CN108363844B - 一种航空发动机启动过程排气温度预测方法 - Google Patents

Abstract

本发明属于航空发动机预测技术领域，提供了一种航空发动机启动过程排气温度预测方法。本发明所要解决的技术问题是填补航空发动机在启动过程中排气温度预测的空缺，提供一种航空发动机启动过程排气温度预测方法，利用航空发动机地面试车数据，采用机器学习的方法得到发动机启动过程排气温度预测模型，该模型预测精度高、泛化性能好，预测结果可进一步用于发动机控制方面等，降低了发动机出现超温的可能性。相对于传统的单参数预测，本发明由于采用融合预测，包含了更多信息，使得预测误差降低；相对于单一的预测算法，本发明由于采用了AdaBoost.RT集成算法，对弱学习机进行集成，预测误差更小。

Description

一种航空发动机启动过程排气温度预测方法

技术领域

本发明属于航空发动机预测技术领域，具体涉及一种航空发动机启动过程排气温度预测方法。

背景技术

在飞机启动时，航空发动机处于高温、高负荷和高转速的状态，发动机出现超温的可能性较大，增加了飞行风险，因此，需要对排气温度进行预测以及时对航空发动机进行控制防止出现超温。对航空发动机排气温度预测的方法主要有三种：基于模型的方法、基于回归的方法和基于机器学习的方法。其中，基于模型的方法计算复杂、实时计算可能出现迭代不收敛等问题；基于回归的方法有时变量之间不一定有明显的线性或者其他函数关系，模型很难选择；基于机器学习的方法具有非常强的非线性映射能力，训练时间短。在文献《基于支持过程向量机的航空发动机排气温度预测》中，于广斌等人提出一种支持过程向量机模型，并运用到航空发动机排气温度预测中以预测航空发动机气路性能衰退规律，预测精度高。在文献《Application of Neural Networks in Forecasting Engine SystemsReliability》中，Xu K等人利用神经网络对航空发动机排气温度进行预测以预测发动机系统故障和可靠性。以上方法都是以航空发动机多个飞行循环的排气温度为数据进行预测，以显示航空发动机的性能状态及退化情况，但没有涉及到整个启动过程的排气温度预测，因此无法在有超温现象前对发动机进行控制。

发明内容

本发明所要解决的技术问题是填补航空发动机在启动过程中排气温度预测的空缺，提供一种航空发动机启动过程排气温度预测方法，利用航空发动机地面试车数据，采用机器学习的方法得到发动机启动过程排气温度预测模型，该模型预测精度高、泛化性能好，预测结果可进一步用于发动机控制方面等。

按照本发明，提供了一种航空发动机启动过程排气温度预测方法，本发明的技术方案如下：

首先，对传感器采集到的航空发动机地面试车数据，如高压压气机转速、低压压气机转速、主燃油流量、低压涡轮后温度等进行预处理，主要包括对异常数据的识别和处理、数据的平滑处理及数据的归一化处理。然后，基于信息融合的思想，通过合适的相关性方法选择与排气温度相关性大的参数作为输入参数对其进行预测。另外，对选择的参数进行相空间重构构建输入输出样本。最后，采用机器学习的算法对排气温度进行预测，获得预测精度高、泛化能力强、鲁棒性好的航空发动机启动过程排气温度预测模型。

优选地，在本发明中，对异常数据的识别采用基于密度的方法然后进行剔除。对数据的平滑处理采用专用函数平滑法。相关性分析方法采用互信息法。相空间重构的参数分别采用互信息法和Cao法。机器学习算法采用AdaBoost.RT集成算法，通过对弱学习机极限学习机(ELM)进行集成，得到效果优越的强学习机。

本发明的有益效果：本发明的预测模型预测精度高、泛化能力强、鲁棒性强，可对航空发动机启动过程的排气温度进行实时预测，预测结果可用于航空发动机控制等方面，降低了发动机出现超温的可能性。相对于传统的单参数预测，本发明由于采用融合预测，包含了更多信息，使得预测误差降低；相对于单一的预测算法，本发明由于采用了AdaBoost.RT集成算法，对弱学习机进行集成，预测误差更小。

附图说明

图1是本发明的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及技术方案，对本发明进行进一步详细说明。

一、航空发动机启动过程地面试车数据预处理

设传感器采集到的航空发动机启动过程地面试车数据Data为

Data＝[Para₁,Para₂,…,Para_l,…,Para_N] (1)

