CN112416913B - 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 - Google Patents
一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 Download PDFInfo
- Publication number
- CN112416913B CN112416913B CN202011101914.9A CN202011101914A CN112416913B CN 112416913 B CN112416913 B CN 112416913B CN 202011101914 A CN202011101914 A CN 202011101914A CN 112416913 B CN112416913 B CN 112416913B
- Authority
- CN
- China
- Prior art keywords
- gwo
- fuel system
- neural network
- wolf
- parameters
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000001502 supplementing effect Effects 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 239000013589 supplement Substances 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 241000282461 Canis lupus Species 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 241000282421 Canidae Species 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004132 cross linking Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000009469 supplementation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Abstract
公开一种基于GWO‑BP算法的飞机燃油系统状态缺失值补充方法，其特征在于，包括下列步骤：根据原理图，初步确定与飞机燃油系统相关的飞行状态变量；利用皮尔逊相关系数定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系；基础筛选相关系数大于δ的飞行状态参数作为飞机燃油系统建模的强相关参数yi；对Step3提取的数据进行归一化预处理；采用核主成分分析方法进一步对通过相关系数筛选的n个参数li进行降维处理；BP神经网络以及GWO算法参数初始化；利用GWO算法优化神经网络的最优权值和阈值；对飞机燃油流量的缺失值进行预测；本发明能够实现飞机燃油系统缺失值的补充，对于燃油系统的健康监测和健康管理具有非常重要的意义。
Description
技术领域
本发明涉及飞机燃油系统状态缺失值补充技术，具体涉及飞机燃油系统燃油流量消耗模型的构建和缺失值补充优化技术，更具体地，涉及一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法。
背景技术
在飞机飞行过程中，会遭受到振动、冲击、过载等严酷环境的影响，由于传感器本身的误差或者数据采集传输过程中的错误，会发生状态数据记录的异常，甚至有可能造成一些状态值没有得到有效记录，最终导致状态参数值的缺失。此外，在燃油系统状态数据的长期保存过程中，也可能因为人为差错或存储介质的错误，导致部分燃油系统状态数据的删失，严重影响燃油系统状态数据的挖掘效率，甚至可能导致出现建模偏差。
当前，对于燃油系统状态缺失值的处理方法可以分为三类：删除记录、不处理和数据插补。如果通过删除小部分数据能够达到既定的目标，那么删除含有缺失值数据的这种方法是有效的。然而，这种方法却有很大的局限性。它是以减少历史状态数据来换取数据的完备性，丢弃了大量隐藏在这些记录中的信息，可能会造成关键状态数据丢失。尤其在数据集本来就包含很少记录的情况下，删除少量记录可能影响到分析结果的客观性和准确性，因此需要对缺失值进行补充，常用的数据插补方法包括均值、中位数、固定值、最近邻插补以及回归方法等。
