【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] ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。