田　煜，潘鵬飛，李俊浩

(中國(guó)飛行試驗(yàn)研究院，陜西 西安 710089)

基于試飛數(shù)據(jù)模型的渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)特性

田煜，潘鵬飛，李俊浩

(中國(guó)飛行試驗(yàn)研究院，陜西 西安 710089)

摘要：基于實(shí)際飛行試驗(yàn)數(shù)據(jù)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法建立了某型渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)模型，利用試驗(yàn)數(shù)據(jù)樣本驗(yàn)證了辨識(shí)模型精度。應(yīng)用該模型研究了不同風(fēng)車轉(zhuǎn)速對(duì)發(fā)動(dòng)機(jī)啟動(dòng)特性的影響。使用的模型建立方法以及對(duì)風(fēng)車啟動(dòng)特性影響因素的分析結(jié)果可以為后續(xù)其他型號(hào)發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)試飛提供參考，也可為風(fēng)車啟動(dòng)包線擴(kuò)展及風(fēng)車啟動(dòng)燃油規(guī)律調(diào)整提供參考。

關(guān)鍵詞：風(fēng)車啟動(dòng)；人工神經(jīng)網(wǎng)絡(luò)；動(dòng)態(tài)模型辨識(shí)；飛行試驗(yàn)

1引言

隨著現(xiàn)代高機(jī)動(dòng)戰(zhàn)機(jī)的發(fā)展，渦扇發(fā)動(dòng)機(jī)在各種機(jī)動(dòng)飛行及劇烈操作條件下更容易遭受熄火停車的風(fēng)險(xiǎn)，這也就要求現(xiàn)代渦扇發(fā)動(dòng)機(jī)具備快速可靠的風(fēng)車啟動(dòng)能力。影響風(fēng)車啟動(dòng)成功與否的一個(gè)關(guān)鍵因素是起始風(fēng)車轉(zhuǎn)速的大小。

渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)時(shí)，由于發(fā)動(dòng)機(jī)轉(zhuǎn)速較低，此時(shí)發(fā)動(dòng)機(jī)部件不滿足相似性條件，難以通過(guò)地面模擬空中風(fēng)車啟動(dòng)特性。在渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)轉(zhuǎn)速范圍內(nèi)，通常不存在可靠的風(fēng)扇、壓氣機(jī)等部件特性，難以通過(guò)有效的部件特性建模方法得到風(fēng)車啟動(dòng)模型。

建立風(fēng)車啟動(dòng)模型的有效方法是采用系統(tǒng)辨識(shí)技術(shù)，建立系統(tǒng)的數(shù)據(jù)模型[1-5]。系統(tǒng)辨識(shí)方法屬于黑箱模型，不考慮系統(tǒng)內(nèi)部復(fù)雜的非線性關(guān)系，針對(duì)系統(tǒng)的輸入輸出響應(yīng)情況，利用實(shí)際的飛行試驗(yàn)數(shù)據(jù)辨識(shí)建立有效的風(fēng)車啟動(dòng)模型，而后在辨識(shí)模型基礎(chǔ)上研究渦扇發(fā)動(dòng)機(jī)的風(fēng)車啟動(dòng)特性。

2風(fēng)車啟動(dòng)物理過(guò)程

渦扇發(fā)動(dòng)機(jī)的啟動(dòng)過(guò)程是一個(gè)多系統(tǒng)相互配合工作的復(fù)雜動(dòng)力學(xué)過(guò)程，涉及到轉(zhuǎn)子動(dòng)力學(xué)、氣動(dòng)熱力學(xué)、燃燒學(xué)和傳熱學(xué)等多門學(xué)科[4]。要準(zhǔn)確、完全地描述發(fā)動(dòng)機(jī)的啟動(dòng)過(guò)程，需要首先找到能夠完全表征啟動(dòng)過(guò)程時(shí)間域行為的一個(gè)最小內(nèi)部狀態(tài)變量組，這個(gè)狀態(tài)變量組必須包含啟動(dòng)過(guò)程的全部物理特征，但達(dá)到這一要求存在較大困難。

啟動(dòng)過(guò)程中，發(fā)動(dòng)機(jī)各截面的氣流速度較低，各部件容腔氣體質(zhì)量的存儲(chǔ)可以不予考慮。當(dāng)考慮發(fā)動(dòng)機(jī)轉(zhuǎn)子的慣性時(shí)，得到低、高壓轉(zhuǎn)子轉(zhuǎn)速兩個(gè)狀態(tài)變量。對(duì)燃燒室的能力存儲(chǔ)及熱損失進(jìn)行考慮時(shí)，可以增加渦輪前燃?xì)鉁囟冗@一狀態(tài)變量，但其測(cè)量比較困難，根據(jù)經(jīng)驗(yàn)可增加渦輪后排氣溫度作為第三個(gè)狀態(tài)變量。由以上分析，假設(shè)啟動(dòng)系統(tǒng)各部件正常工作，啟動(dòng)過(guò)程中發(fā)動(dòng)機(jī)不進(jìn)行幾何調(diào)節(jié)，可以得到離散形式的非線性啟動(dòng)模型為：

3渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)過(guò)程的神經(jīng)網(wǎng)絡(luò)方法

該型發(fā)動(dòng)機(jī)試飛過(guò)程中，通過(guò)機(jī)載測(cè)試系統(tǒng)測(cè)取了發(fā)動(dòng)機(jī)各個(gè)截面處的壓力、溫度等參數(shù)，同時(shí)記錄了飛機(jī)姿態(tài)、發(fā)動(dòng)機(jī)控制器等參數(shù)。試飛過(guò)程中，通過(guò)遙測(cè)系統(tǒng)將測(cè)試數(shù)據(jù)實(shí)時(shí)發(fā)送至地面監(jiān)控室，由地面人員對(duì)發(fā)動(dòng)機(jī)狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控。

3.1飛行試驗(yàn)數(shù)據(jù)預(yù)處理

在渦扇發(fā)動(dòng)機(jī)工作的廣域噪聲情況下，數(shù)據(jù)采集系統(tǒng)采集數(shù)據(jù)的信噪比(SNR)較高，針對(duì)采集數(shù)據(jù)采用3階Butterworth濾波器進(jìn)行濾波處理，即：

按照人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的需要，將濾波后的飛行試驗(yàn)數(shù)據(jù)樣本進(jìn)行分組，按照70%、15%和15%的比例將數(shù)據(jù)樣本劃分為訓(xùn)練樣本、測(cè)試樣本和驗(yàn)證樣本。飛行試驗(yàn)數(shù)據(jù)樣本在飛行包線內(nèi)分布及分組情況如圖1所示。

圖1　飛行試驗(yàn)數(shù)據(jù)樣本在飛行包線內(nèi)分布情況

3.2基于神經(jīng)網(wǎng)絡(luò)的NARX模型

考慮到神經(jīng)網(wǎng)絡(luò)在逼近擬合非線性函數(shù)上的優(yōu)勢(shì)，文中采用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建非線性辨識(shí)模型中的非線性函數(shù)，利用神經(jīng)網(wǎng)絡(luò)代替NARX模型中的非線性函數(shù)，得到NNARX模型，模型結(jié)構(gòu)為：

其中，NETNNARX為合適的人工神經(jīng)網(wǎng)絡(luò)函數(shù)?；谏窠?jīng)網(wǎng)絡(luò)的NARX結(jié)構(gòu)如圖2所示。

圖2　基于神經(jīng)網(wǎng)絡(luò)的NARX模型結(jié)構(gòu)

該型發(fā)動(dòng)機(jī)模型辨識(shí)研究的參數(shù)包括：高壓轉(zhuǎn)子轉(zhuǎn)速(nH)、低壓轉(zhuǎn)子轉(zhuǎn)速(nL)、低壓渦輪出口總溫(T6)、高壓壓氣機(jī)出口壓力(P31)。輸入、輸出參數(shù)信息如表1所示。

表1　發(fā)動(dòng)機(jī)非線性模型輸入輸出參數(shù)信息

3.2.1神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)

前人研究表明，三層神經(jīng)網(wǎng)絡(luò)已可以以任意精度逼近任意具有有限間斷點(diǎn)的函數(shù)。本文采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱含層神經(jīng)元傳遞函數(shù)選用雙曲正切函數(shù)，輸出層選用純線性函數(shù)。數(shù)據(jù)樣本參數(shù)進(jìn)行歸一化處理后作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)算法選用Levenberg-Marquardt算法，結(jié)果評(píng)定選用MSE性能函數(shù)以及輸入輸出之間的回歸系數(shù)R，計(jì)算基于Matlab2013b Neural Network ToolBox進(jìn)行。

3.2.2模型結(jié)構(gòu)參數(shù)

從以往發(fā)動(dòng)機(jī)模型辨識(shí)的經(jīng)驗(yàn)來(lái)看，采用神經(jīng)網(wǎng)絡(luò)的NARX辨識(shí)方法辨識(shí)精度較高。同時(shí)，由于發(fā)動(dòng)機(jī)一個(gè)架次中空中啟動(dòng)過(guò)程數(shù)據(jù)點(diǎn)較少，為了最大限度利用試驗(yàn)數(shù)據(jù)，文中選用模型結(jié)構(gòu)為NNARX12，即輸入延遲時(shí)間1s，輸出延遲時(shí)間2s。

3.3模型辨識(shí)結(jié)果

風(fēng)車啟動(dòng)過(guò)程中，低壓轉(zhuǎn)子轉(zhuǎn)速、高壓轉(zhuǎn)子轉(zhuǎn)速以及低壓渦輪后溫度的模型辨識(shí)結(jié)果分別如圖3-圖5所示。圖中給出了飛行試驗(yàn)數(shù)據(jù)樣本點(diǎn)上模型預(yù)測(cè)結(jié)果隨實(shí)際飛行試驗(yàn)數(shù)據(jù)的變化情況，從圖中可以看出，辨識(shí)得到的風(fēng)車啟動(dòng)模型具有較高的精度，可以用于后續(xù)的分析應(yīng)用中。

