技术领域
[0001] 本
发明属于自动测试与计算机技术领域,具体是指一种基于
粒子群优化算法的航空发动机电气附件静态性能预测方法。
背景技术
[0002] 目前航空发动机上运用了大量的电气附件设备,包括电磁活
门、作动器、
传感器等。这些部件种类庞杂,并且连接的电气线路极其复杂。通常如果出现
短路、
电路老化、
接触不良等故障,都会导致附件的电气静态性能的变化。因此,航空发动机电气附件静态性能预测是航空发动机电气附件排故及维修策略制定的重要依据。
[0003] 当前静态性能预测的主要方法包括线性预测及非线性预测两种。线性预测方法主要基于统计学习理论,采用基于最小二乘法的多元线性回归拟合方法,该方法的预测误差较大,不适用于复杂多变量相互影响的非线性预测。非线性预测方法主要基于
机器学习理论,采用神经网络等复杂非线性预测方法时存在学习速度慢、训练时间长、网络难以收敛及过拟合等问题。
发明内容
[0004] 针对
现有技术中所存在的上述技术问题的部分或者全部,本发明提出一种基于粒子群
优化算法的航空发动机电气附件静态性能预测方法,该方法实现对航空发动机电气附件静态性能的精确预测,能够有效提高预测
精度和效率。
[0005] 为实现以上发明目的,本发明提供的一种基于粒子群优化算法的航空发动机电气附件静态性能预测方法,该方法包括以下步骤:
[0006] 发动机电气附件静态
预测模型的构建,其包括系统建模和构建基于粒子群优化算法模型;
[0007] 发动机电气附件静态性能预测模型的训练,其包括对构建的粒子群优化算法模型进行初始化、并对粒子群优化模型进行训练,获得粒子群优化模型结果;
[0008] 发动机电气附件静态性能,其包括将测试数据输入粒子群优化模型,通过性能趋势得到发动机电气附件的预测结果。
[0009] 在本发明中,该方法采用基于粒子群优化算法的性能预测模型,通过利用适应度函数更新粒子群求取输出权值,从而获取全局最优解,优化网络结构,实现对航空发动机电气附件静态性能的精确预测,能够有效提高预测精度和效率。
[0010] 在一种实施方案中,通过建立粒子群优化算法的航空发动机电气附件静态性能预测模型,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,再采用基于
迭代式的最小二乘法求解模型的输出权值矩阵,能够将测试数据自动加载,在无人干预的情况下实现对航空发动机电气附件静态性能的精确预测。
[0011] 在一种实施方案中,该方法包括:
[0012] 采用航空发动机电气附件静态测试历史数据序列、测试环境及飞机起降循环次数构建训练样本集;
[0013] 建立基于粒子群优化算法的航空发动机电气附件静态性能预测模型,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,将所述训练样本集输入到建立的所述预测模型中,再采用适应度函数更新粒子群求解模型的输出权值矩阵,完成所述预测模型的训练;
[0014] 将航空发动机电气附件静态测试数据输入到训练得到的预测模型中,预测当前状态下航空发动机电气附件静态性能,实现静态性能预测。
[0015] 在一种实施方案中,所述发动机电气附件静态性能预测数据样本参数包括:测试环境
温度、起降循环测试和被测电气附件
电阻值。
[0016] 在一种实施方案中,所述输入传递函数非线性映射过程如下:
[0017] fin(Ai)=cos(β·Ai)·exp(-Ai2/2)
[0018] 式中,Ai表示输入向量的第i个线性变换,β为变换系数,通过改变β的大小,可改变输入传递函数的
波形。
[0019] 在一种实施方案中,所述输入向量线性变化与输入函数非线性映射的传递函数个数n确定方法如下:
[0020]
[0021] 式中,D表示输入向量的维数,应大于需要预测数据个数,round是四舍五入函数。
[0022] 在一种实施方案中,所述输出传递函数非线性映射过程如下:
[0023]
[0024] 式中,B2表示输入传递函数非线性映射输出向量。
[0025] 在一种实施方案中,预测模型的训练过程包括:在训练初始阶段利用稀疏
编码器计算获取输入与特征
节点之间的输入权值矩阵和偏置,随机产生特征节点到增强节点之间的输入权值矩阵和偏置,然后根据零回归方法,通过试凑法获取最优正则化系数,进而求取输出权值矩阵。
[0026] 在一种实施方案中,所述方法包括:
[0027] 步骤a、确定需要预测的发动机静态性能参数数量和传递函数的个数;
[0028] 步骤b、将历史数据序列按照预设组织形式重新组织,并进行归一化到[0,1]区间,归一化后,获得的新的历史数据为 其中xmin=min([x1,x2,Λ,xns]),xmax=max([x1,x2,Λ,xns]);
