CN101210859A - 高超声速进气道起动/不起动模式的融合分类测定方法 - Google Patents
高超声速进气道起动/不起动模式的融合分类测定方法 Download PDFInfo
- Publication number
- CN101210859A CN101210859A CNA2007101449056A CN200710144905A CN101210859A CN 101210859 A CN101210859 A CN 101210859A CN A2007101449056 A CNA2007101449056 A CN A2007101449056A CN 200710144905 A CN200710144905 A CN 200710144905A CN 101210859 A CN101210859 A CN 101210859A
- Authority
- CN
- China
- Prior art keywords
- starting
- classification
- intake duct
- support vector
- hypersonic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
高超声速进气道起动/不起动模式的融合分类测定方法,它涉及的是高超声速进气道的技术领域。它是为了解决现有技术还不能解决测量噪声和传感器故障对高超声速进气道起动/不起动模式分类精度的影响,导致控制系统对当前进气道工作状态出现误判的问题。该方法的步骤为:通过风洞试验或者数值模拟得起动/不起动模式分类的训练样本;根据流量捕获特性定义工作模式和分类规则;用支持向量机方法进行特征选择;用模糊输出支持向量机方法获取隶属度函数;用多传感器融合技术对不同分类器组合进行融合分类。本发明能够有效克服测量噪声和传感器故障对进气道起动/不起动模式分类精度的影响,大幅提高进气道起动/不起动分类器的鲁棒性。
Description
技术领域
本发明涉及的是高超声速进气道的技术领域。
背景技术
现有高超声速进气道的设计制造技术中,不起动现象是高超声速进气道的重要流动现象,无论是在设计工况还是在非设计工况,进气道能否正常工作,将对整个推进系统起关键性的作用。进气道不起动引起捕获流量和总压恢复急剧下降,导致燃烧室无法正常工作,必然会制约整个推进系统功能和性能的提高,甚至会使发动机不能产生推力。因此,发动机的控制系统必须能够实时监控进气道的工作状态,一旦出现进气道不起动,控制系统能迅速给出控制指令使得进气道快速退出不起动状态。
然而对于进气道起动/不起动状态的判断,目前大多采用的是利用壁面压力测点进行判断。在发动机运行过程中,传感器不可避免地遇到测量噪声和故障的影响,导致控制系统对当前进气道工作状态出现误判;严重情况下导致发动机出现进气道不起动现象,最终导致发动机不能正常工作和飞行试验失败。NASA和俄罗斯CIAM联合进行了一次耗资1亿美元的Ma3.5-6.5高超声速飞行试验的事故引起了国际学术界对进气道不起动控制的重视。在对此次试验分析中重点提到的不起动控制的可靠性问题,希望能够克服发动机运行过程中测量噪声和传感器故障的影响,提高宽马赫数范围内进气道起动/不起动模式分类精度,保证进气道和发动机的可靠工作。但现有技术还无法解决上述存在的问题。
发明内容
本发明的目的是为了解决现有技术还不能解决测量噪声和传感器故障对高超声速进气道起动/不起动模式分类精度的影响,导致控制系统对当前进气道工作状态出现误判的问题。而提出了一种高超声速进气道起动/不起动模式的融合分类测定方法。
该融合分类测定方法的步骤为:
步骤一:通过风洞试验或者数值模拟得到高超声速进气道壁面压力分布,以此作为进气道起动/不起动模式分类的训练样本;
步骤二:根据流量捕获特性定义进气道的不同工作模式,起动或不起动,并生成训练样本的分类规则,0或1;
步骤三:用支持向量机对高超声速进气道起动/不起动模式分类进行特征选择,其算法如下:
a、用支持向量机方法对训练样本进行特征选择,得到特征属性,得到其分类错误率error1及每个特征属性的权重;
b、剔除权重较小的一个或几个特征属性,重新训练支持向量机,并计算分类错误率error2及每个特征属性的权重;
c、如果error2小于error1,则返回运行步骤b,直至error2大于等于error1为止;最终得到用于高超声速进气道起动/不起动模式分类的特征属性;
d、基于该特征属性,利用支持向量机方法重新对样本进行训练,可以得到高超声速进气道起动/不起动模式分类的分类面;设两个传感器为一组,两个传感器分别设置在高超声速进气道内的x点和y点上,其x点和y点分别表征每一个样本的第x个和第y个压力测点,分别用p1和p2表示,得到的分类面可以利用p1和p2来表征;最终可以得到多组传感器的x点和y点,并组成多种分类器C1(x1,y1)……Cn(xn,yn),n为自然数;
步骤四:用模糊输出支持向量机方法获取不同噪声作用下的隶属度函数,其算法如下:
