一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法技术方案

公开一种基于GWO

【技术实现步骤摘要】
一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法


[0001]本专利技术涉及飞机燃油系统状态缺失值补充技术，具体涉及飞机燃油系统燃油流量消耗模型的构建和缺失值补充优化技术，更具体地，涉及一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法。

技术介绍

[0002]在飞机飞行过程中，会遭受到振动、冲击、过载等严酷环境的影响，由于传感器本身的误差或者数据采集传输过程中的错误，会发生状态数据记录的异常，甚至有可能造成一些状态值没有得到有效记录，最终导致状态参数值的缺失。此外，在燃油系统状态数据的长期保存过程中，也可能因为人为差错或存储介质的错误，导致部分燃油系统状态数据的删失，严重影响燃油系统状态数据的挖掘效率，甚至可能导致出现建模偏差。
[0003]当前，对于燃油系统状态缺失值的处理方法可以分为三类：删除记录、不处理和数据插补。如果通过删除小部分数据能够达到既定的目标，那么删除含有缺失值数据的这种方法是有效的。然而，这种方法却有很大的局限性。它是以减少历史状态数据来换取数据的完备性，丢弃了大量隐藏在这些记录中的信息，可能会造成关键状态数据丢失。尤其在数据集本来就包含很少记录的情况下，删除少量记录可能影响到分析结果的客观性和准确性，因此需要对缺失值进行补充，常用的数据插补方法包括均值、中位数、固定值、最近邻插补以及回归方法等。
[0004]但是当飞机系统发生连续多段数据缺失，甚至整个飞行架次燃油系统某些属性数据缺失时，上述的基于均值、中位数、固定值、最近邻插补等方法将不能满足缺失数据补充的要求，因此提出一种基于狼群优化BP神经网络算法(Grey Wolf Optimization-BP，GWO-BP)飞机燃油系统状态缺失值补充方法。利用GWO-BP算法构建燃油系统的状态监测变量与缺失值之间的非线性模型，从而实现对缺失值的补充。

