CN110341986B - 基于rbm优化elm的飞机辅助动力装置性能参数多步预测方法 - Google Patents

Abstract

基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法，属于航空飞机辅助动力装置健康状态评估技术领域，本发明解决了现有飞机辅助动力装置状态监测软件存在缺乏性能参数预测能力的问题。本发明通过飞机通信寻址与报告系统得到APU的在翼监测数据，数据包含APU的启动，启动主发机时的监测数据，筛选出能够表征其气路性能的排气温度数据作为样本。利用样本数据实现受限玻尔兹曼机对极限学习机的优化，构建一种优化的ELM网络预测模型，达到APU性能参数多步预测的目的。本发明适用于飞机辅助动力装置性能参数的多步预测。

Description

基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法

技术领域

本发明属于航空飞机辅助动力装置健康状态评估技术领域，具体涉及一种飞机辅助动力装置性能参数预测方法。

背景技术

飞机辅助动力装置(Auxiliary Power Unit,APU)实质是一个小型的燃气涡轮发动机，它可以对在地面的飞机单独供给电力和压缩空气，飞机在地面起飞前，APU向飞机独立地提供电力和压缩空气，保证客舱和驾驶舱内的照明和空调运行，并用来启动主发动机。起飞至爬升时，APU继续工作，发动机功率全部用于地面加速和爬升，改善了起飞性能。爬升到一定高度后，APU关闭。空中停车(应急情况)时，当主发动机出现空中停车时，APU可在约12000米高度以下时启动，为发动机重启提供动力。降落后，由APU供应电力照明和空调，使主发动机提早关闭，从而节省了燃油，降低噪声。是飞机上一个不可或缺的重要的系统，然而其在航班运行中故障率较高。APU是飞机上除主发动机外，送修费用最高，科技含量也最高的部附件。如果能够提前知道APU的健康状态，合理规划维修资源，对其进行视情维修，则能最小化APU在其寿命期的维修费用，能够大幅提高航空公司的经济效益。同时能够提高飞机运行正常率，安全性。

对于飞机辅助动力装置，现今航空公司已经有各种状态监测软件能够对辅助动力的性能参数进行监测并可视化，但是，现有的辅助动力的性能参数状态监测软件缺乏性能参数预测能力。

发明内容

本发明是为了解决现有飞机辅助动力装置状态监测软件存在缺乏性能参数预测能力的问题，提出了一种基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法。

本发明所述的基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法，该方法具体包括：

步骤一、通过飞机通信寻址与报告系统获取飞机辅助动力装置在翼监测数据；

步骤二、提取所述在翼监测数据中的表征气路性能的排气温度数据；

步骤三、对所述排气温度数据进行修正处理，去除外界环境温度的干扰；获得训练样本数据；

步骤四、使用步骤三获得的训练样本数据，对受限玻尔兹曼机进行训练，采用对比散度算法，获取受限玻尔兹曼机的参数；

步骤五、将步骤四获得的受限玻尔兹曼机的参数，带入极限学习机网络，并利用步骤三获得的训练样本数据对极限学习机网络进行训练优化，获得训练优化后的极限学习机网络；

步骤六、利用步骤三中所述的训练样本数据作为步骤五中训练优化的极限学习机网络的输入，获得排气温度数据的预测值。

发明实现提前预测APU性能参数的值，为装置维修提供决策支持。通过受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)来优化极限学习机(Extreme LearningMachine,ELM)，构建一种优化的ELM网络预测模型，达到APU性能参数多步预测的目的。本发明通过飞机通信寻址与报告系统(Aircraft Communications Addressing andReportingSystem，缩写：ACARS)得到APU的在翼监测数据，数据包含APU的启动，启动主发机时的监测数据，其中，筛选出能够表征其气路性能的排气温度(Exhaust Gas Temperature，EGT)。随着EGT的升高，APU的性能逐渐下降。利用EGT数据实现对APU的性能参数EGT进行预测。

附图说明

图1是本发明所述基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法的流程图；

图2是受限玻尔兹曼机结构示意图；

图3是单隐藏层神经网络结构示意图；

图4是EGT始数据随时间变化曲线图；

图5是EGT修正后的数据随时间变化曲线图；

图6是训练集EGT随时间变化曲线图；

图7是EGT多步预测结果随时间变化曲线图；

图8是采用本发明所述方法的具体实施例的系统配置框图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法，该方法具体包括：

