技术领域
[0001] 本
发明涉及飞机发动机领域，尤其涉及一种飞机发动机喘振识别方法。
背景技术
[0002] 近年来，为提高飞机飞行的安全性和经济性，众多专家学者投身于飞机的
健康状态监测的研究中，由于飞机的健康状态对于飞机的性能有着非常关键的作用，而发动机作为飞机的核心部件，判断发动机的故障以及何种故障，关系到飞机的安全飞行。
[0003] 在飞机发动机的故障中，喘振现象尤为频繁和突出，如何识别飞机发动机喘振，是当前需要解决的技术问题。
发明内容
[0004] 本发明
实施例提供一种飞机发动机喘振识别方法，能够识别飞机发动机喘振。
[0005] 本发明实施例采用如下技术方案：
[0006] 一种飞机发动机喘振识别方法，包括：
[0007] 获取时序数据集，所述时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建；
[0008] 根据所述多种飞机发动机参数构建喘振识别模型；
[0009] 获取飞机发动机喘振现象的真实数据集，并根据基于所述喘振识别模型及所述真实数据集识别飞机发动机喘振。
[0010] 可选的，所述根据所述多种飞机发动机参数构建喘振识别模型包括：
[0011] 从所述飞机发动机参数中筛选出具有离散属性的M种飞机发动机参数；
[0012] 从所述飞机发动机参数中筛选出具有连续属性且服从设定概率分布的N 种飞机发动机参数；
[0013] 根据N+M种飞机发动机参数构建所述喘振识别模，所述喘振识别模基于朴素贝叶斯分类器。
[0014] 可选的，所述获取时序数据集之前还包括：
[0015] 获取所述多种飞机发动机参数；
[0016] 根据所述多种飞机发动机参数构建所述时序数据集，对所构建的所述时序数据集进行数据预处理，所述预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
[0017] 可选的，所述具有离散属性的M种飞机发动机参数包括：
油门位置、喷口鱼鳞片位置；
[0018] 所述M种具有离散属性飞机发动机参数取值为离散的枚举量，由离散的条件概率进行估计。
[0019] 可选的，所述具有连续属性且服从设定概率分布的N种飞机发动机参数包括：低压
涡轮后燃气总温、振动值、发动机低压
转子转速、发动机高压转子转速、低压进口
叶片转
角、高压进口叶片转角、发动机进口空气总温、滑油进口压
力、占空比S1、占空比S8；
[0020] 所述具有连续属性且服从设定概率分布的N种飞机发动机参数取值为连续的模拟量，由本身的概率
密度函数进行估计。
[0021] 可选的，所述根据N+M种飞机发动机参数构建所述喘振识别模包括：
[0022] 根据 构建所述喘振识别模；
[0023] 其中，f(x)为所述喘振识别模型，y＝{c1,c2}表示飞机发动机喘振分类集合， c1表示有喘振，c2表示无喘振，d表示属性的数目，xi为x在第i个属性上的取值。
[0024] 可选的，所述M种具有离散属性飞机发动机参数条件概率P(xi|c)估计为：
[0025]
[0026] 其中，Dc表示训练集D中第c类样本组成的集合，且独立同分布； 表示Dc中在第i个属性上取值为xi的样本组成的集合。
[0027] 可选的，所述设定概率分布包括正态分布或者指数分布；
[0028] 所述具有连续属性且服从设定概率分布的N种飞机发动机参数服从正态分布时，条件概率P(xi|c)估计为：
[0029]
[0030] 其中，μc,i和 分别表示第c类样本在第i个属性上取值的均值和方差；
[0031] 所述具有连续属性且服从设定概率分布的N种飞机发动机参数服从指数分布时，条件概率P(xi|c)估计为：
[0032] P(xi|c)＝λc,iexp(-λc,ixi)
[0033] 其中，λc,i表示第c类样本在第i个属性上取值的比率参数。
[0034] 可选的，所述获取飞机发动机喘振现象的真实数据集，并根据基于所述喘振识别模型及所述真实数据集识别飞机发动机喘振包括：
[0035] 通过所述喘振识别模型确定所述真实数据集中每一个测试
用例属于每一种类别的条件概率P(xi|c)；
[0036] 选择条件概率取得最大值的类别 使得：
[0037]
[0038] 则，对于真实数据集中每一个测试用例xi的预测类别为
[0039] 可选的，所述多种飞机发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通中多种。
[0040] 基于上述技术方案的飞机发动机喘振识别方法，通过获取时序数据集，时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建，根据多种飞机发动机参数构建喘振识别模型，获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振。从而实现飞机发动机喘振的自动识别方法，便于对飞机发动机的喘振现象进行预测。
[0041] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0042] 此处的附图被并入
说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0043] 图1为本发明实施例提供的飞机发动机喘振识别方法的
流程图之一；
