CN114461629A - 一种航空发动机温度标定方法、装置和存储介质 - Google Patents
一种航空发动机温度标定方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114461629A CN114461629A CN202210125353.9A CN202210125353A CN114461629A CN 114461629 A CN114461629 A CN 114461629A CN 202210125353 A CN202210125353 A CN 202210125353A CN 114461629 A CN114461629 A CN 114461629A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- temperature calibration
- meta
- test data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000007664 blowing Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 239000000523 sample Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000000053 physical method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种航空发动机温度标定方法、装置和存储介质,方法包括模型训练步骤,模型训练步骤包括以下子步骤:获取历史试验数据并进行分类,历史试验数据的类别包括基类数据和标准吹风试验数据,基类数据的数据量大且标签值准确度低,标准吹风试验数据的数据量小且标签值准确度高;初始化元模型,将基类数据输入元模型并进行训练;使用训练完成的元模型初始化温度标定模型;利用标准吹风试验数据训练温度标定模型。本发明不再依赖于物理测量方法,只需利用历史试验数据对模型进行提前训练,进行一次航空发动机温度标定所需成本更小,时间更短,同时减少了操作人员负担;相较于普通机器学习方法,模型训练成本更低,模型泛化效果更好。
Description
技术领域
本发明涉及航空领域,尤其涉及一种航空发动机温度标定方法、装置和存储介质。
背景技术
随着航空工业的快速发展,针对航空发动机的各项试验日益增多,其中准确地测量发动机温度是众多试验中的重点。发动机温度是发动机空气流量、换算转速等重要性能参数计算的重要的参数之一,发动机温度的准确性将直接影响到发动机性能分析的准确性,因此准确地标定发动机温度尤为重要。
得益于工业信息化程度的不断提高,航空发动机试验的各项数据能够通过已有的信息系统进行存储。在大数据时代,信息是最宝贵的财富,通过对信息系统存储的数据进行信息挖掘,或利用信息系统存储的数据进行人工智能模型训练,才能充分的地利用这些数据,实现工业的数字化转型。
就目前来看,工业界传统的航空发动机温度标定方法未能有效地利用这些数据,传统的航空发动机温度标定方法通常以物理的方式实施,通过吹风试验中的温度传感器探针来测量某次试验的发动机温度,但吹风试验存在以下缺陷:(1)进行一次吹风试验耗时长,等待一次结果需要较长时间;(2)吹风试验成本较高,不可频繁地进行吹风试验;(3)吹风试验操作繁琐,多次操作加大了操作人员负担。(4)吹风试验所能标定的温度范围有限,对较高或较低温度的标定不准确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种航空发动机温度标定方法、装置和存储介质。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供一种航空发动机温度标定方法,包括模型训练步骤,所述模型训练步骤包括以下子步骤:
获取历史试验数据并进行分类,所述历史试验数据的类别包括基类数据和标准吹风试验数据,所述基类数据的数据量大且标签值准确度低,所述标准吹风试验数据的数据量小且标签值准确度高;
初始化元模型,将基类数据输入元模型并进行训练;
使用训练完成的元模型初始化温度标定模型;
利用标准吹风试验数据训练所述温度标定模型。
进一步地,所述方法还包括数据标定步骤,所述数据标定步骤包括以下子步骤;
将待标定数据输入至训练后的温度标定模型。
进一步地,所述模型训练步骤还包括以下子步骤:
对获取到的历史试验数据进行数据清洗,所述数据清洗包括缺失值处理、异常值处理和归一化处理;所述缺失值处理为通过缺失值两侧值的平均值补全缺失值;所述异常值处理为舍弃异常值;所述归一化处理为采用最大最小值归一化。
进一步地,所述模型训练步骤还包括以下子步骤:
利用中心流选择方式对标准吹风试验数据进行预处理;
