基于ABC-RBF神经网络的飞机燃油流量监测与故障诊断

陈聪，娄高，高洁，陈灏

（中国民航大学航空工程学院1，电子信息与自动化学院2：天津 300300；3.深圳航空有限公司，深圳 518102）

0 引言

为了在执行飞行任务时保证飞机的结构完整性和人员安全，20世纪90年代美、英等国开展了复杂装备预测与健康管理（Prognostics and Health Management，PHM）系统研究，目前波音787、A380、A350等先进机型皆采用该系统，依靠大量的机载传感器组成的网络完成数据收集，如光纤传感器、虚拟传感器、智能传感器、无线传感器、压电传感器等，通过这些传感器采集系统的数据及信息并提取故障特征，以供PHM分层智能故障诊断及故障预测使用。但在中国民航占主力地位的B737-800飞机上加装上述传感器还不现实，也不符合航空公司的经济性需求，需要采用合理准确的预测方法，通过分析快速存取记录器（Quick Access Recorder，QAR）数据对飞机性能及其健康状况进行预测。

燃油流量（Fuel Flow，FF）为发动机的主要状态参数，可作为判断发动机性能是否恶化的主要特征指标。因此，获得准确且具有良好普适性的燃油流量预测模型可以方便地面维修、飞机性能状态监控，同时为航空公司提供数据参考，节省开支。

目前有许多利用QAR数据对燃油流量所做的研究。张金柱等通过对大量的实际数据进行回归分析认为燃油流量受多种参数影响，并采用最佳子集回归的方法获得了燃油流量的回归方程；Qu等通过监控航空发动机，以飞行数据记录器（Flight Data Recoorder，FDR）为参数输入估算了燃油流量，并与实际燃油流量做了比较；耿宏等利用多元线性回归模型进行了燃油流量模拟；高扬等、麻嘉琦等利用神经网络与深度学习算法对燃油流量进行了预测。

神经网络具有良好的学习性，适合解决多个参数的相关性问题，在多个领域都有应用。蒲斌等利用神经网络预测了非ETC路段的交通流量问题；黄魁等利用灰色神经网络对装备的故障预测和预测性维修进行了研究；刘思敏等利用基于径向基函数（Radial Basis Function，RBF）的神经网络对大坝形变进行了预测；Dawei基于人工蜂群（Artificial Bee Colony，ABC）算法优化小波神经网络对短时交通流达到了良好的预测效果；谷润平等、刘永建分别针对QAR数据对发动机性能的影响进行了分析。

本文以RBF神经网络作为核心，将QAR数据中的油门杆角度、飞行高度、马赫数、大气总温、发动机转速、作为学习参数，利用人工蜂群算法来优化RBF神经网络，使用学习完毕的RBF神经网络对短、中、长航程多个航班进行预测，并将预测值与实际值进行对比，计算平均差值并观察符合程度以验证模型的普适性。

1 相关理论和技术

1.1 人工蜂群算法

人工蜂群算法是近年来提出的由蜂群行为启发的算法，在局部寻优、全局最优值、收敛速度等方面有较好的性能，可应用于多变量函数优化问题，是一种能够自更新的全局优化算法，属于群智能算法的一种。

人工蜂群算法的优势在于判定结果优劣的条件能够自由选择，同时能够快速收敛找到合适的结果。正是利用了这种优势，人工蜂群算法能够较好地优化RBF神经网络的中心值。使用人工蜂群算法来选取中心值，能够给RBF网络优化提供新的思路。

本文将式（1）进行了3维拓展

1.2 采用ABC算法优化RBF神经网络的中心值

针对蜜源结果的反馈方式，在ABC算法的2维运算上对其进行了3维运算上的创新。以中心值矩阵作为蜜源，利用单次更新后的神经网络模拟结果反馈式地更新网络的中心值。

定义ABC程序随机生成10个蜜源，每个蜜源内含有30个随机产生的中心值，每个中心值包含6个参数、、、、、，将在迭代过程中更新。

ABC算法所产生的蜜源矩阵是10×30×6的3维矩阵。侦察蜂寻找蜜源需要在3维运算中进行，引领蜂对蜜源进行更新则需要找到蜜源中随机的1个中心值中6个参数中的某1个值进行改动，该部分需要系统产生2个可用随机数和来帮助跟随蜂进行参数定位

应用数字化资源开展案例教学的“三环六步”教学模式主要是应用本专业的数字化资源，借助网络教学平台，让学生自主探究、合作交流、教师监督。“三环六步”，“三环”是指导学、助学、促学三个大的环节；“六步”是指案例发布、自主探究、小组讨论、组间协作、巩固提高、总结评价六个步骤。

式中：∈{1,2,…,}，且≠，∈{1,2,…,}；v为更新后的蜜源；x为当前蜜源；φ为[-1,1]内的随机数。该式旨在在当前蜜源x领域内找到1个新蜜源v。

ABC算法对蜜源的优化流程如图1所示。该流程为蜜蜂在1次循环中对3维蜜源群做的1次变更。先通过第1个随机数Param2Change来确定30个中心值中需要改变的中心值位置；再通过随机数Param2Change_2来确定中心值6个参数哪个需要改变。

