基于BP 神经网络的航空发动机参数预测与实时告警系统设计

董 洋，孙景钰，李南伯，莫古云

（成都飞机工业（集团）有限责任公司，成都 610073）

0 引言

航空发动机作为飞机系统的“心脏”［1］，是整个飞机最为重要的系统之一，其产品质量、性能指标与工作状况会影响整个产品的工作性能。因此，对于航空发动机各性能参数的监控与判读分析就显得尤为重要［2］；另外，作为一种系统复杂的精密机械，一旦超过使用限制对其本身产生的影响以及后续维修处理成本都是相当巨大的。因此，提前发现参数异常现象，在发动机故障前提前做出动作对于发动机本身与使用方来说都是具有非常重大意义的事情。

国内外学者对发动机监控、诊断技术已经进行过大量的研究。航发机研究所的吴伟力等［3］对发动机振动故障的诊断技术进行研究，通过对多种故障诊断方法进行阐述，总结了故障诊断的有效途径。霍荣伟等［4］在发动机气路诊断方面做出了大量研究。崔展博等［5］建立基于量子神经网络和趋势推演的自修正安全预警模型，设计了一种适应多机型的实时飞行安全监控系统。郭朝翔等［6］举例分析了发动机参数监控的几种方法与应用，为工程技术人员进行参数监控提供了借鉴。可以看出国内外对发动机故障监控诊断技术已有成熟经验。

另一方面，先进的算法模型在监控与故障分析诊断中的应用使得故障诊断效率大大提高。曹惠玲等［7］将改进后的Bagging算法应用在航空发动机的气路诊断问题当中，提高了对于复杂故障现象的诊断准确率。史永胜等［8］学习了贝叶斯算法的基本原理，通过因果关系建立了发动机各部件或子系统故障情况与整机系统故障的关系可视化模型，结合自身的经验，梳理出各部件、各子系统的依赖关系与程度，准确可靠地找到了系统的薄弱环节，提高系统整体可靠性。杨旭等［9］结合大型航空发动机机载振动监测研制需求，提出了机载健康管理振动监测系统硬件设计关键点，根据机载振动监测实时性要求，采用多线程技术设计了健康管理振动监测软件，实现了对发动机机载振动实时监测告警的功能。

上述文献中对于发动机监控与诊断技术均有大量的研究与应用，也融合了许多先进算法辅助分析。但是，其对于一线生产使用部门来说相对复杂，不具备可操作性。此外，基于飞参数据进行的分析，目前一线部门对于飞参数据的使用与判读仍处于将试车或者飞行后的数据下载下来，通过专业的飞参判读软件进行处理。一方面使用部门对于机上成品设备的开发使用权限不足，无法进行底层更改；另一方面需要依赖专用的判读软件进行诊断，没有根据自身经验建立新的判读和监控规则。这就导致对于发动机的状态监控与故障诊断不具备时效性，不能发挥作为一线使用单位的优势。

本文提出一种基于BP 神经网络算法［10］的航空发动机参数预测与告警系统设计方法。通过对前期大量发动机参数的统计整理与特征学习，采用BP 神经网络算法针对不同状态不同参数建立参数特征模型，在发动机试车过程中，通过特征模型对特定工作状态下的参数进行实时分析，预测后续状态的参数值，实现参数的实时预测，提前发现参数异常趋势，及时将风险消除。

1 系统技术应用

1.1 发动机参数监控

航空发动机追求的是高速高效的战术性能，而这对其自身的可靠性与耐久性提出了巨大的挑战，发动机监控技术正是针对这一需求出现的［11］。监控技术的意义在于确保发动机安全可靠地使用。

航空发动机工作特性与性能可以通过不同参数呈现出来，通过对参数的分析判读来判断发动机各项性能指标是否合格。发动机参数主要有气路参数（包括发动机转速、排气温度、压气机导向叶片角度等）和状态参数（包括滑油温度、燃油温度、振动值等）等组成。通过对以上参数的监控来反映发动机的状态与工作性能［12］。例如，通过对转速的监控来反馈发动机工作状态；通过对滑油压力、燃油压力的监控检测发动机油路是否堵塞。

1.2 BP神经网络

神经网络［13］是一种数学算法模型，它类似于对动物神经网络的模拟构建，通过构建网络式结构的模型，将数据的信息通过大量的内部节点连接起来，通过调节节点之间的联系实现信息处理与数据计算。

神经网络通过对于输入输出数据的分析学习，自身训练出某种规则，建立出特征模型。在给定输入值后即可以得到最接近期望的输出值。这种神经网络的计算精度依赖于数据库的大小以及模型的匹配程度。通过对大量前期数据的分析学习才能建立起相对准确的特征模型。

BP神经网络是在原有基础上加入了前馈环节，将实际输出值与期望输出值的误差反向传播，然后再通过修改各神经元的权值使得误差最小。

2 系统设计

2.1 系统架构

为实现对发动机参数及时预测告警的功能，本系统将神经网络算法、实时采集监控技术与预测告警技术集成为一个系统。本文通过软硬件将3 种功能结合起来，在建立好不同参数的变化特征模型后，根据实时输入的参数信号进行分析得到预测结果，告警模块也随时保持与监控软件的通讯。系统架构如图1 所示。

图1 系统架构

2.2 参数预测模型建立

发动机使用过程中要求监控的参数有许多，不同参数的限制条件也不相同，因此需要对不同参数建立各自的特征模型。此处以某一参数的模型建立过程为例展示参数特征模型建立流程，具体流程如图2 所示。