所述标准吹风试验数据为若干温度探针产生的发动机温度数据,所述中心流方法是指选取位于发动机通道中心的探针数据。
进一步地,所述元模型在结构上与温度标定模型相同。
进一步地,所述将基类数据输入元模型并进行训练,包括:
步骤一,将基类数据进行划分,每N条基类数据作为一个任务,一个任务训练一个任务模型;
步骤二,从基类数据中随机采样一个任务,编号为m,初始化一个任务模型M,φ0代表元模型的当前参数;
步骤三,基于φ0来计算网络在任务模型M上的损失函数,然后用梯度下降法优化φ0,以第一学习率α得到任务模型M独有的网络参数θm;
步骤四,基于θm计算任务模型M的新的损失函数,并求出损失函数在θm上的梯度;利用梯度优化φ0,即用第二学习率β乘以梯度,并加到φ0上,得到元模型更新后的参数φ1;
步骤五,返回步骤二,直到所有任务都被采样。
进一步地,所述使用训练完成的元模型初始化温度标定模型,包括:
在元模型完成当前所有任务模型的迭代后,元模型就学习到基类数据的先验知识,此时元模型的模型参数就相当于先验知识,直接将此模型参数值赋予温度标定模型,完成温度标定模型的快速初始化。
进一步地,温度标定模型由四层全连接神经网络构成,其网络结构为:第一层16个神经元,使用RELU激活函数和L2正则项;第二层32个神经元,使用RELU激活函数和L2正则项;第三层16个神经元,使用RELU激活函数,但未使用正则项;第四层1个神经元,未使用激活函数和正则项;
所述利用标准吹风试验数据训练所述温度标定模型,包括:
将标准吹风试验数据输入温度标定模型,进行温度标定模型训练。
本发明的第二方面,提供一种航空发动机温度标定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种航空发动机温度标定方法的步骤。
本发明的第三方面,提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种航空发动机温度标定方法的步骤。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,不再依赖于物理测量方法,只需利用历史试验数据对模型进行提前训练,进行一次航空发动机温度标定所需成本更小,时间更短,同时减少了操作人员负担。并且本示例性实施例通过对小样本的学习,在训练过程中减少了吹风试验数据样本的使用量,同时能有效地标定处于不同各温度段的航空发动机的温度,因此相较于普通机器学习方法,模型训练成本更低,模型泛化效果更好。
(2)在本发明的又一示例性实施例中,采用数据清洗可以使数据更加准确,并进一步使得模型训练结果更加准确。
(3)在本发明的又一示例性实施例中,选取位于发动机通道中心的探针数据,这样做是为了避免选取到发动机舱壁附近的温度数据,该区域与外界频繁进行热交换,容易导致温度数据不准确。
(4)在本发明的又一示例性实施例中,公开了元模型的输出方式,模型无关的小样本学习方法的核心思想也是通过初始化网络参数,使神经网络获得更强的学习能力,从而在少量数据上训练后就能有很好的性能。
(5)在本发明的又一示例性实施例中,公开了将基类数据输入元模型并进行训练的具体实现方式,训练时,不停地在不同的任务上切换;训练好的元模型能通过标准吹风试验数据快速地初始化温度标定模型地网络参数。
(6)在本发明的又一示例性实施例中,由于基类数据和标准吹风试验数据有相似度较高的先验知识,使用元模型学习到的基类数据的先验知识,快速初始化需要标准吹风试验数据训练的温度标定模型。
附图说明
图1为本发明一示例性实施例中提供的方法流程示意图;
图2为本发明一示例性实施例中提供的构建模型无关的元模型中任务迭代原理图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1,图1示出了本发明的一示例性实施例提供的一种航空发动机温度标定方法,包括模型训练步骤S01,所述模型训练步骤包括以下子步骤:
S0101:获取历史试验数据并进行分类,所述历史试验数据的类别包括基类数据和标准吹风试验数据,所述基类数据的数据量大且标签值准确度低,所述标准吹风试验数据的数据量小且标签值准确度高;
S0103:初始化元模型,将基类数据输入元模型并进行训练;
S0105:使用训练完成的元模型初始化温度标定模型;
S0107:利用标准吹风试验数据训练所述温度标定模型。
具体的,在该示例性实施例中提供的温度标定方法,不再依赖于物理测量方法,只需利用历史试验数据对模型进行提前训练,进行一次航空发动机温度标定所需成本更小,时间更短,同时减少了操作人员负担。并且本示例性实施例通过对小样本的学习,在训练过程中减少了吹风试验数据样本的使用量,同时能有效地标定处于不同各温度段的航空发动机的温度,因此相较于普通机器学习方法,模型训练成本更低,模型泛化效果更好。
也就是说,该示例性实施例通过历史试验数据为参考,利用人工智能的方法训练一个温度标定模型,该模型具有泛化能力,能解决不同温度段,不同发动机型号的温度标定问题,减少试验带来的经济和人员负担。