其中Para为高压压气机转速、低压压气机转速、主燃油流量、低压涡轮后温度等航空发动机性能参数数据，

为相对应的时间序列，N为参数个数，n为样本个数。航空发动机启动过程地面试车数据预处理包括异常点的识别与处理、数据平滑处理及数据归一化处理。

1、基于密度的异常点识别

在时间序列

中，点x_li临近点的数量越少，即其周围点密度较小，则点x_li就更加可能为一异常点。对于时间序列

中任意两点形成的有效点对(x_li,x_lj)，其欧几里得距离可表示为：

对有效点对(x_li,x_lj)中的点x_li，定义其k近邻点距离(k>0,k∈N)为k-dist(x_li)，且k-dist(x_li)满足：

(1)在

中，满足dist(x_li,x_lj)≤k-dist(x_li)的数据点的数量至少为k个；(2)在

中，满足dist(x_li,x_lj)<k-dist(x_li)的数据点的数量至多为k-1个。

对有效点对(x_li,x_lj)中的点x_li，称

r-dist_k(x_li,x_lj)＝max(dist(x_li,x_lj),k-dist(x_li)) (4)

为有效点x_lj与x_li的k近邻点极限距离。

为衡量x_li点周围点数量的多少，定义局部极限密度这一概念，称

为点x_lj的k局部极限密度，其中K(x_lj)为点x_lj的k近邻点集合。

定义

为点x_lj的异常系数，若λ<ρ，则点x_lj为正常数据点，若λ≥ρ，则点x_lj为时间序列

的一个异常点，其中ρ为异常因子上限。

对识别出的异常点进行剔除，并用左右两端相邻数据值的均值填充。

2、基于二次指数平滑法的数据平滑处理

采用二次指数平滑法对异常点识别及处理后的数据Data¹进行处理，以去除在信号采集过程中可能出现的噪声或数据污染，其中

Data¹＝[Para₁ ¹,Para₂ ¹,…,Para_l ¹,…,Para_N ¹] (6)

Para¹为Para异常点识别及处理后的航空发动机性能参数数据，

为

异常点识别及处理后的时间序列。

二次指数平滑算法如下：

其中，α为平滑系数；S_li ⁽¹⁾,S_li ⁽²⁾分别为一次和二次平滑值，定义平滑初始值S_l0为

3、数据归一化处理

对平滑处理后的数据Data²进行归一化处理，转化为[0,1]范围内的数据，其中

Data²＝[Para₁ ²,Para₂ ²,…,Para_l ²,…,Para_N ²] (10)

Para²为Para¹平滑处理后的航空发动机性能参数数据，

为

平滑处理后的时间序列。

二、航空发动机启动过程地面试车数据相关性分析

对预处理后的数据Data³采用互信息法进行相关性分析，其中

Data³＝[Para₁ ³,Para₂ ³,…,Para_l ³,…,Para_N ³] (12)

Para³为Para²归一化处理后的航空发动机性能参数数据，

为

归一化处理后的时间序列。

设有两组航空发动机性能参数数据

和

其中p,q∈N且p≠q。x_pi ³和x_qj ³的概率密度分别为Px_p[x_pi ³]和Px_q[x_qj ³]，联合概率密度为Px_pq[x_pi ³,x_qj ³]，则互信息函数MI(x_p,x_q)为

MI(x_p,x_q)＝H(x_p)+H(x_q)-H(x_p,x_q) (14)

计算各个参数与排气温度的互信息函数值，考虑到各个参数与排气温度相关性大小的差异及训练预测模型的时间要求，取互信息函数值最大的三个参数及排气温度(EGT)作为预测模型的输入参数。

三、航空发动机启动过程地面试车数据相空间重构

因为航空发动机启动过程地面试车数据是一组时间序列数据，为把其隐含的信息充分显露出来，对一维时间序列数据进行相空间重构。对相关性分析后的数据Data⁴进行相空间重构，其中

Data⁴＝[Para₁ ³,Para₂ ³,Para₃ ³,Para₄ ³] (18)

特别地，Para₄ ³＝EGT³。对于时间序列

对其重构后的相空间为

X_l＝[X_l1,X_l2,…,X_lI,…,X_lM]^T (20)

其中，

X_lI＝[x_lI,x_l(I+τ),…,x_l(I+(m-1)τ)],I＝1,2,…,M；M＝n-(m-1)τ (21)

m为嵌入维数，τ是延迟时间，分别用互信息法和Cao法进行求解。根据相空间重构构造输入输出样本，如表1所示，其中h为预测步长。

表1基于相空间重构的输入输出数据

样本个数	输入数据X	输出数据Y
			1	[X<sub>11</sub>,X<sub>21</sub>,X<sub>31</sub>,X<sub>41</sub>]	EGT<sub>1+(m-1)τ+h</sub><sup>3</sup>
…	…	…
			I	[X<sub>1I</sub>,X<sub>2I</sub>,X<sub>3I</sub>,X<sub>4I</sub>]	EGT<sub>I+(m-1)τ+h</sub><sup>3</sup>
…	…	…
			M	[X<sub>1M</sub>,X<sub>2M</sub>,X<sub>3M</sub>,X<sub>4M</sub>]	EGT<sub>M+(m-1)τ+h</sub><sup>3</sup>

