基于AdaLMBP神经网络模型的航空发动机性能状态预测方法技术

本发明专利技术涉及一种基AdaLMBP神经网络模型的航空发动机性能状态预测方法，其特征在于，获取航空发动机燃油流量数据，并对航空发动机的燃油流量数据进行预处理，得到数据；将数据整理成数据集，将数据集{X，Y}拆分为训练集{X

【技术实现步骤摘要】
基于AdaLMBP神经网络模型的航空发动机性能状态预测方法

：
[0001]本专利技术涉及航空发动机性能状态预测
，具体的说是一种能够保持高精度快速收敛特性，进而有效提高相关参数预测准确度的基于AdaLMBP神经网络模型的航空发动机性能状态预测方法。
[0002]
：
[0003]航空发动机性能状态预测是根据观测到的气路参数对单元体的性能衰退程度进行实时评估。航空发动机燃油流量是表征发动机性能的重要参数，是航空发动机是否经济运行的直观反映，是计算航空公司运营成本的依据。航空发动机燃油消耗量异常意味着飞机可能受到一些故障的影响，例如动力装置故障，发动机和辅助动力装置(APU)的供油异常，机翼曲度的减小以及机翼摆动减缓效果减弱等等。这些异常暗示了发动机的性能已经受到影响，这可能会造成重大事故。因此需要建立航空发动机性能状态预测模型，为航空公司制订科学的航发维护计划提供理论指导，保障飞行的安全性和适航性。
[0004]航空发动机性能状态预测方法大体可归结为三种：可靠性分析法、仿真分析法，以及数据驱动类方法。其中，可靠性分析法需要大量的航发测试信息。仿真分析方法要求仿真模型与物理模型的参数映射关系是一对一的。数据驱动方法是通过对被监测设备的历史性能状态和实时的状态监测数据进行分析，挖掘数据与故障之间的规律关系，用数据的变化和数值表征设备的运行状态，建立合理的基于数据驱动的故障预测模型，实现对设备未来状态的预估。因此数据驱动类方法不需大量测试信息和仿真计算的支持，是一个可行且有效的方法。
[0005]目前多采用数据驱动类方法实现(Carry out)，例如回归平均移动平均(ARIMA), ELM,XGBoost和神经网络。例如把SVM算法作为非线性补偿与ARIMA组合成混合模型，用于预测飞机发动机剩余使用寿命，但是该模型易受动态噪声以及系统误差积累效应的影响。极限学习机(ELM)用于预测飞机发动机性能，但ELM算法由于其鲁棒性差，仍然是存在争议的。XGBoost经常用于预测，它能克服传统的 BP神经网络训练算法训练速度慢、精度低、样本量大、参数估计量大等缺点，但准确性有待提高，此外带来很大的运算负担。
[0006]目前航空发动机性能状态预测使用最为广泛的是神经网络以及衍生的预测模型。神经网络已被广泛应用于实现发动机的性能预测。Fast等人和Asgari等人使用神经网络对进行发动机性能健康评估。多种案例表明，使用神经网络对航空发动机性能衰退预测是有效的，并有足够的稳健性。很多工作采用LM
‑
BP神经网络。该类型神经网络使用的优化器是Levenberg
‑
Marquardt(LM)算法，它是求解一般最小二乘问题的二阶方法。作为优化器，LM算法能够快速收敛且具有较强的非线性函数逼近能力。LM
‑
BP神经网络中有广泛的工程应用。一些研究者使用 LM
‑
BP来分析故障。另一些研究者使用LM
‑
BP来进行时间序列预测。
[0007]然而，LM算法的缺点使LM
‑
BP神经网络有发散或收敛不好的潜在现象。曾有报告LM算法具有潜在的不稳定因素，这可能导致LM
‑
BP在处理具有高频噪音的数据时可能使目标函数无法下降。LM算法的收敛性受到雅可比矩阵的影响。当雅可比矩阵是奇异矩阵或目标函数不具有Lipschitz连续时，LM算法将无法收敛。另外，对于一个非凸优化问题，如神经网
络优化，可以有许多局部极小值。目标函数可能陷入差的局部极小值。因此，在实际工程应用中，LM
‑
BP算法比常规神经网络具有更高的误差。
[0008]一些研究组正在研究通过LM
‑
BP与其他算法的结合得到混合方法，来提升算法的预测能力。遗传算法(GA)可用来初始化LM
‑
BP模型参数，增强其稳定性。使用小波对数据预处理，再用LM
‑
BP进行分析，该方法被证实是有效的。另外，将LM
‑
BP与支持向量机结合，可增强模型的性能。
[0009]另一些研究是针对于改进LM算法的。然而，混合方法意味着大量运算的需要,这会覆盖LM算法自身的优势。此外，对于LM算法的改进的研究，是基于凸优化问题展开的。虽然证明了提出的算法在凸函数中全局收敛，但是对于神经网络这一类非凸问题来说，学界普遍接受的观点是求解全局收敛几乎是不可能的。因此以上针对LM的改进方案对于提升航空发动机预测模型性能效果是有限的。

