基于自组织竞争网络的航空发动机地面起动过程点火异常诊断方法.pdf

-51-CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024中国科技信息 2024 年第 9 期航空航天航空发动机作为结构复杂的气动热力学系统，在高温、高速、高振动的恶劣环境下工作。其中起动过程作为发动机正常运行的首个阶段，是发动机及飞机正常工作的重要基础。起动过程作为航空发动机的一种复杂的非线性动态过程，故障率高，其中由于发动机点火系统异常导致起动时间过长、起动超温甚至起动失败等故障经常出现，对发动机的工作稳定性、安全性和可靠性有不利的影响。近年来国外在航空发动机起动故障诊断领域的研究主要有 Sunil Menon 采用隐式马尔科夫模型、人工神经网络模型等机器学习方法对发动机的起动过程进行故障检测与诊断、Kyusung Kim 通过定性模型的方法对发动机起动故障进行检测与诊断。而国内在航空发动机起动故障诊断与预测方面的研究较少，南京航空航天大学的张琦等人提出了通过建立发动机起动部件级模型来检测典型发动机起动故障的诊断方法。由于国内在航空发动机起动故障领域的研究起步较晚，因此针对航空发动机起动时点火异常导致的起动失败等问题进行故障诊断研究具有重要意义。本文采用自组织竞争神经网络对航空发动机地面起动时的相关数据进行处理，对起动时发动机状态进行评估，从而判断发动机起动过程中点火系统是否存在异常，评估发动机起动过程的健康情况并判断是否存在故障隐患。自组织神经网络原理自组织神经网络（SOM）属于机器学习中的无监督学习算法，即在神经网络的训练阶段不需要样本标签，能够在不知道具体类别的情况下，对输入样本进行聚类。不同于一般的基于损失函数的反向传递来进行训练的神经网络，自组织神经网络考虑到了生物神经系统中的侧抑制现象，即一个神经细胞受到刺激后，会对周围的神经细胞产生抑制作用，这会使得神经细胞之间产生竞争，最终某些神经细胞获胜。自组织神经网络采用了类似的竞争学习（Competitive Learning）策略，依靠网络中神经元之间的相互竞争来更新与优化神经元之间的权值。自组织（竞争）神经网络的结构有两层：输入层、竞争层（或输出层）。其结构如图 1 所示。竞争层的神经元之间相互竞争以求被激活，在每一时刻只有一个输出神经元被激活，这个被激活的神经元成为竞争获胜神经元，而其他竞争失败的神经元则被抑制。自组织竞争神经网络通过对输入样本与神经元之间进行行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度基于自组织竞争网络的航空发动机地面起动过程点火异常诊断方法尤黎明尤黎明中国飞行试验研究院中国科技信息 2024 年第 9 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-52-航空航天相似度比较来进行分类。首先对输入样本 X 和竞争层神经元对应的权重向量 j进行归一化，是得 X 和 j的模为 1；其次将竞争层中各神经元对应的权重向量进行相似性比较，具体过程如下式：1,2,.,max()TTjjjmXX=（1）式（1）中，输入向量和权重向量归一化后的内积最大即代表相似度最大。最后获得获胜神经元的输出，并调整神经元的权重，如下式所示：()jjjjjX=+=+（2）式中，为学习参数，01。发动机地面起动点火机理分析及模型关键参数确定。发动机地面起动过程是通过点火系统、燃油系统、控制系统以及燃气涡轮起动机等多个系统及附件的协同工作，按照一定的控制逻辑和燃油供油规律，将发动机从零转速过渡到慢车转速的过程。发动机地面起动时，首先由数字电子控制器向动力装置控制终端发出点火指令，随后动力装置控制终端同时向两路发动机点火装置供电，点火装置再分别通过两根点火电缆传向点火电嘴供电，点火电嘴产生火花，原理如图 2 所示。同时，飞机油箱的燃油经飞机增压泵、管路、燃油离心增压泵、低压燃油滤进入主泵-控制装置，随着发动机压气机转子转速上升，主泵-控制装置中逐渐建立燃油压力，此时数字电子控制器按照预设的供油计划将指令发给主泵-控制装置，改变主泵-控制装置计量活门的开度，燃油通过计量活门后经停车消喘装置、燃-滑油散热器、燃油分布器进入副油路燃油总管，最后经喷嘴对燃油进行雾化，雾化后的燃油在燃烧室内被点火电嘴产生的电火花点燃。原理如图 3所示。通过上文对发动机地面起动点火过程的具体分析，可确定影响发动机地面起动状态的主要因素。（1）发动机地面起动状态与起动时当地的气象条件及大气环境有关，例如地面起动时的气压高度、大气压力以及发动机进口总温等。（2）若发动机地面起动过程中存在故障，则会对发动机的状态参数造成相应的影响，例如高低压转子转速、压气机整流器角度、风扇、压气机及涡轮等部件的相应截面温度与压力等。（3）若地面起动时发动机控制系统存在故障从而导致点火过程异常，则发动机相应控制参数会出现异常，例如发动机给定燃油流量、给定压气机整流器角度、主泵-控制装置的给定燃油计量活门开度等。（4）若地面起动过程中发动机燃油系统存在故障导致点火过程异常，则发动机燃油系统相关参数会出现异常，例如发动机实际燃油流量、实际燃油计量活门开度、燃油温度、副油路压力、燃油滤进出口压力等。