[0029] 步骤c、设置粒子群优化算法参数。为了简化处理,降低程序运行的复杂度,将双目标的优化问题通过代数相加的形式转换为最小化的单目标优化问题,则适应度函数fit(p)为:
[0030]
[0031] 式中,yt为真实值,yp为对应的预测值;
[0032] 步骤d、根据输入输出函数非线性映射进行预测,并自动不断更新适应度函数;
[0033] 输入传递函数非线性映射过程如下:
[0034] fin(Ai)=cos(β·Ai)·exp(-Ai2/2)
[0035] 式中,Ai表示输入向量的第i个线性变换,β为变换系数,通过改变β的大小,可改变输入传递函数的波形;
[0036] 输出传递函数非线性映射过程如下:
[0037]
[0038] 式中,B2表示输入传递函数非线性映射输出向量;
[0039] 步骤e、重复步骤d,经过反复的迭代,直到模型收敛。
[0040] 与现有技术相比,本发明具有以下有益效果:
[0041] 本发明通过建立粒子群优化算法的航空发动机电气附件静态性能预测模型,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,再采用基于迭代式的最小二乘法求解模型的输出权值矩阵,能够将测试数据自动加载,在无人干预的情况下实现对航空发动机电气附件静态性能的精确预测。克服了现有预测模型学习速度慢、训练时间长、难以收敛及过拟合等缺点。能够在一定程度上满足航空发动机电气附件静态性能预测的需要,同时为更准确地进行航空发动机电气附件静态性能预测提供了新思路和新途径。
附图说明
[0042] 下面将结合附图来对本发明的优选
实施例进行详细地描述,在图中:
[0043] 图1所示本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法的其中一种实施例的总体结构
框图。
[0044] 图2所示为本发明提供的基于粒子群优化算法的航空发动机电气附件静态性能预测方法的其中一种实施例的实施
流程图。
[0045] 图3所示为采用本发明提供的基于粒子群优化算法的航空发动机电气附件静态性能预测方法进行预测的对比结果图。
[0046] 附图中,相同的部件使用相同的附图标记。附图并未按照实际的比例绘制。
具体实施方式
[0047] 为了使本发明的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明。显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以互相结合。
[0048] 图1所示本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法的其中一种实施例的总体结构框图。图2所示为本发明提供的基于粒子群优化算法的航空发动机电气附件静态性能预测方法的其中一种实施例的实施流程图。图3所示为采用本发明提供的基于粒子群优化算法的航空发动机电气附件静态性能预测方法进行预测的对比结果图。
[0049] 图1示出了本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法的其中一种实施例。在该实施例中,本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法主要包括以下步骤:
[0050] 发动机电气附件静态预测模型的构建,其包括系统建模和构建基于粒子群优化算法模型;
[0051] 发动机电气附件静态性能预测模型的训练,其包括对构建的粒子群优化算法模型进行初始化、并对粒子群优化模型进行训练,获得粒子群优化模型结果;
[0052] 发动机电气附件静态性能,其包括将测试数据输入粒子群优化模型,通过性能趋势得到发动机电气附件的预测结果。
[0053] 在一种实施例中,如图1和图2所示,本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法主要包括:通过建立粒子群优化算法的航空发动机电气附件静态性能预测模型,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,再采用基于迭代式的最小二乘法求解模型的输出权值矩阵,能够将测试数据自动加载,在无人干预的情况下实现对航空发动机电气附件静态性能的精确预测。
[0054] 在一种实施例中,如图1和图2所示,本发明的基于粒子群优化算法的航空发动机电气附件静态性能预测方法主要包括:
