航空发动机试飞关键参数趋势监控的实现及应用

马明明，潘鹏飞

（中国飞行试验研究院，西安710089）

航空发动机试飞关键参数趋势监控的实现及应用

马明明，潘鹏飞

（中国飞行试验研究院，西安710089）

为了实现航空发动机滑油压力、滑油温度、振动值在试飞中的趋势监控，采用神经网络方法对某型发动机大量试飞数据进行训练和验证，获得了这几个参数全过程较为准确的计算模型。计算模型应用于该型号另1台发动机参数趋势监控中，在应用前，利用有限架次试飞数据修正了这几个参数的计算模型，采用动态链接库形式实现计算模型与原有实时监控系统的协同工作，进行了模型计算结果和试飞结果趋势实时对比监控。结果表明：模型计算结果和试飞结果变化趋势吻合良好，说明了神经网络计算模型的准确性以及在关键参数趋势监控中的工程实用性。

神经网络；滑油压力；滑油温度；振动值；动态链接库；趋势监控；航空发动机

0 引言

目前，普遍采用机载监控系统监控发动机滑油压力、滑油温度、振动值、转速、排气温度等关键参数，将检测到的参数与对应的限制值对比，判别发动机工作正常与否[1]。这种监控方式不能有效及时发现并检测工作参数偏离正常值但未超出限制值的问题，可能会造成严重故障[2]。

发动机状态监控的重要发展方向是对关键参数趋势监控。趋势监控的基本原理是通过对监控值与基准值的偏差或偏差变化趋势的分析，判断发动机健康状况，实现对发动机的状态监控[3]。与限制值监控方式相比，趋势监控考虑了发动机参数基准、个体差异等因素，可实现发动机故障的提前预报，提高使用的可靠性和试飞安全保障能力[3-4]。

国外开展了大量针对参数预测和状态监控的研究，如采用GASTURBO软件，可实现发动机稳态和过渡过程的参数预测和状态监控[5]；文献[6]将基于故障辨识方法的模型结果与发动机稳态和过渡过程试验数据进行了对比，表明该技术能够检测和报告参数突变性故障。国外先进航空发动机（如PW公司的F135、GE公司的GEnx以及发动机联盟的GP7200发动机）已经开始应用参数趋势监控方式，应用先进的预测和管理系统，实现了发动机滑油、振动等趋势监控[7]。中国的工程技术人员在发动机参数预测及状态监控方面也开展了大量研究工作，涉及发动机气路[8-9]、性能[10]、振动[4]、滑油[11]等关键参数，取得了良好效果。

本文采用神经网络方法，利用试飞数据，获得了滑油压力、滑油温度、振动值3个关键参数的基准值，即建立了计算模型。将该计算模型应用于该型号另1台发动机参数趋势监控前，利用该台发动机试飞初期获得的试飞数据对计算模型进行了修正。在该台发动机上进行了计算模型结果和飞行试验结果趋势实时对比监控，验证了计算模型的准确性及趋势监控的可行性。

1 参数的影响因素分析及输入参数确定

发动机滑油压力、滑油温度和振动值是表征发动机可靠性和安全性的关键参数，与飞机的飞行状态、飞行姿态、发动机工作状态等关系紧密，但与表征飞行状态、飞行姿态、发动机工作状态的参数之间的特性复杂且不明确[1]。

1.1 滑油压力的影响因素分析及输入参数确定

滑油系统能够对发动机高速转动部件进行润滑和冷却，减小轴承的摩擦力并带走部分因摩擦产生的热量，使之能够在合适的温度下长时间、稳定地工作。滑油压力是否正常是整个滑油系统是否正常的重要标志，直接影响润滑量的大小，进而影响润滑和冷却效果。滑油喷嘴阻塞可能造成滑油压力过高，而管路泄漏、破坏、滑油泵失效等可能造成滑油压力过低[12-13]。

飞行状态、飞行姿态、发动机工作状态的变化都会影响滑油压力。发动机工作参数随飞行状态改变而发生变化，特别是高压转速。高压转速越大，摩擦产生的热量就越多，要求滑油更快地循环流动，及时地带走热量，滑油压力就可能越大。滑油箱、供油管路与滑油喷嘴的相对位置也会随飞行姿态改变而发生变化，进而影响滑油供油量及滑油压力。滑油泵等附件直接由发动机高压转子传动，滑油压力受发动机状态变化影响较大。

综上，滑油压力计算模型的输入参数有气压高度、飞行马赫数、大气总温、滚转角、侧滑角、高压转速和油门杆角度，共计7个。为了区分发动机稳定状态和过渡状态，选取油门杆角度作为输入参数。

