[发明专利]一种基于RBF神经网络的航空发动机过振的自动识别方法

说明书

本发明公开了一种基于RBF神经网络的航空发动机过振的自动识别方法，包括以下步骤：获取若干航空发动机中与过振现象相关的若干航空发动机参数构建的时序数据集；标记时序数据集中具有过振现象的数据；根据若干航空发动机参数以及标记的数据进行训练并构建基于RBF神经网络的过振识别模型；获取已知航空发动机的真实数据集，通过基于RBF神经网络的过振识别模型对真实数据集进行计算，以自动确认是否发生过振现象。本发明采用基于RBF神经网络分类器的过振识别模型对航空发动机的过振现象进行判别，可有效判别航空发动机的过振现象。

技术领域

本发明涉及属于计算机技术领域，尤其涉及军用飞行大数据机务外场自主保障信息支持系统的一种基于RBF神经网络的航空发动机过振的自动识别方法。

背景技术

从上世纪90年代至今，航空装备技术飞速发展，尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下，飞机地面保障的要求越来越高，而保障航空发动机在其中是最为根本的因素。军事科技的飞速发展对航空发动机的保障以及故障预测提出了更高的要求。但是在长期的发展中，航空发动机的保障技术总是落后于其他航天装备的技术。原有的航空发动机保障体系在新装备条件下面临巨大的挑战，而对其保障的不到位，会大大降低军用飞机的战备完好率。

航空发动机的健康管理缺乏量化分析，且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析，造成理论与实际的脱离。航空发动机发生故障时没有预警机制，机务外场设备维护人员对配备的航空发动机，难以做到心中有数，预见性不足，且过度检修和检修不足现象并存，导致航空发动机的完好率下降。在航空发动机的故障中，过振现象尤为频繁和突出。

当航空发动机在发生过振现象后，现阶段的过振数据没有结构化，机务外场维护人员也很难针对过振现象及可靠性数据、指标数据等的综合分析，进行明确的过振诊断，从而很难找到最优的过振预测方法，进行航空发动机维修。这使得航空发动机维修成本增大，同时具有过振现象的发动机也得不到良好的维护，导致资源的浪费。

航空发动机过振的自动识别是评判发动机是否具有过振现象的基础，它时刻影响着军用飞机的作战效率和维修保障效率，因此其在整个部队中的作用极为重要，所以，在大力发展航空装备的同时，如何自动识别航空发动机的过振现象也是地面保障领域中亟待解决的技术问题。

发明内容

为了克服现有技术的不足，本发明提出一种应用于机务外场自主保障信息支持系统的基于RBF神经网络分类器的航空发动机过振的自动识别方法，可有效对航空发动机的过振现象进行预测。

基于上述目的，本发明实施例提供了一种基于RBF神经网络的航空发动机过振的自动识别方法，包括如下步骤：

获取若干航空发动机中与过振现象相关的若干航空发动机参数构建的时序数据集；

标记时序数据集中具有过振现象的数据；

根据若干航空发动机参数以及标记的数据进行训练并构建基于RBF神经网络的过振识别模型；

获取已知航空发动机的真实数据集，通过基于RBF神经网络的过振识别模型对真实数据集进行计算，以自动确认是否发生过振现象。

根据本发明的基于RBF神经网络的航空发动机过振的自动识别方法的实施例，若干航空发动机参数包括：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。

根据本发明的基于RBF神经网络的航空发动机过振的自动识别方法的实施例，获取若干航空发动机中与过振现象相关的若干航空发动机参数构建的时序数据集还包括：

对时序数据集进行数据预处理。