但是当飞机系统发生连续多段数据缺失，甚至整个飞行架次燃油系统某些属性数据缺失时，上述的基于均值、中位数、固定值、最近邻插补等方法将不能满足缺失数据补充的要求，因此提出一种基于狼群优化BP神经网络算法(Grey Wolf Optimization-BP，GWO-BP)飞机燃油系统状态缺失值补充方法。利用GWO-BP算法构建燃油系统的状态监测变量与缺失值之间的非线性模型，从而实现对缺失值的补充。
发明内容
为克服现有技术的不足，本发明提出一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法，具体包括下列步骤：
Step1 根据原理图，分析飞机燃油系统结构、功能以及交联系统，结合燃油系统及与之相关的飞行状态数据，将飞行数据进行图形化显示，从总体趋势上初步确定与飞机燃油系统相关的飞行状态变量；
Step2：利用皮尔逊相关系数定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系；
通过定性分析筛选出k个参数，分别用x1，x2，…xk表示
假设测定出上述k个变量参数的M组数据，那么变量xi，xj(i＝1，2，…，k；j＝1，2，…，k)之间的相关性R(i，j)通过下式来计算；
其中，
xmi表示变量i的第m组数据，xmj表示变量j的第m组数据；
根据相关系数R(i，j)的统计意义定量确定与飞行状态相关的飞行参数；
表1 相关系数大小经验解释
上表中，R是R(i，j)的简写；
Step3：在Step2的基础筛选相关系数大于δ的飞行状态参数作为飞机燃油系统建模的强相关参数yi，用yi(i＝1，…，n；n≤k)来表示；
Step4：采用下式对Step3提取的数据进行归一化预处理；
li＝lmin+(lmax-lmin)·(yi-yi min)/(yi max-yi max)
其中，li表示归一化后的参数，lmax和lmin表示归一化的范围，yi max和yi max表示yi中的最大值和最小值；
Step5：采用核主成分分析方法进一步对通过相关系数筛选的n个参数li进行降维处理，具体如下；
(1)将归一化的n个指标的M组数据转为为M×n的矩阵；
(2)选择核函数K，确定核函数K的相关参数，然后计算核矩阵；
(3)通过核函数K计算中心化核矩阵
其中，1M为M×M的方阵，且每个元素为(1M)ij＝1/M；
(4)计算中心化核矩阵
的特征值λ1、λ2、…、λm，λ1≥λ2≥…λm，及对应的特征向量v1，…，vm；
(5)依据下式对特征向量v1，…，vm进行单位化，得a1，…，am：
其中||vi||表示特征向量的范数；
(6)计算特征值累积贡献率CPV≥CL时的前p个特征值λ1，λ2，…，λp和其对应的特征向量a1，a2，…，ap；
(7)降维后的飞行状态参数为
其中a＝a1，…ap；
Step6 BP神经网络以及GWO算法参数初始化；
基于GWO-BP算法的初始化包括对神经网络的输入层节点个数Inputn、隐含层节点数Netn、输出层节点个数Outputm、激活函数Nete、初始权值W和阈值B进行初始化，得到神经网络的训练模型Nettrain；将神经网络的初始权值W和阈值B转换为狼群算法GWO中的狼群位置，再进一步初始化狼群规模N，最大迭代次数MaxIt，狼群的位置维度dim；
输入层节点个数Inputn等于降维后的特征向量个数p；
输出层节点个数Outputm等于拟估计的燃油流量变量个数Fuelm；
设置隐含层节点个数Netn；
狼群的位置维度dim就是待优化的参数个数，待优化的参数为权值W和阈值B，那么狼群的位置维度等于权值个数Wn和阈值个数Bn之和：
dim＝Wn+Bn＝Inputn×Netn+Netn×Fueln
设置狼群规模N，N越大，优化的效果越好；
设置最大迭代次数MaxIt；
Step7 利用GWO算法优化神经网络的最优权值和阈值；
(1)初始化狼群位置
i＝1，2，…，N；j＝1，2，…，dim，将降维后的样本分为训练集Ytrain和测试集Ytest两部分；
(2)令狼群算法的迭代循环TGWO＝1；
(3)将狼群位置
替换到BP神经网络的训练模型
其中i＝1，2，…，N，
表示在第TGWO次第i头狼所对应的训练模型；
(4)将训练集Ytrain代入到BP神经网络的训练模型
中进行训练，得到训练后的模型
(5)将测试集Ytest代入到BP神经网络的训练模型
中，计算狼群位置
的适应度值Ei(TGWO)；
其中，Ei(TGWO)表示第i只狼在第TGWO循环时的神经网络适应度值，
表示第i只狼优化的神经网络的预测输出；
(6)所有狼群的适应度值Ei(TGWO)进行排序，将适应度值Ei(TGWO)最小的狼群位置记为Xα(TGWO)，其次的狼群位置记为Xβ(TGWO)，再次的即为Xδ(TGWO)；只需要记录最优的前3个狼的位置，其余的位置不用记录；
(7)利用下式对当前狼群位置
