一种机载燃油系统耗油估计及健康监测方法与流程

本发明属于航空燃油系统领域，涉及一种机载燃油系统耗油估计及健康监测方法。

背景技术：

对民航公司而言，航油成本控制和燃油系统运行安全是其最关心的内容之一，国内外的航空公司围绕节油展开了燃油系统的工作和研究，如何提高航油成本控制能力成为航空公司的重要课题。基本思路是通过对影响航油消耗的因素进行分析研究，建立飞机耗油估计模型，从而提高飞行计划航线燃油估计精度，降低油耗成本。同时，在对燃油系统的故障与异常的监测与隔离方面，健康监测方法主要是通过燃油系统的自测试软硬件完成。

现有耗油估计方法大多是估计巡航段油耗，无法预测航线飞行全过程的油耗，而短线航程飞行很大一部分燃油消耗取决于起飞爬升降落阶段，因此这些方法并不适合于工程实际应用。这些方法也很少考虑到气象、水平面运动、加速度等因素对油耗的影响，考虑因素不全面，一般不考虑气象(风、温度)对燃油的影响，更不考虑发动机性能衰减，机身光洁性变差引起的耗油率提升。在对燃油系统故障与异常的监测与隔离方面，健康监测方法主要是依靠燃油系统自身的自测试软件向机载维护系统提供健康信息，未能充分利用飞机飞行数据，也有一定的提升空间。

技术实现要素：

本发明的目的是：提供一种基于飞行数据分析的机载燃油系统耗油估计及健康监测方法，为精确预测航班航行需要的航油消耗量，对影响航油消耗的因素进行分析研究，建立飞机耗油估计模型，从而提高飞行计划航线燃油估计精度，降低油耗成本；同时，用燃油系统故障和异常数据训练该模型，实现通过飞行数据对燃油系统潜在故障和异常的监测。

本发明的技术方案是：一种机载燃油系统耗油估计及健康监测方法，包括以下步骤：

第一步：数据样本处理：

1.1)对航班原始数据进行丢包、增删处理，形成完整可用的航班原始数据，再根据燃油系统故障和异常事件记录数据完成对航班原始数据的标记；

1.2)提取航班原始数据在滑行、起飞爬升、巡航、下降阶段的飞行数据，作为后续模型的训练与测试所需的数据样本；

第二步：耗油估计模型的搭建和训练：

2.1)对第一步中确认的数据样本进行标准化处理，去除数据样本的不同通道的数据单位差别的影响；

2.2)针对标准化后的数据样本，确定燃油流量模型为bp神经网络、若干输入层和输出层神经元，m个隐层神经元，隐层传输函数选择双曲正切s形函数输出层传输函数选择对数-s形函数其中，a为函数输出，e为自然常数，n为函数输入。bp神经网络输入层和输出层个数视具体数据通道需要确定，m视具体输入层通道个数确定，一般为输入层通道数的1至2倍；所述bp神经网络包括输入层、输出层、隐层；

2.3)将1.2)中所提取的训练数据样本作为输入训练燃油流量模型，训练采用levenberg—marquardt算法；

2.4)将1.2)中所提取的测试数据样本输入步骤2.3)中的燃油流量模型，获得燃油流量预测值；

第三步：将步骤2.4)中获得的燃油流量预测值，以飞行时间为标记，对整个航段进行积分，可获取航班一次飞行的燃油消耗总量的预测值。

第四步：在步骤2.2)中获取的燃油流量模型的基础上，对输出层增加航班故障和异常事件的通道；

第五步：将步骤1.2)中获取的训练数据样本作为训练样本输入到第四步中改进的燃油流量模型中，进行训练，获得能够根据飞机数据监测飞机故障和异常的燃油流量模型。

第六步：将步骤1.1)只进行丢包、增删处理的未标记故障与异常的数据作为测试数据输入到第五步中改进的燃油流量模型中，即可对未知故障和异常的数据进行监测。

本发明的有益效果是：本发明建立的飞机燃油流量模型可根据历史飞行数据，精确预测航行需要的航油消耗量，为飞机燃油携带量进行精准指导，从而提高飞行计划航线燃油使用效率，降低油耗成本；同时，用航班故障和异常事件数据训练模型，实现通过飞行数据对潜在故障和异常的监测，可大幅减少飞机燃油系统故障和异常的维修定位时间，提高维修效率，降低维护成本，增加飞机在服役周期内的在役时间，提高飞机的使用效率。随着国内民航工业与运输业的发展，对飞机油耗估计和健康监测的需求越来越大，本发明有很大的应用前景。

