一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法技术方案

本申请提供了一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，包括：获取发动机气路数据，将发动机气路数据的输入和输出进行降维处理，并划分为训练数据集和测试数据集；创建PSO优化算法的对象函数，所述对象函数的待优化对象为BiLSTM网络的最佳隐藏层节点数、最佳初始学习率、最佳L2正则化系数，设定BiLSTM网络的相关参数及设置误差计算函数以作为之后PSO优化效果好坏的评判标准，获得BiLSTM网络的最优参数；以PSO输出的最优参数构建基于BiLSTM网络的发动机气路系统模型并采用训练数据集开始训练；将发动机气路系统模型在测试数据集与训练数据集下进行仿真得到的预测数据进行误差计算，得到发动机气路系统模型的预测误差，判断航空发动机气路系统模型的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法


[0001]本申请属于航空发动机
，特别涉及一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法。

技术介绍

[0002]航空发动机气路故障是典型的发动机故障类别之一，由于航空发动机气路工作环境复杂，内部相应气路参数同时受到工作循环数、内部压气机或涡轮磨损、腐蚀和侵蚀以及外来物等因素的影响，经常会导致发动机偏离正常工作状态从而引起气路故障，进而导致发动机性能退化甚至发生重大事故，因此及时对气路故障进行故障排查并且预测是十分重要的。而故障阈值设定通常是故障排查中最关键的一环，目前的故障阈值设定方法有固定阈值与自适应阈值等，这两者方法都需要一个高精度的健康数值预测模型作为准确计算残差的基础。
[0003]现有航空发动机气路数据回归预测多使用BP神经网络或LSTM神经网络进行预测。
[0004]BP神经网络对于航空发动机的时序飞行数据的处理和分析效果欠佳，且BP神经网络具有极易陷入局部最优，对初始网络权重过于灵敏，容易过拟合等缺点，导致预测数据效果欠佳且不稳定。此外，由于BP神经网络具有严重的样本依赖性，需要使用典型样本实例组成的训练集进行训练，但典型样本在工程实践中难以获取。同时，由于BP神经网络算法本质上为梯度下降法，复杂的目标函数导致算法低效，而且由于不能使用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这导致了BP算法具有收敛速度较慢的缺点。
[0005]在时序数据回归预测的问题上，LSTM神经网络很好地解决了BP神经网络对时序数据处理效果差的问题，其内部的门结构使其可以实现对前后时序数据趋势和相关性的有效挖掘，但LSTM神经网络也存在一些问题，就是其无法对双向时序数据——即过去和未来的数据同时进行准确的处理，而且LSTM网络还存在着一定的梯度爆炸或者梯度弥散的问题。
[0006]另外，上述两个神经网络对回归预测还存在一个共性问题，即这些神经网络的初始超参数众多而且很难找到一个使预测效果最好的准确值，超参数的设定一般通过操作者的经验设定范围值并通过不停的修改数值并测试以找到使预测效果最好的值，这往往会消耗掉大量的时间并找到局部最优解。因此需要一种自适应调整网络超参数的方法以提高神经网络的准确率并缩短整个训练进程的时间。

