基于NRS-CNN的民航发动机滑油消耗量预测

2021-12-04瞿红春高鹏宇朱伟华许旺山郭龙飞

中国民航大学学报 2021年5期

瞿红春，高鹏宇，朱伟华，许旺山，郭龙飞

（中国民航大学航空工程学院，天津 300300）

民航发动机滑油消耗量是反映发动机性能的一个重要指标[1]。当滑油消耗量超过正常值时，会导致发动机出现警告，影响签派；严重时会使发动机在飞行中发生空停，威胁飞行安全。因此，准确预测发动机滑油消耗量对航空公司减少运营成本和保障飞行安全具有重要意义。

当前，关于民航发动机滑油消耗的研究主要集中在滑油消耗的影响因素、测量方法及利用传统智能算法预测滑油消耗量等方面，如：武晓龙等[2]针对航空发动机滑油消耗量的影响因素进行分析；夏海波等[3]对因轴承机匣与中支点不密封而导致发动机滑油消耗量偏大的故障进行分析；张金柱等[4]采用大数据管理技术来改进发动机滑油消耗率的监控方式；Taue 等[5]通过测量排气中二氧化硫的含量来改进滑油消耗量的测量方法；Yan[6]通过BP 神经网络诊断发动机滑油系统故障；瞿红春等[7]采用改进GA-BP 神经网络的方法预测发动机滑油消耗量；钟诗胜等[8]采用过程支持向量机的方法预测滑油消耗率。民航发动机滑油消耗量受航班中多个飞行阶段多个状态参数的影响，而目前针对发动机滑油消耗的研究中，在选取输入特征参数时主要依靠经验，没有考虑不同飞行阶段的重要度；且传统智能算法，如BP 神经网络、Elman 神经网络、过程支持向量机，在学习高维滑油参数的深度特征上存在不足，进而影响预测结果的精度。

为了解决飞行阶段重要度提取和深度特征学习的问题，引入邻域粗糙集（NRS，neighborhood rough set）和卷积神经网络（CNN，convolutional neural network）相结合的方法。采用NRS 方法提取高维重要特征已在文本分类[9]、基因分析[10]、机械装置的故障诊断[11]中被广泛应用，并取得良好的效果。CNN 在深度特征学习上具有一定优势，目前已在情感识别[12]、图像分类[13]、目标检测[14]、数据预测[15]等领域取得较大进展。

针对民航发动机滑油消耗量难以准确预测的难点，采用NRS-CNN 方法预测滑油消耗量。首先通过NRS 计算各飞行阶段相对于滑油消耗量的重要度，并提取重要度高的飞行阶段状态参数；将提取后的数据输入到CNN 中，利用网络中的卷积层和池化层学习高维滑油参数的深度特征，建立滑油消耗量预测模型。将预测的精度与传统算法进行比较，验证所提方法的可行性和有效性。

1 民航发动机滑油系统的监控参数

传统的滑油监控系统只对滑油本身的属性进行监控，如滑油量和滑油滤压力差等。为准确预测滑油消耗量，利用滑油监控系统对所有可能影响发动机滑油消耗量的参数进行监控。首先，在飞行中监测滑油量是通过测量滑油液面高度实现，所以需要考虑飞机的飞行姿态和飞行状态参数；其次，发动机的转子转速和温度也会影响发动机的滑油消耗，因此，分别对发动机的转子转速和各处温度参数进行监控。由滑油监控系统的数据报文获得上述参数并将其转化为标准单位，状态参数记录如表1所示。

表1 状态参数Tab.1 State parameter record sheet

2 智能算法及预测流程

2.1 邻域粗糙集

邻域粗糙集是Hu 等[16]对传统粗糙集的一种延伸，利用实数空间中的每个点为圆心形成一个δ邻域，这些δ邻域构成了所有粒子的基本空间。邻域粗糙集可直接面向数值型数据，避免了传统粗糙集需将原始数据离散化，导致数据原始性质改变的问题。

定义一个信息决策系统（U，A，V，f），其中：U为论域；A为属性集合，A=C∪D，C为条件属性，D为决策属性；V为值域；f为信息函数，f=A·U表示样本与其属性值的映射关系。

对于xi∈U，xi的邻域集表示如下

式中Δ为距离函数。邻域集的上近似、下近似、边界表达式分别为

式中X为各约束条件范围内的子集。

确定一个决策属性D，D对条件子集B的重要度为

式中POSB（D）为正域，即决策属性D中的上近似集。

2.2 卷积神经网络

卷积神经网络是一种前馈式神经网络，其结构如图1所示，相较于一般神经网络的特点是在隐含层中增加了卷积层和池化层。

图1 卷积神经网络结构图Fig.1 Diagram of convolutional neural network structure

（1）卷积层是一种运算方式，用来捕获深度特征：通过多个卷积核将输入对应位置的数据或特征进行加权运算，整合运算结果；通过激活函数得到输出的特征向量，传递给下一层，特征向量中的特征值如下

式中：（f·）为激活函数；Mj为特征值个数；为第l-1 层的第j个特征值；为第l层的j个特征值与第l-1 层的第i个特征值的连接权值；为对应的偏置；*为卷积运算。

（2）池化层的功能主要是降维，即在保持原有特征基础上最大限度地将数组维数变小。池化层的运作机理和卷积层很像，只是算法不同。即将滤波器映射区域内的数据取平均值，以减少运算量，防止网络过拟合，提高网络性能，表示如下

式中xi为滤波器映射区域内神经元的激活值。

（3）全连接层一般分布在网络结构的后边，全连接层的每个神经元与上一层所有神经元相连，依据卷积和池化层提取出来的特征对数据或图像进行分类，计算全连接层神经元的输出值

