI ： 10.13486/j. cnki. 1673 - 2618. 2020. 06. 001
0引言
民航发动机VSV(VariaUle Stator Vane )系统的工作状态对发动机的工作性能至关重要在发动机 需要时调节VSV 开度，可以达到提高转子转速裕度，减小机械负荷的目的閃。由于VSV 需要随着发动 机工况的变化不断调节，极易造成VSV 系统故障，使静子叶片的实际位置偏离指令位置，偏离过大时使
气流攻角过大，从而诱发喘振。严重时会导致机件损伤、空中停车等故障因此监控VSV 的位置，及 时发现VSV 系统故障有助于发动机安全高效的运行％
以发动机实际运行的大量数据为基础，神经网络、支持向量机等一系列算法在故障诊断和性能预测方
面得到了广泛应用。王聃采用优化的支持向量机和BP 神经网络建立了发动机状态参数模型，能够求解 发动机排气温度、燃油流量等参数5 ；瞿红春等采用遗传算法优化BP 神经网络，提高了模型计算精度6 +
殷错等以CFM56-7B 发动机为例，验证了 BP 神经网络在故障诊断方面的实用性，在某些故障检测方面，
正确率高达83%7 % QAR(Quick Access Recorder )数据中包含了大量的发动机工作信息，美国NASA 、
SMI 等公司已经利用QAR 数据实现了发动机状态监控，能够对一些故障的早期征兆做出预警⑷％飞机
在下降阶段，环境参数变化大，飞行状况复杂，发动机VSV 在这一阶段容易发生故障％本文由此出发，以 发动机健康QAR 数据为基础，通过粒子算法(Particle Swarm Optimization ,PSO )优化BP 神经网络模
型，研究发动机VSV 在飞机下降段的调节规律，实现发动机VSV 的状态监控和故障诊断％
收稿日期=2020 - 10 -20
基金项目：滨州学院青年人才创新工程科研基金项目(BZXYQNLG201802)
作者简介：阚玉祥(1990—)，男，山东无棣人，助教，硕士，从事民航发动机状态监控与故障诊断研究%
E-mail ： 1510366683@qq. com
・5・
滨州学院学报第36卷1建模理论基础
1.1BP神经网络
BP神经网络在解决非线性问题方面有突岀优势，是目前最成熟的神经网络。该算法不同于其他的智能算法，其最大特征就是信号与误差的传递方向不
，信号向前，而误差与信号传递相反％BP
的输入信号从输入层开始传递，经过隐含
层处理后，传递到输岀层％每一层的元对
上一层产生影响，只会对层有所影响％当BP
到输岀值与期望值有差距时，就会改
变传播方向，依据输岀的误差值调节权值和阈值，这
样可的输岀值与期望值不断地接近，BP神
经网络的拓扑结构如图1所示％
图1中，X：,X8,…，X”是网络的输入值#1,
#8,…#$是网络的预测值是权值％如果把BP神经网络当作非线性函数，那么输入值就是自变量，输岀值就是因变量％若输入节点”，输岀节点数是$，则BP就从”个自变量到$个因变量的函数映射关系％
1.2PSO算法
BP神经网络在计算过程中容易进入一个局部的最优值，从而降低模型的精度。但是通过一些方法优化初始的权值和阈值，在程度上可避免局部最优值，的判断精度
PSO在过程中，每一个粒子都是一个潜在的最，对个度值％粒子的速度随着移动的断调 距离，进而到在可的最优解(19)%该算法由于收敛速度快、通用性强，于工程问题％本文PSO BP的初始权值和阈值，提高！精度(11)%通过PSO算法得到BP最佳权值、阈值的具体流程如图2所示％
图2PSO算法流程图
2PSO-BP神经网络模型建立
2.1数据选取
选取某公司11个航班的健康QAR数据作为模型建立的基础，其中10个航班为训练样本，另外1个航班为验证样本，每个航班约1000组数据，每组数据包含的参数选取方法如下％
选取VSV的开度为输岀变量，输入变量的选取［12］，一是不能遗漏主要的影响参数致使模型失真，二是从参数节省的角度，要尽量减少自变量个数，降低问题复杂度。查询航空公
可知［13］，本文研究的民航发动机电子控低压转子转速N1、高压转子转速N2和进口温度人2来调节VSV的位置％所以模型输入变量中应该有N1、N2和)2。另外选取反映大气湿度变化的飞行高度ALT，与速度特性相关的飞行马赫数M a，与燃油流量相关的)R+，以及气体通过VSV前后的总温)”和
25
T3%
•6•
第6期阚玉祥 基于PSO- BP 神经网络的民航发动机VSV 故障诊断
