[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

说明书

本发明属于航空发动机性能参数预测技术领域，提供了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。本发明使用某研究所提供的航空发动机过渡态加速过程试验数据建立训练数据集和测试数据集；基于自动编码器的数据空间重构对数据集进行升维；采用以粒子群算法为代表的种群寻优算法对模型参数进行优化；最后利用对高维数据表现优秀的随机森林回归算法对过渡态性能参数进行回归，从工程应用角度出发，实现了有效的实时预测。

技术领域

本发明属于航空发动机性能参数预测技术领域，具体涉及一种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。

背景技术

航空发动机长时间在高温、高压、高速的复杂环境中运行，发生故障的可能性随时间的推移而增大。而过渡态加速过程的性能则直接关系到飞机起飞和加速飞行过程的进行。由于航空发动机机理极为复杂，对过渡态过程参数建模十分困难。因此，采用基于数据驱动的航空发动机性能参数超前预测方法可以避免对过程复杂的发动机机理进行模型构建，同时可以对发动机过渡态加速过程的参数状态进行提前预报，保证生命财产安全。

许多国内外学者在基于数据驱动的航空发动机过渡态性能参数预测方面做了相关工作。但是传统的预测算法对模型参数和输入特征要求较高，通常在建模之前要使用寻优算法对参数进行调整；不同型号的发动机各个参数特征对模型预测精度的影响程度也不同，需要重新进行特征选择；过渡态加速过程参数变化规律复杂，模型参数对预测精度的影响程度较大；传统的回归预测算法对高维数样本的表现较差，而过渡态加速过程数据样本空间维数远不够描述航空发动机性能；模型泛化能力较差，当发动机改变时，需要重新对模型参数和输入特征进行选择，在一定程度上增加了人力和财力消耗。

故针对模型参数选择困难，本发明提出一种基于随机森林(RF)算法的参数预测，RF算法与传统机器学习回归算法相比，具有对多元共线性不敏感、预测精度高、收敛速度快、调节参数少且意义易于理解，对高维数据表现的效果较为良好以及不会出现过拟合等优点。随机森林因为高效且准确的特点，在各行各业得到越来越多的应用。针对特征选择困难，本发明提出一种基于神经网络的稀疏自动编码器(SAE)对输入特征进行升降维。与传统的特征选择算法(如PCA)等比较，SAE对特征维数的升降可以根据算法进行调整，对于RF这种对自变量维数很高也可以表现出精确预测效果的算法起到了提升预测精度的效果。对两种算法采用参数寻优算法对模型参数进行优化，从工程实际应用角度出发，对发动机的关键性能参数，如低压转子转速、排气温度等参数进行预测。

发明内容

本发明针对现有技术存在的上述不足，提出一种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。

本发明的技术方案：

一种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，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；