CN112378468A - 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 - Google Patents
一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 Download PDFInfo
- Publication number
- CN112378468A CN112378468A CN202011269808.1A CN202011269808A CN112378468A CN 112378468 A CN112378468 A CN 112378468A CN 202011269808 A CN202011269808 A CN 202011269808A CN 112378468 A CN112378468 A CN 112378468A
- Authority
- CN
- China
- Prior art keywords
- fuel consumption
- data
- cruising
- small sample
- airplane
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及飞机燃油测量技术领域,公开了一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,针对飞机巡航阶段燃油耗量,首先在飞机快速存储记录装置中选取QAR数据,将选取的QAR数据进行归一化处理;然后利用粗略筛选和二次寻优两步确定SVR训练参数;最后建立燃油耗量模型,实现飞机巡航燃油耗量的测量。
Description
技术领域
本发明涉及飞机燃油测量技术领域,具体的说,是一种小样本训练数据条件下的飞机巡航燃油耗量测量方法。
背景技术
飞机巡航阶段燃油耗量测量技术中,有直接测量和间接测量两种测量方式。直接测量主要采用传感器对燃油耗量进行测量;间接测量仅利用飞机快速存储记录装置QAR(Quick Access Recorder)数据建立燃油耗量模型,实现燃油耗量测量,有其方法的优势。然而,飞机巡航数据中,一些航线的样本量有限且变量之间呈非线性关系,限制了传统建模方法在巡航阶段耗量测量中的应用。
支持向量回归SVR(Support Vector Regression)受启发于支持向量机,是一种有效的数据建模方法,有别于传统方法,对过程变量没有呈线性关系的要求。其基本原理是将描述对象作为一个整体,通过非线性变换将正常数据样本空间映射到高维样本空间,对样本容量并不敏感,具有较高适用性。
因此,本发明将支持向量回归方法引入飞机巡航阶段燃油耗量测量中,构建了一种针对小样本训练数据的测量方法,实现飞机巡航燃油耗量的测量。
发明内容
基于现有技术中因样本有限而导致传统建模方法在巡航阶段耗量测量中应用受限的不足,本发明的目的在于提供一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,不需要燃油耗量传感器,仅以飞机快速存储记录装置数据为样本,实现飞机巡航阶段燃油耗量的间接测量;同时,充分考虑了样本量有限与变量之间呈非线性关系,能够有效测量飞机巡航燃油耗量,且测量精度高。
本发明通过下述技术方案实现:
一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,针对飞机巡航阶段燃油耗量,首先在飞机快速存储记录装置中选取QAR数据,将选取的QAR数据进行归一化处理;然后利用粗略筛选和二次寻优两步确定SVR训练参数;最后建立燃油耗量模型,实现飞机巡航燃油耗量的测量。
本发明所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,充分考虑了飞机飞行中油面角数据的强时变性,利用D-S证据融合方法对多传感器测量数据进行综合,同时考虑了多传感器系统中各传感器在不同油面角下的测量误差,实现了飞机燃油质量测量,提高了测量结果的可靠性。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,针对利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,重新分配冲突证据的权重,实现油量测量;
(2)本发明公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,充分考虑了飞机飞行中油面角数据的强时变性,利用D-S证据融合方法对多传感器测量数据进行综合,同时考虑了多传感器系统中各传感器在不同油面角下的测量误差,实现了飞机燃油质量测量,提高了测量结果的可靠性。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1是本发明所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法的测试验证结果图。
具体实施方式
实施例1:
本实施例的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,针对利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,重新分配冲突证据的权重,实现油量测量。
本实施例所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,具体包括以下步骤:
步骤一:选取QAR数据;
步骤二:将选取的QAR数据进行归一化处理;
步骤三:利用粗略筛选和二次寻优两步确定SVR训练参数;
步骤四:建立燃油耗量模型。
所述步骤一:选取QAR数据;具体的,在QAR数据中,选择6个关键变量,分别为巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油耗量(kg)。
如表1所示的训练用巡航QAR样本数据,选取20个批次巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油消耗量(kg)6个关键变量数据为训练样本。
表1
步骤二:将选取的QAR数据进行归一化处理;具体的,将飞机巡航阶段QAR数据中的关键变量标准化,通过转换公式分别对每个变量线性变化,使结果映射到[0–1]之间;转换公式如下:
其中,x*为归一化后的结果,
x为当前变量的数值,
xmin为数据集中当前变量的最小值,
xmax为数据集中当前变量的最大值。
步骤三:利用粗略筛选和二次寻优两步确定SVR训练参数;具体的,先将由步骤二变化得到的数据分为K组,然后利用K-fold Cross Validation(K-CV)实现交叉验证;再设置惩罚系数c,不敏感系数ε步长,对SVR参数进行粗略筛选,利用粗略筛选的结果,缩小步长,进行SVR参数的二次寻优,得到样本数据。
本实施例中,选取8个批次巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油消耗量(kg)6个关键变量数据为测试验证样本,即如表2所示的测试验证用巡航QAR样本数据。
表2