进行更新得到
A＝2ar1-a (18)
C＝2r2 (19)
其中A和C是向量系数；Xα、Xβ和Xδ分别是Xα(TGWO)、Xβ(TGWO)、Xδ(TGWO)的简写，Dα、Dβ、Dδ分别表示狼群当前位置与Xα、Xβ和Xδ之间的距离；a随着迭代过程线性地从2减少到0，r1和r2是定义在[0，1]之间的随机向量；C1、C2、C3以及Aα、Aβ、Aδ分别表示当前狼群位置相对于Xα、Xβ和Xδ的两类系数；X1、X2、X3分别表示当前狼群位置相对于Xα、Xβ和Xδ在TGWO+1次迭代时可能出现的位置；
(8)令TGWO＝TGWO+1，判断TGWO是否小于最大迭代次数MaxIt；如果满足条件，则返回步骤(3)；若不满足条件，则退出循环，当前的适应度值Ei(TGWO)最小的狼群位置Xα(TGWO)所对应的BP神经网络的训练模型
即为训练好的神经网络模型
Step8 对飞机燃油流量的缺失值进行预测；
(1)针对飞机燃油流量缺失的部分，利用Step3将燃油流量缺失值部分所对应的飞行状态变量筛选出来，利用Step4进行处理归一化，Step5中的第(7)步骤得到降维之后的Y；
(2)将Y输入到BP神经网络的训练模型
中，得到神经网络模型的预测输出
即为补充的燃油流量缺失值。
在本发明的一个具体实施例中，k个参数分别为：左发燃油流量、左发扭矩、左修正后油门杆位置、左发推力指令、左发推力目标、左发高压转速、左螺旋桨转速、左原始油门杆角度、1号气压高度、1号相对气压高度、1号指示空速、1号真实空速、左一燃油流量、左二燃油流量、左三燃油流量、左发涡轮温度、左发低压转速、左发滑油压力、左发滑油温度、无线电高度。
在本发明的另一个具体实施例中，在Step3中，δ＝0.6。
在本发明的又一个具体实施例中，在Step5的步骤(2)中，核函数为高斯核函数KRBF；
其中KRBF(li，lj)表示高斯径向基核函数，σ为KRBF核函数的宽度参数，控制其径向作用范围，li，lj分别表示经筛选归一化以后的两个不同的飞行参数。
在本发明的再一个具体实施例中，在Step5的步骤(6)中，CL＝85％。
在本发明的一个实施例中，在Step6中，激活函数Nete选自于线性激活函数、斜坡激活函数、S型激活函数以及双极S型激活函数的其中之一。
在本发明的另一个实施例中，隐含层节点个数Netn按照Netn＜Inputn-1进行设置。
在本发明的又一个实施例中，在Step6中，狼群规模N＝20～50。
在本发明的一个具体实施例中，在Step6中，狼群规模N＝30。
在本发明的再一个实施例中，在Step6中，最大迭代次数MaxIt＝20～50。
由于与燃油系统相关的飞行状态参数较多，为了降低建模的复杂，提高缺失值补充的准确性，本发明首先采用核主成分分析的方法对数据进行降维，其次利用GWO算法优化BP神经网络的模型的权值和阈值，然后GWO-BP神经网络模型构建降维后的状态参数与缺失值之间的非线性模型，最终实现飞机燃油系统缺失值的补充，对于燃油系统的健康监测和健康管理具有非常重要的意义。
附图说明
图1示出基于GWO-BP算法的状态缺失值补充方法整体流程图；
图2示出狼群的等级层次；
图3示出左发燃油流量原始信号及起飞降落点；
图4示出基于GWO-BP算法的50-800补充结果；
图5示出燃油流量整体中的补充结果；
图6示出数据补充误差分析，其中图6(a)示出估计误差值图，图6(b)示出估计误差率图；
图7示出验证结果，其中图7(a)示出训练集的回归能力可视化，图7(b)示出验证集的回归能力可视化，图7(c)示出测试集的回归能力可视化，图7(d)示出整体的回归能力可视化。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
下面结合附图和具体实施方式对本发明设计的基于GWO-BP算法的飞机燃油系统状态缺失值补充方法作详细说明。
图1示出基于GWO-BP算法的飞机燃油系统状态缺失值补充方法的整体流程图。
本发明所利用的数据是飞机的飞行状态数据，首先分析燃油系统的结构、工作原理以及与其它系统的交联关系，初步确定与飞机燃油系统相关的飞行状态变量；其次利用核主成分分析(Kernel Principal Component Analysis，KPCA)对与燃油系统相关的飞行状态参数进行非线性降维；然后利用狼群算法(Grey Wolf Optimization，GWO)优化BP神经网络的权值和阈值，并构建飞机燃油系统相关模型；最后输入测试数据，实现对飞机燃油系统状态缺失值的补充。具体流程如下：
Step1 根据原理图，分析飞机燃油系统结构、功能以及交联系统，结合燃油系统及与之相关的飞行状态数据，将飞行数据进行图形化显示，从总体趋势上初步确定与飞机燃油系统相关的飞行状态变量。