式中：w为神经元权值；为输入值；b为偏置。

2.3 滑油消耗量预测流程

预测滑油消耗量的流程如图2所示。

图2 预测滑油消耗量流程图Fig.2 Flow chart of oil consumption prediction

具体步骤如下：

（1）整理滑油报文数据；

（2）通过邻域粗糙集计算并选取对滑油消耗量重要度高的飞行阶段；

（3）将飞行阶段的参数与燃油活门打开时的参数取差值作为提取的特征参数；

（4）对数据进行分组，选取训练数据和测试数据；

（5）构建卷积神经网络，设置有关参数；

（6）数据输入到卷积神经网络中，经过两个卷积层和池化层的特征提取，到达全连接层；

（7）利用平方差函数分析误差是否满足要求，如不满足，返回更新权值和阈值；

（8）满足精度要求，到达迭代次数，输出结果。

3 实例分析

3.1 数据预处理

滑油数据由某类型民航发动机在多次航班飞行下产生，选取训练航班90 组，测试航班38 组，其中一组航班的滑油数据如表2所示（1 ft=0.304 8 m），记录了航班从开始燃油活门打开时到最后着陆时的滑油数据。计算滑油消耗量的方法为：执行航班中燃油活门打开时的滑油量减去最后着陆时滑油量的差值。

表2 滑油数据记录表Tab.2 Oil data recording table

整理出多组航班的滑油消耗量及可能影响滑油消耗量的各个参数，并通过Standardscaler 方法进行归一化。

3.2 滑油消耗量预测

3.2.1 NRS 提取飞行阶段

采用NRS 方法提取重要的飞行阶段。整理出多组航班下各飞行阶段截止时的滑油消耗量与航班总滑油消耗量，如表3所示。

通过NRS 方法计算表3 中各飞行阶段的重要度如下：慢车阶段的重要度为0.015 3，水平滑行阶段的重要度为0.052 6，起飞阶段的重要度为0.300 5，两次爬升阶段的重要度均趋近于0，开始巡航阶段的重要度0.157 9，巡航结束阶段的重要度为0.473 7。选取重要度超过0.1 的飞行阶段：起飞、开始巡航、巡航结束及最后的着陆阶段（着陆阶段与飞行结束后最终剩余滑油量直接关联，因此前期无需计算其重要度来与其他阶段进行区分）。

表3 不同飞行阶段下的滑油消耗量记录表Tab.3 Record of oil consumption under different flight stages （10-3 m3）

3.2.2 CNN 的比较与拟合

CNN 的特点是可以对高维矩阵中所有特征向量进行深度特征提取，相比传统智能算法，能够保证预测结果的准确性。因此，在采用CNN 进行拟合时，需要考虑以下重要度高的飞行阶段：起飞、开始巡航、巡航结束和着陆时的状态参数，形成62 维的输入矩阵，通过CNN 进行预测。

卷积层是CNN 的核心部分，因此，需调试不同卷积参数下卷积网络的运行结果。首先对卷积核数进行校验：分别设置第1 层和第2 层卷积核数为M和N，记为M-N，依次取值为64-256、64-128、128-256、128-512。不同卷积核数下，各测试点相对误差如图3所示。预测结果的平均相对误差和绝对误差如表4所示。

图3 不同卷积核数下运行结果的相对误差Fig.3 Relative errors of operation results under different convolution kernel numbers

由图3 可知，当卷积核个数设置为128-256 时，各测试点相对误差较低，几乎均在6%以下，相比其他参数设置也更稳定。由表4 可看出，卷积核数为128-256时，平均相对误差和平均绝对误差最低。

表4 不同卷积核数下的预测结果平均误差Tab.4 Average errors of prediction results under different convolution kernel numbers

其次，针对不同卷积核的长度进行设置：分别设置第1 层和第2 层卷积核长度为13-9、13-5、9-7、9-5、9-3、7-5。不同卷积核长度下，各测试点相对误差如图4所示。不同卷积核长度下预测结果的平均相对误差和平均绝对误差如表5所示。

表5 不同卷积核长度下的预测结果平均误差Tab.5 Average errors of prediction results under different convolution kernel lengths

图4 不同卷积核长度下运行结果相对误差Fig.4 Relative errors of operation results under different convolution kernel lengths

由图4 可知，当卷积核长度设置为9-5 时，相比其他卷积长度设置，各测试点的相对误差较低。由表5 可看出，当卷积核长度设置为9-5 时，平均绝对误差最低。

由上述结果可得，卷积层的最佳参数设置，再经过多次仿真实验得出其他参数的最佳设置，总结如下：输入层神经元数为62，输出层神经元数为1。第1卷积层中的卷积核长度为9，卷积核数为128；第1 池化层长度为27；第2 卷积层中的卷积核长度为5，卷积核数为256；第2 池化层长度为11；第1 全连接层长度为11×256；第2 全连接层长度为20；卷积层的激活函数为Sigmoid 函数。不同迭代次数下的损失情况如图5所示。

图5 不同迭代次数下对应的损失Fig.5 Corresponding loss under different iteration times

各训练点和测试点的相对误差分别如图6 和图7所示，各测试点绝对误差如图8所示。

图6 滑油消耗量训练数据的相对误差Fig.6 Relative error of oil consumption training data

图7 滑油消耗量预测数据的相对误差Fig.7 Relative error of oil consumption prediction

图6 中，各训练点相对误差均在16%以下，平均相对误差为5.8%，验证了CNN 方法的有效性；图7中，各测试点相对误差最大值为6.5%，最小值0.21%，平均相对误差为3.8%；图8 中，各测试点绝对误差均在0.225×10-3m3以内，其中，最大值0.21×10-3m3，最小值为0.007×10-3m3，平均绝对误差为0.129×10-3m3。预测值与实际值对比如图9所示。