此步骤中,对表1数据进行归一化后,利用K-fold Cross Validation(K-CV)实现交叉验证,交叉验证的过程是指将归一化后的数据分为K组,任1组验证,其余训练,取准确率平均值。也就是说,先将由步骤二变化得到的数据分为K组,然后利用K折交叉验证(K-fold Cross Validation,K-CV)实现交叉验证;再设置惩罚系数c,不敏感系数ε步长,对SVR参数进行粗略筛选,利用粗略筛选的结果,缩小步长,进行SVR参数的二次寻优,得到样本数据。
所述步骤三具体包括步骤A-步骤C。
步骤A:将数据分为K组,然后利用K折交叉验证(K-fold Cross Validation,K-CV)实现交叉验证。
以关键变量通过转换公式标准化后的数值作为样本(x,y)并形成样本数据集D={(x1,y1),(x2,y2),…,(xm,ym)};然后将样本数据集D随机分为K个部分,每次将其中一个部分作为测试集,剩下K-1个部分作为训练集进行训练。得到一个如式(2)的回归模型,使得估算变量f(x)与当前样本因变量y尽可能接近,w和b为待确定的模型参数。
f(x)=wTx+b (2)
其中,f(x)为估算变量,
x为当前样本自变量,
w为系数矩阵,
b为偏移矩阵,
y为当前样本因变量;
步骤B:设置惩罚系数c,不敏感系数ε步长,对SVR参数进行粗略筛选。
对样本(x,y)传统回归模型通常直接基于估算变量f(x)与当前样本因变量y完全相同时,损失才为零。与此不同,假设SVR(支持向量回归机)能容忍f(x)与y之间最多有ε的偏差,构建一个宽度为2ε的间隔带,若训练样本落入此间隔带,则认为是被预测正确,即仅当f(x)与y之间的差的绝对值大于ε时才计算损失。
因此,SVR问题可形式化为式(3):
lε(z)=0,if|z|≤ε
lε(z)=|z|-ε,if|z|>ε (3)
其中,C为正则化常数,
lε为ε-不敏感损失函数;
xi为第i个样本自变量,i=1,2,…,m;
yi为第i个样本因变量,i=1,2,…,m;
z为f(x)与y之间的偏差;
s.t f(xi)-yi≤ε+ξi
其中,ξi为间隔带上边界的松弛程度,i=1,2,…,m;
C=αi+ui
将式(6)带入式(5),得到SVR的对偶问题表达如式(7):
上述过程中需满足KKT(Karush-Kuhn-Tucker)互补条件,即要求满足式(8):
αi(f(xi)-yi-ε-ξi)=0
(C-αi)ξi=0
式(8)中,当且仅当f(xi)-yi-ε-ξi=0时αi能取非零值,当且仅当时能取非零值;即仅当样本(xi,yi)不落在宽度为2ε的间隔带带中,相应的αi,才能取非零值。此外,f(xi)-yi-ε-ξi和不能同时成立,因此αi,中至少有一个为零。
为解决非线性问题,引入核函数,令φ(x)表示将x映射后的特征向量,于是,在特征空间中模型可表示为式(9):
f(x)=wTφ(x)+b (9)
其中,φ(x)为X对应的高维空间映射;
令K(xi,yi)=<φ(xi),φ(xj)>=φ(xi)Tφ(xj),SVR可表示为式(10):
其中,K(xi,yi)核函数。
步骤C:利用粗略筛选的结果,缩小步长,进行SVR参数的二次寻优。
步骤四:建立燃油耗量模型;具体的,利用SMO(Sequential minimaloptimization)算法对样本数据进行训练,得到燃油耗量(kg)与巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)的关系式。
本实施例中K取5,训练中核函数选用径向基核函数,寻优后惩罚系数为32,核函数参数为0.5。测试验证结果如图1所示。
本实施例公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,属于飞机燃油测量技术领域。针对飞机巡航阶段燃油耗量,首先在飞机快速存储记录装置中选取QAR数据并进行归一化处理;然后利用粗略筛选和二次寻优两步确定SVR预测模型训练参数;最后建立燃油耗量模型,实现飞机巡航燃油耗量的测量。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (8)
1.一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:针对飞机巡航阶段燃油耗量,首先在飞机快速存储记录装置中选取QAR数据,将选取的QAR数据进行归一化处理;然后利用粗略筛选和二次寻优两步确定SVR训练参数;最后建立燃油耗量模型,实现飞机巡航燃油耗量的测量。
2.根据权利要求1所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:所述选取QAR数据具体是指,在QAR数据中,选择6个关键变量,分别为巡航起始飞机重量、海拔高度、巡航时间、大气总温、马赫数、燃油耗量。
3.根据权利要求2所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:所述将选取的QAR数据进行归一化处理具体是指,将飞机巡航阶段QAR数据中的关键变量标准化,通过转换公式分别对每个变量线性变化,使结果映射到[0–1]之间。
5.根据权利要求3所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:所述利用粗略筛选和二次寻优两步确定SVR训练参数具体是指,先将由转换公式变化得到的数据分为K组,然后利用K折交叉验证实现交叉验证;再设置惩罚系数c,不敏感系数ε步长,对SVR参数进行粗略筛选;利用粗略筛选的结果,缩小步长,进行SVR参数的二次寻优,得到样本数据。
6.根据权利要求5所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:所述交叉验证过程是指将归一化后的QAR数据分为K组,任1组验证,其余训练,取准确率平均值;所述K为不小于2的正整数。
7.根据权利要求6所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:通过回归模型对SVR参数进行粗略筛选。
8.根据权利要求6所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法,其特征在于:所述建立燃油耗量模型具体是指,利用SMO算法对得到的样本数据进行训练,得到燃油耗量与巡航起始飞机重量、海拔高度、巡航时间、大气总温、马赫数的关系式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269808.1A CN112378468A (zh) | 2020-11-13 | 2020-11-13 | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269808.1A CN112378468A (zh) | 2020-11-13 | 2020-11-13 | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112378468A true CN112378468A (zh) | 2021-02-19 |
Family
