基于试飞数据模型的涡扇发动机风车启动特性

田　煜，潘鹏飞，李俊浩

(中国飞行试验研究院，陕西 西安 710089)

基于试飞数据模型的涡扇发动机风车启动特性

田煜，潘鹏飞，李俊浩

(中国飞行试验研究院，陕西 西安 710089)

摘要：基于实际飞行试验数据，应用人工神经网络方法建立了某型涡扇发动机风车启动模型，利用试验数据样本验证了辨识模型精度。应用该模型研究了不同风车转速对发动机启动特性的影响。使用的模型建立方法以及对风车启动特性影响因素的分析结果可以为后续其他型号发动机风车启动试飞提供参考，也可为风车启动包线扩展及风车启动燃油规律调整提供参考。

关键词：风车启动；人工神经网络；动态模型辨识；飞行试验

1引言

随着现代高机动战机的发展，涡扇发动机在各种机动飞行及剧烈操作条件下更容易遭受熄火停车的风险，这也就要求现代涡扇发动机具备快速可靠的风车启动能力。影响风车启动成功与否的一个关键因素是起始风车转速的大小。

涡扇发动机风车启动时，由于发动机转速较低，此时发动机部件不满足相似性条件，难以通过地面模拟空中风车启动特性。在涡扇发动机风车启动转速范围内，通常不存在可靠的风扇、压气机等部件特性，难以通过有效的部件特性建模方法得到风车启动模型。

建立风车启动模型的有效方法是采用系统辨识技术，建立系统的数据模型[1-5]。系统辨识方法属于黑箱模型，不考虑系统内部复杂的非线性关系，针对系统的输入输出响应情况，利用实际的飞行试验数据辨识建立有效的风车启动模型，而后在辨识模型基础上研究涡扇发动机的风车启动特性。

2风车启动物理过程

涡扇发动机的启动过程是一个多系统相互配合工作的复杂动力学过程，涉及到转子动力学、气动热力学、燃烧学和传热学等多门学科[4]。要准确、完全地描述发动机的启动过程，需要首先找到能够完全表征启动过程时间域行为的一个最小内部状态变量组，这个状态变量组必须包含启动过程的全部物理特征，但达到这一要求存在较大困难。

启动过程中，发动机各截面的气流速度较低，各部件容腔气体质量的存储可以不予考虑。当考虑发动机转子的惯性时，得到低、高压转子转速两个状态变量。对燃烧室的能力存储及热损失进行考虑时，可以增加涡轮前燃气温度这一状态变量，但其测量比较困难，根据经验可增加涡轮后排气温度作为第三个状态变量。由以上分析，假设启动系统各部件正常工作，启动过程中发动机不进行几何调节，可以得到离散形式的非线性启动模型为：

3涡扇发动机风车启动过程的神经网络方法

该型发动机试飞过程中，通过机载测试系统测取了发动机各个截面处的压力、温度等参数，同时记录了飞机姿态、发动机控制器等参数。试飞过程中，通过遥测系统将测试数据实时发送至地面监控室，由地面人员对发动机状态进行实时监控。

3.1飞行试验数据预处理

在涡扇发动机工作的广域噪声情况下，数据采集系统采集数据的信噪比(SNR)较高，针对采集数据采用3阶Butterworth滤波器进行滤波处理，即：

按照人工神经网络训练学习的需要，将滤波后的飞行试验数据样本进行分组，按照70%、15%和15%的比例将数据样本划分为训练样本、测试样本和验证样本。飞行试验数据样本在飞行包线内分布及分组情况如图1所示。

图1　飞行试验数据样本在飞行包线内分布情况

3.2基于神经网络的NARX模型

考虑到神经网络在逼近拟合非线性函数上的优势，文中采用神经网络模型构建非线性辨识模型中的非线性函数，利用神经网络代替NARX模型中的非线性函数，得到NNARX模型，模型结构为：

其中，NETNNARX为合适的人工神经网络函数。基于神经网络的NARX结构如图2所示。

图2　基于神经网络的NARX模型结构

该型发动机模型辨识研究的参数包括：高压转子转速(nH)、低压转子转速(nL)、低压涡轮出口总温(T6)、高压压气机出口压力(P31)。输入、输出参数信息如表1所示。