附图说明

图1为燃油流量模型示意图

图2为燃油总量计算

图3为参考模型耗油估计图(起飞爬升阶段)

图4为本发明燃油流量模型耗油估计图(起飞爬升阶段)

图5为参考模型耗油估计图(巡航阶段)

图6为本发明燃油流量模型耗油估计图(巡航阶段)

图7为参考模型耗油估计图(下降阶段)

图8为本发明燃油流量模型耗油估计图(下降阶段)

图9为参考模型耗油估计图(滑行阶段)

图10为本发明燃油流量模型耗油估计图(滑行阶段)

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本发明的技术方案是：一种机载燃油系统耗油估计及健康监测方法，包括以下步骤：

第一步：数据样本处理：

1.1)对航班原始数据进行丢包、增删处理，形成完整可用的航班原始数据，再根据燃油系统故障和异常事件记录数据完成对航班原始数据的标记；

本发明采用boeing某机型(737-300)的某航班qar完整数据作为实验数据库。qar数据记录约250个参数，参数包含发动机参数、空速、地速、气压高度等重要参数，有模拟量，也有数字信号、开关量等。这些参数来源于飞机状态监测系统(acms)，记录的是实际飞行时参数值，有的参数1秒记录1次，有的参数间隔4秒记录1次。

对故障和异常数据的标记采用编码制，例如，共有10种故障，则标记为10位编码，当某故障出现，则对应标记为“1”，否则标记为“0”，则每一个航班原始数据均会被标记。

1.2)提取航班原始数据在滑行、起飞爬升、巡航、下降阶段的飞行数据，作为后续模型的训练与测试所需的数据样本；

需要提取并处理的数据项包括但不限于表1所示(参数标识下同)。

表1实验数据参数表

本发明按飞行阶段计算燃油消耗量，飞机在不同飞行阶段飞行特点有较大差异，耗油特性也不相同。本发明所建立的模型将完整的航线划分为滑行、爬升、巡航、下降4个阶段，对其分别训练，(滑行分起飞滑行和落地滑行)，不同阶段应用不同的采样间隔。

ff1、ff2(左右燃油流量，下同)由速度、高度、飞机重量等参数决定，其函数关系在各个飞行阶段不同，各个飞行阶段影响燃油流量的因素也不同。因而需要分飞行阶段来计算燃油消耗量。

飞行阶段的划分：以飞行高度(实际飞行高度)、俯仰角、空速等划分。不同飞行阶段飞行耗油特点不同，飞机在航路上飞行和起飞降落时，风速和风向对其油耗影响很大；飞机在水平面运动也会耗油来平衡转弯时增加的阻力；飞机上升和下降速度变化快慢也会影响油耗，在横向上速度变化快慢也影响油耗。因而燃油流量模型根据现实飞机运动情况，增加考虑风速、风向、纵向加速度、垂直加速度、倾斜角这几个参数。这些参数以现有的技术都可以较精确的预测或者设定，用于飞机耗油预测完全可以实现。

由于不同飞行阶段，飞机具有不同的气动外形和受力情况，所以针对模型不同阶段影响燃油流量的输入参数选择也不同。

不同飞行阶段的燃油流量模型输入数据项：

(1)滑行：滑行阶段影响燃油消耗的因素有地速、纵向加速度(速度变化率，下同)，飞机起飞重量、发动机工作状态、大气总温。发动机工作状态为(启动或关闭，下同)“1”或“0”。

(2)起飞爬升：地速、空速、纵向加速度、垂直加速度(从垂直加速度可以得知爬升率，下同)、高度(气压高度，下同)、大气总温、风速、风向、倾斜角、飞机实际重量。

在起飞爬升阶段，飞机的爬升率、速度、高度对飞机燃油流量都有影响。飞机的实际重量是指伴随着燃油消耗飞机的重量减小，飞机当时实际的重量。

(3)巡航：风速、风向、倾斜角、地速、空速、高度、大气总温、风速、飞机实际重量。

巡航阶段受高空风和飞行高度影响较大，这是由于不同飞行高度空气密度不同，燃油消耗率不同。

(4)下降：地速、空速、纵向加速度、垂直加速度、高度、大气总温、风速、风向、倾斜角、飞机实际重量。下降阶段势能转为动能，油耗降低。此外下降阶段由于经常要等待，低空盘旋油耗段多，燃油消耗会增加。