步骤一、通过飞机通信寻址与报告系统获取飞机辅助动力装置在翼监测数据；

步骤二、提取所述在翼监测数据中的表征气路性能的排气温度数据；

步骤三、对所述排气温度数据进行修正处理，去除外界环境温度的干扰；获得训练样本数据；

步骤四、使用步骤三获得的训练样本数据，对受限玻尔兹曼机进行训练，采用对比散度算法，获取受限玻尔兹曼机的参数；

步骤五、将步骤四获得的受限玻尔兹曼机的参数，带入极限学习机网络，并利用步骤三获得的训练样本数据对极限学习机网络进行训练优化，获得训练优化后的极限学习机网络；

步骤六、利用步骤三中所述的训练样本数据作为步骤五中训练优化的极限学习机网络的输入，获得排气温度数据的预测值。

本实时方式采用APU的ACARS报文，筛选出EGT数据，EGT进行性能修正，将其分为训练集和测试集；训练集用于训练RBM和ELM模型，测试集用于输入至RBM优化后ELM，实现根据样本的退化预测飞机辅助动力装置性能。

本实施方式中训练样本数据可以分为两部分，一部分作为训练集，用来训练受限玻尔兹曼机和优化训练极限学习机网络，另一部分作为预测集，用来输入至优化训练后的极限学习机网络，对参数进行预测，具体流程如图1所示，当预测完成后对预测结果进行评估。

具体实施方式二：下面结合图2说明本实施方式，本实施方式对实施方式一所述的基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法作进一步说明，步骤四使用步骤三获得的训练样本数据，对受限玻尔兹曼机进行训练，采用对比发散算法，获取受限玻尔兹曼机的参数的具体方法为：

建立包含n个可见层神经元和L个隐藏层神经元的受限玻尔兹曼机；对所述受限玻尔兹曼机进行训练；

向量v和h分别表示可见层神经元和隐藏层神经元的状态；v_j表示第j个可见神经元的状态，h_i表示第i个隐藏层神经元的状态；

对于集合(v,h)，受限玻尔兹曼机的能量为：

其中，θ＝{W_ji,a_j,b_i}是受限玻尔兹曼机的参数，W_ji代表可见层第j个神经元和隐藏层第i个神经元之间的连接权值；a_j代表可见层第j个神经元的偏置，b_i代表隐藏层第i个神经元的偏置，参数θ确定时(v,h)的联合概率分布可为：

其中，Z(θ)为归一化因子或配分函数，联合概率分布P(v,h|θ)的边际分布为似然函数：

第i个隐藏层神经元的激活概率为：

其中，σ为sigmoid激活函数；由于受限玻尔兹曼机的结构是对称的，当给定隐藏单元的状态时，每个可见单元的激活状态也是独立的；第j个可见层神经元的激活概率为：

由于可见层神经元和隐藏层神经元内部之间没有相互联系，只有层间神经元才有对称的连线，层间神经元之间的关系是独立的，因此，层间神经元的概率分布为：

当给定隐藏层时，所有可见层神经元的值彼此不相关，层间神经元的概率分布为：

根据式(8)，使用对比散度算法对受限玻尔兹曼机训练，基于对比散度算法的参数更新准则：

获得训练后受限玻尔兹曼机的参数θ＝{W_ji,a_j,b_i}，其中，ε是学习率，<·>_data表示在可见层神经元的条件下隐藏层神经元的概率分布，<·>_recon为步采用CD算法重构后模型定义的概率分布分布，△W_ji代表可见层第j个神经元和隐藏层第i个神经元之间的连接权值的变化量，△a_j代表可见层第j个神经元的偏置的变化量，△b_i代表隐藏层第i个神经元的偏置的变化量。本实施方式所述的对受限玻尔兹曼机进行训练的过程中由于可见层神经元和隐藏层神经元内部之间没有相互联系，只有层间神经元才有对称的连线，层间神经元之间的关系是独立的，因此，就不需要在每一步计算每个神经元。相反，整个层中的神经元可以以并行模式计算。

RBM的训练过程就是利用训练样本找出隐藏单元的最大概率分布。由于决定性因素在于权值W，训练RBM的目标是确定最优权值。采用对比发散算法，得到RBM的参数。经过训练，RBM能够准确提取表层特征。基于这些特征，隐藏层可以帮助重建表层。本实施方式中的受限玻尔兹曼机的结构如图2所示。

具体实施方式三、结合图3说明本实施方式，本实施方式是对具体实施方式二所述的基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法作进一步说明,步骤五所述将步骤四获得的受限玻尔兹曼机的参数，带入极限学习机网络，并利用步骤三获得的训练样本数据对极限学习机网络进行训练优化的具体方法为：

