閆鋒 呂雙祺

摘? 要：使用飛行數(shù)據(jù)，利用支持向量機(jī)（SVM）理論對(duì)航空發(fā)動(dòng)機(jī)排氣溫度基線（EGT）進(jìn)行建模，通過基于K-CV交互檢驗(yàn)法對(duì)模型參數(shù)進(jìn)行優(yōu)化，采用最優(yōu)懲罰參數(shù)c和核函數(shù)參數(shù)g對(duì)航空發(fā)動(dòng)機(jī)排氣溫度（EGT）基線進(jìn)行回歸器訓(xùn)練，得到最佳性能的回歸預(yù)測(cè)模型。然后計(jì)算EGT基線預(yù)測(cè)值，進(jìn)而得到EGT值的偏差量，并實(shí)現(xiàn)偏差量變化趨勢(shì)的可視化。偏差量作為航空發(fā)動(dòng)機(jī)性能監(jiān)視和故障診斷的主要依據(jù)，通過對(duì)偏差量以及偏差量的變化趨勢(shì)分析，可以判斷航空發(fā)動(dòng)機(jī)的健康狀況和性能趨勢(shì)，對(duì)使用和維護(hù)發(fā)動(dòng)機(jī)提供重要的依據(jù)。最后利用MATLAB軟件完成用戶界面和航空發(fā)動(dòng)機(jī)性能參數(shù)數(shù)據(jù)可視化軟件的開發(fā)。

關(guān)鍵詞：航空發(fā)動(dòng)機(jī);排氣溫度基線;支持向量機(jī);數(shù)據(jù)可視化

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.

數(shù)字化作為國(guó)家創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略的技術(shù)基點(diǎn)，已經(jīng)在我國(guó)全社會(huì)各行各業(yè)深入推廣。航空發(fā)動(dòng)機(jī)作為民用客機(jī)的核心系統(tǒng)其結(jié)構(gòu)復(fù)雜，在高溫、高壓、高轉(zhuǎn)速的惡劣條件下長(zhǎng)時(shí)間工作，故障率較高，對(duì)飛行安全的影響較大。同時(shí)發(fā)動(dòng)機(jī)安裝數(shù)十種傳感器，運(yùn)行過程中每秒鐘都會(huì)產(chǎn)生大量的數(shù)據(jù)。如何利用這些數(shù)據(jù)來保障航空器安全和經(jīng)濟(jì)是現(xiàn)在和未來行業(yè)的技術(shù)發(fā)展方向。實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)的可視化是實(shí)施航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控、故障診斷以及性能預(yù)測(cè)的重要技術(shù)路徑。人工智能數(shù)據(jù)挖掘算法是數(shù)據(jù)可視化的理論基礎(chǔ)。數(shù)據(jù)挖掘算法需要依賴于發(fā)動(dòng)機(jī)運(yùn)行過程中產(chǎn)生的各種類型的傳感器觀測(cè)參數(shù)，模擬人類從實(shí)例中學(xué)習(xí)歸納的能力，主要研究從一些觀測(cè)數(shù)據(jù)中挖掘出目前尚不能通過原理分析得到的規(guī)律，并利用這些規(guī)律去分析客觀對(duì)象，對(duì)未知數(shù)據(jù)或無法觀測(cè)的新數(shù)據(jù)進(jìn)行預(yù)測(cè)和判斷，并實(shí)現(xiàn)狀態(tài)的解譯和評(píng)估。航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控、故障診斷和性能預(yù)測(cè)的代表性數(shù)據(jù)挖掘方法主要有基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法、基于支持向量機(jī)（SVM）的故障診斷方法等等[1-5]。本文采用SVM方法。

1 飛行數(shù)據(jù)可視化總體實(shí)現(xiàn)流程

該實(shí)驗(yàn)教學(xué)軟件總體的開發(fā)流程圖如圖1所示。

2 樣本數(shù)據(jù)的獲取及處理

獲取A321-200型飛機(jī)機(jī)載ACARS系統(tǒng)采集到的CFM56-5B型發(fā)動(dòng)機(jī)的飛行數(shù)據(jù)，并對(duì)樣本數(shù)據(jù)篩選，構(gòu)建模型樣本向量空間[6-8]：選取800組仿真模型樣本數(shù)據(jù)（如表1所示），其中前面500組數(shù)據(jù)作為模型的訓(xùn)練樣本，后300組數(shù)據(jù)作為模型的測(cè)試樣本。

3 數(shù)據(jù)可視化理論

3.1 支持向量機(jī)理論

支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力[9-12]。它在解決小樣本、非線性及高維模式識(shí)別為題中已初步表現(xiàn)出很多優(yōu)于已有方法的性能，并大大提高了學(xué)習(xí)方法的泛化能力[13-15]。

3.2 支持向量機(jī)核函數(shù)選擇

核函數(shù)作為SVM回歸算法的核心，對(duì)SVM模型的精度有著很重要的作用。核函數(shù)精度對(duì)比如表2所示。本文選用徑向基核函數(shù)作為預(yù)測(cè)模型的核函數(shù)。

