基于神经网络的波音737NG飞机引气系统故障预测
来源:用户上传
作者:余何星 周广琪 王文博
摘要：通过对波音737NG飞机引气系统故障特征参数的提取、识别和故障分类，构建神经网络，对特征参数进行解析，实现了对系统故障的识别和故障程度的预测，为飞机健康状况管理和预防性维修提供一定参考。
关键词：神经网络；波音737NG；引气系统；故障预测
Keywords：neural network；B737NG；bleed air system；defect prediction
0 引言
波音737NG飞机引气系统为防冰、空调和增压等多个系统提供气源，其重要程度不言而喻。该系统由于大部分部件都位于发动机上，长期处于高温、高压、高振动的恶劣工况，故障率相对较高。一旦出现系统失效，放行条件也比较苛刻。系统故障的诊断和预测可以为运行提供决策，降低停场维护时间，提高故障处理效率。近年来，深度学习发展迅速，已经在故障诊断和预测上得到了不少应用[1-3]。深度神经网络通过多层感知器对目标特征参数的高层次抽象，实现了较为准确的目标特征识别，为故障诊断和预测提供了新思路。李瑞莹等[4]使用反向传播（BP）神经网络对某航空公司故障率进行预测。元尼东珠等[5]使用卷积神经网络（CNN）对发动机各气路参数进行分析，预测发动机剩余寿命。本文旨在对飞机QAR数据进行梳理，使用深度神经网络分析和建模，监控引气系统的健康状况，预测故障程度和部件，及时对系统进行维护，更换性能衰退的部件，降低航班运行压力。
1 引气系统工作原理
波音737NG飞机引气系统由发动机的5级引气和9级（高级）引气组成，根据发动机的工况自动切换供气源。9级引气经过高级调节器（HSR）和高级活门（HSV），调节输出压力到达级间总管，5级引气通过5级单向活门直接到达级间总管，级间总管出口有压力调节器（BAR）和压力调节与关断活门（PRSOV）对输出压力进行调节，在出现故障时可及时关断引气。由于引气温度很高，直接使用易损伤下游系统，因此还有一套冷却系统，通过预冷器控制活门（PCV）引入风扇气路中的冷空气对引气进行充分冷却，经过冷却后的引气再送往下游系统。
系统分别通过390H传感器、450H感温器和490H过热电门对各个部件进行调节和关断，避免引气出现超温或超压情况。当引气温度达到450H时，压力调节与关断活门（PRSOV）将主动关小，避免温度持续上升，此时引气压力会下降；当温度达到490H时，压力调节与关断活门（PRSOV）将直接关断，称为“引气跳开”（Bleed Trip Off）。
由此可见，引气系统最重要的功能就是为下游系统提供合适温度和压力的气源。因此，引气系统的故障最主要影响的就是输出引气的压力和/或温度。
2 引气系统特征参数
首先，对飞机QAR参数进行梳理，将可能影响引气压力和温度的基本参数梳理出来，包括大气环境状态、发动机工况、各防冰系统状态、空调组件工作状态等。通过波音[6]提供的计算公式，使用高度、马赫数、N1转速、N2转速和大气静温参数，可以估算出飞行全程，发动机引气系统每一秒所处的状态：是处于9级调压区间、5级调压区间，还是处于二者的切换过程（非调压区），下文简称9级工况、5级工况和非调压工况。
其次，随着部件的恶化，引气系统的温度和压力也将随之变化。在9级或5级调压工况下，引气的压力和温度是有标准的，不在标准区间的值即为异常点。本文选择分别对引气的压力和温度参数进行切片，统计这些常点在不同温度和压力区间段出现的频次，组成一个温度/压力频次表。其中，9级工况统计低压出现频次，形成一维表格。 5级工况统计低压未超温和超温低压出现频次，形成二维表格。以某架737NG飞机某次引气超温低压故障为例，横轴为引气压力（向右压力依次降低），纵轴为引气温度（向下温度依次增高），提取飞机发生故障及故障前几周共9趟航班的温度/压力频次表，如图1所示，绘制成九宫格热力图（颜色越深表示频次越高）。从中可以清晰看出，随着时间的推移，引气超温频次向着温度越来越高、压力越来越低的方向发展。同样，未超温低压故障在频次表内也有特殊的表现形式。可见，经过抽象提取的温度/压力频次表能够表征飞机引气系统的状态。