利用数据集(X_q,t_q)，X_q＝[x_q1,x_q2,...,x_qn]^T为训练样本，建立具有一个包含L个节点的单层隐藏层神经网络：

其中，W_i表示隐藏层第i个神经元与输入层神经元之间的权值，t_q为训练样本的标签，g(x)为激活函数，o_q为网络的输出，β_i表示隐藏层第i个神经元与输出层神经元之间的权值，单隐藏层神经网络学习的目标是使网络输出与训练样本之间的误差最小，因此有：

由式(10)和式(11)可知t_q、β_i、W_i和b_i之间的关系为：

式(12)转化为：

Hβ＝T (13)

式(13)的详细形式为：

W_L和b_L分别为第L个隐藏层神经元与输入层神经元之间的权值和偏置，

表示第L个隐藏层神经元与输出层神经元之间的权值的转置，

为第N个训练样本的标签，X_N为第N个训练样本；

对于单隐藏层神经网络的训练，

和

满足：

其中，

表示经过训练数据训练得到第i个隐藏层神经元与输入层神经元之间的权值，

表示经过训练数据训练得到第i个隐藏层神经元与输入层神经元之间的阈值，

表示经过训练数据训练得到第i个隐藏层神经元与输出层神经元之间的权值；i＝1,2,...,L，训练的目标等价于最小化损失函数，最小化损失函数为：

由于隐藏层的输出矩阵H是唯一确定的，隐藏层神经网络转化为求解线性系统Hβ＝T，利用公式：

获得训练后的极限学习机网络隐藏层与输入层神经元之间的权值

其中，

为矩阵的摩尔-彭罗斯广义逆；再将训练得到的参数θ中的W_ji和b_i赋值给极限学习机网络输入层与隐藏层的权值

与阈值

获得训练优化的极限学习机网络。

本实施方式中的ELM主要用于求解单隐藏层神经网络。它是一种新型的快速学习算法。对于单层隐藏层神经网络，ELM具有相同的结构如图3所示，

为了评价本发明所述方法中训练优化后的极限学习机网络，设y为实测值，p为预测值，D为预测步数；i表示第i步预测，所使用的度量标准如下所示：

(1)平均绝对误差(Mean Absolute Error,MAE)

MAE是统计量，可以用来衡量预测值与实际值之间的距离。MAE值越小，表明预测模型的精度越高。

(2)平均绝对误差百分比(Mean Absolute Error,MAE)

MAPE是一个百分比值，是相对误差的的一种直观的诠释，比其他统计量更容易理解。

(3)均方根误差(Mean Absolute Error,MAE)

RMSE表示平方误差的期望值。RMSE值越小，表明预测模型的稳定性越好。

利用上述评估方法针对APU在翼监测数据进行数据分析，采集到的原始数据如图4示，为消除外界温度对EGT的影响，对其进行修正，修正后的EGT见图5所示。

图5图中共有962个采样数据点，选取第600到960个采样点作为整体的数据集，此阶段APU处于性能退化状态。选取RBM的显层神经元个数为20，隐藏层神经元个数为20，选取250个样本点作为训练集，训练集数据见图6所示。使用训练样本对RBM进行训练，进而得到RBM优化后的ELM网络。使用训练好的ELM网络对未来30个采样点的EGT进行预测，预测结果见图7所示。

图7中，圆圈线为实测EGT的曲线，星线为基于RBM优化后的ELM预测曲线。预测性能指标MAE为2.8520，MAPE为0.4814，RMSE为3.6061。说明了该方法对于EGT的性能退化有着优良的预测能力。

图8为采用本发明所述基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法进行飞机辅助动力装置性能参数预测的具体实施例的系统配置框图。

本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (2)