[0044] 图2为本发明实施例提供的飞机发动机喘振识别方法的流程图之二；
[0045] 图3为图2中步骤21的流程图；
[0046] 图4为图2中步骤25的流程图。
具体实施方式
[0047] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附
权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0048] 实施例1
[0049] 如图1所示，本实施例提供一种飞机发动机喘振识别方法，包括：
[0050] 11、获取时序数据集，时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建；
[0051] 12、根据多种飞机发动机参数构建喘振识别模型；
[0052] 13、获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振。
[0053] 本实施例的飞机发动机喘振识别方法，通过获取时序数据集，时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建，根据多种飞机发动机参数构建喘振识别模型，获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振。从而实现飞机发动机喘振的自动识别方法，便于对飞机发动机的喘振现象进行预测。
[0054] 在一个实施例中可选的，根据多种飞机发动机参数构建喘振识别模型包括：
[0055] 从飞机发动机参数中筛选出具有离散属性的M种飞机发动机参数；
[0056] 从飞机发动机参数中筛选出具有连续属性且服从设定概率分布的N种飞机发动机参数；
[0057] 根据N+M种飞机发动机参数构建喘振识别模，喘振识别模基于朴素贝叶斯分类器。
[0058] 在一个实施例中可选的，获取时序数据集之前还包括：
[0059] 获取多种飞机发动机参数；
[0060] 根据多种飞机发动机参数
构建时序数据集，对所构建的时序数据集进行数据预处理，预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
[0061] 在一个实施例中可选的，具有离散属性的M种飞机发动机参数包括：油门位置、喷口鱼鳞片位置；
[0062] M种具有离散属性飞机发动机参数取值为离散的枚举量，由离散的条件概率进行估计。
[0063] 在一个实施例中可选的，具有连续属性且服从设定概率分布的N种飞机发动机参数包括：低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、低压进口叶片转角、高压进口叶片转角、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8；
[0064] 具有连续属性且服从设定概率分布的N种飞机发动机参数取值为连续的模拟量，由本身的概率密度函数进行估计。
[0065] 在一个实施例中可选的，根据N+M种飞机发动机参数构建喘振识别模包括：
[0066] 根据 构建喘振识别模；
[0067] 其中，f(x)为喘振识别模型，y＝{c1,c2}表示飞机发动机喘振分类集合，c1表示有喘振，c2表示无喘振，d表示属性的数目，xi为x在第i个属性上的取值。
[0068] 在一个实施例中可选的，M种具有离散属性飞机发动机参数条件概率 P(xi|c)估计为：
[0069]
[0070] 其中，Dc表示训练集D中第c类样本组成的集合，且独立同分布； 表示Dc中在第i个属性上取值为xi的样本组成的集合。
[0071] 在一个实施例中可选的，设定概率分布包括正态分布或者指数分布；
[0072] 具有连续属性且服从设定概率分布的N种飞机发动机参数服从正态分布时，条件概率P(xi|c)估计为：
[0073]
[0074] 其中，μc,i和 分别表示第c类样本在第i个属性上取值的均值和方差；
[0075] 具有连续属性且服从设定概率分布的N种飞机发动机参数服从指数分布时，条件概率P(xi|c)估计为：
[0076] P(xi|c)＝λc,iexp(-λc,ixi)
[0077] 其中，λc,i表示第c类样本在第i个属性上取值的比率参数。
[0078] 在一个实施例中可选的，获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振包括：
[0079] 通过喘振识别模型确定真实数据集中每一个测试用例属于每一种类别的条件概率P(xi|c)；
[0080] 选择条件概率取得最大值的类别 使得：
[0081]
[0082] 则，对于真实数据集中每一个测试用例xi的预测类别为
[0083] 在一个实施例中可选的，多种飞机发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通中多种。
[0084] 本实施例的飞机发动机喘振识别方法，通过获取时序数据集，时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建，根据多种飞机发动机参数构建喘振识别模型，获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振。从而实现飞机发动机喘振的自动识别方法，便于对飞机发动机的喘振现象进行预测。