1.2 滑油温度的影响因素分析及输入参数确定

滑油温度是另1个重要参数，能反映发动机轴承和齿轮的工作状态，影响滑油的黏度。滑油温度过高还会改变滑油的特性(焦化、氧化)或损坏轴承的封严，也能够反映出轴承极端恶化、热端密封泄漏、过量加注等问题[12-13]。滑油温度既可在供油管路上测量，也可以在回油管路上测量。本文研究的发动机的滑油温度为回油温度。

飞行状态、飞行姿态、发动机工作状态可能会影响滑油温度。飞行状态、飞行姿态和发动机工作状态能够引起滑油压差的改变，从而引起滑油供油量的改变，进而影响滑油回油温度。滑油采用燃油冷却，所以温度、燃油流量等参数也会对滑油温度产生影响，如燃滑油散热器中燃油管路的堵塞会造成滑油温度升高。

综上，滑油温度计算模型的输入参数有气压高度、飞行马赫数、大气总温、滚转角、滑油压差、油门杆、高压转速、主燃油总管压力与压气机出口压力之差，共计8个。根据燃油喷嘴特性可知，主燃油总管压力与压气机出口压力之差能够表征燃油流量的大小。本文研究中暂未考虑燃油温度对滑油回油温度的影响。

1.3 发动机振动值的影响因素分析及输入参数确定

发动机转子是1个高速旋转部件。由盘、轴、叶片等零部件组装而成的转子在加工制造过程中都有一定的偏差，会引起转子旋转时的不平衡，从而在旋转过程中产生振动[14]。以下原因可能造成发动机振动增加或超限：工作叶片折断或部分损坏，如风扇叶片或压气机叶片的外来物损伤；工作叶片安装不合适；转子上有部件丢失，如螺栓螺帽等；工作叶片或转子变形；转子轴承不同轴或轴承磨损。反之，振动值能够反映转子损坏、变形及轴承磨损等[15]。

飞行状态、飞行姿态、发动机工作状态可能会影响发动机振动值。导致发动机振动较大的转子不平衡、不对中等受制造、装配的影响，因此，发动机振动也具有一定的个体差异性。

发动机进、出口压力等随飞行状态改变而发生变化。作用在转子部件的作用力通过安装节直接作用于上发动机，作用力发生变化，可能会引起发动机振动值变化。转子离心力以及作用在转子部件的作用力都会随飞行状态改变发生变化，引起发动机振动值变化。

综上，振动值计算模型的输入参数有气压高度、飞行马赫数、大气总温、滚转角、攻角、侧滑角、油门杆、高压转速，共计8个。为了区分发动机稳定状态和过渡状态，选取油门杆角度作为输入参数。

2 计算模型的建立

2.1 滑油压力等参数基准值的计算方法

滑油压力等参数与表征飞行状态、飞行姿态、发动机工作状态的参数之间的特性即计算模型复杂且不明确。神经网络法对复杂、不确定问题具有自适应和自学习能力，且高度容错，是进行计算模型确定的有效方法。

本文研究的滑油压力等3个参数均采用3层神经网络结构，按照分析确定的输入参数建立计算模型。隐含层选用双曲正切传递函数，输出层选用纯线性传递函数。

滑油压力神经网络计算模型结构如图1所示。

2.2 建立计算模型的试飞数据说明

采用1台发动机的试飞数据建立计算模型。

发动机工作过程包括各种稳定状态、加速过程、减速过程、加力接通和切断过程、空中起动等。发动机工作点几乎涵盖了整个飞行包线，包括一定的机动飞行情况下的发动机试飞试验。

相关参数的最大值和最小值见表1。

在建立模型过程中，所有试飞数据，70%的作为神经网络模型的训练数据 (包括包线边界点等)，15%作为模型的验证数据，剩下的15%作为模型的测试使用。

2.3 滑油压力计算模型的建立

计算滑油压力的输入参数为7个，神经网络隐含层第1、2层的节点数分别为15、23。

滑油压力模型计算结果与飞行试验结果的差值情况如图2所示。从图中可见，模型计算结果与试验结果的误差在30 kPa以内。考虑到滑油压力的控制误差，计算模型的效果很好。

表1 相关参数的最大值和最小值

2.4 滑油温度计算模型的建立

计算滑油温度的输入参数为8个，神经网络隐含层第1、2层的节点数分别为17和25。

滑油温度模型计算结果与试飞结果的差值情况如图3所示。从图中可见，模型计算结果与试飞结果的误差在28℃以内。采用神经网络建立的计算模型效果良好。

2.5 发动机振动值计算模型的建立

计算发动机振动值的输入参数为8个，神经网络隐含层第1、2层的节点数分别为17和25。发动机振动模型计算结果与飞行试验结果的对比情况如图4所示。从图中可见，模型计算结果与试验结果的误差在10 mm/s以内，效果良好。