第二步：耗油估计模型的搭建和训练：

2.1)对第一步中确认的数据样本进行标准化处理，去除数据样本的不同通道的数据单位差别的影响；

得到训练样本，即燃油流量模型的输入和输出数据，应对其进行标准化处理，将数据处理为区间[0，1]之间的数据。标准化有很多方法，考虑到实验数据特性，这里采用如下公式

其中，x为某通道输入，为对应输出，xmin为训练样本对应通道最小数，xmin为训练样本对应通道最大数。

2.2)针对标准化后的数据样本，确定燃油流量模型为bp神经网络、若干输入层和输出层神经元，m个隐层神经元，隐层传输函数选择双曲正切s形函数输出层传输函数选择对数-s形函数其中，a为函数输出，e为自然常数，n为函数输入。bp神经网络输入层和输出层个数视具体数据通道需要确定，m视具体输入层通道个数确定，一般为输入层通道数的1至2倍；所述bp神经网络包括输入层、输出层、隐层；搭建后的燃油流量模型示意图如图1所示，输出为发动机燃油流量样本数据。

2.3)将1.2)中所提取的训练数据样本作为输入训练燃油流量模型，训练一般采用levenberg—marquardt算法；

2.4)将1.2)中所提取的测试数据样本输入步骤2.3)中的燃油流量模型，获得燃油流量预测值；

第三步：将步骤2.4)中获得的燃油流量预测值，以飞行时间为标记，对整个航段进行积分，可获取航班一次飞行的燃油消耗总量的预测值。

步骤2.4)预测出航线上测试样本点的燃油流量，用这些点的燃油流量值拟合燃油流量曲线，用表达时间δt内油耗，则即为近似的燃油总量。δt表示采样间隔，tf为航班结束时间，ff为燃油总流量，单位为千克/小时，每个发动机对应一个燃油流量，双发飞机燃油流量为ff1，ff2，燃油流量和为ff，燃油总量w计算公式为：

ff1、ff2由速度、高度、飞机重量等参数决定。如图2燃油总量计算示意图所示，由燃油流量模型得到每点燃油流量后，将燃油流量乘以时间间隔并求和得到近似的燃油总量。

第四步：在步骤2.2)中获取的燃油流量模型的基础上，对输出层增加航班故障和异常事件的通道；

在燃油流量模型的基础上，引入步骤1.2)中燃油系统标记故障和异常事件的数据样本，进行训练，即可获得可监测燃油系统故障和异常的燃油流量模型，燃油系统的故障和异常一般有：

(1)滑油低压；

(2)燃油油量低；

(3)滑油超温；

(4)涡轮超温；

(5)燃油流速超速；

(6)发电机故障；

(7)发动机燃油切断异常；

(8)等等。

对以上故障和异常进行编码，即可进行训练。

第五步：将步骤1.2)中获取的训练数据样本作为训练样本输入到第四步中改进的燃油流量模型中，进行训练，获得能够根据飞机数据监测飞机故障和异常的燃油流量模型。

需要说明的是，燃油系统的耗油估计及健康监测方法，均是利用bp神经网络搭建燃油流量模型，根据飞行数据进行训练，方法基本思路类似。健康监测方法是在耗油估计方法的基础之上进一步的功能拓展，耗油估计方法也是健康监测方法的基础，二者是递进关系，属于一种方法。

为了验证具体实施方式的有效性，设计了验证实验并对实验结果进行分析。根据本发明所述耗油估计方法的特点，设计了对比实验：

(1)对参考模型只输入飞机航迹运动参数，飞机各阶段的bp神经网络输入参数相同，参数如下：飞机的地速、空速、气压高度、大气温度、飞机质量。

(2)对所述燃油流量模型输入飞机航迹运动参数以外，还输入气象参数、水平运动参数、加速度，飞机各阶段输入参数不同。增加的输入参数有风速、风向、倾斜角、纵向加速度、垂直加速度。在滑行阶段不考虑高度、纵向加速度、风向、风速；在降落滑行阶段不考虑高度、纵向加速度。起飞爬升阶段和下降阶段以上所有因素都需要考虑。巡航阶段不考虑纵向加速度。

本实验应用的输入参数与参考模型的输入参数相同，但参考模型需要查询性能图表(航空公司提供参考文档，下同)，用训练数据样本训练燃油流量模型，再输入测试数据样本，无需查询性能数据。

实验结果如图3-10所示，可见本发明方法所述燃油流量模型精度较高，预测的燃油流量值更贴近真实消耗，则说明第二组实验添加的影响因素对燃油油耗有影响，考虑这些气象、水平运动因素等能使模型更精确。

综上，本发明具有更精确的耗油估计准确度，同时能够监测燃油系统的故障和异常事件，具有更优良的性能。