该步骤具体实施方法为本领域技术人员熟知，不再累述。
Step2：利用皮尔逊相关系数(Person Correlation Coefficient)定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系。
在本发明的一个实施例中，通过定性分析筛选出左发燃油流量、左发扭矩、左修正后油门杆位置、左发推力指令、左发推力目标、左发高压转速、左螺旋桨转速、左原始油门杆角度、1号气压高度、1号相对气压高度、1号指示空速、1号真实空速、左一燃油流量、左二燃油流量、左三燃油流量、左发涡轮温度、左发低压转速、左发滑油压力、左发滑油温度、无线电高度等k个参数，分别用x1，x2，…xk表示
假设测定出上述k个变量参数的M组数据，那么变量xi，xj(i＝1，2，…，k；j＝1，2，…，k)之间的相关性R(i，j)通过下式来计算。
其中，
xmi表示变量i的第m组数据，xmj表示变量j的第m组数据。
根据相关系数R(i，j)的统计意义定量确定与飞行状态相关的飞行参数。
表1 相关系数大小经验解释
上表中，R是R(i，j)的简写。
Step3：在Step2的基础筛选相关系数大于0.6的飞行状态参数作为飞机燃油系统建模的强相关参数yi，用yi(i＝1，…，n；n≤k)来表示。
Step4：采用下式对Step3提取的数据进行归一化预处理。
li＝lmin+(lmax-lmin)·(yi-yi min)/(yi max-yi max)
其中，li表示归一化后的参数，lmax和lmin表示归一化的范围，yi max和yi max表示yi中的最大值和最小值。
Step5：采用核主成分分析方法进一步对通过相关系数筛选的n个参数li进行降维处理，具体如下。
(1)将归一化的n个指标的M组数据转为为M×n的矩阵；
(2)选择核函数K，确定核函数K的相关参数，然后计算核矩阵。其中核函数的选择包括高斯径向基核函数(Radial Basis Function，RBF)以及线性核函数等，一般选择高斯核函数KRBF。
其中KRBF(li，lj)表示高斯径向基核函数，σ为KRBF核函数的宽度参数，控制其径向作用范围，li，lj分别表示经筛选归一化以后的两个不同的飞行参数。
(3)通过核函数K计算中心化核矩阵
其中，1M为M×M的方阵，且每个元素为(1M)ij＝1/M。
(4)计算中心化核矩阵
的特征值λ1、λ2、…、λm，λ1≥λ2≥…λm，及对应的特征向量v1，…，vm；该计算方法为本领域技术人员熟知，不再累述。
(5)依据下式对特征向量v1，…，vm进行单位化，得a1，…，am：
其中||vi||表示特征向量的范数。
(6)计算特征值累积贡献率CPV≥CL时的前p个特征值(λ1，λ2，…，λp)和其对应的特征向量a1，a2，…，ap，CL一般设为85％；
(7)降维后的飞行状态参数为
其中a＝a1，…ap。
Step6 BP神经网络以及GWO算法参数初始化。
基于GWO-BP算法的初始化包括对神经网络的输入层节点个数Inputn、隐含层节点数Netn、输出层节点个数Outputm、激活函数Nete、初始权值W和阈值B进行初始化，得到神经网络的训练模型Nettrain。将神经网络的初始权值W和阈值B转换为狼群算法GWO中的狼群位置，再进一步初始化狼群规模N，最大迭代次数MaxIt，狼群的位置维度dim等；
其中激活函数Netc可以选择于线性激活函数、斜坡激活函数、S型激活函数以及双极S型激活函数，一般选择S型激活函数。
输入层节点个数Inputn等于降维后的特征向量个数p。
输出层节点个数Outputm等于拟估计的燃油流量变量个数Fuelm。例如，只需要估计左发燃油流量，那么输出层节点个数即为Fuelm＝1。
隐含层节点个数Netn一般按照Netn＜Inputn-1进行设置。
狼群的位置维度dim即为待优化的参数个数，在本GWO-BP算法中，待优化的参数为权值W和阈值B，那么狼群的位置维度等于权值个数Wn和阈值个数Bn之和，即：
dim＝Wn+Bn＝Inputn×Netn+Netn×Fueln
狼群规模N越大，优化的效果越好，但是需要计算的时间就越多，因此一般设置N＝20～50，优选设置N＝30。
最大迭代次数MaxIt＝20～50，优选设置MaxIt＝30。
Step7利用GWO算法优化神经网络的最优权值和阈值；
(1)初始化狼群位置
(i＝1，2，…，N；j＝1，2，…，dim)，将降维后的样本分为训练集(90％)Ytrain和测试集(10％)Ytest两部分；
(2)令狼群算法的迭代循环TGWO＝1；
(3)将狼群位置
替换到BP神经网络的训练模型
其中i＝1，2，…，N，
表示在第TGWO次第i头狼所对应的训练模型；
(4)将训练集Ytrain代入到BP神经网络的训练模型
