[发明专利]一种航空发动机启动过程排气温度预测方法

权利要求书

1.一种航空发动机启动过程排气温度预测方法，其特征在于，对传感器采集到的航空发动机启动过程地面试车数据，采用基于密度的方法对数据进行异常点的识别和处理，采用二次指数平滑法对数据中的噪声或数据污染进行平滑或滤波处理，并对数据进行归一化处理使其转化为[0,1]范围内的数据；

基于信息融合的思想，利用互信息法进行相关性分析，计算各个参数与排气温度的互信息函数值，考虑到各个参数与排气温度相关性大小的差异及训练预测模型的时间要求，取互信息函数值最大的三个参数及排气温度作为预测模型的输入参数；设预处理后的数据为Data，其中

Data＝[Para₁,Para₂,…,Para_l,…,Para_N] (1)

其中，Para航空发动机性能参数数据，为相对应的时间序列，N为参数个数，n为样本个数；

设有两组航空发动机性能参数数据和其中p,q∈N且p≠q；x_pi和x_qj的概率密度分别为Px_p[x_pi]和Px_q[x_qj]，联合概率密度为Px_pq[x_pi,x_qj]，则互信息函数MI(x_p,x_q)为

MI(x_p,x_q)＝H(x_p)+H(x_q)-H(x_p,x_q) (3)

对选择的参数进行相空间重构构建输入输出样本以充分显露时间序列数据中隐含的信息；设相关性分析后的数据为Data¹，其中，

Data¹＝[Para₁,Para₂,Para₃,Para₄] (7)

特别地，Para₄＝EGT；对于时间序列对其重构后的相空间为

X_l＝[X_l1,X_l2,…,X_lI,…,X_lM]^T (9)

其中，

X_lI＝[x_lI,x_l(I+τ),…,x_l(I+(m-1)τ)],I＝1,2,…,M；M＝n-(m-1)τ (10)

其中，m为嵌入维数，τ是延迟时间，分别用互信息法和Cao法进行求解，根据相空间重构构造输入输出样本，如表1所示，其中h为预测步长；

表1 基于相空间重构的输入输出数据

样本个数	输入数据X	输出数据Y
1	11,X21,X31,X41]]]>	1+(m-1)τ+h]]>
…	…	…
I	1I,X2I,X3I,X4I]]]>	I+(m-1)τ+h]]>
…	…	…
M	1M,X2M,X3M,X4M]]]>	M+(m-1)τ+h]]>

采用AdaBoost.RT_ELM算法对航空发动机启动过程的排气温度进行预测，AdaBoost.RT_ELM具体算法如下：

(1)输入

相空间重构后的输入输出数据

选择弱学习算法

指定迭代次数T；

指定相对误差绝对值的阈值φ，在训练时根据φ将训练样本分为预测正确的样本和预测错误的样本；

(2)初始化

令初始迭代次数t＝1；

令第一次训练时，训练样本权值分布为D_t(I)＝1/M,I＝1,…,M；

令初始误差率ε_t＝0；

(3)迭代过程

start

for t＝1,…,T；

Step 1:在权值为D_t的训练样本上训练第t个弱学习机；

Step 2:记第t个学习机f_t对第I个样本X_I的预测结果为f_t(X_I)，而实际真值为Y_I；计算f_t的误差率：

Step 3:设置a可以为1,2或3；

Step 4:更新样本权值D_t：

其中，Z_t是标准化因子；通过调整各样本的权值，即增加预测误差大的样本的权值，减少预测误差小的样本的权值，使得误差大的样本在下一次迭代中更受关注；

end

(4)输出

强学习机：

以学习速度快、泛化性能好的极限学习机为弱学习机，通过设定合适的迭代次数以及阈值，得到预测精度高的强学习机，即航空发动机启动过程排气温度预测模型。