1.基于RBM优化ELM的飞机辅助动力装置性能参数多步预测方法，其特征在于，该方法具体包括：

步骤一、通过飞机通信寻址与报告系统获取飞机辅助动力装置在翼监测数据；

步骤二、提取所述在翼监测数据中的表征气路性能的排气温度数据；

步骤三、对所述排气温度数据进行修正处理，去除外界环境温度的干扰；获得训练样本数据；

步骤四、使用步骤三获得的训练样本数据，对受限玻尔兹曼机进行训练，采用对比散度算法，获取受限玻尔兹曼机的参数；

步骤五、将步骤四获得的受限玻尔兹曼机的参数，带入极限学习机网络，并利用步骤三获得的训练样本数据对极限学习机网络进行训练优化，获得训练优化后的极限学习机网络；

步骤六、利用步骤三中所述的训练样本数据作为步骤五中训练优化的极限学习机

网络的输入，获得排气温度数据的预测值；

步骤五所述将步骤四获得的受限玻尔兹曼机的参数，带入极限学习机网络，并利用步骤三获得的训练样本数据对极限学习机网络进行训练优化的具体方法为：

利用数据集(X_q,t_q)，X_q＝[x_q1,x_q2,...,x_qn]^T为训练样本，建立具有一个包含L个节点的单层隐藏层神经网络：

其中，b_i代表隐藏层第i个神经元的偏置，W_i表示隐藏层第i个神经元与输入层神经元之间的权值，t_q为训练样本的标签，g(x)为激活函数，o_q为网络的输出，β_i表示隐藏层第i个神经元与输出层神经元之间的权值，单隐藏层神经网络学习的目标是使网络输出与训练样本之间的误差最小，因此有：

由式(10)和式(11),t_q、β_i、W_i和b_i之间的关系为：

式(12)转化为：

Hβ＝T (13)

式(13)的详细形式为：

W_L和b_L分别为第L个隐藏层神经元与输入层神经元之间的权值和偏置，

表示第L个隐藏层神经元与输出层神经元之间的权值的转置，

为第N个训练样本的标签，X_N为第N个训练样本；

对于单隐藏层神经网络的训练，

和

满足：

其中，

表示经过训练数据训练得到第i个隐藏层神经元与输入层神经元之间的权值，

表示经过训练数据训练得到第i个隐藏层神经元与输入层神经元之间的阈值，

表示经过训练数据训练得到第i个隐藏层神经元与输出层神经元之间的权值；i＝1,2,...,L，训练的目标等价于最小化损失函数，最小化损失函数为：

由于隐藏层的输出矩阵H是唯一确定的，隐藏层神经网络转化为求解线性系统Hβ＝T，利用公式：

获得训练后的极限学习机网络隐藏层与输入层神经元之间的权值

其中，

为矩阵的摩尔-彭罗斯广义逆；再将训练得到的参数θ中的W_ji和b_i赋值给极限学习机网络输入层与隐藏层的权值

与阈值

获得训练优化的极限学习机网络。

2.根据权利要求1所述的基于RBM优化ELM的飞机辅助动力装置性能参数多步

预测方法，其特征在于，步骤四使用步骤三获得的训练样本数据，对受限玻尔兹曼机进行训练，采用对比发散算法，获取受限玻尔兹曼机的参数的具体方法为：

建立包含n个可见层神经元和L个隐藏层神经元的受限玻尔兹曼机；对所述受限玻尔兹曼机进行训练；

向量v和h分别表示可见层神经元和隐藏层神经元的状态；v_j表示第j个可见神经元的状态，h_i表示第i个隐藏层神经元的状态；

对于集合(v,h)，受限玻尔兹曼机的能量为：

其中，θ＝{W_ji,a_j,b_i}是受限玻尔兹曼机的参数，W_ji代表可见层第j个神经元和隐藏层第i个神经元之间的连接权值；a_j代表可见层第j个神经元的偏置，b_i代表隐藏层第i个神经元的偏置，参数θ确定时(v,h)的联合概率分布可为：

其中，Z(θ)为归一化因子或配分函数，联合概率分布P(v,h|θ)的边际分布为似然函数：

第i个隐藏层神经元的激活概率为：

其中，σ为sigmoid激活函数；由于受限玻尔兹曼机的结构是对称的，当给定隐藏单元的状态时，每个可见单元的激活状态也是独立的；第j个可见层神经元的激活概率为：

由于可见层神经元和隐藏层神经元内部之间没有相互联系，只有层间神经元才有对称的连线，层间神经元之间的关系是独立的，因此，层间神经元的概率分布为：

当给定隐藏层时，所有可见层神经元的值彼此不相关，层间神经元的概率分布为：

根据式(8)，使用对比散度算法对受限玻尔兹曼机训练，基于对比散度算法的参数更新准则：

获得训练后受限玻尔兹曼机的参数θ＝{W_ji,a_j,b_i}，其中，ε是学习率，<·>_data表示在可见层神经元的条件下隐藏层神经元的概率分布，<·>_recon为步采用CD算法重构后模型定义的概率分布分布，ΔW_ji代表可见层第j个神经元和隐藏层第i个神经元之间的连接权值的变化量，Δa_j代表可见层第j个神经元的偏置的变化量，Δb_i代表隐藏层第i个神经元的偏置的变化量。

Images