[0085] 实施例2
[0086] 如图2所示，本实施例提供一种飞机发动机喘振识别方法，包括：
[0087] 21、获取飞机发动机中对喘振现象敏感的K种参数所构建的时序数据集；
[0088] 具体的，如图3所示，步骤21包括：
[0089] 211、获取飞机发动机中对喘振现象敏感的K种参数所构建的时序数据集；
[0090] 本发明实施例中，所述的K种飞机发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
[0091] 212、对所构建的时序数据集进行数据预处理，所述预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理；
[0092] 本发明实施例中，对所采集的时序数据集进行去噪滤波和缺失数据填补后，进行归一后处理。其中，可采用中值滤波的方法进行数据去噪，采用插值方法进行缺失数据填补。对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间，有效地简化计算，节约计算资源。
[0093] 22、筛选出K种飞机发动机参数中具有离散属性的M种飞机机发动机参数；
[0094] 本发明实施例中，筛选出M种具有离散属性飞机发动机参数包括油门位置、喷口鱼鳞片位置，其取值为离散的枚举量，可以由离散的条件概率来进行估计。
[0095] 23、在K种飞机参数中筛选出具有连续属性的飞机参数，再筛选出其概率分布服从已知确定的概率分布函数的N飞机发动机参数；
[0096] 本发明实施例中，筛选出的N种具有连续属性且服从某种概率分布的飞机发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、低压进口叶片转角、高压进口叶片转角、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8，其取值为连续的模拟量，可以由本身的概率密度函数来进行估计。确定N种飞机发动机参数所服从的概率分布包括正态分布、指数分布。
[0097] 24、根据N+M种飞机发动机参数构建基于朴素贝叶斯分类器的喘振识别模型f(x)；
[0098] 本发明实施例中，定义基于朴素贝叶斯分类器的喘振识别模型f(x)的表达式为：
[0099]
[0100] 其中，y＝{c1,c2}表示飞机发动机喘振分类集合，c1表示有喘振，c2表示无喘振。d表示属性的数目，xi为x在第i个属性上的取值。
[0101] 所述的M种具有离散属性飞机发动机参数，其条件概率P(xi|c)可以估计为：
[0102]
[0103] 其中，Dc表示训练集D中第c类样本组成的集合，且独立同分布； 表示Dc中在第i个属性上取值为xi的样本组成的集合。
[0104] 所述的N种具有连续属性飞机发动机参数，若其服从正态分布，那么条件概率P(xi|c)可以估计为：
[0105]
[0106] 其中，μc,i和 分别表示第c类样本在第i个属性上取值的均值和方差。
[0107] 所述的N种具有连续属性飞机发动机参数，若其服从指数分布，那么条件概率P(xi|c)可以估计为：
[0108] P(xi|c)＝λc,iexp(-λc,ixi)
[0109] 其中，λc,i表示第c类样本在第i个属性上取值的比率参数。
[0110] 25、获取部分已知飞机发动机喘振现象的真实数据集，并根据基于朴素贝叶斯分类器的喘振识别模型及真实数据集确定是否发生喘振现象；
[0111] 具体的，如图4所示，步骤25包括：
[0112] 251、通过所述的基于朴素贝叶斯分类器的喘振识别模型计算真实数据集中每一个测试用例属于每一种类别的条件概率P(xi|c)；
[0113] 本发明实施例中，对于离散属性的飞机发动机参数，其条件概率P(xi|c)可以估计为：
[0114]
[0115] 对于连续属性的飞机发动机参数，若其服从正态分布，那么条件概率 P(xi|c)可以估计为：
[0116]
[0117] 对于连续属性飞机发动机参数，若其服从指数分布，那么条件概率P(xi|c) 可以估计为：
[0118] P(xi|c)＝λc,iexp(-λc,ixi)
[0119] 252、对于真实数据集中每一个测试用例xi的预测类别为条件概率取得最大值的类别
[0120] 本发明实施例中，那么，对于真实数据集中每一个测试用例xi的预测类别为条件概率取得最大值的类别 满足：
[0121]
[0122] 本实施例的飞机发动机喘振识别方法，通过获取时序数据集，时序数据集基于多种对飞机发动机喘振敏感的飞机发动机参数构建，根据多种飞机发动机参数构建喘振识别模型，获取飞机发动机喘振现象的真实数据集，并根据基于喘振识别模型及真实数据集识别飞机发动机喘振。从而实现飞机发动机喘振的自动识别方法，便于对飞机发动机的喘振现象进行预测。
[0123] 以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多
修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
[0124] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