3 应用于特定发动机的计算模型的修正

将计算模型应用于同型号另1台发动机，建立计算模型的发动机与该台发动机先后配装于同架飞机的同一位置。考虑到每台发动机滑油压力、滑油温度、振动值的个体差异，在将计算模型应用于该台发动机前，对计算模型进行了修正。修正模型的试飞数据为该台发动机试飞初期的15架次数据，包括了发动机各种稳定状态、加速过程、减速过程、加力接通和切断过程、空中起动等。

不同发动机滑油压力的调定值有所差异，考虑该差异为恒定差值，进行模型修正。该差值的求取方法如下：将该台发动机的相关试飞数据代入计算模型(通用模型)计算滑油压力，计算结果与试飞结果进行比较，形成偏差，用该偏差修正通用模型，形成针对该台发动机的滑油压力计算模型。利用计算模型(通用模型)所得结果与试飞结果的差值情况如图5所示，即该台发动机的修正偏差约为15 kPa。

对于滑油温度和发动机振动值，将该台发动机15个架次的试飞数据纳入原计算模型采用的数据库，重新进行神经网络模型训练、验证和测试，获得新的滑油温度和振动值计算模型。修正后的计算模型的计算结果与试飞结果差值情况分别如图6、7所示，较之图3、4结果的分散度稍大一些，计算模型效果良好。

4 滑油压力等参数趋势监控的实现及验证

该台发动机在试飞过程中的实时监控系统基于LABVIEW平台开发，本文采用动态链接库形式实现了计算模型与实时监控系统的协同工作。在试飞过程中，实时监控系统调用该动态链接库，将实测参数带入发动机滑油压力、滑油温度、发动机振动值的计算模型中进行实时计算，待动态链接库计算完毕后获取参数计算模型的返回值，将计算结果与试飞结果进行趋势对比监控并予以显示，验证计算模型的准确性及实时监控的可行性。

该台发动机的某一架次试飞的相关参数时间历程如图8所示。从油门杆角度参数可见，该架次试飞中包括了发动机稳定状态、加速性、减速性、加力接通和切断、停车、空中起动等试验科目。

该架次滑油压力、滑油温度、振动值的模型计算结果与飞行试验结果对比分别如图9～11所示。

从图9～11中可见，模型计算结果和试飞结果变化趋势吻合良好，二者误差较小，进一步说明了神经网络计算模型的准确性，也说明应用计算模型结果进行关键参数趋势监控是可行且实用的。

5 结论

（1）基于某型号发动机大量试飞数据，采用神经网络方法建立的滑油压力、滑油温度、振动值3个参数的模型计算结果与试验结果的误差较小。

（2）给出的利用有限架次试飞数据修正滑油压力、滑油温度、振动值3个参数计算模型的方法是可行的；在发动机实时监控系统基础上，采用动态链接库形式实现计算模型与实时监控系统的协同工作是可行的。

（3）实现了发动机滑油压力、滑油温度、振动值模型计算结果和试飞结果趋势实时对比监控，模型计算结果和试飞结果变化趋势吻合良好，说明应用计算模型结果进行关键参数趋势监控是可行且实用的。

应用神经网络方法建立的参数模型的精度依赖于对参数影响因素的正确分析及确定，本文基于工作原理及特点确定影响因素的方法具有一定的局限性，有待进一步深入研究；本文完成的发动机全过程关键参数实时趋势监控研究工作，为实现发动机故障提前预报、提升试飞安全保障能力解决了技术难点，建立在趋势监控基础上的故障提前预报研究正在开展中。

[1]陈卫,程礼,李全通,等.航空发动机监控技术[M].北京：国防工业出版社,2011：24-28.CHEN Wei,CHENG Li,LI Quantong,et al.Monitoring technology of aeroengine[M].Beijing:National Defense Industry Press,2001：24-28.(in Chinese)

[2]魏松江,李书明.BP神经网络在民航发动机实时监控技术的应用研究[J].装备制造技术,2013(2)：70-72.WEI Songjiang，LI Shuming.Application research of BP neural networks in civil aviation engine real-time monitoring[J].Equipment Manufacturing Technology，2013(2)：70-72.(in Chinese)

[3]陈志英,李其汉.监视参数预测和故障识别法 [J].航空动力学报,1994,9（4）：419-421.CHEN Zhiying，LI Qihan.Monitoring parameters forecasting and faults recognition[J].Journal of Aerospace Power，1994，9（4）：419-421.(in Chinese)

[4]金向阳,林琳,钟诗胜,等.航空发动机振动趋势预测的过程神经网络法[J].振动、测试与诊断，2011，31（3）：331-334.JIN Xiangyang，LIN Lin，ZHONG Shisheng，et al.Prediction of aeroengine vibration trend using process neural network[J].Journal of Vibration，Measurement&Diagnosis，2011，31(3)：331-334.(in Chinese)

[5]Kong C D，Ki J Y,Kang M C,et al．A new scaling method for component maps of gas turbine using system identification[J]．ASME JournalofEngineeringforGasTurbine Power，2003，125(4)：979-985．

[6]Malloy D J，Chappell M A，Biegl C.Real-time fault identification for development turbine engine testing[R].Orlando：ASME International Gas Turbine Institute’s Turbo Expo，97-GT-141,1997.

