[发明专利]一种基于改进QPSO-ELM的涡轴发动机起动过程模型辨识方法

说明书

一种基于改进QPSO‑ELM的涡轴发动机起动过程模型辨识方法，本发明公开了一种基于改进QPSO‑ELM的涡轴发动机起动过程模型辨识方法。其特点是在量子粒子群优化算法中引入位置交叉变异和β因子分段线性取值策略来对算法进行改进，采用训练误差和验证误差之和作为适应度函数，以提升对极限学习机的优化效果。将改进的QPSO‑ELM方法应用于某型涡轴发动机起动过程模型的辨识，并与常规QPSO‑ELM、PSO‑ELM以及ELM方法对比，可得改进QPSO‑ELM方法辨识的某型涡轴发动机起动过程模型精度更高，能够满足实际应用的精度需求，方法表现出更好的收敛效果。本发明能较好的解决涡轴发动机起动过程建模难的问题。

技术领域

本发明涉及一种基于改进QPSO-ELM的涡轴发动机起动过程模型辨识方法，属于发动机建模和优化辨识领域。

背景技术

涡轴发动机的起动过程建模比较复杂，使用解析法建模需要充足的发动机部件特性，但转子部件低转速特性往往不可获得，而且建模过程需要进行大量的假设和近似处理，以神经网络、支持向量机和极限学习机(ELM，Extreme Learning Machine)为代表的数据挖掘机器学习算法展现出了良好的非线性逼近能力。但神经网络方法常常存在局部极小值、过学习等问题，而支持向量机的拟合精度与泛化能力存在矛盾，极限学习机是单隐含层神经网络，仅需要设置输入权重和隐含层结点数，就能产生唯一的最优解，能有效克服上述缺点，但仍需进行参数的优化选取，利用粒子群优化算法(PSO，Particle SwarmOptimization)优化ELM的参数容易出现过早收敛和陷入局部极值，量子粒子群优化算法(QPSO，Quantum-behaved Particle Swarm Optimization)虽然改善了搜索能力，但仍存在收敛于局部极值，以及优化精度受粒子初始位置影响等缺陷。

为解决上述问题，本发明提出一种基于改进QPSO-ELM的涡轴发动机起动过程模型辨识方法，通过在QPSO中引入位置交叉变异和β因子分段线性取值策略来对算法进行改进，采用训练误差和验证误差之和作为适应度函数，以提升对ELM的优化效果，将改进的QPSO-ELM方法应用于涡轴发动机起动过程模型的辨识，能较好的解决涡轴发动机起动过程建模难的问题。

发明内容

为了达到上述目的，建立更为准确的涡轴发动机起动过程模型，本发明公开的一种基于改进QPSO-ELM的涡轴发动机起动过程模型辨识方法，其特征在于包括以下步骤：

步骤1：根据涡轴发动机的起动过程，建立环境参数和条件参数与发动机状态参数和性能参数关系的模型辨识架构；

步骤2：根据建立的模型辨识架构，选取辨识的训练和验证样本集，并进行数据的前处理；

步骤3：根据极限学习机的回归辨识原理，得到影响ELM辨识精度的待优化的特征参数，并根据样本集大小初始化待优化的粒子特征参数；

步骤4：根据量子粒子群优化算法的优化原理和存在的缺陷，引入位置交叉变异和β因子分段线性取值策略来对算法进行改进，设置改进QPSO算法的基本参数；

步骤5：采用训练误差和验证误差之和作为适应度函数，计算所有粒子的适应度函数值；

步骤6：更新粒子的位置，并判断是否达到最大的迭代次数或者设定的最小阈值，如果没有达到，则返回步骤5，如果达到则继续步骤7；

步骤7：优化辨识结束，得到最优的ELM参数和辨识精度最高的涡轴发动机起动过程模型。