中进行训练，得到训练后的模型
该训练方法为本领域技术人员熟知，不再累述。
(5)将测试集Ytest代入到BP神经网络的训练模型
中，计算狼群位置
的适应度值Ei(TGWO)；
其中，Ei(TGWO)表示第i只狼在第TGWO循环时的神经网络适应度值，
表示第i只狼优化的神经网络的预测输出。
(6)所有狼群的适应度值Ei(TGWO)进行排序，将适应度值Ei(TGWO)最小的狼群位置记为Xα(TGWO)，其次的狼群位置记为Xβ(TGWO)，再次的即为Xδ(TGWO)。只需要记录最优的前3个狼的位置，其余的位置不用记录；
(7)利用下式对当前狼群位置
进行更新得到
A＝2ar1-a (18)
C＝2r2 (19)
其中A和C是向量系数。Xα、Xβ和Xδ分别是Xα(TGWO)、Xβ(TGWO)、Xδ(TGWO)的简写，Dα、Dβ、Dδ分别表示狼群当前位置与Xα、Xβ和Xδ之间的距离。a随着迭代过程线性地从2减少到0，r1和r2是定义在[0，1]之间的随机向量。C1、C2、C3以及Aα、Aβ、Aδ分别表示当前狼群位置相对于Xα、Xβ和Xδ的两类系数。X1、X2、X3分别表示当前狼群位置相对于Xα、Xβ和Xδ在TGWO+1次迭代时可能出现的位置。
(8)令TGWO＝TGWO+1，判断TGWO是否小于最大迭代次数MaxIt。如果满足条件，则返回步骤(3)；若不满足条件，则退出循环，当前的适应度值Ei(TGWO)最小的狼群位置Xα(TGWO)所对应的BP神经网络的训练模型
即为训练好的神经网络模型
Stet8 飞机燃油流量的缺失值进行预测。
(1)针对飞机燃油流量缺失的部分，利用Step3将燃油流量缺失值部分所对应的飞行状态变量筛选出来，利用Step4进行处理归一化，Step5中的第(7)步骤得到降维之后的Y；
(2)将Y输入到BP神经网络的训练模型
中，得到神经网络模型的预测输出
即为补充的燃油流量缺失值。该步骤的具体实施为本领域技术人员熟知，不再累述。
5、实例验证
以MA60某架飞机为例，总共102个飞行架次文件，将前90％的飞行架次作为训练样本，后10％的飞行架次作为测试样本，即90个训练样本，12个测试样本集。利用GWO-BP神经网络算法和90个训练样本，构建飞机燃油系统流量模型，然后随机选取测试样本中某一个飞行架次的一段数据来进行验证。以“20170424055039_1007.csv”飞行架次为例，通过分析其数据，起飞时间为530，降落时间为5172，整个飞行时间为4643，如图3所示。
从图3中可以看出，燃油流量在整个飞行过程中具有非平稳、非线性的特点，而GWO-BP神经网络在非线性的问题解决方面具有较好的效果。根据前期的飞机燃油系统结构、功能原理和交联系统分析得出，与飞机燃油流量相关的属性包括左发扭矩、左发高压转速等参数。因为各个参数之间的量级不一致，为了避免训练、预测过程中的影响，采用下面的方法对各个参数进行归一化处理。
式中，xmin，xmax分别是最小值和最大值，目的是为了将变量转换为[0，1]之间的小数。
然后利用KPCA的方法对上述变量进行分析，从而得到与飞机燃油系统流量相关的主成分，进而利用GWO-BP算法进行模型建立。
假设其在飞行过程中[50-800]飞行时间中左发燃油流量缺失，通过训练的模型对其进行补充，结果如图4所示。
从图7中可以看出，除了个别点的相对误差达到了5％，其余的补充数据误差基本上都稳定在3％误差以下，在连续缺失数据的补充中有较好的结果。图7中，R表示输出和目标之间相关性，R取值0和1之间，R＝1表示密切相关，R＝0表示随机关系。
Claims (10)
1.一种基于GWO-BP算法的飞机燃油系统状态缺失值补充方法，其特征在于，具体包括下列步骤：
Step1根据原理图，分析飞机燃油系统结构、功能以及交联系统，结合燃油系统及与之相关的飞行状态数据，将飞行数据进行图形化显示，从总体趋势上初步确定与飞机燃油系统相关的飞行状态变量；
Step2：利用皮尔逊相关系数定量确定燃油系统的燃油消耗量与飞机发动机转速等变量之间存在的关系；
通过定性分析筛选出k个参数，分别用x1，x2，…xk表示
假设测定出上述k个参数的M组数据，那么变量xi，xj(i＝1，2，…，k；j＝1，2，…，k)之间的相关性R(i，j)通过下式来计算；
其中，
xmi表示变量i的第m组数据，xmj表示变量j的第m组数据；
根据相关系数R(i，j)的统计意义定量确定与飞行状态相关的飞行参数，定义如下：相关系数为0.00≤|R|＜0.20时，相关程度为极弱相关或无相关；相关系数为0.20≤|R|＜0.40时，相关程度为弱相关；相关系数为0.40≤|R|＜0.60时，相关程度为中等程度相关；相关系数为0.60≤|R|＜0.80时，相关程度为强相关；相关系数为0.80≤|R|＜1.00时，相关程度为极强相关，其中R是R(i，j)的简写；