据此选择数架发生过不同类型引气系统故障的737NG飞机，对其引气系统故障前一个月和故障排除后一周的QAR数据进行梳理，提取特征值建立温度/压力频次表，根据故障源和故障程度打上故障标签。这些特征参数可以作为神经网络的训练输入参数，用于训练神经网络。
3 神经网络模型的建立
根据前述引气模型的抽象，本文对每一个飞行航段提取了81个特征参数（主要由不同引气压力和温度区间的频次组成），用于表征引气系统的健康状况和可能的故障情况。已知故障源的飞机QAR数据按规则提取特征参数作为神经网络的输入，故障标签作为输出训练深度神经网络。输入层为81个神经元，隐藏层使用两层全连接，分别包含256个和512个神经元，激活函数为relu，优化器为Adam，输出层使用softmax分类输出结果。由于不同类型的故障经过神经网络识别出的特征信息是不一样的，因此分别训练了多个子神经网络，用于识别不同模块的故障，分别是预冷器模块故障（PCV/T390）、高级模块故障（HSR/HSV）、压力调节模块故障（BAR/PRSOV）和保护模块故障（T450）。感温器T450常见的故障现象与高级模块和预冷器模块的故障现象有相似成分，因此，从PCV/T390线路和HSR/ HSV线路中抽取提取到的特征信息，经过连接后作为T450神经网络的输入，再次经过两层全连接层进行分析。这样，就可以让神经网络的“注意力”集中在这些表现形式的参数上，进行再次高阶抽象，以提高训练速度和结果的可信度。最后，输入参数经过每个子神经网络分析后，将所有结果汇总，再输出模型的最终结果。故障预测系统模型简图如图2所示。
nlc202211291243
4 结果验证
选取737NG机队已确认故障源的8架飞机和2架无故障飞机前一个月的QAR数据，组成测试验证数据。使用建立好的引气故障预测模型进行计算，绝大部分飞机在故障发生前几天甚至几周系统就能识别出轻度至中度级别的故障，在故障发生前几个航段可识别出中度至重度级别的故障，并给出可能的故障源（见表1），与实际排故结果基本一致。对于无故障一侧的发动机，本模型都能判断其处于良好状态，无故障或轻微故障。其中，飞机1的故障未识别出来，研究该飞机的QAR数据发现其为突发故障，前序航班引气系统参数完全正常，因此未能提前识别出故障。从速度上来看，使用常规配置个人电脑作为计算环境，系统计算单一航段的运算速度可以控制在1s左右，具有生产应用价值。实测结果说明本模型能够很好地实现对737NG引气系统性能恶化的故障预测。
5 结语
本文旨在探索神经网络在飞机某些故障识别和预测上的应用。实践证明，在对系统理论和故障深入分析的基础上，深度神经网络可以代替人工对海量飞机数据进行快速筛选和计算，及时发现故障趋势，为预防性维修提供数据支持，具有广阔的应用前景。
参考文献
[1]刘林凡.深度学习在故障诊断中的研究综述[J].新型工业化，2017，17（4）：45-48，61.
[2]任浩，屈剑锋，柴毅，等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32（8）：1345-1358.
[3]谴褐荆冯辅周，吴守军，等.深度学习在旋转机械设备故障诊断中的应用研究综述[J].噪声与振动控制，2019，39（5）：1-7.
[4]李瑞莹，康锐.基于神经网络的故障率预测方法[J].航空学报，2008（2）：357-363.
[5]元尼东珠，杨浩，房红征.基于卷积神经网络的发动机故障预测方法[J].计算机测量与控制，2019，27（10）：74-78.
[6] Boeing.服务信函SL-737-36-024-B[Z]. 2013.
nlc202211291243
转载注明来源:https://www.xzbu.com/1/view-15442689.htm