更优地,在一示例性实施例中,所述方法还包括数据标定步骤S03,所述数据标定步骤包括以下子步骤;
S0301:将待标定数据输入至训练后的温度标定模型。
具体地,当完成模型训练后就可以开始进行温度标定。
更优地,在一示例性实施例中,所述模型训练步骤还包括以下子步骤:
S0102-1:对获取到的历史试验数据进行数据清洗,所述数据清洗包括缺失值处理、异常值处理和归一化处理;所述缺失值处理为通过缺失值两侧值的平均值补全缺失值;所述异常值处理为舍弃异常值(在其中一示例性实施例中,异常值为传感器误差引起的数据突然短暂性波动);所述归一化处理为采用最大最小值归一化。
采用数据清洗可以使数据更加准确,并进一步使得模型训练结果更加准确。
更优地,在一示例性实施例中,所述模型训练步骤还包括以下子步骤:
S0102-2:利用中心流选择方式对标准吹风试验数据进行预处理;
所述标准吹风试验数据为若干温度探针产生的发动机温度数据,所述中心流方法是指选取位于发动机通道中心的探针数据。
具体地,在该示例性实施例中,选取位于发动机通道中心的探针数据,这样做是为了避免选取到发动机舱壁附近的温度数据,该区域与外界频繁进行热交换,容易导致温度数据不准确。
更优地,在一示例性实施例中,所述元模型在结构上与温度标定模型相同;在一示例性实施例中,同样是四层神经网络,只是其参数的迭代过程与温度标定模型不同。
具体需要说明的是,初始化元模型采用的一种小样本学习方法,即模型无关的小样本学习方法中的元模型。基类数据确为大样本数据,但标准吹风试验数据是小样本数据;小样本学习方法解决的问题是目前拥有大量不标准的温度测量数据,即基类数据(获取他们成本低);拥有少量标准的测量数据,即标准吹风试验数据(获取他们成本高);所以利用元模型从基类数据身上学习到的先验知识(表现为一组模型初始化参数),再利用元模型提取的先验知识训练温度标定模型;相较于传统的神经网络的训练方法,使用的标准吹风试验数据会少很多,所以称之为小样本学习。
更为具体地,初始化元模型,通常情况下训练神经网络的第一步是初始化参数,除了用随机数,也可以用预训练的网络参数来初始化神经网络,也就是所谓迁移学习。比如:微调预训练的VGG-16网络,用较少的数据训练了一个高精度的猫/狗分类器。模型无关的小样本学习方法的核心思想也是通过初始化网络参数,使神经网络获得更强的学习能力,从而在少量数据上训练后就能有很好的性能。
也就是说,元模型的思想是求出温度标定模型的初始参数,不用再像普通神经网络模型一样初始参数只能是随机值;上述迁移学习的思想也是赋予某一个目标模型一个高效的初始参数,但是迁移学习的方法泛化性能更差,不适合当前场景。
更优地,在一示例性实施例中,步骤S0103中所述将基类数据输入元模型并进行训练,包括循环迭代若干次下述子步骤,如图2所示:
步骤一,将基类数据进行划分,每N条基类数据作为一个任务,一个任务训练一个任务模型;
其中,任务模型与温度标定模型结构相同,参数迭代过程一致,目的是得到任务模型迭代完100条数据后的所产生的梯度,用这个梯度去更新元模型的参数。例如,10000条基类数据,会生成100个任务模型,不管数据多少元模型和温度标定模型各只有1个;利用这100个任务模型去不断迭代元模型,最后训练完毕的元模型的参数,就是温度标定模型的初始参数。
步骤二,从基类数据中随机采样一个任务,编号为m,初始化一个任务模型M,φ0代表元模型的当前参数;
更为具体地,在本示例性实施例中,基类数据是指通过航空试验经验估计得到的数据,该类数据获取成本低,且数据量规模一般为吹风试验数据的上千倍;假设有上述基类数据10000条,每100条数据称为一个任务,则共有100个任务,同时会为一个任务唯一地生成一个任务模型,则存在100个任务模型,该任务模型与温度标定模型结构相同,同为上述四层神经网络结构。
步骤三,基于φ0来计算网络在任务模型M上的损失函数,然后用梯度下降法优化φ0,以第一学习率α得到任务模型M独有的网络参数θm;
步骤四,基于θm计算任务模型M的新的损失函数,并求出损失函数在θm上的梯度;利用梯度优化φ0,即用第二学习率β乘以梯度,并加到φ0上,得到元模型更新后的参数φ1;
步骤五,返回步骤二,直到所有任务都被采样。
其中,需要说明的是,将基类数据输入元模型,进行元模型训练,模型无关的小样本学习方法专注于提升模型整体的学习能力,而不是解决某个具体问题的能力,因此,它的训练数据是以任务为基本单位的,每个任务都有自己独立的损失函数;在本方法中,我们以基类数据来训练模型无关的元模型。训练时,不停地在不同的任务上切换;训练好的元模型能通过标准吹风试验数据快速地初始化温度标定模型地网络参数。
更优地,在一示例性实施例中,步骤S0105中所述使用训练完成的元模型初始化温度标定模型,包括:
在元模型完成当前所有任务模型的迭代后,元模型就学习到基类数据的先验知识,此时元模型的模型参数就相当于先验知识,直接将此模型参数值赋予温度标定模型,完成温度标定模型的快速初始化。
具体地,在该示例性实施例中,由于基类数据和标准吹风试验数据有相似度较高的先验知识,使用元模型学习到的基类数据的先验知识,快速初始化需要标准吹风试验数据训练的温度标定模型。也就是说,元模型的作用就是快速初始化温度标定模型。
更优地,在一示例性实施例中,温度标定模型由四层全连接神经网络构成,其网络结构为:第一层16个神经元,使用RELU激活函数和L2正则项;第二层32个神经元,使用RELU激活函数和L2正则项;第三层16个神经元,使用RELU激活函数,但未使用正则项;第四层1个神经元,未使用激活函数和正则项;
步骤S0107中所述利用标准吹风试验数据训练所述温度标定模型,包括:
将标准吹风试验数据输入温度标定模型,进行温度标定模型训练。
在其中一示例性实施例,训练步骤可以包括:
1、将吹风试验数据按照训练集80%,验证集20%的比例送入温度标定模型;
2、以Adma优化器作为模型参数优化更新器,并设置参数更新值,即batchsize为32;
3、归零模型当前梯度;
4、反向传播模型误差;
5、利用步骤2所述优化器更新模型参数;
6、重复上述过程,直至验证集得出的均方误差不再明显下降。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种航空发动机温度标定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的一种航空发动机温度标定方法的步骤。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理单元、上述至少一个存储单元、连接不同系统组件(包括存储单元和处理单元)的总线。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元执行,使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元可以执行如图1中所示方法。
存储单元可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元,还可以进一步包括只读存储单元(ROM)。
存储单元还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本示例性实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本示例性实施例的方法。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的一种航空发动机温度标定方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品(程序产品)的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种航空发动机温度标定方法,其特征在于:包括模型训练步骤,所述模型训练步骤包括以下子步骤:
获取历史试验数据并进行分类,所述历史试验数据的类别包括基类数据和标准吹风试验数据,所述基类数据的数据量大且标签值准确度低,所述标准吹风试验数据的数据量小且标签值准确度高;
初始化元模型,将基类数据输入元模型并进行训练;
使用训练完成的元模型初始化温度标定模型;
利用标准吹风试验数据训练所述温度标定模型。
2.根据权利要求1所述的一种航空发动机温度标定方法,其特征在于:所述方法还包括数据标定步骤,所述数据标定步骤包括以下子步骤;
将待标定数据输入至训练后的温度标定模型。
3.根据权利要求1所述的一种航空发动机温度标定方法,其特征在于:所述模型训练步骤还包括以下子步骤:
对获取到的历史试验数据进行数据清洗,所述数据清洗包括缺失值处理、异常值处理和归一化处理;所述缺失值处理为通过缺失值两侧值的平均值补全缺失值;所述异常值处理为舍弃异常值;所述归一化处理为采用最大最小值归一化。
4.根据权利要求1所述的一种航空发动机温度标定方法,其特征在于:所述模型训练步骤还包括以下子步骤:
利用中心流选择方式对标准吹风试验数据进行预处理;
所述标准吹风试验数据为若干温度探针产生的发动机温度数据,所述中心流方法是指选取位于发动机通道中心的探针数据。
5.根据权利要求1所述的一种航空发动机温度标定方法,其特征在于:所述元模型在结构上与温度标定模型相同。
6.根据权利要求5所述的一种航空发动机温度标定方法,其特征在于:所述将基类数据输入元模型并进行训练,包括:
步骤一,将基类数据进行划分,每N条基类数据作为一个任务,一个任务训练一个任务模型;
步骤二,从基类数据中随机采样一个任务,编号为m,初始化一个任务模型M,φ0代表元模型的当前参数;
步骤三,基于φ0来计算网络在任务模型M上的损失函数,然后用梯度下降法优化φ0,以第一学习率α得到任务模型M独有的网络参数θm;
步骤四,基于θm计算任务模型M的新的损失函数,并求出损失函数在θm上的梯度;利用梯度优化φ0,即用第二学习率β乘以梯度,并加到φ0上,得到元模型更新后的参数φ1;
步骤五,返回步骤二,直到所有任务都被采样。
7.根据权利要求6所述的一种航空发动机温度标定方法,其特征在于:所述使用训练完成的元模型初始化温度标定模型,包括:
在元模型完成当前所有任务模型的迭代后,元模型就学习到基类数据的先验知识,此时元模型的模型参数就相当于先验知识,直接将此模型参数值赋予温度标定模型,完成温度标定模型的快速初始化。
8.根据权利要求5所述的一种航空发动机温度标定方法,其特征在于:温度标定模型由四层全连接神经网络构成,其网络结构为:第一层16个神经元,使用RELU激活函数和L2正则项;第二层32个神经元,使用RELU激活函数和L2正则项;第三层16个神经元,使用RELU激活函数,但未使用正则项;第四层1个神经元,未使用激活函数和正则项;
所述利用标准吹风试验数据训练所述温度标定模型,包括:
将标准吹风试验数据输入温度标定模型,进行温度标定模型训练。
9.一种航空发动机温度标定装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于:所述处理器运行所述计算机指令时执行所述的一种航空发动机温度标定方法的步骤。
10.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行所述的一种航空发动机温度标定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125353.9A CN114461629A (zh) | 2022-02-10 | 2022-02-10 | 一种航空发动机温度标定方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210125353.9A CN114461629A (zh) | 2022-02-10 | 2022-02-10 | 一种航空发动机温度标定方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114461629A true CN114461629A (zh) | 2022-05-10 |
Family
ID=81414063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210125353.9A Pending CN114461629A (zh) | 2022-02-10 | 2022-02-10 | 一种航空发动机温度标定方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114461629A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
CN109255441A (zh) * | 2018-10-18 | 2019-01-22 | 西安电子科技大学 | 基于人工智能的航天器故障诊断方法 |
CN110647920A (zh) * | 2019-08-29 | 2020-01-03 | 北京百度网讯科技有限公司 | 机器学习中的迁移学习方法及装置、设备与可读介质 |
CN110852447A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯云计算(北京)有限责任公司 | 元学习方法和装置、初始化方法、计算设备和存储介质 |
CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
CN112613559A (zh) * | 2020-12-23 | 2021-04-06 | 电子科技大学 | 基于相互学习的图卷积神经网络节点分类方法、存储介质和终端 |
CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
CN113408209A (zh) * | 2021-06-28 | 2021-09-17 | 淮安集略科技有限公司 | 跨样本联邦分类建模方法及装置、存储介质、电子设备 |
CN113724197A (zh) * | 2021-07-26 | 2021-11-30 | 南京邮电大学 | 基于元学习的螺纹旋合性判定方法 |
CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-10 CN CN202210125353.9A patent/CN114461629A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