(1)、基于试验数据获取压力测点的噪声统计特性;
(2)、基于噪声统计特性,获取测量噪声作用下的类条件概率密度pA(支持向量机输出值|样本属于起动)、pB(支持向量机输出值|样本属于不起动);
(3)、对类条件概率密度进行贝叶斯估计可以得到其后验概率pC(样本属于起动|支持向量机输出值)、pD(样本属于不起动|支持向量机输出值);
(4)、对后验概率进行极大似然估计,得到该噪声作用下的隶属度函数;
步骤五:用多传感器融合技术对多个分类器进行组合决策,克服实际应用过程中测量噪声和传感器故障的影响;而实现高超声速进气道起动/不起动多个分类器融合分类测定;所述组合决策算法为:
(1)、首先确定融合分类器的数量,并选择步骤三中给出的传感器组合作为分类器组合C1(x1,y1)……Cn(xn,yn),n为自然数;
(2)、根据步骤四中的不同噪声作用下的隶属度函数,利用每个分类器计算每个样本属于各类的隶属度,得到每个样本对应的一个隶属度矩阵;
(3)、用均值的方法对隶属度矩阵进行模糊融合,最大均值对应的类别号为多个分类器组合后的决策值;完成高超声速进气道起动/不起动多个分类器组合决策。
本发明能够有效克服测量噪声和传感器故障对进气道起动/不起动模式分类精度的影响,大幅提高进气道起动/不起动分类器的鲁棒性。它能获得不同测量噪声作用下各类的隶属度函数,并得到每个样本对应的隶属度矩阵;基于隶属度矩阵进行模糊融合,最终实现高超声速进气道起动/不起动多个分类器组合决策。
附图说明
图1是高超声速进气道的结构示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的方法步骤为:
步骤一:通过风洞试验或者数值模拟得到高超声速进气道壁面压力分布,以此作为进气道起动/不起动模式分类的训练样本;
步骤二:根据流量捕获特性定义进气道的不同工作模式,起动或不起动,并生成训练样本的分类规则,0或1;
步骤三:用支持向量机对高超声速进气道起动/不起动模式分类进行特征选择,其算法如下:
a、用支持向量机方法对训练样本进行特征选择,得到特征属性,得到其分类错误率error1及每个特征属性的权重;
b、剔除权重较小的一个或几个特征属性,重新训练支持向量机,并计算分类错误率error2及每个特征属性的权重;
c、如果error2小于error1,则返回运行步骤b,直至error2大于等于error1为止;最终得到用于高超声速进气道起动/不起动模式分类的特征属性;
d、基于该特征属性,利用支持向量机方法重新对样本进行训练,可以得到高超声速进气道起动/不起动模式分类的分类面;设两个传感器为一组,两个传感器分别设置在高超声速进气道内的x点和y点上,其x点和y点分别表征每一个样本的第x个和第y个压力测点,分别用p1和p2表示,得到的分类面可以利用p1和p2来表征;最终可以得到多组传感器的x点和y点,并组成多种分类器C1(x1,y1)……Cn(xn,yn),n为自然数;
步骤四:用模糊输出支持向量机方法获取不同噪声作用下的隶属度函数,其算法如下:
(1)、基于试验数据获取压力测点的噪声统计特性;
(2)、基于噪声统计特性,获取测量噪声作用下的类条件概率密度pA(支持向量机输出值|样本属于起动)、pB(支持向量机输出值|样本属于不起动);
(3)、对类条件概率密度进行贝叶斯估计可以得到其后验概率pC(样本属于起动|支持向量机输出值)、pD(样本属于不起动|支持向量机输出值);
(4)、对后验概率进行极大似然估计,得到该噪声作用下的隶属度函数;
步骤五:用多传感器融合技术对多个分类器进行组合决策,克服实际应用过程中测量噪声和传感器故障的影响;而实现高超声速进气道起动/不起动多个分类器融合分类测定;所述组合决策算法为:
(1)、首先确定融合分类器的数量,并选择步骤三中给出的传感器组合作为分类器组合C1(x1,y1)……Cn(xn,yn),n为自然数;
(2)、根据步骤四中的不同噪声作用下的隶属度函数,利用每个分类器计算每个样本属于各类的隶属度,得到每个样本对应的一个隶属度矩阵;
(3)、采用均值的方法对隶属度矩阵进行模糊融合,最大均值对应的类别号为多个分类器组合后的决策值;完成高超声速进气道起动/不起动多个分类器组合决策。
Claims (1)
1.高超声速进气道起动/不起动模式的融合分类测定方法,其特征在于该方法的步骤为:
步骤一:通过风洞试验或者数值模拟得到高超声速进气道壁面压力分布,以此作为进气道起动/不起动模式分类的训练样本;
步骤二:根据流量捕获特性定义进气道的不同工作模式,起动或不起动,并生成训练样本的分类规则,0或1;
步骤三:用支持向量机对高超声速进气道起动/不起动模式分类进行特征选择,其算法如下:
a、用支持向量机方法对训练样本进行特征选择,得到特征属性,得到其分类错误率error1及每个特征属性的权重;
b、剔除权重较小的一个或几个特征属性,重新训练支持向量机,并计算分类错误率error2及每个特征属性的权重;
c、如果error2小于error1,则返回运行步骤b,直至error2大于等于error1为止;最终得到用于高超声速进气道起动/不起动模式分类的特征属性;