[7]李·安·泰格梅尔.新发动机的维修策略[J].国际航空,2005(6)：44-48.Taigermeir L A.Maintenance on their mind[J]．International Aviation，2005，(6)：44-48．(in Chinese)

[8]单晓明,宋云峰,黄金泉,等．基于神经网络和模糊逻辑的航空发动机状态监控[J]．航空动力学报,2009,24(10)：2356-2361．SHAN Xiaoming，SONG Yunfeng，HUANG Jinquan，et al．Condition monitoring of aeroengine based on neural network and fuzzy logic[J]．Journal of Aerospace Power，2003，24(10)：2356-2361．(in Chinese)

[9]钟诗胜,雷达,丁刚．卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用[J]．航空学报,2012,33(3)：438-445．ZHONG Shisheng，LEI Da，DING Gang．Convolution sum discrete process neural network and its application in aeroengine exhausted gas temperature prediction[J]．Acta Aeronautica et Astronautica Sinica，2012，33(3)：438-445．(in Chinese)

[10]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．CHEN Guo．Forecasting engine performance trend by using structure self-adaptive neural network[J]．Acta Aeronautica et Astronautica Sinica，2007，28(3)：535-539．(in Chinese)

[11]张蓉,谢武杰.基于小波神经网络航空发动机滑油系统故障诊断方法研究[J].航空制造技术，2009(6)：85-89.ZHANG Rong，XIE Wujie.Research on aeroengine lubricant system fault diagnosis based on wavelet neural network [J].Aeronautical Manufacturing Technology，2009(6)：85-89.(in Chinese)

[12]尉询楷,杨立,刘芳,等.航空发动机预测与健康管理[M].北京：国防工业出版社,2014：217-218.WEI Xunkai，YANG Li，LIU Fang，et al．Aeroengine prognostics and health management[M].Beijing:National Defense Industry Press,2014:217-218.(in Chinese)

[13]朱建东.飞机发动机的监控技术及其发展趋势[J].飞机设计,2013(1):58-61.ZHU Jiandong.The development trend of aeroengine control[J].Aircraft Design，2013(1):58-61.(in Chinese)

[14]徐可君.航空发动机振动及控制[J].航空科学技术,1999(1):28-30.XU Kejun.Vibration and its control of aeroengine.Aeronautical Science and Technology，1999(1):28-30.(in Chinese)

[15]倪世宏，史忠科，沙孟春.一种基于支持向量回归的发动机振动监控方法[J].空军工程大学学报(自然科学版)，2006，7(5)：1-3.NI Shihong，SHI Zhongke，SHA Mengchun.A monitoring method of aeroengine vibration based on the SVR[J].Journal of Air Force Engineering University(Natural Science Edition).2006，7(5)：1-3.(in Chinese)

Realization and Application of Key Parameters Trend Monitoring in Aeroengine Flight Test

MA Ming-ming，PAN Peng-fei
（Chinese Flight Test Establishment,Xi'an 710089,China）

In order to conduct trend monitoring of aeroengine oil pressure,oil temperature and vibration value in flight test，accurate calculation models of these parameters in the whole engine working process were established by using the neural network method for training and validation of a large number of engine flight test data.Calculation models are corrected based on limited flight test data of another engine before applied in its trend monitoring.For this engine，calculation models were cooperated with real-time monitoring system to realize parameters trend monitoring based on dynamic link library.Real-time monitoring between calculation results and flight-test results was implemented on the engine.Results indicate that trends of calculation results and flight-test results are in good agreement.It shows the accuracy of the neural network models and the engineering practicability in the key parameter trend monitoring.

neural network；oil pressure；oil temperature；vibration；dynamic link library；trend monitoring;aeroengine

V 233.7

A

10.13477/j.cnki.aeroengine.2017.01.014

2016-05-02

马明明（1981），男，高级工程师，主要从事航空发动机飞行试验技术研究工作；E-mail：mmm_2007@live.cn。

马明明，潘鹏飞.航空发动机试飞关键参数趋势监控的实现及应用[J].航空发动机，2017，43（1）：79-84.MAMingming，PANPengfei.Realization andapplicationofkeyparameterstrendmonitoringinaeroengineflighttest[J].Aeroengine，2017，43（1）：79-84..

（编辑：赵明菁）