Step3：在Step2的基础筛选相关系数大于δ的飞行状态参数作为飞机燃油系统建模的强相关参数yi，用yi(i＝1，…，n；n≤k)来表示；
Step4：采用下式对Step3提取的数据进行归一化预处理；
li＝lmin+(lmax-lmin)·(yi-yi min)/(yi max-yi min)
其中，li表示归一化后的参数，lmax和lmin表示归一化的范围，yi max和yi min分别表示yi中的最大值和最小值；
Step5：采用核主成分分析方法进一步对通过相关系数筛选的n个参数li进行降维处理，具体如下；
(1)将归一化的n个指标的M组数据转为M×n的矩阵；
(2)选择核函数K，确定核函数K的相关参数，然后计算核矩阵；
(3)通过核函数K计算中心化核矩阵
其中，1M为M×M的方阵，且每个元素为(1M)ij＝1/M；
(4)计算中心化核矩阵
的特征值λ1、λ2、…、λm，λ1≥λ2≥…λm，及对应的特征向量v1，…，vm；
(5)依据下式对特征向量v1，…，vm进行单位化，得a1，…，am：
其中||vi||表示特征向量的范数；
(6)计算特征值累积贡献率CPV≥CL时的前p个特征值λ1，λ2，…，λp和其对应的特征向量a1，a2，…，ap；
(7)降维后的飞行状态参数为
其中a＝a1，…ap；
Step6 BP神经网络以及GWO算法参数初始化；
基于GWO-BP算法的初始化包括对神经网络的输入层节点个数Inputn、隐含层节点数Netn、输出层节点个数Outputm、激活函数Nete、初始权值W和阈值B进行初始化，得到神经网络的训练模型Nettrain；将神经网络的初始权值W和阈值B转换为狼群算法GWO中的狼群位置，再进一步初始化狼群规模N，最大迭代次数MaxIt，狼群的位置维度dim；
输入层节点个数Inputn等于降维后的特征向量个数p；
输出层节点个数Outputm等于拟估计的燃油流量变量个数Fuelm；
设置隐含层节点个数Netn；
狼群的位置维度dim就是待优化的参数个数，待优化的参数为权值W和阈值B，那么狼群的位置维度等于权值个数Wn和阈值个数Bn之和；
dim＝Wn+Bn＝Inputn×Netn+Netn×Fueln
设置狼群规模N，N越大，优化的效果越好；
设置最大迭代次数MaxIt；
Step7利用GWO算法优化神经网络的最优权值和阈值；
(1)初始化狼群位置
将降维后的样本分为训练集Ytrain和测试集Ytest两部分；
(2)令狼群算法的迭代循环TGWO＝1；
(3)将狼群位置
替换到BP神经网络的训练模型
其中i＝1，2，…，N，
表示在第TGWO次第i头狼所对应的训练模型；
(4)将训练集Ytrain代入到BP神经网络的训练模型
中进行训练，得到训练后的模型
(5)将测试集Ytest代入到BP神经网络的训练模型
中，计算狼群位置
的适应度值Ei(TGWO)；
其中，Ei(TGWO)表示第i只狼在第TGWO循环时的神经网络适应度值，
表示第i只狼优化的神经网络的预测输出；
(6)所有狼群的适应度值Ei(TGWO)进行排序，将适应度值Ei(TGWO)最小的狼群位置记为Xα(TGWO)，其次的狼群位置记为Xβ(TGWO)，再次的即为Xδ(TGWO)；只需要记录最优的前3个狼的位置，其余的位置不用记录；
(7)利用下式对当前狼群位置
进行更新得到
A＝2ar1-a (18)
C＝2r2 (19)
其中A和C是向量系数；Xα、Xβ和Xδ分别是Xα(TGWO)、Xβ(TGWO)、Xδ(TGWO)的简写，Dα、Dβ、Dδ分别表示狼群当前位置与Xα、Xβ和Xδ之间的距离；a随着迭代过程线性地从2减少到0，r1和r2是定义在[0，1]之间的随机向量；C1、C2、C3以及Aα、Aβ、Aδ分别表示当前狼群位置相对于Xα、Xβ和Xδ的两类系数；X1、X2、X3分别表示当前狼群位置相对于Xα、Xβ和Xδ在TGWO+1次迭代时可能出现的位置；
(8)令TGWO＝TGWO+1，判断TGWO是否小于最大迭代次数MaxIt；如果满足条件，则返回步骤(3)；若不满足条件，则退出循环，当前的适应度值Ei(TGWO)最小的狼群位置Xα(TGWO)所对应的BP神经网络的训练模型
即为训练好的神经网络模型
Step8对飞机燃油流量的缺失值进行预测；
(1)针对飞机燃油流量缺失的部分，利用Step3将燃油流量缺失值部分所对应的飞行状态变量筛选出来，利用Step4进行处理归一化，Step5中的第(7)步骤得到降维之后的Y；
(2)将Y输入到BP神经网络的训练模型
中，得到神经网络模型的预测输出
即为补充的燃油流量缺失值。