技术实现思路
：
[0010]本专利技术针对现有技术中存在的缺点和不足，提出了一种收敛性好，精度高，所需样本量少，进而有效提高相关参数预测准确度的基于AdaLMBP神经网络模型的航空发动机性能状态预测方法。
[0011]本专利技术通过以下措施达到：
[0012]一种基于AdaLMBP神经网络模型的航空发动机性能状态预测方法，其特征在于，获取航空发动机燃油流量数据，并对航空发动机的燃油流量数据进行预处理，得到数据X＝(x1,x2,x3,
……
,x
n
)；将数据整理成数据集，将数据集{X，Y} 拆分为训练集{X
train
,Y
train
}和测试集{X
test
,Y
test
}，搭建AdaLM
‑
BP神经网络模型，使用训练集训练模型，完成模型训练后，测试并应用模型，其中所述AdaLM
‑
BP神经网络模型中AdaLM
‑
BP算法具体包括以下步骤：
[0013]第一步：初始化各变量，设定：迭代步数k＝0，待求参数向量初始值x0，迭代停止条件ε，最大迭代步数k
max
，惯性量V＝0，惯性参数α。计算目标函数值F(x0)；
[0014]第二步：执行反向传播算法，得到雅各比矩阵，计算矩阵H＝J
T
(x)J(x)和向量 g＝J(x)e(x)；
[0015]第三步：设置λ0＝0，λa＝10，变量ν＝2，中断迭代标志ρ＝0，残差增大标志l＝0，搜索计数变量num＝0；
[0016]第四步：计算列文伯格算法得到步长Δx和惯性量V，设更新参数为x1＝x0+V，计算目标函数值F(x1)，令λ
min
＝λ0,λ0＝λ0+2λa,λ
max
＝λ0，转至第五步；
[0017]第五步：如果F(x1)≤F(x0)，更新神经网络参数向量：x0＝x1，设置迭代步数k ＝k+1，若k>k
max
，结束迭代，否则，转至第三步；如果F(x1)>F(x0)，令Fmin ＝F(x1)，转至第六步；
[0018]第六步：更新阻尼系数μ＝(λ
min
+λ
max
)/2，计算矩阵H，H＝J
T
(x)J(x)+μ
×ꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AdaLMBP神经网络模型的航空发动机性能状态预测方法，其特征在于，获取航空发动机燃油流量数据，并对航空发动机的燃油流量数据进行预处理，得到数据X＝(x1,x2,x3,
……
,x
n
)；将数据整理成数据集，将数据集{X，Y}拆分为训练集{X
train
,Y
train
}和测试集{X
test
,Y
test
}，搭建AdaLM
‑
BP神经网络模型，使用训练集训练模型，完成模型训练后，测试并应用模型，其中所述AdaLM
‑
BP神经网络模型中AdaLM
‑
BP算法具体包括以下步骤：第一步：初始化各变量，设定：迭代步数k＝0，待求参数向量初始值x0，迭代停止条件ε，最大迭代步数k
max
，惯性量V＝0，惯性参数α。计算目标函数值F(x0)；第二步：执行反向传播算法，得到雅各比矩阵，计算矩阵H＝J
T
(x)J(x)和向量g＝J(x)e(x)；第三步：设置λ0＝0，λa＝10，变量ν＝2，中断迭代标志ρ＝0，残差增大标志l＝0，搜索计数变量num＝0；第四步：计算列文伯格算法得到步长Δx和惯性量V，设更新参数为x1＝x0+V，计算目标函数值F(x1)，令λ
min
＝λ0,λ0＝λ0+2λa,λ
max
＝λ0，转至第五步；第五步：如果F(x1)≤F(x0)，更新神经网络参数向量：x0＝x1，设置迭代步数k＝k+1，若k>k
max
，结束迭代，否则，转至第三步；如果F(x1)>F(x0)，令Fmin＝F(x1)，转至第六步；第六步：更新阻尼系数μ＝(λ
min
+λ
max
)/2，计算矩阵H，H＝J
T
(x)J(x)+μ
×
diag(J
T
(x)J(x))，计算待求参数变化量Δx和惯性量V，更新搜索点x
’
＝x0+V，计算目标函数值F(x
’
)；第七步：如果F(x
’
)<F(x1)置Fmin＝F(x
’
)，λ
mi
＝λ0，num＝0；否则，num＝num+1；若num＞10，置ρ＝1，转第八步；否则，转至第九步；第八步：采用最速下降法计算迭代步长Δx，设惯性量V＝0，更新神经网络参数向量x0＝x0+V，转至第三步；第九步：如果F(x
’
)>F(x1)，搜索方向残差增大，令λmax＝λ0，λ0＝λ0+λa/5，λmin＝λ0，l＝0，ν＝2；如果...

【专利技术属性】
技术研发人员：崔智全，闫志骐，钟诗胜，林琳，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：