基于BP神经网络的飞机爬升段燃油消耗模型研究

陶 理 王晓宇 谢 园

（广州民航职业技术学院，广东 广州 510403）

0 引言

在当前节能减排背景下，降低燃油消耗始终是航空公司的头等目标。航空发动机的燃油流量是发动机的重要参数，直接决定飞机燃油消耗，始终是航空公司关注的重点。航空器燃油消耗的准确评估是航空公司降低飞行成本和控制燃油排放的重要手段。相较于巡航阶段，飞机在爬升阶段的外界环境变化最为剧烈，飞机故障和事故也多发于此阶段。对爬升阶段的飞机燃油消耗进行研究，有利于帮助航空公司合理使用爬升方式，实现节油飞行。本文基于此目的，利用飞机快速存取记录器QAR数据，通过改进BP神经网络建立爬升段发动机燃油消耗模型，实现燃油预测，为航空公司提供理论参考。

1 爬升阶段燃油消耗模型

1.1 爬升阶段特点分析

爬升阶段是指飞机起飞之后，上升到规定巡航高度的阶段。在这一阶段，飞机发动机虽然不再处于最大推力状态，但始终以较大推力进行爬升，需要消耗大量燃油。另外，不同爬升方式、爬升角度和爬升速度所需燃油不同。同时，在爬升段，外界环境变化剧烈，气象条件复杂。这些因素都增大了航空公司精确估算飞机燃油消耗的难度。为此，建立一种飞机爬升段燃油消耗模型，提高燃油消耗预测能力，提升爬升阶段运行效率能够在减少成本以及降低噪声与排放方面上有着巨大的环境效益和经济效益。

1.2 基于BP神经网络的飞机燃油消耗模型

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。

通过BP神经网络建立预测模型分为三步；BP神经网络构建、BP神经网络训练和BP神经网络预测，如图1所示。

图1 BP神经网络算法流程图

具体流程如下：

步骤一：数据预处理，对样本数据进行归一化处理。

步骤二：初始化设置，输入训练样本。

步骤三：输入测试样本，计算误差，如果满足误差则转到step8，否则执行step6。

步骤四：调整误差，通过逆梯度下降修正权值和阈值。

步骤五：检查全局误差，满足要求，执行步骤六，否则重复步骤四。

步骤六：计算输出层，完成预测。

2 仿真研究

2.1 模型建立及参数设置

飞机在爬升阶段影响燃油消耗的因素很多，本文选取飞机QAR数据中的俯仰角、大气静温SAT、大气总温TAT、压气机进口压力P、压气机进口温度T、压气机出口温度T、高压转子转速N、飞机排气温度EGT、油门杆角度TRA作为燃油消耗影响参数。现有某航空公司B777-200飞机5个航班段的QAR数据，截取每个航班的爬升段数据，合计数据点数2 540组。随机选取2 300组数据作为训练样本，剩余240组数据作为测试样本，所有数据经随机抽取后数据顺序均已打乱。设置神经网络的输入层节点n数为21，输入层节点q数为4，隐含层节点p根据经验公式，最终取25为最佳。

2.2 结果分析

测试结果如图2所示，图中横坐标为测试样本序数，纵坐标为燃油流量。测试集中240组数据经训练好的神经网络计算，得出240个对应燃油流量预测值与实际燃油流量数值接近。

图2 模型预测值与期望值

测试误差如图3所示，图中横坐标为测试样本序数，纵坐标为燃油流量预测值与真实值的相对误差。各组数据测试误差整体较为平稳，测试集相对误差平均值达0.28%，其相对误差大部分均在1%之下。测试集中仅有2个数据点相对误差超4%，测试结果较为优异。

图3 模型误差

2.3 模型验证

由于训练集和测试集的数据来自相同的数据池，为排除同架次飞行数据的相关性，验证建立的燃油消耗监控模型的稳定性，另取1组训练集与测试集之外的同型数据，即另取同型B777-200飞机的1个航班爬升阶段的QAR数据作为本模型的验证样本，进行预测测试。预测结果与相对偏差率如图4、图5所示。从图中可以看出燃油流量预测值与真实值之间误差很小，变化趋势一致；相对误差大部分都在2%以内，处于合理的范围内。证实该模型可以监控飞机燃油流量，为判断发动机健康状态提供依据。

图4 爬升段燃油消耗预测

图5 爬升段燃油消耗预测模型误差

3 结语

本文通过BP神经网络作为模型应用于飞机爬升阶段的燃油消耗预测中，该模型具有较高的预测精度，可为航空公司节油飞行以及节能减排提供一定理论指导。需指出的是，本文采用的BP神经网络算法还有其改进空间，如对于故障类样本的识别等，可以在今后的研究中继续完善。