技术实现思路

[0007]本申请的目的是提供了一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，以解决或减轻
技术介绍
中的至少一个问题。
[0008]本申请的技术方案是：一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，包括：
[0009]获取发动机气路数据，将发动机气路数据的输入和输出进行降维处理，降维处理后按照预定比例划分为训练数据集和测试数据集，对训练数据集和测试数据集进行归一化和格式转换处理，获得用于训练网络操作的输入输出数据；
[0010]创建PSO优化算法的对象函数，所述对象函数的待优化对象为BiLSTM网络的最佳隐藏层节点数、最佳初始学习率、最佳L2正则化系数，设定BiLSTM网络的相关参数及设置误差计算函数以作为之后PSO优化效果好坏的评判标准，获得BiLSTM网络的最优参数；
[0011]以PSO输出的最优参数构建基于BiLSTM网络的发动机气路系统模型并采用训练数据集开始训练；
[0012]将发动机气路系统模型在测试数据集与训练数据集下进行仿真得到的预测数据进行误差计算，得到发动机气路系统模型的预测误差，判断航空发动机气路系统模型的准确性。
[0013]在本申请优选实施方式中，将发动机气路数据的输入和输出进行降维处理过程中，当发动机气路数据的输入和/或输出参数不满足正态分布时，采用斯皮尔曼相关性检验来检测发动机气路数据的输入输出参数之间的相关性，斯皮尔曼等级相关系数满足：
[0014][0015]式中，R
i
、S
i
为X元素、Y元素第i位的值；为X元素、Y元素的平均值；N为观察次数；为每个观察值两元素X、Y的排名对应相减得到的差值的平方。
[0016]在本申请优选实施方式中，所述BiLSTM网络的相关参数包括：
[0017]优化算法选用Adam；
[0018]学习率调整因子为0.2；
[0019]梯度阈值为1。
[0020]在本申请优选实施方式中，通过PSO获得BiLSTM网络的最优参数的过程包括：
[0021]1)初始化
[0022]首先，设置最大迭代次数、目标函数的自变量个数、粒子的最大速度、位置信息为整个搜索空间，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；
[0023]2)个体极值与全局最优解
[0024]之后定义适应度函数，个体极值为每个粒子找到的最优解，从最优解中找到一个全局值，叫做本次全局最优解，与历史全局最优比较，进行更新；
[0025]3)更新速度和位置
[0026]更新速度和位置的数学表示方法如下式所示：
[0027]V
id
＝ωV
id
+c1random(0,1)(P
id
‑
X
id
)+c2random(0,1)(P
gd
‑
X
id
)
[0028]X
id
＝X
id
+V
id
[0029]其中，ω称为惯性因子，其值为非负，较大时，全局寻优能力强，局部寻优能力若，较小时，全局寻优能力弱，局部寻优能力强，通过调整ω的大小，能够对全局寻优性能和局部寻优性能进行调整，c1和c2称为加速常数，前者为每个粒子的个体学习因子，后者为每个
粒子的社会学习因子；random(0,1)表示区间[0,1]上的随机数，P
id
表示第i个变量的个体极值的第d维，P
gd
表示全局最优解的第d维；
[0030]4)终止条件
[0031]改进惯性权重分配，公式如下：
[0032][0033]式中，W
max
为最大惯性权重，W
min
为最小惯性权重，i为当前迭代次数，n
max
为最大迭代次数；
[0034]引入正弦函数改进学习因子的计算方式，使c1和c2随着迭代次数的增加同时变化，改进的学习因子c1和c2计算公式如下所示：
[0035][0036][0037]使用时，首先确定粒子群优化PSO的初始参数，以改进性权重分配和改进的学习因子计算方法设定c1、c2和惯性权重的值，同时设定初始化种群规模和最大迭代次数；之后随机生成粒子并初始化粒子的位置与速度，并设置粒子的适应度函数，即均方根误差计算函数，如下式所示：
[0038][0039]式中，N为迭代次数；x
i
为粒子在第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，其特征在于，所述方法包括：获取发动机气路数据，将发动机气路数据的输入和输出进行降维处理，降维处理后按照预定比例划分为训练数据集和测试数据集，对训练数据集和测试数据集进行归一化和格式转换处理，获得用于训练网络操作的输入输出数据；创建PSO优化算法的对象函数，所述对象函数的待优化对象为BiLSTM网络的最佳隐藏层节点数、最佳初始学习率、最佳L2正则化系数，设定BiLSTM网络的相关参数及设置误差计算函数以作为之后PSO优化效果好坏的评判标准，获得BiLSTM网络的最优参数；以PSO输出的最优参数构建基于BiLSTM网络的发动机气路系统模型并采用训练数据集开始训练；将发动机气路系统模型在测试数据集与训练数据集下进行仿真得到的预测数据进行误差计算，得到发动机气路系统模型的预测误差，判断航空发动机气路系统模型的准确性。2.如权利要求1所述的基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，其特征在于，将发动机气路数据的输入和输出进行降维处理过程中，当发动机气路数据的输入和/或输出参数不满足正态分布时，采用斯皮尔曼相关性检验来检测发动机气路数据的输入输出参数之间的相关性，斯皮尔曼等级相关系数满足：式中，R
i
、S
i
为X元素、Y元素第i位的值；为X元素、Y元素的平均值；N为观察次数；为每个观察值两元素X、Y的排名对应相减得到的差值的平方。3.如权利要求1所述的基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，其特征在于，所述BiLSTM网络的相关参数包括：优化算法选用Adam；学习率调整因子为0.2；梯度阈值为1。4.如权利要求1所述的基于改进PSO优化BiLSTM的航空发动机气路系统建模方法，其特征在于，通过PSO获得BiLSTM网络的最优参数的过程包括：1)初始化首先，设置最大迭代次数、目标函数的自变量个数、粒子的最大速度、位置信息为整个搜索空间，在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；2)个体极值与全局最优解之后定义适应度函数，个体极值为每个粒子找到的最优解，从最优解中找到一个全局值，叫做本次全局最优解，与历史全局最优比较，进行更新；3)更新速度和位置更新速度和位置的数学表示方法如下式所示：V
id
＝ωV
id
+c1random(0,1)(P
id
‑
X
id
)+c2random(0,1)(P
gd
‑
X
id
)
X
id
＝X
id
+V
id
其中，ω称为惯性因子，其值为非负，较大时，全局寻优能力强，局部寻优能力若，较小时，全局寻优能力弱，局部寻优能力强，通过调整ω的大小，能够对全局寻优性能和局部寻优性能进行调整，c1和c2称为加速常数，前者为每个粒子的个体学习因子，后者为每个粒子的社会学习因子；random(0,1)表示区间[0,1]上的随机数，P
id
表示第i个变量的个体极值的第d维，P
gd
表示全局最优解的第d维；4)终止条件改进惯性权重分配，公式如下：式中，W
max
为最大惯性权重，W
min
为最小惯性权重，i为当前迭代次数，n
max
为最大迭代次数；引入正弦函数改进学习因子的计算方式，使c1和c2随着迭代次数的增加同时变化，改进的学习因子c1和c2计算公式如下所示：计算公式如下所示：使用时...

【专利技术属性】
技术研发人员：韩崇鹏，刘斌，刘宇泽，亓悦，杨超，李辉，王翀，年夫强，
申请(专利权)人：中国航发沈阳发动机研究所，
类型：发明
国别省市：