综上建模所需的输入变量为8个参数N 1 （2、T *2、ALT 、M.、TRA 、T *25、），输岀变量为VSV 开度% 输入变量、输岀变量确定之后，数据经过相似化、
处理后即可
2.2 模型建立与验证
PSO - BP 神经网络模型的建立主要包括三步，首先明确BP 神经网络的结构，然后使用PSO 算法进
行优化，最后对BP 进行训练预测。
对于大多数的回归预测问题,BP 神经网络三层网络就可以很好的解决％本文建立的模型输入参数确 定为8个，输
1个，相应地输入层 8个节点，输岀层 1个节点，隐含层 17个节
点％所以BP 神经网络结构为8-17- 1，权值153个，阈值18个％
通过PSO 进行 ，得到BP 的最佳初始权值和阈值，然后对神经网络进行训练，PSO
算法的最优个体
度值进
线如图3所示，验证样本的
输岀相对误差率如图4所示％
由图3可知，当进化到21代时适应度值达到了最低值，并且不再变化，即PSO 算法在21代时收敛到 最佳的初始权值和阈值％由图4验证航班的预测结果可知，由于下降阶段发动机性能状态变
大，气动
变化大，以及人 的影响，使VSV 角度变化的幅度 大于其他阶段，造成个别点误差相
对较大，但PSO - BP 神经网络模型的验证样本相对误差率大多数集中在一5%〜5%，总体误差不大%
图3最优个体适应度值 图4 BP 神经网络预测结果
为了进一步验证PSO- BP 神经网络模型的学习泛化能力，以及PSO 算法在BP 神经网络初始权值
和阈值优化方面的作用，本文另选取4个正常状态航班的QAR 数据对模型进行验证，比较分析验证结
果，总结如表1所O %
表1四个航班的验证结果
验证航班
PSO-BP 模型
BP
MRE
max RE MRE
max RE
A 0. 01220. 16230.0:52
0. W05B
0. 00990. 08990.0:25
0.254
C 0. 0136
0. .6900.0:6:0. .303D
0.0:04
0.6:7
0.0::7
0. W77
模型的平均相对误差MRE 和最大相对误差max RE 能够很好地评价模型的精度，以这两个参数作
度 的 "词！
如下：
MRE =丄" “ 5 M , max RE = max 3
一 “ %
式中，4%为第％个样本的预测值,3•为第％个样本实际值％_1,2，样本个数％平均相对误差
与最大相对误差的值越接近0 的 值与 值越接近！ 度越高％
・7・
滨州学院学报第36卷
从表1中PSO- BP 的4个验证航班的结果 ，平均相对误差MRE 大约为0 ，最大相
对误差max RE 大约为0，表明PSO - BP 神经网络模型的预测值逼近实际数据，模型的预测准确度高，能 够准确地反映飞机下降段VSV 调节规律，说明PSO- BP 神经网络模型可应用于发动机VSV 位置的状
态监控和故障诊断。
另外对比两个模型的MRE 和max RE 发现，PSO - BP 神经网络模型优于传统的BP 神经网络模型,
说明利用PSO 算法得到BP 神经网络的初始权值和阈值，可以避免模型出现局部最优解，减小期望值与
值之间的误差，在一定程度上提高
的精度。
3 基于PSO- BP 神经网络模型的VSV 故障诊断
在飞机下降阶段，发动机性能状态不断变化，比如稳态和瞬态的转变、加减速的转变，造成VSV 需要 不断调整开度才能 发动机工况变化。VSV 在这一阶段的 作动， VSV 调节机构、作动筒
出现故障，使静子叶片卡滞在某一位置，影响发动机性能。通过对VSV 的位置进行监控，可及时发现故
障，采取应对措施，保证发动机安全运营。
的PSO - BP
对后后续航班E 的下降段左发VSV 位置进行诊断，结果如图5
所示。通过图5可知，PSO-BP 神经网络模型的回归值与原始值在开始阶段相对误差接近于0，但从中间
点
大偏差，最大相对误差
过了 100%，彳
与 转的情况 , 断这台发
动机VSV 系统在 段 故障，导致VSV 的 与 值存在偏差。
v10发动机
o o
航班数据点
Too ~~200~~300—400~~500o O
5 O o
O
5进褂揪兆衩
r 100 200 300 400 500 600
航班数据点
(U)预测相对误差率
(a)原始值与回归预测值对比
图5 VSV 位置监控结果
为进一步判断该发动机VSV 系统是否发生故障，将航班E 中的两台发动机VSV 开度进行对比如图
6所示%
100806040