圖3　風(fēng)車啟動(dòng)過(guò)程低壓轉(zhuǎn)速辨識(shí)結(jié)果

圖4　風(fēng)車啟動(dòng)過(guò)程高壓轉(zhuǎn)速辨識(shí)結(jié)果

圖5　風(fēng)車啟動(dòng)過(guò)程低壓渦輪后溫度辨識(shí)結(jié)果

4風(fēng)車啟動(dòng)模型在飛行試驗(yàn)中的應(yīng)用

通過(guò)給定飛行試驗(yàn)條件并保持該試驗(yàn)條件不變，在辨識(shí)得到風(fēng)車啟動(dòng)模型基礎(chǔ)上，通過(guò)給定不同的風(fēng)車轉(zhuǎn)速，以研究不同起始風(fēng)車轉(zhuǎn)速條件下的該渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)特性。不同風(fēng)車轉(zhuǎn)速條件下的渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)特性如圖6、圖7所示，從中可以看出風(fēng)車起始轉(zhuǎn)速對(duì)風(fēng)車特性的影響。

圖6　 風(fēng)車轉(zhuǎn)速對(duì)高壓轉(zhuǎn)速的影響

圖7　 風(fēng)車轉(zhuǎn)速對(duì)低壓轉(zhuǎn)速的影響

5結(jié)論

基于實(shí)際的飛行試驗(yàn)數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)方法建立了某型渦扇發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)模型，在試驗(yàn)數(shù)據(jù)樣本上測(cè)試，驗(yàn)證了辨識(shí)模型精度，并應(yīng)用該模型研究了不同風(fēng)車轉(zhuǎn)速對(duì)發(fā)動(dòng)機(jī)啟動(dòng)特性的影響，

得出如下結(jié)論：

(1)采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)辨識(shí)得到的風(fēng)車啟動(dòng)模型具有很高的精度，可以利用該模型進(jìn)行發(fā)動(dòng)機(jī)風(fēng)車啟動(dòng)特性的研究；

(2)應(yīng)用辨識(shí)得到的風(fēng)車啟動(dòng)模型，可研究渦扇發(fā)動(dòng)機(jī)不同起始風(fēng)車轉(zhuǎn)速條件下的風(fēng)車啟動(dòng)特性。

參考文獻(xiàn)

[1]王樹(shù)明,夏國(guó)平.基于BP神經(jīng)網(wǎng)絡(luò)的飛行動(dòng)態(tài)實(shí)時(shí)預(yù)測(cè)方法[J].北京航空航天大學(xué)學(xué)報(bào),2001,27(6):636-639.

[2]胡金海,謝壽生.基于AR模型對(duì)滑油中金屬元素含量的預(yù)測(cè)[J].燃?xì)鉁u輪試驗(yàn)與研究,2003,16(1):32-36.

[3]Xu K,XieM,Tang L.C.Application of neural networks in forecasting engine systems reliability[J].Applied Soft Computing,2003,2(4):255-268.

[4]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].科學(xué)出版社,2013.

[5]周新立,鐘新輝,李艷.基于灰色時(shí)序的航空發(fā)動(dòng)機(jī)磨損故障預(yù)測(cè)模型[J].長(zhǎng)沙航空技術(shù)職業(yè)技術(shù)學(xué)院學(xué)報(bào),2004,4(1).

[6]黨懷義.海量飛行試驗(yàn)數(shù)據(jù)挖掘探討[J].測(cè)控技術(shù),2011,30(Z1):135-137.

[7]全昌業(yè).從試飛數(shù)據(jù)中提取飛機(jī)模態(tài)參數(shù)方法的研究[J].飛行力學(xué)(試驗(yàn)研究),1987,(3):70-84.

Turbofan Windmill Air-start Characteristics based on Flight Test Data-driven Model

Tian Yu,Pan Pengfei,Li Junhao

(Chinese Flight Test Establishment,Xi′an 710089,Shanxi,China)

Abstract：Based on actual flight test data,the windmill air-start model has been built by artificial neural network.The identified model has been tested and validated on non-sample flight test data,which has been used to study the effect of variant windmill rotor speed on air-start process.The process of identifying air-start model from actual flight test data and the conclusion concluded in this paper would give some reference in future turbofan engine flight test.

Keywords:windmill air-start;artificial neural network;dynamic model identification;flight test

[收稿日期]2015-10-27

[作者簡(jiǎn)介]田煜(1982—)，男，陜西西安人，高級(jí)工程師，某型號(hào)試飛項(xiàng)目主管，研究方向?yàn)楹娇债a(chǎn)品試飛技術(shù)及試飛項(xiàng)目管理。

中圖分類號(hào)：V233.6

文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.3969/j.issn.1674-3407.2016.01.002