技术实现思路

[0005]为克服现有技术的不足，本专利技术提出一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法，具体包括下列步骤：
[0006]Step1 根据原理图，分析飞机燃油系统结构、功能以及交联系统，结合燃油系统及与之相关的飞行状态数据，将飞行数据进行图形化显示，从总体趋势上初步确定与飞机燃油系统相关的飞行状态变量；
[0007]Step2：利用皮尔逊相关系数定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系；
[0008]通过定性分析筛选出k个参数，分别用x1，x2，
…
x
k
表示
[0009]假设测定出上述k个变量参数的M组数据，那么变量x
i
，x
j
(i＝1，2，
…
，k；j＝1，2，
…
，k)之间的相关性R(i，j)通过下式来计算；
[0010][0011]其中，x
mi
表示变量i的第m组数据，x
mj
表示变量j的第m组数据；
[0012]根据相关系数R(i，j)的统计意义定量确定与飞行状态相关的飞行参数；
[0013]表1 相关系数大小经验解释
[0014][0015]上表中，R是R(i，j)的简写；
[0016]Step3：在Step2的基础筛选相关系数大于δ的飞行状态参数作为飞机燃油系统建模的强相关参数y
i
，用y
i
(i＝1，
…
，n；n≤k)来表示；
[0017]Step4：采用下式对Step3提取的数据进行归一化预处理；
[0018]l
i
＝l
min
+(l
max-l
min
)
·
(y
i-y
i min
)/(y
i max-y
i max
)
[0019]其中，l
i
表示归一化后的参数，l
max
和l
min
表示归一化的范围，y
i max
和y
i max
表示y
i
中的最大值和最小值；
[0020]Step5：采用核主成分分析方法进一步对通过相关系数筛选的n个参数l
i
进行降维处理，具体如下；
[0021](1)将归一化的n个指标的M组数据转为为M
×
n的矩阵；
[0022](2)选择核函数K，确定核函数K的相关参数，然后计算核矩阵；
[0023](3)通过核函数K计算中心化核矩阵
[0024][0025]其中，1
M
为M
×
M的方阵，且每个元素为(1
M
)
ij
＝1/M；
[0026](4)计算中心化核矩阵的特征值λ1、λ2、
…
、λ
m
，λ1≥λ2≥
…
λ
m
，及对应的特征向量v1，
…
，v
m
；
[0027](5)依据下式对特征向量v1，
…
，v
m
进行单位化，得a1，
…
，a
m
：
[0028][0029]其中||v
i
||表示特征向量的范数；
[0030](6)计算特征值累积贡献率CPV≥CL时的前p个特征值λ1，λ2，
…
，λ
p
和其对应的特征向量a1，a2，
…
，a
p
；
[0031][0032](7)降维后的飞行状态参数为其中a＝a1，
…
a
p
；
[0033]Step6 BP神经网络以及GWO算法参数初始化；
[0034]基于GWO-BP算法的初始化包括对神经网络的输入层节点个数Input
n
、隐含层节点数Net
n
、输出层节点个数Output
m
、激活函数Net
e
、初始权值W和阈值B进行初始化，得到神经网络的训练模型Net
train
；将神经网络的初始权值W和阈值B转换为狼群算法GWO中的狼群位置，再进一步初始化狼群规模N，最大迭代次数MaxIt，狼群的位置维度dim；
[0035]输入层节点个数Input
n
等于降维后的特征向量个数p；
[0036]输出层节点个数Output
m
等于拟估计的燃油流量变量个数Fuel
m
；
[0037]设置隐含层节点个数Net
n
；
[0038]狼群的位置维度dim就是待优化的参数个数，待优化的参数为权值W和阈值B，那么狼群的位置维度等于权值个数W
n
和阈值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法，其特征在于，具体包括下列步骤：Step1根据原理图，分析飞机燃油系统结构、功能以及交联系统，结合燃油系统及与之相关的飞行状态数据，将飞行数据进行图形化显示，从总体趋势上初步确定与飞机燃油系统相关的飞行状态变量；Step2：利用皮尔逊相关系数定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系；通过定性分析筛选出k个参数，分别用x1，x2，
…
x
k
表示假设测定出上述k个变量参数的M组数据，那么变量x
i
，x
j
(i＝1，2，
…
，k；j＝1，2，
…
，k)之间的相关性R(i，j)通过下式来计算；其中，x
mi
表示变量i的第m组数据，x
mj
表示变量j的第m组数据；根据相关系数R(i，j)的统计意义定量确定与飞行状态相关的飞行参数；表1相关系数大小经验解释上表中，R是R(i，j)的简写；Step3：在Step2的基础筛选相关系数大于δ的飞行状态参数作为飞机燃油系统建模的强相关参数y
i
，用y
i
(i＝1，
…
，n；n≤k)来表示；Step4：采用下式对Step3提取的数据进行归一化预处理；l
i
＝l
min
+(l
max-l
min
)
·
(y
i-y
i min
)/(y
i max-y
i max
)其中，l
i
表示归一化后的参数，l
max
和l
min
表示归一化的范围，y
i max
和y
i max
表示y
i
中的最大值和最小值；Step5：采用核主成分分析方法进一步对通过相关系数筛选的n个参数l
i
进行降维处理，具体如下；(1)将归一化的n个指标的M组数据转为为M
×
n的矩阵；(2)选择核函数K，确定核函数K的相关参数，然后计算核矩阵；(3)通过核函数K计算中心化核矩阵(3)通过核函数K计算中心化核矩阵其中，1
M
为M
×
M的方阵，且每个元素为(1
M
)
ij
＝1/M；(4)计算中心化核矩阵的特征值λ1、λ2、
…
、λ
m
，λ1≥λ2≥
…
λ
m
，及对应的特征向量v1，
…
，
v
m
；(5)依据下式对特征向量v1，
…
，v
m
进行单位化，得a1，
…
，a
m
：其中||v
i
||表示特征向量的范数；(6)计算特征值累积贡献率CPV≥CL时的前p个特征值λ1，λ2，
…
，λ
p
和其对应的特征向量a1，a2，
…
，a
p
；(7)降维后的飞行状态参数为其中a＝a1，
…
a
p
；Step6 BP神经网络以及GWO算法参数初始化；基于GWO-BP算法的初始化包括对神经网络的输入层节点个数Input
n
、隐含层节点数Net
n
、输出层节点个数Output
m
、激活函数Net
e
、初始权值W和阈值B进行初始化，得到神经网络的训练模型Net
train
；将神经网络的初始权值W和阈值B转换为狼群算法GWO中的狼群位置，再进一步初始化狼群规模N，最大迭代次数MaxIt，狼群的位置维度dim；输入层节点个数Input
n
等于降维后的特征向量个数p；输出层节点个数Output
m
等于拟估计的燃油流量变量个数Fuel
m
；设置隐含层节点个数Net
n
；狼群的位置维度dim就是待优化的参数个数，待优化的参数为权值W和阈值B，那么狼群的位置维度等于权值个数W
n
和阈值个数B
n
之和：dim＝W
n
+B
n
＝Input
n
×
Net
n
+Net
n
×
Fuel
n
设置狼群规模N，N越大，优化的效果越好；设置最大迭代次数MaxIt；Step7利用GWO算法优化神经网络的最优权值和阈值；(1)初始化狼群位置i＝1，2，
…
，N；j＝1，2，
…
，dim，将降维后的样本分为训练集Y
train
和测试集Y
test
两部分；(2)令狼群算法的迭代循环T
GWO
＝1；(3)将狼群位置替换到BP神经网络的训练模型其中i＝1，2，
…

【专利技术属性】
技术研发人员：焦晓璇，景博，黄以锋，池程芝，张竞凯，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：