一种航空发动机过渡态关键性能参数预测方法技术

本发明专利技术属于航空发动机性能参数预测技术领域，提供了一种航空发动机过渡态关键性能参数预测方法。首先使用某研究所提供的航空发动机过渡态台架试验数据建立训练数据集和测试数据集；基于信息融合的思想，采用参数联合对排气温度进行预测和分析；并利用移动窗口技术进行滚动学习，从而从工程实际应用角度出发，对发动机的低压转子转速、排气温度等参数进行预测。

A prediction method for key performance parameters of aeroengine transient state

The invention belongs to the technical field of aeroengine performance parameter prediction, and provides a prediction method for key performance parameters of aeroengine in transition state. First, the training data set and the test data set are set up using the experimental data of the aeroengine transition state platform provided by a certain research institute. Based on the idea of information fusion, the parameters combined to predict and analyze the exhaust temperature, and the moving window technology is used for rolling learning, from the practical application point of engineering. The parameters of engine low pressure rotor speed and exhaust temperature are predicted.

【技术实现步骤摘要】
一种航空发动机过渡态关键性能参数预测方法
本专利技术属于航空发动机性能参数预测
，具体涉及一种航空发动机过渡态关键性能参数预测方法。
技术介绍
航空发动机作为航空器最核心的组成部分，其运行状态直接决定着整个航空器的稳定性和安全性。而航空发动机性能在大幅提升的同时，结构越加复杂化，状态监测和维护也日趋困难。其中，发动机的过渡态性能直接关系到飞机的起飞、加速飞行、机动飞行等性能的好坏，因此，对航空发动机过渡态的快速性、稳定性、安全性和可靠性的要求极高。而发动机的性能参数可以反映发动机的健康状况，因此对发动机过渡态重要性能参数进行预测，以便实时掌握发动机工作状态，有效提高当前发动机状态监控和故障预测的能力，达到提高发动机运行的可靠性及安全性的目的。目前已有很多国内外学者展开了航空发动性能参数预测方面的工作，主要包括基于模型的方法、基于统计的方法、基于回归的方法和基于机器学习的方法。其中，基于模型的方法计算复杂，实时计算时可能出现迭代不收敛等问题；基于统计的方法主要是对发动机的故障、维修记录等进行统计分析；基于回归的方法有时变量之间不一定有明显的线性或者其他函数关系，模型很难选择。而基于机器学习的方法具有非常强的非线性映射能力，能够自我更新进化，训练时间短，学习速度快。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于支持向量机的航空发动机过渡态性能参数预测方法，其中，首先使用某研究所提供的航空发动机过渡态台架试验数据建立训练数据集和测试数据集；基于信息融合的思想，采用参数联合对排气温度进行预测和分析；并利用移动窗口技术进行滚动学习，从工程应用角度出发，实现了有效的实时预测。本专利技术的技术方案：一种航空发动机过渡态关键性能参数预测方法，步骤如下：第一步，航空发动机性能参数数据预处理(1)航空发动机性能参数数据包括油门杆角度PLA、低压转子转速n1、高压转子转速n2、环境压强p0、高压压气机出口压强p31、油压pf、压气机出口温度t1、排气温度EGT、导角角度α2，共9组参数；(2)数据集成：航空发动机性能参数数据包括多个航发试车过程现场采集数据，将航发试车过程现场采集数据结合起来统一存储，并建立航发性能参数数据仓库；(3)重采样：对于航发性能参数数据进行分析，由于采时间间隔不等，为了方便之后的滚动预测，采用线性重采样法对航发性能参数数据进行重采样处理；(4)归一化：对重采样处理后的航发性能参数数据进行归一化处理，转化为一定范围内的数据，以取消各维数据间数量级差别，避免因输入输出数据数量级差别较大而造成预测误差较大。