（5）此外，其他发动机各系统的相关参数也可间接表示发动机起动过程中的状态是否存在异常，例如发动机机匣振动、滑油温度、压力以及发动机引气温度与压力等。通过以上分析，可确定发动机地面起动点火过程的状态是否存在异常的具体影响因素，从而确定所建立的自组织竞争神经网络模型的具体输入输出参数，如表 1 所示。某型发动机在 2022 年 11 月2023 年 6 月工作期间，共进行地面起动 23 次。其中发动机正常状态下起动次数为11 次；发动机点火系统中的单侧点火装置故障情况下进行起动 12 次。通过上文对点火系统的分析可知，发动机采用两路点火，点火系统安装有左右两侧点火装置，在其中一侧点火装置故障的情况下，依然可以保证发动机的点火成功。图 4、图 5 分别显示了正常状态及单侧点火装置故障状态下的发动机起动过程中主要参数的变化，图中数据均已进行归一化处理。由图 4、图 5 可知，发动机在正常状态下与单侧点火装置故障时的起动过程并无明显差异，单侧点火装置故障时起动的发动机主要状态参数如高低压转子转速、涡轮后排气温度、燃油流量、压气机出口压力、压气机整流器角度等均无明显异常。图 3 发动机起动过程燃油系统原理图 2 发动机起动过程点火系统原理图 1 自组织竞争神经网络结构-53-CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024中国科技信息 2024 年第 9 期航空航天而在只有单侧点火装置正常工作的情况下，会导致发动机点火系统的点火可靠性下降，进而出现发动机点火不成功或成功晚的情况，导致起动故障。因此若能及时发现点火装置的故障，有助于排除起动故障发生的隐患，对航空发动机健康管理有重要意义。模型建立与验证针对表 1 所确定的模型输入输出参数，统计发动机每次起动时各参数在起动状态结束时刻的值，最终获得 2324的模型输入参数矩阵 D。首先将输入参数矩阵 D 进行归一化处理；其次建立相应的自组织竞争神经网络模型，模型的输入层神经元数目为24，将训练轮次 epochs 设置为 20，由于需要识别区分的状态为正常状态、异常状态，因此竞争层神经元的数目为 2，设置学习速率为 0.01；最后对所建立的自组织竞争网络模型进行训练，通过竞争规则调整输入层与竞争层之间的神经元的权值。模型的训练状态如图 6 所示，训练前和训练后的权值分布如图 7 所示。如图 7 所示，通过输入样本对自组织竞争神经网络模型进行训练后，网络神经元的权值具有明显的变化，表明网络能够对输入样本进行分类，然后通过模型对前文分析统计得到的输入样本进行分类，最终得到模型的分类结果如表 2 所示。图 5 发动机点火装置故障状态下起动过程主要参数变化图 4 发动机正常状态下起动过程主要参数变化表 2 输入样本的分类结果样本编号实际状态分类状态1正常22正常13正常24正常25正常26正常27正常28正常29正常210正常211正常212异常113异常114异常215异常116异常117异常118异常119异常120异常121异常122异常123异常1表 1 自组织竞争网络模型输入输出参数影响因素输入参数输出参数大气环境气压高度 h/m正常状态或异常状态大气压力 P0s/MPa进口总温 T1t/发动机状态参数低压转子转速 N1/%高压转子转速 N2/%压气机整流器角度 2/压气机出口压力 P3s/MPa低压涡轮后总温 T5t/涡轮后压力 P5t/MPa控制系统给定燃油流量 Wfg/（kg/s）给定压气机整流器角度 2g/给定燃油计量活门开度 Lwfg/%燃油系统实际燃油流量 Wfs/（kg/s）实际燃油计量活门开度 Lwfs/%燃油温度 Tf/副油路压力 Pfu/MPa燃油滤进口压力 Pfin/MPa燃油滤出口压力 Pfout/MPa主泵计量燃油温度 Twf/其他系统发动机机匣振动 B/（mm/s）滑油进口压力 Pm/MPa滑油出口温度 Tm/发动机引气温度 Tb/发动机引气压力 Pb/MPa中国科技信息 2024 年第 9 期CHINA SCIENCE AND TECHNOLOGY INFORMATION May.2024-54-航空航天由表 2 的分类结果可知，所建立的自组织竞争神经网络模型对 23 组发动机起动样本成功进行了无监督聚类，模型将正常状态样本数据的输出类别为定义为 2，异常状态样本数据的输出类别定义为 1，模型的分类错误率为2/23=8.6%，即模型分类精度为 91.4%，表明了该方法的图 7 网络训练前后权值对比图 6 竞争神经网络训练状态可行性与有效性。结语本文提出了一种基于自组织竞争神经网络的航空发动机起动过程点火状态异常诊断方法。首先介绍了自组织竞争神经网络与传统有监督学习的神经网络相比的特点与优势；其次介绍了竞争型神经网络的原理及结构；然后通过对发动机起动过程点火原理的分析，确定了神经网络模型的具体输入输出参数。最后针对具体试验数据建立自组织竞争网络模型并进行验证，模型实际分类结果精度为 91.4%，能够满足实际工程的精度需求，表明了采用自组织竞争神经网络对航空发动机起动过程点火状态异常情况诊断的可行性与有效性。