d、基于该特征属性,利用支持向量机方法重新对样本进行训练,可以得到高超声速进气道起动/不起动模式分类的分类面;设两个传感器为一组,两个传感器分别设置在高超声速进气道内的x点和y点上,其x点和y点分别表征每一个样本的第x个和第y个压力测点,分别用p1和p2表示,得到的分类面可以利用p1和p2来表征;最终可以得到多组传感器的x点和y点,并组成多种分类器C1(x1,y1)……Cn(xn,yn),n为自然数;
步骤四:用模糊输出支持向量机方法获取不同噪声作用下的隶属度函数,其算法如下:
(1)、基于试验数据获取压力测点的噪声统计特性;
(2)、基于噪声统计特性,获取测量噪声作用下的类条件概率密度pA(支持向量机输出值|样本属于起动)、pB(支持向量机输出值|样本属于不起动);
(3)、对类条件概率密度进行贝叶斯估计可以得到其后验概率pC(样本属于起动|支持向量机输出值)、pD(样本属于不起动|支持向量机输出值);
(4)、对后验概率进行极大似然估计,得到该噪声作用下的隶属度函数;
步骤五:用多传感器融合技术对多个分类器进行组合决策,克服实际应用过程中测量噪声和传感器故障的影响;而实现高超声速进气道起动/不起动多个分类器融合分类测定;所述组合决策算法为:
(1)、首先确定融合分类器的数量,并选择步骤三中给出的传感器组合作为分类器组合C1(x1,y1)……Cn(xn,yn),n为自然数;
(2)、根据步骤四中的不同噪声作用下的隶属度函数,利用每个分类器计算每个样本属于各类的隶属度,得到每个样本对应的一个隶属度矩阵;
(3)、用均值的方法对隶属度矩阵进行模糊融合,最大均值对应的类别号为多个分类器组合后的决策值;完成高超声速进气道起动/不起动多个分类器组合决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007101449056A CN101210859A (zh) | 2007-12-24 | 2007-12-24 | 高超声速进气道起动/不起动模式的融合分类测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007101449056A CN101210859A (zh) | 2007-12-24 | 2007-12-24 | 高超声速进气道起动/不起动模式的融合分类测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101210859A true CN101210859A (zh) | 2008-07-02 |
Family
ID=39611032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007101449056A Pending CN101210859A (zh) | 2007-12-24 | 2007-12-24 | 高超声速进气道起动/不起动模式的融合分类测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101210859A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915234A (zh) * | 2010-07-16 | 2010-12-15 | 西安交通大学 | 一种基于贝叶斯网络的压缩机关联故障诊断方法 |
CN103870686A (zh) * | 2014-03-07 | 2014-06-18 | 中国民航大学 | 一种基于信息融合的超声相控阵方法 |
CN104677638A (zh) * | 2013-11-27 | 2015-06-03 | 中国舰船研究设计中心 | 一种叶顶喷气试验装置 |
CN105973605A (zh) * | 2016-05-09 | 2016-09-28 | 西北工业大学 | 一种冲压发动机进气道是否起动的检测方法 |
CN106989891A (zh) * | 2017-03-30 | 2017-07-28 | 南京航空航天大学 | 高超声速进气道加速自起动实验方法 |
CN115392355A (zh) * | 2022-08-08 | 2022-11-25 | 哈尔滨工业大学 | 一种基于数据降维和重构的高超声速进气道不起动检测方法、系统及装置 |
-
2007
- 2007-12-24 CN CNA2007101449056A patent/CN101210859A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915234A (zh) * | 2010-07-16 | 2010-12-15 | 西安交通大学 | 一种基于贝叶斯网络的压缩机关联故障诊断方法 |
CN101915234B (zh) * | 2010-07-16 | 2012-05-23 | 西安交通大学 | 一种基于贝叶斯网络的压缩机关联故障诊断方法 |