ID=74583954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269808.1A Pending CN112378468A (zh) | 2020-11-13 | 2020-11-13 | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112378468A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409418A (zh) * | 2021-06-11 | 2021-09-17 | 江西洪都航空工业股份有限公司 | 一种飞机巡航等分钟耗油量包线综合图表计算和生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226664A (zh) * | 2013-05-07 | 2013-07-31 | 上海发电设备成套设计研究院 | 节流调节型汽轮机高压转子外表面温度预测方法和装置 |
CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN109598815A (zh) * | 2018-12-04 | 2019-04-09 | 中国航空无线电电子研究所 | 一种机载燃油系统耗油估计及健康监测方法 |
CN110718001A (zh) * | 2019-10-24 | 2020-01-21 | 哈尔滨工业大学 | 基于lstm和svr模型的飞机辅助动力装置的性能参数单步预测方法 |
-
2020
- 2020-11-13 CN CN202011269808.1A patent/CN112378468A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226664A (zh) * | 2013-05-07 | 2013-07-31 | 上海发电设备成套设计研究院 | 节流调节型汽轮机高压转子外表面温度预测方法和装置 |
CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN109598815A (zh) * | 2018-12-04 | 2019-04-09 | 中国航空无线电电子研究所 | 一种机载燃油系统耗油估计及健康监测方法 |
CN110718001A (zh) * | 2019-10-24 | 2020-01-21 | 哈尔滨工业大学 | 基于lstm和svr模型的飞机辅助动力装置的性能参数单步预测方法 |
Non-Patent Citations (1)
Title |
---|
陈静洁 等: "一种基于SVR的飞机巡航段油耗预测方法", 《航空电子技术》, vol. 45, no. 1, pages 46 - 51 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409418A (zh) * | 2021-06-11 | 2021-09-17 | 江西洪都航空工业股份有限公司 | 一种飞机巡航等分钟耗油量包线综合图表计算和生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A deep supervised learning framework for data-driven soft sensor modeling of industrial processes | |
US11035693B2 (en) | Sensor output change detection | |
Kaneko et al. | Development of a new soft sensor method using independent component analysis and partial least squares | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN101211383A (zh) | 一种高炉铁水硅含量的特征分析预报方法 | |
CN106971077B (zh) | 一种基于时间片段参数辨识的动态仿真模型验证方法 | |
CN112231980B (zh) | 一种发动机寿命预测方法、存储介质及计算设备 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
JP2012004181A (ja) | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
CN112378468A (zh) | 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法 | |
Popescu et al. | Process Control Design for Industrial Applications | |
Siddharth et al. | Real-time quality monitoring in debutanizer column with regression tree and ANFIS | |
CN110070004B (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
Li et al. | A CM&CP framework with a GIACC method and an ensemble model for remaining useful life prediction | |
JP6003909B2 (ja) | 高炉通気性予測装置及び高炉通気性予測方法 | |
US20230419225A1 (en) | Method and Apparatus for Process Optimization | |
Wang et al. | Soft sensor modeling method by maximizing output-related variable characteristics based on a stacked autoencoder and maximal information coefficients | |
CN110443169B (zh) | 一种边缘保留判别分析的人脸识别方法 | |
CN110619176A (zh) | 一种基于dbn-rlssvm的航煤闪点预测方法 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN109636050B (zh) | 基于mds的rbf对石化行业生产能力的预测模型 | |
Ergün et al. | A Comparison of the Multivariate Calibration Methods with Feature Selection for Gas Sensors’ Long‐Term Drift Effect | |
CN113108949A (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN113379002B (zh) | 一种基于深度偏最小二乘模型的工业软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |