[发明专利]迁移过程神经网络预测发动机清洗后排气温度的方法

说明书

本发明涉及一种迁移过程神经网络预测发动机清洗后排气温度的方法，设有TPNN模型，TPNN包括变量与EGTM的映射方法以及变量之间的映射方法，其特征在于，对于数据参数与EGTM的映射方法，采用线性拟合的方式，建立所有变量与EGTM数据对应关系，实现正向和逆向求解，其中将水洗前数据进行了线性拟合，取线性函数的ti处值作为VBW，提前水洗时间CSN和水洗周期ΔCSN；将水洗后数据进行了线性拟合，取线性函数的ti处值与VBW的差值作为INC，取线性函数的斜率为DR；利用迁移过程神经网络作为水洗前后变量的映射模型，模型采用迁移技术从同类型发动机的数据中学习到初始框架，迁移到目标发动机数据中进行训练。

技术领域：

本发明涉及航空发动机排气温度监测技术领域，具体的说是一种能够解决传统技术中难以准确预测因清晰导致的数据突变的趋势问题的迁移过程神经网络 (TransferProcess Neural Networks，以下简称TPNN)预测发动机清洗后排气温度的方法。

背景技术：

航空发动机在长时间运行后，空气的污垢沉积发动机叶片表面。叶片结垢在促进叶片点蚀的同时，降低了压气机空气流量，导致推力降低。发动机为了补偿推力而增加了油耗，使排气温度(exhaust gas temperature)EGT升高，发动机寿命降低。由于低水平的空气流量，增加的燃油无法充分燃烧，将导致发动机增加了污染气体的排放。

为了响应航空业追求的“节能减排”主题，并满足发动机适航要求，需要对发动机进行水洗。水洗是指对在翼发动机的气路进行清洗。水洗能够清除叶片污垢，恢复空气流量和推力。因此能够降低油耗和EGT、防止叶片点蚀、延长发动机寿命。因此，水洗已被世界各国广泛重视和应用。发动机的水洗工作被列为维修规程的必做项目。

目前，航空公司照搬了厂家提供的定期水洗计划，没有因地制宜对水洗计划进行调整。而厂家计划中的水洗周期比在本地发动机实际需要的水洗周期较长，因此在本地的发动机经常没有被及时水洗。图1是我们在北京维修基地调研时借助孔探拍摄的发动机内部照片。在压气机叶片上粘附了较多的污垢，证明了没有被及时水洗。

水洗效果难以直接用指标衡量，然而由于水洗可以降低EGT，所以通过观察 EGT能够评估水洗效果。对水洗效果进行预估，可以判断出即将水洗的时机是否合适，以及是否需要送修。这有助于延长发动机使用寿命，降低污染气体排放，进而提高航空公司的经济效益。

可以通过预测水洗后EGT裕度(EGT Margin,EGTM)来实现对水洗效果的预估。通常，航空公司以EGTM来代替EGT作为对水洗效果的参考。EGTM是指发动机EGT 红线值与发动机在平功率温度下以全推力起飞时的排气温度之差。由于EGTM的计算排除了噪声等因素的干扰，因此比EGT更能反映发动机的水洗效果。

EGTM在航空发动机水洗后会显著提升。图2(a)以点代表EGTM，显示出EGTM 在水洗前持续下降，水洗后产生了阶跃，随后继续下降。对水洗后EGTM的变化进行准确的预测，航空公司不仅可以根据预测结果评估水洗效果持续时间，进而可以评估水洗后的发动机污染气体减排情况，为发动机排放控制和环境影响评估提供数据支持。

然而此类研究面临一个挑战，传统方法不能准确预测出水洗后EGTM的变化。如图2(a)所示，传统方法通过对当前数据趋势进行延拓实现预测，使得用传统方法预测的数据与前期数据有持续性趋势。传统的方法仅适用于无突变因素影响的时序数据。相关研究采用长短期记忆网络(Long Short-Term Memory,LSTM)，核极限学习机(kernel ExtremeLearning Machine,KELM)等方法来预测发动机数据。航空公司需要的模型在发动机未水洗时能准确预测水洗后即将出现的数据突变，其预测效果如图2(b)所示。传统预测方法难以预测出后期数据中出现的突变，因此目前工程一线所采用方法是参考了历史的每月水洗后EGTM的提升。