使用最大最小法，其转换形式如下：xnor＝(xnor-xmin)/(xmax-xmin)式中，xnor为待归一化数据序列，xmin为数据序列中的最小数，xmax为数据序列中的最大数；(5)数据筛选与清理：对归一化后的航发性能参数数据进行可视化处理，对加速曲线进行聚类和清理；第二步，航空发动机性能参数数据相关性分析早期的航空发动机性能参数预测方法均采用单参数进行预测，这样不仅预测结果无法保证，更是对数据资源的极大浪费。因此基于信息融合的思想，采用参数联合对某一参数进行预测和分析。若融合的信息之间相关性不大，则得到的结果往往不尽如人意，甚至会出现融合预测效果不如单参数预测效果的情况。本方法在采用灰度关联法进行相关性分析的同时，结合航发机理过程，对低压转子转速的直接影响参数进行分析。灰度关联分析步骤如下：首先选取参考序列记作g0：g0＝{g0(j)|j＝1,2,...p}＝(g0(1),g0(2)...,g0(p))接着选取比较序列，记作gi：gi＝{gi(j)|j＝1,2,...p}＝(gi(1),gi(2)...,gi(p)),i＝1,2...,q分别计算每个评价对象各指标关联系数的均值，以反映各评价比较序列gi与参考序列g0的关联关系，并称其为关联度，记为：其中，关联系数ξi(j)如下计算：最终选定油门杆角度PLA、油压pf、导角角度α2三个参数作为输入量，低压转子转速n1作为输出量；第三步，构建训练数据库为反映发动机过渡态性能参数的时变特性，采用移动窗口技术构建训练数据库，示意图如附图2所示。图中有两个数据窗口，实线框为输入数据窗口，虚线框为输出数据窗口(也称预测窗口)，两窗口宽度分别为TD和TP；输入数据窗口和输出数据窗口一起以步长TM的速度向右移动(TM为移动步长)，获取不同时间的动态过程数据片断，从而得到相应的输入-输出数据向量对。定义对应第k个数据窗口的输入-输出向量对为{X(Tk),Y(Tk)}，假设选取的性能参数为Para1、Para2、…、Paran，并对参数Parai进行预测，则：X(Tk)＝[Tk,x(Tk),x(Tk-1τ),…,x(Tk-mτ)]x(Tk)＝[Para1(Tk),…,Paran(Tk)]m＝TD/τY(Tk)＝Parai(Tk+TP)其中，Tk是是输入数据窗口右端对应的时间，τ是离散化步长，m是输入数据窗口的等分数，输入向量X(Tk)由Tk以及数据窗口闭区间覆盖的(m+1)个采样时刻过程变量的离散值组成，输出向量Y(Tk)为输出数据窗口右端对应时间(Tk+TP)的待预测变量Parai的实际值；第四步，构建基于支持向量回归的预测模型该步骤主要由两部分构成，首先利用支持向量机对低压转子转速n1进行滚动学习预测，然后通过群智能算法对支持向量机进行寻优，从而构建预测模型。(1)利用支持向量机对低压转子转速n1进行滚动学习预测在现实分类决策中，往往很难确定合适的核函数使得训练样本在特征空间中线性可分，即便线性可分，也很难判定这个结果不是由于过拟合造成的。为了缓解该问题，故允许支持向量机在一些样本上分类出错。即引入“软间隔”概念，允许某些样本不满足约束条件：yi(ωTxi+b)≥1。常用的软间隔支持向量机为：需满足约束条件：yi(ωTxi+b)≥1-ξiξi≥0,i＝1,…,m此时，目标函数凸二次规划寻优的对偶问题约束条件可被变换为：考虑到高斯径向基(RBF)核参数较少，便于之后的参数寻优，同时也会使模型相对稳定。SVM选用RBF核函数其中σ为核参数，其大小会影响核函数形状，σ越大，非线性效能越小，对噪声越不敏感。而x,xi为样本。(2)通过群智能算法对支持向量机参数进行寻优对于支持向量机中的C、σ等参数，采用粒子群算法对其进行优化。粒子群算法是首先在搜索空间中初始化一群粒子，每一个粒子都有可能是极值优化问题的潜在最优解。使用位置、速度和适应度值这三项指标来表示粒子的特征，并通过适应度值来衡量粒子的好坏。假设在d维搜索空间中，由n个粒子组成的种群T＝(T1,T2,…,Tn)，其中第i个粒子表示一个d维向量Ti＝(ti1,ti2,…,tid)。设第i个粒子的速度为Vi＝(Vi1,Vi2,…,Vid)T，其个体极值为Pi＝(Pi1,Pi2,…,Pid)T，种群的群体极值为Pg＝(Pg1,Pg2,…,Pgd)T。在每次迭代中，粒子的速度和位置的更新公式可以表示为：其中w为惯性权重，s是当前迭代的次数，Vij是粒子速度，加速度因子c1,c2≥0，随机数r1,r2∈[0,1]。粒子特征中的适应度值使用交叉验证的分类准确率作为指标。第五步，利用测试集对预测模型进本文档来自技高网...

