基于SVM理论的航空发动机飞行数据可视化建模

来源:用户上传      作者:

　　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。 　　4 航空发动机性能基线建模
　　使用MATLAB R2012b软件平台下的Libsvm工具箱来编程实现支持向量机建模，步骤如下：
　　（1）选取训练样本和测试样本;
　　（2）对训练样本和测试样本数据进行归一化;
　　（3）对训练样本进行SVM参数寻优;
　　（4）利用最优参数对回归器进行学习训练得到最终的预测模型;
　　（5）利用预测模型对测试样本进行回归预测;
　　（6）对输出预测值进行反归一。
　　4.1 基线模型自变量确定
　　为了确定决定基线的影响因素，需要进行数据相关性分析。相关性分析（Correlation Analysis）是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。
　　现分别确定每个自变量与EGTB、N2B、FFB的样本相关性分析结果如表3所示。
　　排气温度EGT是航空涡轮燃气发动机的一个重要性能监控参数。当无故障的航空发动机处于稳态（如巡航），飞行状态（如飞行高度、外界总温、飞行马赫数等）和发动机自身状态（引气、转速、可调静子叶片角度等）将会存在一个对应上述状态下的理想EGT值（标准大气条件下），该值就是对应状态下的EGT基线EGTB。
　　（3）式中，Bleeds代表的引气自变量集合，包括ECS、HPTACC、LPTACC、WAI、NAI、VBV等。其中飞机巡航阶段VBV（无数据）、WAI（数据均为“0”，表示关闭）、NAI（无数据）均为未使用，故上述三个变量在这种情况下对EGTB产生的影响不计，基线建模时不考虑这三个变量。
　　由表3，使用与EGTB正/负低度相关以上的9个自变量（Alt，N1C，Mach，VSV，ECS Pack 1 Flow，ECS Pack 2 Flow，TAT，HPTACC，LPTACC）来修正式（3），可得CFM56-5B系列航空发动机预测的排气温度基线（记为EGTBP），其数学表达式如下：
　　为支持向量机的输入向量，包含9个参数，y=EGTB作为输出，故有样本集合（i，yi），i=1，…，800其中，对前500个样本集合进行支持向量机回归训练任务，后300个样本集合作为测试样本对所建立的模型进行检验。
　　4.2 支持向量机建模
　　4.2.1 参数优化原则
　　确定K-CV方法的模型参数c和参数g过程中，需要对它们进行范围离散化搜索，为了提高运算的效率，首先确定c和g参数都在[2-8，28]这样一个网格范围内变化，在此指数的坐标系下以1为搜索步长进行粗略的寻找，根据整个网络范围内交互检验后的最小平均平方误差（Mean Squared Error，MSE）出现的位置锁定最佳参数组合所在的一個大致的坐标，然后再缩小网格的范围，以0.25为搜索步长进行较为精细的寻找，找到最终使得交互验证集MSE最小的参数c和g的组合。平均平方误差MSE的计算公式如下：
　　（5）式中i表示每个验证集中样本数目，f（xi）表示调节参数过程中模型对验证集的回归预测结果，yi表示预测对象的真实值即回归的目标值。
　　4.2.2 基于网络搜索的参数c和g优化
　　在使用K-CV法求解时，分组数K值需要通过不断试验来获得最佳取值。以排气温度基线EGTB为例来展示K-CV法进行SVM中参数c和g的优化过程，在MATLAB环境中编写代码并调用相关程序，进行粗略搜索和K值的确定，结果如图2、图3所示。
　　图2以等高线的形式展示了将原始样本数据分成K=5组时在[2-8，28]的网格范围内搜索参数c和g各组合情况下的MSE分布情况;
　　图3是在3维视图中展示MSE分布，图中Z坐标反映了参数c和g不同取值组合对应的验证集平均平方误差MSE大小，Z坐标上数值越小说明其MSE越小，回归预测准确率越高。
　　表4对比了K分别取3、4、5时排气温度基线回归预测模型的验证集最小平均平方误差CVmse。由此可知，对于排气温度基线回归预测模型，最佳K值为5。
　　由计算结果可知，当c=23即c=8，g=20即g=1时CVmse有最小的取值0.0001315，因此，再次利用程序缩小搜索范围来进一步以更小的步长进行精细搜索。精细搜索结果如图4、图5所示。
　　由上得惩罚参数c=2.8284和核函数参数g=2.8284寻优结果以及对应的验证集最小平均平方误差CVmse=0.00048306。
　　4.3 SVM回归器训练
　　通过交互检验法对支持向量机模型参数优化后，利用程序对最优惩罚参数c和核函数参数g，分别对航空发动机排气温度基线EGTB进行回归器训练，以获得最佳性能的回归预测模型[17-19]。
　　模型训练完毕后对训练样本集的回归预测结果对比图如图6所示，图中实心点为排气温度基线EGTB原始训练数据，+字线为相应的SVM回归模型的预测值（记为EGTBP）。
　　图7为排气温度偏差量的预测值和原始值对比图，图中实心点为排气温度原始偏差量，+字线为相应的排气温度偏差量预测值，其计算公式如下：
　　观察能够发现，训练样本原始数据和回归预测结果之差即绝对误差的值绝大多数在±10k范围内，只有很少几个突变点误差较大。说明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较为理想，该SVM回归预测模型建立成功[20]。
　　5 软件实现
　　实现数据可视化对发动机样本数据进行计算、分析，并将分析结果以可视化的形式表示出来，为发动机状态监控提供重要依据。
　　本文选用发动机的排气温度进行实时监控，分析计算出各参数的偏差量，并以图表的形式显示在该软件中，清晰、明了地反映了各偏差量的变化趋势，为判断发动机的健康状况提供重要依据。利用MATLAB可以进行图形界面编辑，并编码生成软件。本软件对实时状态数据的分析主要采用支持向量机理论算法，对发动机的实时数据进行回归预测，并将预测值与原始值以不同的颜色形状在同一张图中表示出来，直观、形象地反映出回归预测的有效性。软件共有三个模块，分别为菜单模块、选择模块、可视化模块，下面将分别介绍这三个模块。软件采用英语界面显示，如图9所示。 　　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.
转载注明来源:https://www.xzbu.com/1/view-15193287.htm