20 一一.左发VSV ------+------彳-----一右发VSV : 厂’
------------------------0
100
200 300 400 500 60020
-60——]——:——彳——H
H h
I ■
―加
~
100 200 300 400 500 600
航班数据点
航班数据点
(a)双发VSV 开度值对比
(U)双发VSV 开度偏差
图6双发VSV 开度对比
从图6可以发现，在初始阶段两台发动机VSV 开度基本差别不大，基本接近于0。从中间某一点开
・8
・
第6期阚玉祥基于PSO-BP神经网络的民航发动机VSV故障诊断
始，双发VSV开度出现了较大偏差，左发VSV开度明显小于右发。考虑到同一架飞机的两台发动机的外部条件、操作指令基本相同，各项参数应该保持一致或存在极小偏差[17]，而现在两台发动机的VSV开度存在较大偏差，调节趋势出现明显的差别％可判断其中一台发动机VSV系统发生了故障，进一步验证了PSO-BP神经网络模型的诊断结果％
由航空公司工程师的排故诊断结果知该航班在下降时，左发VSV作动筒不能正常作动，导致VSV 卡在某个位置，没有随发动机实际工况进行调节，导致VSV开度小于正常值，压气机转子进气攻角增大，气流在叶背分离，下降段某一点诱发喘振，随后发生了空中停车。
建立的PSO-BP神经网络模型可以作为民航发动机VSV正常运行的基线，对VSV位置进行监控，在预测值与实际值出现较大偏差时判断为VSV系统故障。
Q结论
基于发动机健康状态QAR数据建立了反映飞机下降段VSV调节规律的PSO-BP神经网络模型，模型的平均相对误差、最大相对误差都接近0，在一定程度上可以反映VSV的调节规律％通过PSO算法优化BP神经网络的权值和阈值，可以使期望值逼近实际值，提高模型的预测精度％PSO-BP神经网络模型可用于判断VSV的位置是否正常，作为故障判定的界限值可以经过不断地调整优化，提高模型精度，为民航发动机的安全运营提供帮助％
参考文献：
[1(HU M,NIE C Q.Exploration of combined adjustment laws about IGV,stator and rotational speed in off-design conditions in an axial compressor'].Science China Technological Sciences,2010,53: 969-975.
'(黄爱华.涡扇发动机可调静子叶片控制规律研究'(.燃气涡轮试验与研究,2017,30(1):48-51.
'(李世林.VSV系统对CFM56发动机喘振的影响分析'(.科学技术与工程，2011,11(20):4934-4936.
高彦平.V2500发动机VSV系统及其主要故障分析中国新技术新产品，2017(9):10-11.
'(王聃.基于多方法的CFM56-7B发动机基线挖掘研究[D(.广汉：中国民用航空飞行学院，2016.
'(瞿红春，黄远强.基于遗传-BP神经网络的航空发动机气路故障诊断研究'(.机床与液压，2015,43
(18)：31-36.
'(殷错，钟诗胜，那媛，等.基于BP神经网络的航空发动机故障检测技术研究'(.航空发动机，2017, 43(1):53-57.
'(周百政.QAR数据处理系统的设计与实现[D(.天津：中国民航大学，2009.
'(吴志攀，赵跃龙，罗中良，等.基于PSO-BP神经网络的车牌号码识别技术'(.中山大学学报(自然科学版)，2017,56(1):46-52.
[10(王小川.MATLAB神经网络43个案例分析[M(.北京：北京航空航天大学出版社，2013.
'1(王丹妮，周敏，高强，等.基于PSO-BP算法的3D打印制件精度预测模型'(.机床与液压，2019, 47(16):1-5.
[12(崔智全.民航发动机气路参数偏差值挖掘方法及其应用研究[D(.哈尔滨：哈尔滨工业大学，2013. [13(Boeing.777Aircraft Maintenance Manual[Z(.Chicago：Boeing,2015.
'4(李月玉，李磊.免疫粒子算法与支持向量机在枯水期月径流预测中的应用'(.水资源与水工程学报，2015,26(3):124-12&
[15(张弘鹏，刘家庆，段志伟，等.基于改进云分段模型的光伏功率缺失数据补齐研究'(.可再生能源，
•9•
发布评论