基于SVM理论的航空发动机飞行数据可视化建模

闫锋 吕双祺

摘  要：使用飞行数据，利用支持向量机（SVM）理论对航空发动机排气温度基线（EGT）进行建模，通过基于K-CV交互检验法对模型参数进行优化，采用最优惩罚参数c和核函数参数g对航空发动机排气温度（EGT）基线进行回归器训练，得到最佳性能的回归预测模型。然后计算EGT基线预测值，进而得到EGT值的偏差量，并实现偏差量变化趋势的可视化。偏差量作为航空发动机性能监视和故障诊断的主要依据，通过对偏差量以及偏差量的变化趋势分析，可以判断航空发动机的健康状况和性能趋势，对使用和维护发动机提供重要的依据。最后利用MATLAB软件完成用户界面和航空发动机性能参数数据可视化软件的开发。

关键词：航空发动机;排气温度基线;支持向量机;数据可视化

Abstract： Using the flight data of the airlines， this study adopts the support vector machine （SVM） theory to model the aero-engine exhaust gas temperature （EGT） baseline， and optimizes the model parameters through the cross-checking method based on K-CV. The optimal penalty parameter c and kernel function parameter g are used to train the aero-engine exhaust gas temperature （EGT） baseline， and the regression prediction model of optimal performance is obtained. Then， the EGT baseline prediction value is calculated， the deviation of EGT value is obtained， and the tendency of deviation is visualized. Deviation is the main basis for performance monitoring and fault diagnosis of aero-engines. Through the analysis of deviation and its changing tendency， the health condition and performance tendency of aero-engines can be judged， which provides the important basis for using and maintaining the engine. Finally， Matlab software is used to complete the development of the user interface and the data visualization software.

数字化作为国家创新驱动发展战略的技术基点，已经在我国全社会各行各业深入推广。航空发动机作为民用客机的核心系统其结构复杂，在高温、高压、高转速的恶劣条件下长时间工作，故障率较高，对飞行安全的影响较大。同时发动机安装数十种传感器，运行过程中每秒钟都会产生大量的数据。如何利用这些数据来保障航空器安全和经济是现在和未来行业的技术发展方向。实现航空发动机运行数据的可视化是实施航空发动机状态监控、故障诊断以及性能預测的重要技术路径。人工智能数据挖掘算法是数据可视化的理论基础。数据挖掘算法需要依赖于发动机运行过程中产生的各种类型的传感器观测参数，模拟人类从实例中学习归纳的能力，主要研究从一些观测数据中挖掘出目前尚不能通过原理分析得到的规律，并利用这些规律去分析客观对象，对未知数据或无法观测的新数据进行预测和判断，并实现状态的解译和评估。航空发动机状态监控、故障诊断和性能预测的代表性数据挖掘方法主要有基于神经网络的故障诊断方法、基于支持向量机（SVM）的故障诊断方法等等[1-5]。本文采用SVM方法。

1 飞行数据可视化总体实现流程

该实验教学软件总体的开发流程图如图1所示。

2 样本数据的获取及处理

获取A321-200型飞机机载ACARS系统采集到的CFM56-5B型发动机的飞行数据，并对样本数据筛选，构建模型样本向量空间[6-8]：选取800组仿真模型样本数据（如表1所示），其中前面500组数据作为模型的训练样本，后300组数据作为模型的测试样本。

3 数据可视化理论

3.1 支持向量机理论

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力[9-12]。它在解决小样本、非线性及高维模式识别为题中已初步表现出很多优于已有方法的性能，并大大提高了学习方法的泛化能力[13-15]。

3.2 支持向量机核函数选择

核函数作为SVM回归算法的核心，对SVM模型的精度有着很重要的作用。核函数精度对比如表2所示。本文选用径向基核函数作为预测模型的核函数。

3.3 基于K-CV交互检验方法的参数寻优

建立SVM回归预测模型的两个关键参数：一个是控制SVM算法经验风险与泛化性能达到某一平衡点的惩罚参数c，另一个是控制径向基核函数性能的参数g。本方案选用K-CV交互检验方法进行参数寻优，首先将原始样本数据分成K组（一般是均分），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集。

6 结束语

以国内某航空公司的真实飞行数据，利用SVM人工智能数据挖掘算法，模拟仿真航空发动机性能基线模型（以EGT为例），分析预测的排气温度值与EGT基线之间的偏差量及偏差变化趋势，并用MATLAB工具开发了数据可视化软件，将数据直观的显示出来，用以判断航空发动机健康状态，为工程决策提供依据。

该模型得到EGT绝对误差在±10k范围内，SVM模型对排气温度基线的训练数据样本集的回归预测结果理想，该模型适用。

参考文献：

[1]杨玉红.信息技术与职业技术在课堂教学中深度融合研究[J].通讯世界，2017（14）：270-271.

[2]黄曦，卿新林，王奕首，等.基于SDAE的航空发动机燃油流量基线模型构建[J].航空发动机，2019，45（2）：29-33.

[3]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.

[4]杨洪富，贾晓亮，任寿伟.基于数据驱动的航空发动机故障诊断与预测方法综述[J].航空精密制造技术，2016，52（5）：6-9.

[5]付旭云，陕振勇，李臻，等.时变模糊神经网络及其在航空发动机排气温度预测中的应用[J].计算机集成制造系统，2014，20（4）：919-925.

[6]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.

[7]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].北京：科学出版社，2013.

[8]尉询楷，杨立，等.航空发动机预测与健康管理[M].北京：国防工业出版社，2014.

[9]上海航空测控技术研究所.航空故障诊断与健康管理技术[M].北京：航空工业出版社，2013.

[10]白鹏，张喜斌，张斌，等.支持向量机理论及工程应用实例[M].西安：西安电子科技大学出版社，2008.

[11]邓乃扬，田英杰.支持向量机——理论、算法与拓展[M].北京：科学出版社，2009.

[12]刘方园，王水花，张煜东.孪生支持向量机数学模型与应用综述[J].测控技术，2018（8）：10-15.

[13]陈永义，熊秋芬.支持向量机方法应用教程[M].北京：气象出版社，2011.

[14]CFMI.CFM56-5B Line and Base Maintenance[R]. China：CFMI 2009.

[15]闫锋，尚永锋，左渝钰，等.民用航空发动机拐点温度的计算方法[J].航空计算技术，2013，43（1）：44-48.

[16]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.

[17]刘志榮，朱睿，梁忠生，等.发动机健康基线及评估准则研究[J].厦门大学学报（自然科学版），2010，49（4）：520-525.

[18]GE Aviation. Diagnostics Trend Interpretation Training[M]. 5th Edition. China：GE Aviation，2009.

[19]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.

[20]张春，舒敏.基于支持向量机的健康状态评估方法[J].计算机系统应用，2018，27（3）：18-26.