2.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，k个参数分别为：左发燃油流量、左发扭矩、左修正后油门杆位置、左发推力指令、左发推力目标、左发高压转速、左螺旋桨转速、左原始油门杆角度、1号气压高度、1号相对气压高度、1号指示空速、1号真实空速、左一燃油流量、左二燃油流量、左三燃油流量、左发涡轮温度、左发低压转速、左发滑油压力、左发滑油温度、无线电高度。
3.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step3中，δ＝0.6。
4.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step5的步骤(2)中，核函数为高斯核函数KRBF；
其中KRBF(li，lj)表示高斯径向基核函数，σ为KRBF核函数的宽度参数，控制其径向作用范围，li，lj分别表示经筛选归一化以后的两个不同的飞行参数。
5.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step5的步骤(6)中，CL＝85％。
6.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step6中，激活函数Nete选自于线性激活函数、斜坡激活函数、S型激活函数以及双极S型激活函数的其中之一。
7.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，隐含层节点个数Netn按照Netn＜Inputn-1进行设置。
8.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step6中，狼群规模N＝20～50。
9.如权利要求8所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step6中，狼群规模N＝30。
10.如权利要求1所述的飞机燃油系统状态缺失值补充方法，其特征在于，在Step6中，最大迭代次数MaxIt＝20～50。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101914.9A CN112416913B (zh) | 2020-10-15 | 2020-10-15 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101914.9A CN112416913B (zh) | 2020-10-15 | 2020-10-15 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112416913A CN112416913A (zh) | 2021-02-26 |
| CN112416913B true CN112416913B (zh) | 2023-04-25 |
Family
ID=74855283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011101914.9A Active CN112416913B (zh) | 2020-10-15 | 2020-10-15 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112416913B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805221A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 手写数字识别方法及装置 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110782007A (zh) * | 2019-10-15 | 2020-02-11 | 中国航空无线电电子研究所 | 一种基于神经网络的飞行数据缺失补充方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4975701A (en) * | 1989-11-20 | 1990-12-04 | Sierra Semiconductor | Exponential gain control for nonlinear analog-to-digital converter |
| CN107193212B (zh) * | 2017-06-26 | 2020-04-07 | 南京航空航天大学 | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 |
