留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用支持向量回归机探索发动机VSV调节规律

曹惠玲 阚玉祥 薛鹏

曹惠玲, 阚玉祥, 薛鹏等 . 应用支持向量回归机探索发动机VSV调节规律[J]. 北京航空航天大学学报, 2018, 44(7): 1371-1377. doi: 10.13700/j.bh.1001-5965.2017.0523
引用本文: 曹惠玲, 阚玉祥, 薛鹏等 . 应用支持向量回归机探索发动机VSV调节规律[J]. 北京航空航天大学学报, 2018, 44(7): 1371-1377. doi: 10.13700/j.bh.1001-5965.2017.0523
CAO Huiling, KAN Yuxiang, XUE Penget al. Exploration of engine VSV regulation law using support vector regression[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(7): 1371-1377. doi: 10.13700/j.bh.1001-5965.2017.0523(in Chinese)
Citation: CAO Huiling, KAN Yuxiang, XUE Penget al. Exploration of engine VSV regulation law using support vector regression[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(7): 1371-1377. doi: 10.13700/j.bh.1001-5965.2017.0523(in Chinese)

应用支持向量回归机探索发动机VSV调节规律

doi: 10.13700/j.bh.1001-5965.2017.0523
基金项目: 

中央高校基本科研业务费专项资金 3122014D010

详细信息
    作者简介:

    曹惠玲   女,博士,教授,硕士生导师。主要研究方向:航空发动机性能分析与故障诊断

    阚玉祥   男, 硕士研究生。主要研究方向:航空发动机故障诊断

    薛鹏   男, 硕士, 讲师。主要研究方向:航空发动机故障诊断

    通讯作者:

    曹惠玲.E-mail:hlcao@cauc.edu.cn

  • 中图分类号: V263.6;TP206

Exploration of engine VSV regulation law using support vector regression

Funds: 

the Fundamental Research Funds for the Central Universities 3122014D010

More Information
  • 摘要:

    发动机可调静子叶片(VSV)调节规律极其复杂,通过挖掘快速存取记录装置(QAR)数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化(PSO)算法的支持向量回归机(SVR)模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSO-SVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。

     

  • 图 1  PSO算法流程图

    Figure 1.  Flowchart of PSO algorithm

    图 2  SVR模型训练相关系数和测试相关系数随惩罚参数的变化(σ=5)

    Figure 2.  Variation of SVR model training correlation coefficient and test correlation coefficient with penalty parameter(σ=5)

    图 3  SVR模型训练相关系数和测试相关系数随核参数的变化(C=300)

    Figure 3.  Variation of SVR model training correlation coefficient and test correlation coefficient with kernel function parameter(C=300)

    图 4  PSO算法进化曲线

    Figure 4.  Evolution curves of PSO algorithm

    图 5  PSO-SVR模型训练的相对误差率

    Figure 5.  Relative error rate of PSO-SVR model training

    图 6  2个航班的监控结果

    Figure 6.  Monitoring results for two flights

    表  1  各参数与SVA的相关系数

    Table  1.   Correlation coefficient of each parameter with SVA

    参数 相关系数
    N1 CMD 0.986
    N1 0.986
    Tt3 0.973
    N2 0.939
    Ma 0.901
    Tt25 0.895
    ALTC 0.871
    ALT 0.871
    TRA 0.820
    BP 0.778
    WF 0.702
    TAT -0.750
    Pt5 -0.767
    Tt2 -0.809
    SAT -0.851
    Pt2 -0.864
    下载: 导出CSV

    表  2  4个航班的预测结果

    Table  2.   Prediction results of four flights

    验证航班 PSO-SVR模型 PSO-BP神经网络模型
    MSE R2/% MSE R2/%
    a 8.20×10-4 99.57 1.05 97.60
    b 6.08×10-4 99.76 0.65 99.03
    c 1.00×10-3 99.67 1.34 98.69
    d 7.80×10-3 99.69 0.97 99.08
    下载: 导出CSV
  • [1] 唐庆如, 孔萌.CFM56-7B发动机VSV结构损伤分析[J].航空维修与工程, 2011(4):31-33. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-QXJX200907001214.htm

    TANG Q R, KONG M.Analysis of CFM56-7B VSV structural damage[J].Aviation Maintenance Engineering, 2011(4):31-33(in Chinese). http://cpfd.cnki.com.cn/Article/CPFDTOTAL-QXJX200907001214.htm
    [2] 李世林.VSV系统对CFM56发动机喘振的影响分析[J].科学技术与工程, 2011, 11(20):4934-4936. doi: 10.3969/j.issn.1671-1815.2011.20.063

    LI S L.Research on VSV faults based CFM56 engine surge[J].Science Technology and Engineering, 2011, 11(20):4934-4936(in Chinese). doi: 10.3969/j.issn.1671-1815.2011.20.063
    [3] 黄爱华.涡扇发动机可调静子叶片控制规律研究[J].燃气涡轮试验与研究, 2017, 30(1):48-51. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y272250

    HUANG A H.Control law of variable stator vane for turbofan engine[J].Gas Turbine Experiment and Research, 2017, 30(1):48-51(in Chinese). http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y272250
    [4] 吴秀宽, 林森. 某涡扇发动机风扇进口可调导流叶片调节规律分析[C]//第五届中国航空学会青年科技论坛文集(第5集). 北京: 北京航空航天大学出版社, 2012: 227-231.

    WU X K, LIN S. The analyse about the control law of turbofan'IGV[C]//Proceedings of the Fifth China Aviation Society Youth Science and Technology Forum (Fifth Episodes). Beijing: Beihang University Press, 2012: 227-231(in Chinese).
    [5] 曹志鹏, 刘波, 丁伟.静叶角度调节对组合压气机性能优化机理[J].北京航空航天大学学报, 2007, 33(8):878-881. http://bhxb.buaa.edu.cn/CN/abstract/abstract9409.shtml

    CAO Z P, LIU B, DING W.Stator setting angles adjustment on performance improvement of axial-centrifugal compressor[J].Journal of Beijing University of Aeronautics and Astronautics, 2007, 33(8):878-881(in Chinese). http://bhxb.buaa.edu.cn/CN/abstract/abstract9409.shtml
    [6] 张健, 任铭林.静叶角度调节对压气机性能影响的试验研究[J].航空动力学报, 2000, 15(1):27-30. http://www.cqvip.com/qk/91591X/200001/4105053.html

    ZHANG J, REN M L.Experimental investigation on effect of stator vane angle adjustment on compressor performance[J].Journal of Aerospace Power, 2000, 15(1):27-30(in Chinese). http://www.cqvip.com/qk/91591X/200001/4105053.html
    [7] 张宇飞, 么子云, 唐松林, 等.一种基于主成分分析和支持向量机的发动机故障诊断方法[J].中国机械工程, 2016, 27(24):3307-3311. doi: 10.3969/j.issn.1004-132X.2016.24.008

    ZHANG Y F, YAO Z Y, TANG S L, et al.An engine fault diagnosis method based on PCL and SVR[J].China Mechanical Engineering, 2016, 27(24):3307-3311(in Chinese). doi: 10.3969/j.issn.1004-132X.2016.24.008
    [8] BI F R, LIU Y P.Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine[J].Transactions of Tianjin University, 2016, 22(6):536-543. doi: 10.1007/s12209-016-2675-1
    [9] 殷锴, 钟诗胜, 那媛, 等.基于BP神经网络的航空发动机故障检测技术研究[J].航空发动机, 2017, 43(1):53-57. http://www.oalib.com/paper/5111460

    YIN K, ZHONG S S, NA Y, et al.Research on aeroengine fault detection technology based on BP neural network[J].Aeroengine, 2017, 43(1):53-57(in Chinese). http://www.oalib.com/paper/5111460
    [10] 栾圣罡. 基于气路参数样本的航空发动机状态监视方法与系统研究[D]. 哈尔滨: 哈尔滨工业大学, 2008.

    LUAN S G. Aeroengine condition monitoring technique and system based on gas path parameter sample[D]. Harbin: Harbin Institute of Technology, 2008(in Chinese).
    [11] 刘永建. 基于改进神经网络的民机发动机故障诊断与性能预测研究[D]. 南京: 南京航空航天大学, 2012.

    LIU Y J. Research on modified neural network for fault diagnosis and performance prediction of aeroengine[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012(in Chinese).
    [12] 王芳. 基于支持向量机的沪深300指数回归预测[D]. 济南: 山东大学, 2015.

    WANG F. CSI 300 index regression prediction based on support vector machine[D]. Jinan: Shandong University, 2015(in Chinese).
    [13] 史峰, 王辉, 郁磊, 等.智能算法30个案例分析[M].北京:北京航空航天大学出版社, 2011.

    SHI F, WANG H, YU L, et al.30 cases analysis of intelligent algorithm[M].Beijing:Beihang University Press, 2011(in Chinese).
    [14] 崔智全. 民航发动机气路参数偏差值挖掘方法及其应用研究[D]. 哈尔滨: 哈尔滨工业大学, 2013.

    CUI Z Q. Civil aeroengine gas path parameter deviation mining method with application[D]. Harbin: Harbin Institute of Technology, 2013(in Chinese).
    [15] Boeing. 777 aircraft maintenance manual[Z]. Chicago: Boeing, 2015.
    [16] 彭泽琰, 刘刚.航空燃气轮机原理[M].北京:国防工业出版社, 2000.

    PENG Z Y, LIU G.Principles of aviation gas turbines[M].Beijing:National Defense Industry Press, 2000(in Chinese).
    [17] Pratt & Whitney Company. ECMⅡtraining manual[Z]. Hartford: Pratt & Whitney Company, 1994.
    [18] 周百政, 曹惠玲.基于EHM软件思路的QAR数据处理[J].航空维修与工程, 2010(4):60-62. http://industry.wanfangdata.com.cn/hk/Magazine?magazineId=hkgcywx&yearIssue=2010_4

    ZHOU B Z, CAO H L.QAR data processing based on the method of EHM software[J].Aviation Maintenance & Engineering, 2010(4):60-62(in Chinese). http://industry.wanfangdata.com.cn/hk/Magazine?magazineId=hkgcywx&yearIssue=2010_4
  • 加载中
图(6) / 表(2)
计量
  • 文章访问数:  494
  • HTML全文浏览量:  12
  • PDF下载量:  310
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-11
  • 录用日期:  2017-12-04
  • 刊出日期:  2018-07-20

目录

    /

    返回文章
    返回
    常见问答