CN109255441A (zh) * | 2018-10-18 | 2019-01-22 | 西安电子科技大学 | 基于人工智能的航天器故障诊断方法 |
CN110647920A (zh) * | 2019-08-29 | 2020-01-03 | 北京百度网讯科技有限公司 | 机器学习中的迁移学习方法及装置、设备与可读介质 |
CN110852447A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯云计算(北京)有限责任公司 | 元学习方法和装置、初始化方法、计算设备和存储介质 |
CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
CN112613559A (zh) * | 2020-12-23 | 2021-04-06 | 电子科技大学 | 基于相互学习的图卷积神经网络节点分类方法、存储介质和终端 |
CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
CN113408209A (zh) * | 2021-06-28 | 2021-09-17 | 淮安集略科技有限公司 | 跨样本联邦分类建模方法及装置、存储介质、电子设备 |
CN113724197A (zh) * | 2021-07-26 | 2021-11-30 | 南京邮电大学 | 基于元学习的螺纹旋合性判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190130249A1 (en) | Sequence-to-sequence prediction using a neural network model | |
CN108475287A (zh) | 用于流数据的离群值检测 | |
US20070016399A1 (en) | Method and apparatus for detecting data anomalies in statistical natural language applications | |
CN112232407B (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN110909125B (zh) | 推文级社会媒体谣言检测方法 | |
CN111322716B (zh) | 空调温度自动设置方法、空调、设备及存储介质 | |
CN111814956A (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 | |
CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
US20230034559A1 (en) | Automated prediction of clinical trial outcome | |
CN113723618A (zh) | 一种shap的优化方法、设备及介质 | |
CN114461629A (zh) | 一种航空发动机温度标定方法、装置和存储介质 | |
WO2021070062A1 (en) | Systems and methods for identifying influential training data points | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN112697146B (zh) | 一种基于稳健回归的航迹预测方法 | |
CN115408189A (zh) | 人工智能与大数据结合的异常检测方法及服务系统 | |
Mücke et al. | A Probabilistic Digital Twin for Leak Localization in Water Distribution Networks Using Generative Deep Learning | |
Antonakis et al. | Neural network based dynamic model and gust identification system for the Jetstream G-NFLA | |
CN113779859A (zh) | 可解释的时序预测模型的训练方法、装置和计算设备 | |
CN117406759B (zh) | 一种管道机器人爬行校准方法和系统 | |
CN114483346B (zh) | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220510 |
|
RJ01 | Rejection of invention patent application after publication |