表1　发动机非线性模型输入输出参数信息

3.2.1神经网络训练学习

前人研究表明，三层神经网络已可以以任意精度逼近任意具有有限间断点的函数。本文采用三层神经网络结构，隐含层神经元传递函数选用双曲正切函数，输出层选用纯线性函数。数据样本参数进行归一化处理后作为神经网络的输入参数，神经网络的训练学习算法选用Levenberg-Marquardt算法，结果评定选用MSE性能函数以及输入输出之间的回归系数R，计算基于Matlab2013b Neural Network ToolBox进行。

3.2.2模型结构参数

从以往发动机模型辨识的经验来看，采用神经网络的NARX辨识方法辨识精度较高。同时，由于发动机一个架次中空中启动过程数据点较少，为了最大限度利用试验数据，文中选用模型结构为NNARX12，即输入延迟时间1s，输出延迟时间2s。

3.3模型辨识结果

风车启动过程中，低压转子转速、高压转子转速以及低压涡轮后温度的模型辨识结果分别如图3-图5所示。图中给出了飞行试验数据样本点上模型预测结果随实际飞行试验数据的变化情况，从图中可以看出，辨识得到的风车启动模型具有较高的精度，可以用于后续的分析应用中。

图3　风车启动过程低压转速辨识结果

图4　风车启动过程高压转速辨识结果

图5　风车启动过程低压涡轮后温度辨识结果

4风车启动模型在飞行试验中的应用

通过给定飞行试验条件并保持该试验条件不变，在辨识得到风车启动模型基础上，通过给定不同的风车转速，以研究不同起始风车转速条件下的该涡扇发动机风车启动特性。不同风车转速条件下的涡扇发动机风车启动特性如图6、图7所示，从中可以看出风车起始转速对风车特性的影响。

图6　 风车转速对高压转速的影响

图7　 风车转速对低压转速的影响

5结论

基于实际的飞行试验数据，利用人工神经网络方法建立了某型涡扇发动机风车启动模型，在试验数据样本上测试，验证了辨识模型精度，并应用该模型研究了不同风车转速对发动机启动特性的影响，

得出如下结论：

(1)采用人工神经网络技术辨识得到的风车启动模型具有很高的精度，可以利用该模型进行发动机风车启动特性的研究；

(2)应用辨识得到的风车启动模型，可研究涡扇发动机不同起始风车转速条件下的风车启动特性。

参考文献

[1]王树明,夏国平.基于BP神经网络的飞行动态实时预测方法[J].北京航空航天大学学报,2001,27(6):636-639.

[2]胡金海,谢寿生.基于AR模型对滑油中金属元素含量的预测[J].燃气涡轮试验与研究,2003,16(1):32-36.

[3]Xu K,XieM,Tang L.C.Application of neural networks in forecasting engine systems reliability[J].Applied Soft Computing,2003,2(4):255-268.

[4]李应红,尉询楷,等.航空发动机的智能诊断、建模与预测方法[M].科学出版社,2013.

[5]周新立,钟新辉,李艳.基于灰色时序的航空发动机磨损故障预测模型[J].长沙航空技术职业技术学院学报,2004,4(1).

[6]党怀义.海量飞行试验数据挖掘探讨[J].测控技术,2011,30(Z1):135-137.

[7]全昌业.从试飞数据中提取飞机模态参数方法的研究[J].飞行力学(试验研究),1987,(3):70-84.

Turbofan Windmill Air-start Characteristics based on Flight Test Data-driven Model

Tian Yu,Pan Pengfei,Li Junhao

(Chinese Flight Test Establishment,Xi′an 710089,Shanxi,China)

Abstract：Based on actual flight test data,the windmill air-start model has been built by artificial neural network.The identified model has been tested and validated on non-sample flight test data,which has been used to study the effect of variant windmill rotor speed on air-start process.The process of identifying air-start model from actual flight test data and the conclusion concluded in this paper would give some reference in future turbofan engine flight test.

Keywords:windmill air-start;artificial neural network;dynamic model identification;flight test

[收稿日期]2015-10-27

[作者简介]田煜(1982—)，男，陕西西安人，高级工程师，某型号试飞项目主管，研究方向为航空产品试飞技术及试飞项目管理。

中图分类号：V233.6

文献标识码：A

doi：10.3969/j.issn.1674-3407.2016.01.002