| CN107247231A (zh) * | 2017-07-28 | 2017-10-13 | 南京航空航天大学 | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 |
| CN111212040A (zh) * | 2019-12-24 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种基于gwo-bp神经网络检测钓鱼网页的方法 |
| CN111371607B (zh) * | 2020-02-28 | 2022-09-16 | 大连大学 | 一种基于决策灰狼算法优化lstm的网络流量预测方法 |
| CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
| CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
-
2020
- 2020-10-15 CN CN202011101914.9A patent/CN112416913B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805221A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 手写数字识别方法及装置 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110782007A (zh) * | 2019-10-15 | 2020-02-11 | 中国航空无线电电子研究所 | 一种基于神经网络的飞行数据缺失补充方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112416913A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
| CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
| CN110084221B (zh) | 一种基于深度学习的带中继监督的序列化人脸关键点检测方法 | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN108256173B (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
| CN111042928B (zh) | 一种基于动态神经网络的变循环发动机智能控制方法 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| Liu et al. | Complex engineered system health indexes extraction using low frequency raw time-series data based on deep learning methods | |
| WO2024045246A1 (zh) | 一种针对航空发动机故障预测的脉冲回声状态网络模型 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| Li et al. | Prognosis for stochastic degrading systems with massive data: A data-model interactive perspective | |
| CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
| Zhou et al. | Multihorizons transfer strategy for continuous online prediction of time‐series data in complex systems | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
| CN115936254A (zh) | 一种航空装备关键状态参数的智能预测方法 | |
| Liu et al. | A Prognostics Approach Based on Feature Fusion and Deep BiLSTM Neural Network for Aero-Engine | |
| CN113705932B (zh) | 一种短期负荷预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |