[发明专利]一种基于ELM滤波算法的航空发动机包线内气路故障识别方法

权利要求书

1.一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，其特征在于：包括以下步骤：

步骤1)根据发动机模型在飞行包线内边界点的故障模式数据，采用卡尔曼滤波算法训练ELM模型；

步骤2)将滤波算法训练好的ELM模型用于飞行包线内其他工作点的故障模式识别；

所述步骤1)中利用飞行包线内的边界点的故障模式数据，采用卡尔曼滤波算法训练ELM模型具体步骤如下：

步骤1.1)将发动机模型在包线内边界点的故障模式数据进行标准化处理，得到训练样本，所述故障模式数据由各个传感器的测量参数组成；

步骤1.2)将ELM模型输入层权值和隐含层偏置随机初始化，隐含层激活函数选取线性修正函数ReLU，代入步骤1.1所得训练样本，计算隐含层输出向量；

步骤1.3)采用卡尔曼滤波算法迭代更新ELM模型输出权值向量。

2.根据权利要求1所述的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，其特征在于：所述步骤1.3)中采用卡尔曼滤波算法迭代更新ELM模型输出权值向量具体步骤如下：

步骤1.3.1)，输出权值向量β随机初始化为零均值的均匀或正态分布的小值随机变量；

步骤1.3.2)，输出向量误差方差矩阵初始化方法为：

C＝ξI

其中，I为单位矩阵，C为输出权值向量误差方差矩阵，ξ为一个人为设定的小数,其范围为[0.001,0.1]；

步骤1.3.3)代入训练样本{x_k,y_k}，其中x是输入数据，y是期望输出， 根据ELM模型的离散状态方程，计算第k个样本对应权值向量的一步预测值和输出层节点输出其中，ELM模型离散状态方程写为：

其中，h_k为隐含层节点输出向量，ω^T和υ^T是人为引入的过程噪声和观测噪声向量，二者均为白噪声；

步骤1.3.4)利用卡尔曼滤波算法原理，迭代更新输出权值向量。

3.根据权利要求2所述的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，其特征在于：步骤1.3.4)中所述利用卡尔曼滤波算法原理，迭代更新输出权值向量具体步骤如下：

步骤1.3.4.1)计算滤波增益矩阵G_k，具体公式为：

G_k＝C_k-1h_k·[R+h_k^TC_k-1h_k]^-1

其中，C_k-1为第k-1个样本对应的误差方差矩阵估计值，R为对应的观测噪声的对称正定方差阵；

步骤1.3.4.2)更新第k个样本对应的权值向量估计值和误差方差矩阵估计值，具体公式为：

其中，是第k-1个样本对应的权值向量估计值，是第k个样本对应的权值向量估计值；C_k-1是第k-1个样本对应的误差方差矩阵估计值，C_k是第k个样本对应的误差方差矩阵估计值；

步骤1.3.4.3)迭代更新直至所有样本训练完成。

4.根据权利要求1所述的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，其特征在于：步骤2)中所述将滤波算法训练好的ELM模型用于包线内其他常用工作点的故障模式识别具体步骤如下：

步骤2.1)，将发动机模型在包线内其他工作点的故障模式数据进行标准化处理，得到测试样本，所述故障模式数据由各个传感器测量参数组成；

步骤2.2)，将标准化后的故障数据代入滤波算法训练完成的ELM模型进行发动机故障模式识别测试。