[发明专利]基于空间重构的航空发动机过渡态加速过程参数预测方法

权利要求书

1.一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法，其特征在于，步骤如下：

第一步，航空发动机试验数据预处理

(1)航空发动机过渡态加速过程试验数据包括压气机进口相对转速PNNC2_g、发动机进口温度T₂、发动机进口气压P₂、压气机出口总压P₃、燃油流量WFB、风扇物理转速N_f、压气机物理转速N_c、涡轮出口温度T₅、模拟飞行高度H和模拟飞行马赫数Ma，共10类参数，即为一个样本；

(2)数据存储与读取：航空发动机过渡态加速过程试验数据包括多个航发试车过程现场采集数据，将航空发动机加速过程多个航发试车过程现场采集的数据结合起来，并统一存储，并建立航空发动机性能参数试验数据仓库；

(3)线性重采样：对于航空发动机加速过程试验数据进行分析，由于采样时间间隔不等，故采用线性重采样法对航空发动机加速过程试验数据进行重采样处理，使数据信号采样频率相同；

(4)数据筛选与清理：对线性重采样后的航空发动机过渡态加速过程试验数据进行可视化处理，对明显不符合客观条件的加速曲线进行清理；

第二步，随机森林回归模型参数选择

随机森林回归模型有两个关键参数，分别为：ntree为随机森林回归模型中回归树的数量；mtry为随机森林回归模型中回归树的特征数量，即每一棵回归树的分支个数；选用二维网格搜索对参数ntree和mtry进行遍历计算，适应度函数选择MSE；二维网格搜索寻优的范围由如下原则确定：

(1)ntree寻优范围由袋外数据误差确定，其中，袋外数据误差为对每次未被选中作为单棵决策树训练样本的数据进行回归产生的误差；对被预测试验数据特征参数压气机物理转速N_c与发动机排气温度EGT计算的袋外数据OOB与参数ntree的变化曲线；故ntree寻优范围确定为50～500；

(2)mtry寻优范围确定为自然数1至试验数据特征总数；

由网格寻优算法最终确定随机森林回归模型参数选择为ntree＝300，mtry＝D/3，其中D为模型输入变量数；

第三步，利用稀疏自动编码器构建训练数据库

确定随机森林回归模型的参数后，利用SAE-RF混合模型确定SAE的相关参数，其中，RF表示随机森林，SAE表示稀疏自动编码器，SAE-RF表示基于稀疏自动编码器的随机森林；采用10-dim-10结构的SAE，构建模型的输入向量；利用离散-连续混合的粒子群算法对SAE参数进行寻优，SAE的重要参数包括学习率α与重构维数dim；

利用粒子群算法寻优，具体如下：在2维参数搜索空间中，有一个由n个参数组合组成的种群X＝(X₁,X₂,…,X_n)，其中，第k个参数组合在参数搜索空间中的所在位置表示为一个2维向量X_k＝(x_k1,x_k2)；设第k个参数组合在参数搜索空间中的移动速度为V_k＝(V_k1,V_k2)^T，其局部最优参数为P_k＝(P_k1,P_k2)^T，该参数组合的全局最优参数为P_g＝(P_g1,P_g2)^T；在每次迭代中，参数组合的移动速度和位置的迭代公式表示为：

其中：w为惯性权重，t为当前迭代的次数，r₁,r₂为[0,1]中均匀分布的随机数，c₁,c₂为学习因子常数；

K折交叉验证法用于参数选择中的推广能力估计，基于离散-连续混合的粒子群算法的SAE-RF混合模型参数寻优，具体步骤如下：

(1)随机产生一组{α,dim}作为粒子的初始位置，确定惯性权重与学习因子；

(2)将训练样本均匀地分割成k个互不包含的子集S₁,S₂,…,S_k；

(3)根据种群所在初始位置的值作为参数，用于训练SAE-RF混合模型，并计算出k次准确率的平均值，即为K折交叉验证的准确率；

(4)将K折交叉验证的准确率作为粒子群算法的适应度，计算局部最优位置和全局最优位置，迭代更新位置和速度；

(5)重复步骤(2)，直到满足适应度要求或达到最大迭代次数；

(6)参数优化完成，将结果作为最终SAE-RF混合模型的参数；

第四步，构建SAE-RF回归模型，对航空发动机试验数据进行预测，评价预测效果

采用最值法对数据样本进行归一化处理，避免因量级差距造成的模型误差；根据下式将航空发动机过渡态加速过程试验数据的稀疏表示后的特征归一化到区间[1,2]中：

利用维数重构后的航空发动机过渡态加速过程试验数据对压气机物理转速N_c与发动机排气温度EGT进行回归预测，计算响应评价指标；

评价指标包括：

(1)相对误差RE

相对误差公式为：

其中，为第i时刻该样本的预测值，y_i为第i时刻该样本的观测值，N为该样本的长度；

(2)均方误差MSE

均方误差是反应预测序列与观测序列之间差异的一种度量，按照如下公式计算：

其中为第i时刻该样本的预测值，y_i为第i时刻该样本的观测值，N为该样本的长度。