CN104677638A (zh) * | 2013-11-27 | 2015-06-03 | 中国舰船研究设计中心 | 一种叶顶喷气试验装置 |
CN103870686A (zh) * | 2014-03-07 | 2014-06-18 | 中国民航大学 | 一种基于信息融合的超声相控阵方法 |
CN103870686B (zh) * | 2014-03-07 | 2015-08-12 | 中国民航大学 | 一种基于信息融合的超声相控阵方法 |
CN105973605A (zh) * | 2016-05-09 | 2016-09-28 | 西北工业大学 | 一种冲压发动机进气道是否起动的检测方法 |
CN105973605B (zh) * | 2016-05-09 | 2018-03-23 | 西北工业大学 | 一种冲压发动机进气道是否起动的检测方法 |
CN106989891A (zh) * | 2017-03-30 | 2017-07-28 | 南京航空航天大学 | 高超声速进气道加速自起动实验方法 |
CN106989891B (zh) * | 2017-03-30 | 2020-01-10 | 南京航空航天大学 | 高超声速进气道加速自起动实验方法 |
CN115392355A (zh) * | 2022-08-08 | 2022-11-25 | 哈尔滨工业大学 | 一种基于数据降维和重构的高超声速进气道不起动检测方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101210859A (zh) | 高超声速进气道起动/不起动模式的融合分类测定方法 | |
Brotherton et al. | Anomaly detection for advanced military aircraft using neural networks | |
CN109522600A (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
CN108363382A (zh) | 一种复杂装备故障诊断方法及系统 | |
Loboda et al. | Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network? | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
Angelov et al. | An approach to model-based fault detection in industrial measurement systems with application to engine test benches | |
CN105094118A (zh) | 一种飞机发动机压气机失速故障检测方法 | |
CN104428727B (zh) | 用于通过监测涡轮机的性能来检测所述涡轮机的劣化的方法 | |
CN108897309B (zh) | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
Cordier et al. | Comparing diagnosability in continuous and discrete-event systems | |
US8271233B2 (en) | Method of multi-level fault isolation design | |
CN102230848A (zh) | 高超声速进气道起动/不起动模式最优分类面的获取方法 | |
CN110472335A (zh) | 基于粒子群优化算法的传感器故障诊断阈值确定方法 | |
CN111753465B (zh) | 升船机防撞缓冲液压系统缓冲油缸内泄漏故障诊断方法 | |
CN110705114B (zh) | 一种无训练样本的通风故障诊断方法 | |
Mathioudakis et al. | Probabilistic neural networks for validation of on-board jet engine data | |
Sampath et al. | Fault diagnosis of a two spool turbo-fan engine using transient data: A genetic algorithm approach | |
KR102115268B1 (ko) | 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법 | |
CN112749789A (zh) | 基于自联想型神经网络的航空发动机多重故障诊断器 | |
CN112906855A (zh) | 动态阈值的变循环发动机多重故障诊断器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080702 |