图2 神经网络特征模型建立流程

首先需要对前期试车数据进行整合，建立数据集，此处需要对飞参数据进行重构，包括工作时间、发动机转速、排气温度等参数，通过工作时间与转速来进行关键要素筛选与优化整合，针对不同参数建立不同数据集。

其次，将数据集中大部分数据用来作为训练数据，建立BP神经网络模型，神经元输入输出函数如下：

式中：wij为各隐藏层之间的权值；θ 为隐藏层的阈值。

得到初始模型后与少部分测试数据融合进行误差计算。根据实际经验与通用公式选择合适的隐藏层节点数目与训练次数，节点数目前期根据经验公式进行选择。

式中：m为隐藏层节点数量；n 为输入层节点数量；l 为输出层节点数量。

上述数据集的筛选、特征模型的建立均在MATLAB软件中进行［14］，将飞参数据读取后进行组合重构，根据需要选择不同参数，利用软件自带的神经网络函数模块进行训练，设定合适的节点数与训练次数，根据测试数据的误差计算得到最优的特征模型。最终得到的模型数据如图所3示，图中参数特征模型隐藏层节点数为12，在训练到第5次时得到了最优解，其均方误差如图4所示。

图3 BP神经网络模型参数

图4 均方误差变化

发动机状态可以分为停车、起动、慢车、中间态、最大状态等多种工况。本文选取的工况是发动机起动状态，通过训练起动过程中温度参数的变化曲线，得到该参数整个起动阶段的特征模型，后需代入测试数据对模型进行验证，得到最优模型后即可实现在起动初期阶段就能够判断出起动后期发动机的温度状态。

2.3 数据采集与预测告警

试车时的实时数据采集拟采用图像识别的方式进行，通过字符识别的功能对发动机某项参数进行采集，并将数据实时记录传输给下位机进行分析处理，代入到参数特征模型中进行预测。

监控模块对采集设备的采样速率、分辨率、精度等参数具有一定的要求，本文选择了一款工业智能相机作为数据采集设备，在其中写入字符识别（OCR）功能［15］。该款相机字符识别采集速率可达到10 Hz，完全有能力满足参数监控的需求。

参数预测告警的目的是提前发现风险点并给出提示，根据发动机的监控参数特征不同，编写不同的限制条件以及判读条件。本文采用MATLAB 软件进行数据分析与处理，一方面利用其函数库中的神经网络函数计算出结果之后，将数据及时显示，并与限制条件作为对比，通过可视化图形进行监控与告警；另一方面对实时提取出的数据进行增长率计算，当判断其增长率异常后同样发出告警。举例如下：

式中：xt为当前采集到的排气温度参数；Δt为采样周期。

当计算出的kt值超过一定标准后，就会发生发动机热悬挂现象。

参数界面如图5 所示，此时已经将前期数据导入并显示出来，现阶段需要将实时提取的参数同时绘入曲线图中，进行后期参数预测。在界面中可以分别显示出当前值、预测值与限制值，当预测值超过限制值时会发出告警信号提示操作人员进行处置。

图5 参数显示界面

3 系统运用

3.1 系统组成

系统整体搭建如图6 所示，主要由数据采集监控设备、上位机信息处理计算机以及飞参综合检测设备组成。以某航空发动机起动阶段排气温度变化预测为例，在发动机起动过程中，通过数据采集设备将排气温度数据传给信息处理计算机，将数据导入前期建立好的参数特征模型，计算出起动到达状态时的预测温度，与限制值进行对比，即可实现提前告警功能。

图6 系统整体示意

3.2 软件应用

图7 所示为软件运行时的显示界面，左边表格是获取到的监控数据，单击预测按钮即可执行神经网络预测程序，同时在上方显示预测结果，每个参数有3 个显示值，第一个为当前状态值，第二个为模型计算出的预测值，第三个为该参数的限制值。为了方便判断，在右下方将参数的实际曲线绘制出来，可以看到参数发展的趋势图，当预测值超过限制值时其背景颜色会变为红色，此时试车人员可以进行应急操作，每个参数框有一个处置按钮，单击即可打开该参数异常时的应急处置措施。

图7 软件运行界面

3.3 功能拓展

结合发动机的自身特点以及使用维护要求，除了预测告警的功能外本系统后期还可以具备自动应急处置的能力。现阶段由于信息处理计算机无法与飞机通信，只能进行监控功能，在异常时提示告警措施，后期可以将该软件装载到飞参综合检测设备当中，出现异常情况时点击处置按钮可以直接发送控制信号进行处置。

4 结束语

本文针对目前航空发动机试车监控技术与应用系统提出了一种新的解决方式。针对现有监控技术不具备时效性的问题，构建了一种基于神经网络模型的参数预测系统，通过对大量数据的训练学习建立参数的变化模型，给参数预测提供了模型支撑，又通过图像识别处理的方式采集实时数据，打通基础条件，最后编写了一款软件将模型与硬件结合起来，完整地构建出本文中的预测与实时告警系统。实现发动机试车参数的实时预测功能。

本系统对于工业部门、生产单位具有通用的使用价值，能够提升发动机试车的安全性，极高生产效率，降低风险的同时减少维护成本。在未来发展方面，对于设计单位同样具备借鉴性。在故障判断与控制手段中应用，可以实现实现故障的提前处置。