[0055] 采用航空发动机电气附件静态测试历史数据序列、测试环境及飞机起降循环次数构建训练样本集;
[0056] 建立基于粒子群优化算法的航空发动机电气附件静态性能预测模型,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,将所述训练样本集输入到建立的所述预测模型中,再采用适应度函数更新粒子群求解模型的输出权值矩阵,完成所述预测模型的训练;
[0057] 将航空发动机电气附件静态测试数据输入到训练得到的预测模型中,预测当前状态下航空发动机电气附件静态性能,实现静态性能预测。
[0058] 在一个实施例中,本发明提供的一种基于粒子群优化算法的航空发动机电气附件静态性能预测方法,包括基于粒子群优化算法模型的构建、训练和预测,如图1所示,具体步骤如下:
[0059] 步骤一:确定航空发动机电气附件静态性能预测数据样本。
[0060] 采用航空发动机电气附件静态测试历史数据序列、测试环境及飞机起降循环次数构建训练样本集。
[0061] 表1为本实施实例中数据样本集部分数据列表。
[0062]
[0063] 步骤二:构建基于粒子群优化算法的航空发动机电气附件静态性能预测模型。
[0064] 基于粒子群优化算法的性能预测模型由三部分组成:输入向量线性变换、输入函数非线性映射、输出函数非线性映射。输入向量线性变换和输入函数非线性映射数量由确定,其中D表示输入向量的维数,round是四舍五入函数。输出函数非线性映射数量是1个。
[0065] 步骤三:训练基于粒子群优化算法的性能预测模型。
[0066] 现有技术中预测模型的基本训练过程是,首先在训练初始阶段利用稀疏编码器计算获取输入与特征节点之间的输入权值矩阵和偏置,随机产生特征节点到增强节点之间的输入权值矩阵和偏置,然后根据零回归方法,通过试凑法获取最优正则化系数,进而求取输出权值矩阵。本发明的基于粒子群优化算法模型的训练过程的基本思路是,首先,确定模型的输入向量、产生输入向量的非线性变换权值矩阵、输入传递函数非线性映射、输出传递函数非线性映射,所述训练样本集输入到建立的所述预测模型中,再采用适应度函数更新粒子群求解模型的输出权值矩阵。与现有技术相比,模型训练过程中不用人工调整权值,因此,不仅缩短了训练时间,还获得了更优的输出权值,有效提高了发动机电气附件静态性能的预测精度和效率。
[0067] 在一个实施例中,如图2所示,基于粒子群优化算法的航空发动机电气附件静态性能预测方法如下步骤:
[0068] 步骤a、确定需要预测的发动机静态性能参数数量和传递函数的个数。
[0069] 步骤b、将历史数据序列按照预设组织形式重新组织,并进行归一化到[0,1]区间,归一化后,获得的新的历史数据为 其中xmin=min([x1,x2,Λ,xns]),xmax=max([x1,x2,Λ,xns])。
[0070] 步骤c、设置粒子群优化算法参数。为了简化处理,降低程序运行的复杂度,将双目标的优化问题通过代数相加的形式转换为最小化的单目标优化问题,则适应度函数fit(p)为:
[0071]
[0072] 式(1)中,yt为真实值,yp为对应的预测值。
[0073] 步骤d、根据输入输出函数非线性映射进行预测,并自动不断更新适应度函数。
[0074] 输入传递函数非线性映射过程如下:
[0075] fin(Ai)=cos(β·Ai)·exp(-Ai2/2) (2)
[0076] 式(2)中,Ai表示输入向量的第i个线性变换,β为变换系数,通过改变β的大小,可改变输入传递函数的波形。
[0077] 输出传递函数非线性映射过程如下:
[0078]
[0079] 式(3)中,B2表示输入传递函数非线性映射输出向量。
[0080] 步骤e、重复步骤d,经过反复的迭代,直到模型收敛。
[0081] 步骤四:基于粒子群优化算法的航空发动机电气附件静态性能预测。
[0082] 在本发明的实施实例中,以表1中前88组数据作为训练样本,后6组数据作为测试样本。
[0083] 根据图3所示的测试对比结果可见,通过粒子群优化算法模型预测的航空发动机电气附件静态性能与原始数据拟合度非常相近。也就是该方法能够准确的预测发动机电气附件静态性能,说明运用粒子群优化算法对航空发动机电气附件静态性能进行预测是行之有效的。
[0084] 尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和
修改。因此,所附
权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和/或修改,根据本发明的实施例作出的变更和/或修改都应涵盖在本发明的保护范围之内。