四、航空发动机启动过程排气温度预测模型

本发明采用AdaBoost.RT_ELM算法对航空发动机启动过程的排气温度进行预测。AdaBoost.RT_ELM具体算法如下：

(1)输入

相空间重构后的输入输出数据

选择弱学习算法

指定迭代次数T(也表示最终生成弱学习机的数目)；

指定相对误差绝对值的阈值φ，在训练时根据φ将训练样本分为预测正确的样本和预测错误的样本。

(2)初始化

令初始迭代次数t＝1；

令第一次训练时，训练样本权值分布为D_t(I)＝1/M,I＝1,…,M；

令初始误差率ε_t＝0。

(3)迭代过程

for t＝1,…,T:

Step 1:在权值为D_t的训练样本上训练第t个弱学习机；

Step 2:记第t个学习机f_t对第I个样本X_I的预测结果为f_t(X_I)，而实际真值为Y_I。计算f_t的误差率：

Step 3:设置

a可以为1,2或3；

Step 4:更新样本权值D_t：

其中Z_t是标准化因子。通过调整各样本的权值，即增加预测误差大的样本的权值，减少预测误差小的样本的权值，使得误差大的样本在下一次迭代中更受关注。

end

(4)输出

强学习机：

本发明以学习速度快、泛化性能好的极限学习机(ELM)为弱学习机，通过设定合适的迭代次数以及阈值，得到预测精度高的强学习机，即航空发动机启动过程排气温度预测模型。

Claims (1)

1.一种航空发动机启动过程排气温度预测方法，其特征在于，对传感器采集到的航空发动机启动过程地面试车数据，采用基于密度的方法对数据进行异常点的识别和处理，采用二次指数平滑法对数据中的噪声或数据污染进行平滑或滤波处理，并对数据进行归一化处理使其转化为[0,1]范围内的数据；

基于信息融合的思想，利用互信息法进行相关性分析，计算各个参数与排气温度的互信息函数值，考虑到各个参数与排气温度相关性大小的差异及训练预测模型的时间要求，取互信息函数值最大的三个参数及排气温度作为预测模型的输入参数；设预处理后的数据为Data，其中

Data＝[Para₁,Para₂,…,Para_l,…,Para_N] (1)

其中，Para航空发动机性能参数数据，

为相对应的时间序列，N为参数个数，n为样本个数；

设有两组航空发动机性能参数数据

和

其中p,q∈N且p≠q；x_pi和x_qj的概率密度分别为Px_p[x_pi]和Px_q[x_qj]，联合概率密度为Px_pq[x_pi,x_qj]，则互信息函数MI(x_p,x_q)为

MI(x_p,x_q)＝H(x_p)+H(x_q)-H(x_p,x_q) (3)

对选择的参数进行相空间重构构建输入输出样本以充分显露时间序列数据中隐含的信息；设相关性分析后的数据为Data¹，其中，

Data¹＝[Para₁,Para₂,Para₃,Para₄] (7)

特别地，Para₄＝EGT；对于时间序列

对其重构后的相空间为

X_l＝[X_l1,X_l2,…,X_lI,…,X_lM]^T (9)

其中，

X_lI＝[x_lI,x_l(I+τ),…,x_l(I+(m-1)τ)],I＝1,2,…,M；M＝n-(m-1)τ (10)

其中，m为嵌入维数，τ是延迟时间，分别用互信息法和Cao法进行求解，根据相空间重构构造输入输出样本，如表1所示，其中h为预测步长；

表1 基于相空间重构的输入输出数据

样本个数 输入数据X 输出数据Y 1 [X₁₁,X₂₁,X₃₁,X₄₁] EGT_1+(m-1)τ+h … … … I [X_1I,X_2I,X_3I,X_4I] EGT_I+(m-1)τ+h … … … M [X_1M,X_2M,X_3M,X_4M] EGT_M+(m-1)τ+h

采用AdaBoost.RT_ELM算法对航空发动机启动过程的排气温度进行预测，AdaBoost.RT_ELM具体算法如下：

(1)输入

相空间重构后的输入输出数据

选择弱学习算法

指定迭代次数T；

指定相对误差绝对值的阈值φ，在训练时根据φ将训练样本分为预测正确的样本和预测错误的样本；

(2)初始化

令初始迭代次数t＝1；

令第一次训练时，训练样本权值分布为D_t(I)＝1/M,I＝1,…,M；

令初始误差率ε_t＝0；

(3)迭代过程

start

for t＝1,…,T；

Step 1:在权值为D_t的训练样本上训练第t个弱学习机；

Step 2:记第t个学习机f_t对第I个样本X_I的预测结果为f_t(X_I)，而实际真值为Y_I；计算f_t的误差率：

Step 3:设置

a可以为1,2或3；

Step 4:更新样本权值D_t：

其中，Z_t是标准化因子；通过调整各样本的权值，即增加预测误差大的样本的权值，减少预测误差小的样本的权值，使得误差大的样本在下一次迭代中更受关注；

end

(4)输出

强学习机：

以学习速度快、泛化性能好的极限学习机为弱学习机，通过设定合适的迭代次数以及阈值，得到预测精度高的强学习机，即航空发动机启动过程排气温度预测模型。

Images