3.3 基于K-CV交互檢驗(yàn)方法的參數(shù)尋優(yōu)

建立SVM回歸預(yù)測(cè)模型的兩個(gè)關(guān)鍵參數(shù)：一個(gè)是控制SVM算法經(jīng)驗(yàn)風(fēng)險(xiǎn)與泛化性能達(dá)到某一平衡點(diǎn)的懲罰參數(shù)c，另一個(gè)是控制徑向基核函數(shù)性能的參數(shù)g。本方案選用K-CV交互檢驗(yàn)方法進(jìn)行參數(shù)尋優(yōu)，首先將原始樣本數(shù)據(jù)分成K組（一般是均分），將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集。

6 結(jié)束語

以國(guó)內(nèi)某航空公司的真實(shí)飛行數(shù)據(jù)，利用SVM人工智能數(shù)據(jù)挖掘算法，模擬仿真航空發(fā)動(dòng)機(jī)性能基線模型（以EGT為例），分析預(yù)測(cè)的排氣溫度值與EGT基線之間的偏差量及偏差變化趨勢(shì)，并用MATLAB工具開發(fā)了數(shù)據(jù)可視化軟件，將數(shù)據(jù)直觀的顯示出來，用以判斷航空發(fā)動(dòng)機(jī)健康狀態(tài)，為工程決策提供依據(jù)。

該模型得到EGT絕對(duì)誤差在±10k范圍內(nèi)，SVM模型對(duì)排氣溫度基線的訓(xùn)練數(shù)據(jù)樣本集的回歸預(yù)測(cè)結(jié)果理想，該模型適用。

參考文獻(xiàn)：

[1]楊玉紅.信息技術(shù)與職業(yè)技術(shù)在課堂教學(xué)中深度融合研究[J].通訊世界，2017（14）：270-271.

[2]黃曦，卿新林，王奕首，等.基于SDAE的航空發(fā)動(dòng)機(jī)燃油流量基線模型構(gòu)建[J].航空發(fā)動(dòng)機(jī)，2019，45（2）：29-33.

[3]閆鋒.一種航空發(fā)動(dòng)機(jī)燃油流量基線的建模方法[J].計(jì)算機(jī)測(cè)量與控制，2015，23（5）：1635-1638.

[4]楊洪富，賈曉亮，任壽偉.基于數(shù)據(jù)驅(qū)動(dòng)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)方法綜述[J].航空精密制造技術(shù)，2016，52（5）：6-9.

[5]付旭云，陜振勇，李臻，等.時(shí)變模糊神經(jīng)網(wǎng)絡(luò)及其在航空發(fā)動(dòng)機(jī)排氣溫度預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)集成制造系統(tǒng)，2014，20（4）：919-925.

[6]曹惠玲，張卓，曲春剛.SVR在航空發(fā)動(dòng)機(jī)基線挖掘中的應(yīng)用研究[J].機(jī)械科學(xué)與技術(shù)，2017，36（1）：152-160.

[7]李應(yīng)紅，尉詢楷，等.航空發(fā)動(dòng)機(jī)的智能診斷、建模與預(yù)測(cè)方法[M].北京：科學(xué)出版社，2013.

[8]尉詢楷，楊立，等.航空發(fā)動(dòng)機(jī)預(yù)測(cè)與健康管理[M].北京：國(guó)防工業(yè)出版社，2014.

[9]上海航空測(cè)控技術(shù)研究所.航空故障診斷與健康管理技術(shù)[M].北京：航空工業(yè)出版社，2013.

[10]白鵬，張喜斌，張斌，等.支持向量機(jī)理論及工程應(yīng)用實(shí)例[M].西安：西安電子科技大學(xué)出版社，2008.

[11]鄧乃揚(yáng)，田英杰.支持向量機(jī)——理論、算法與拓展[M].北京：科學(xué)出版社，2009.

[12]劉方園，王水花，張煜東.孿生支持向量機(jī)數(shù)學(xué)模型與應(yīng)用綜述[J].測(cè)控技術(shù)，2018（8）：10-15.

[13]陳永義，熊秋芬.支持向量機(jī)方法應(yīng)用教程[M].北京：氣象出版社，2011.

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

[15]閆鋒，尚永鋒，左渝鈺，等.民用航空發(fā)動(dòng)機(jī)拐點(diǎn)溫度的計(jì)算方法[J].航空計(jì)算技術(shù)，2013，43（1）：44-48.

[16]鐘詩勝，崔智全，付旭云. Rolls&Royce發(fā)動(dòng)機(jī)基線挖掘方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2010，16（10）：2265-2270.

[17]劉志榮，朱睿，梁忠生，等.發(fā)動(dòng)機(jī)健康基線及評(píng)估準(zhǔn)則研究[J].廈門大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，49（4）：520-525.

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

[19]付金華，閆鋒.航空發(fā)動(dòng)機(jī)排氣溫度基線建模方法[J].航空計(jì)算技術(shù)，2014，44（6）：49-54.

[20]張春，舒敏.基于支持向量機(jī)的健康狀態(tài)評(píng)估方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（3）：18-26.