图1 ABC算法对蜜源的优化流程

1.3 ABC算法对RBF算法的参数传递

ABC算法对RBF算法传递处理好的中心值矩阵，而RBF算法对ABC算法传递各蜜源的值。参数传递的核心是Sphere处理程序，该程序集合了“聚类”和“数据处理”2部分。Sphere优化程序结构及数据传递如图2所示。

图2 Sphere优化程序结构及数据传递

为了避免训练数据在随机分配的中心值下产生意想不到的结果，需要对数据进行聚类，目的是使训练数据所对应的中心值为最近的中心值。最终获得的中心值矩阵传递给RBF算法使用，其第1维度与训练矩阵的第2维度长度一致，而其第2维度与训练参数的第1维度长度一致，以保证在dist函数（计算隐含层各节点的训练值与中心值的欧几里得距离）运算时，每个训练数据都有1个相应的中心值与之对应。样本点的聚类根据式3进行计算，即如果

式中：为样本点；c为中心值。

以上对程序的各运算模块进行了解析，ABCRBF优化程序的整体逻辑如图3所示。适应度（fitness值）计算式为

图3 ABC-RBF优化程序的整体逻辑

2 试验验证

2.1 经典RBF对燃油流量的拟合效果

为了与优化后的算法拟合效果进行对比，采用未进行ABC算法优化的经典RBF算法对燃油流量曲线进行拟合，拟合曲线如图4所示。

图4 经典RBF拟合曲线

2.2 采用ABC算法优化RBF算法的中心值

ABC算法对RBF算法中心值优化程序的实际运行过程如下：每次经过ABC运算更新，程序将会利用更新后蜜源中的最佳蜜源作图，更新共100次，在每次循环的末尾对图像进行1次刷新，从实际的动态演示中可以清楚地看到模拟曲线逐渐贴合实际曲线，证实了ABC算法在对中心值进行有利更新。ABC算法优化RBF算法中心值的拟合结果如图5所示。

ABC算法优化对拟合结果的影响：

对比经典RBF算法拟合结果可以发现，经过优化的拟合曲线值更小，代表拟合效果更好，经过优化的拟合曲线在巡航阶段贴合得更紧密。ABC算法对RBF神经网络拟合能力的优化过程如图6所示。

图5 ABC算法优化RBF算法中心值的拟合结果

图6 ABC算法对RBF神经网络拟合能力的优化过程

从图中可见，人工蜂群算法在100次循环中拟合一直在减小，从57减小到26，说明人工蜂群算法工作状态良好，具有很强的实际优化能力。该算法的优势在于能够自动通过拟合偏差对中心进行更新，拟合偏差是判定中心值优劣的最直观标准，因此利用人工蜂群算法对RBF进行优化具有很强的实际意义。

2.3 采用ABC算法优化RBF的预测结果对比

经过训练的神经网络保存后，即可以对不同航班的QAR数据进行预测。

ABC算法优化后的RBF神经网络对3组随机选取航班数据的预测结果如图7所示。

2.4 成果实用性

燃油流量是评判飞机发动机性能的重要指标，已训练好的网络模拟结果可以作为实际数据的参照，若实际数据与网络模拟结果有偏差，则表明飞机性能不正常，可以作为飞机是否需要维修的参照。

图7 ABC算法优化后的RBF神经网络对3组随机选取航班数据的预测结果

模拟故障航班的预测曲线如图8所示。从图中可见，假设飞机在高空中飞行时因低温导致空速管结冰使数据出现偏差，模拟该故障时选取巡航阶段某一段输入马赫数随机值，这将导致最终的模拟结果出现显著偏差。

图8 模拟故障航班的预测曲线

通过模拟发现，当空速管发生故障时，模拟曲线故障段燃油流量预测值与实际值偏差非常大。从实际角度出发，即当出现这样的异常状态时，可以通过燃油流量的预测来排查可能的故障原因。由于神经网络所需参数有限，如本次研究使用6个参数、、、、、，如果神经网络模拟出现了明显偏差，则可以快速地将可能故障范围减小到这6个参数的相关故障内，从而减小故障排查的工作量。

3 结论

（1）对于无法精确建模的复杂系统，神经网络以其优异的拟合性能，特别是对变化性大、影响因素多的数据显示出强大的预测功能。通过发动机推力控制原理及数据相关性分析，所选择的参数、、、、、能够反映发动机运行工况，预测效果理想。

（2）本文采用人工蜂群算法对RBF神经网络的中心进行优化，具有自动更新的优势。通过对模拟数据曲线和实际数据曲线的对比分析可知，预测曲线与实际曲线差值较小，通过可进行定量分析，模型的预测结果理想。

（3）通过故障模拟对神经网络在飞机故障排查中的实用性进行了探讨，由于训练后的神经网络对燃油流量建立的预测模型能够在一定程度上反映飞机的工况，当实际值与预测值有较大偏差时，均反映为故障情况。即飞机此时状态与正常状态偏差较大，超出误差范围，可以判定为故障状态，这对于飞机故障诊断与状态监控有一定帮助，但是未建立故障映射拓扑关系。