【技术保护点】
1.一种航空发动机过渡态关键性能参数预测方法，其特征在于，步骤如下：第一步，航空发动机性能参数数据预处理(1)航空发动机性能参数数据包括油门杆角度PLA、低压转子转速n1、高压转子转速n2、环境压强p0、高压压气机出口压强p31、油压pf、压气机出口温度t1、排气温度EGT、导角角度α2，共9组参数；(2)数据集成：航空发动机性能参数数据包括多个航发试车过程现场采集数据，将航发试车过程现场采集数据结合起来统一存储，并建立航发性能参数数据仓库；(3)重采样：对于航发性能参数数据进行分析，采用线性重采样法对航发性能参数数据进行重采样处理；(4)归一化：对重采样处理后的航发性能参数数据进行归一化处理，使用最大最小法，其转换形式如下：xnor＝(xnor‑xmin)/(xmax‑xmin)式中，xnor为待归一化数据序列，xmin为数据序列中的最小数，xmax为数据序列中的最大数；(5)数据筛选与清理：对归一化后的航发性能参数数据进行可视化处理，对加速曲线进行聚类和清理；第二步，航空发动机性能参数数据相关性分析本方法在采用灰度关联法进行相关性分析的同时，结合航发机理过程，对低压转子转速的直接影响参数进行分析；灰度关联分析步骤如下：首先选取参考序列记作g0：g0＝{g0(j)|j＝1,2,...p}＝(g0(1),g0(2)...,g0(p))接着选取比较序列，记作gi：gi＝{gi(j)|j＝1,2,...p}＝(gi(1),gi(2)...,gi(p)),i＝1,2...,q分别计算每个评价对象各指标关联系数的均值，以反映各评价比较序列gi与参考序列g0的关联关系，并称其为关联度，记为：...

【技术特征摘要】
1.一种航空发动机过渡态关键性能参数预测方法，其特征在于，步骤如下：第一步，航空发动机性能参数数据预处理(1)航空发动机性能参数数据包括油门杆角度PLA、低压转子转速n1、高压转子转速n2、环境压强p0、高压压气机出口压强p31、油压pf、压气机出口温度t1、排气温度EGT、导角角度α2，共9组参数；(2)数据集成：航空发动机性能参数数据包括多个航发试车过程现场采集数据，将航发试车过程现场采集数据结合起来统一存储，并建立航发性能参数数据仓库；(3)重采样：对于航发性能参数数据进行分析，采用线性重采样法对航发性能参数数据进行重采样处理；(4)归一化：对重采样处理后的航发性能参数数据进行归一化处理，使用最大最小法，其转换形式如下：xnor＝(xnor-xmin)/(xmax-xmin)式中，xnor为待归一化数据序列，xmin为数据序列中的最小数，xmax为数据序列中的最大数；(5)数据筛选与清理：对归一化后的航发性能参数数据进行可视化处理，对加速曲线进行聚类和清理；第二步，航空发动机性能参数数据相关性分析本方法在采用灰度关联法进行相关性分析的同时，结合航发机理过程，对低压转子转速的直接影响参数进行分析；灰度关联分析步骤如下：首先选取参考序列记作g0：g0＝{g0(j)|j＝1,2,...p}＝(g0(1),g0(2)...,g0(p))接着选取比较序列，记作gi：gi＝{gi(j)|j＝1,2,...p}＝(gi(1),gi(2)...,gi(p)),i＝1,2...,q分别计算每个评价对象各指标关联系数的均值，以反映各评价比较序列gi与参考序列g0的关联关系，并称其为关联度，记为：其中，关联系数ξi(j)如下计算：最终选定油门杆角度PLA、油压pf、导角角度α2三个参数作为输入量，低压转子转速n1作为输出量；第三步，构建训练数据库为反映发动机过渡态性能参数的时变特性，采用移动窗口技术构建训练数据库，设有两个数据窗口，输入数据窗口和输出数据窗口，两窗口宽度分别为TD和TP；输入数据窗口和输出数据窗口一起以步长TM的速度向右移动，获取不同时间的动态过程数据片断，从而得到相应的输入-输出数据向量对；定义对应第k个数据窗口的输入-输出向量对为{X(Tk),Y(Tk)}，假设选取的性能参数为Para1、Para2、…、Paran，并对参数Parai进行预测，则：X(Tk)＝[Tk,x(Tk),x(Tk-1τ),…,x(Tk-mτ)]x(Tk)＝[Para1(Tk),…,Paran(Tk)]m＝TD/τY(Tk)＝Parai(Tk+TP)其中，Tk是是输入数据窗口右端对应的时间，τ是离散化步长，m是输入数据窗口的等分数，输入向量X(Tk)由Tk以及数据窗口闭区间覆盖的(m+1)...

【专利技术属性】
技术研发人员：张硕，李济邦，孙希明，刘敏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21