[发明专利]基于EC-RBELM算法的发动机整机性能衰减预测方法

说明书

本发明公开了一种基于EC‑RBELM算法的发动机整机性能衰减预测方法，包括：建立基于EC‑RBELM算法的不同环境下的燃气涡轮转速Ng、动力涡轮进口温度T45、耗油率SFC三个性能参数预测模型簇；离线学习EC‑RBELM网络拓扑参数，根据预测误差自动更新EC‑RBELM网络拓扑参数；根据EC‑RBELM算法模型进行不同大气环境下涡轴发动机个体性能参数衰减预测。本发明解决了现有的涡轴发动机参数预测中，传统的数据驱动方法在发动机进口大气条件发生变化时泛化能力不强，精度不高的问题。本发明通过发动机的进口大气条件调用离线训练的预测模型簇通过MVW加权组合预测，根据预测误差自动更新网络拓扑参数，适用于不同发动机性能参数预测时的个体差异，对于涡轴发动机健康管理、降低维修成本有着积极促进的作用。

技术领域

本发明属于航空发动机性能参数预测领域，尤其涉及一种基于EC-RBELM(ErrorControl Restricted Boltzmann Extreme Learning machine)算法的发动机整机性能衰减预测方法。

背景技术

涡轴发动机体积小，结构复杂，长期工作在高温、高压等恶劣环境中，其中的许多重要旋转部件，如压气机、燃气涡轮和动力涡轮都属于高速旋转部件，随着发动机的飞行循环数的增加，发动机的各部件性能参数会出现不同程度的退化，必然会导致发动机性能的下降，这就需要对发动机性能的衰退程度进行预测评估，从而为发动机的故障诊断和维修提供重要依据，以提高发动机工作可靠性，降低使用维护成本。目前航空发动机气路分析方法主要可以分为三种：基于模型的方法、基于数据驱动的方法以及基于知识的方法，其中基于模型和基于数据驱动的方法研究较为广泛。基于模型的方法主要是以构建精确的发动机模型为基础，但这种方法过度依赖于发动机数学模型的精度，而在实际中，精确的发动机线性状态变量模型往往很难建立。精确的发动机性能趋势预测是判断发动机是否发生故障的重要依据。使用精确的性能趋势预测结果及时更新性能计算算法中的发动机基准性能，可以提高预测的准确率，减少虚警的发生。

基于数据的预测的最大优点是对精确的发动机数学或物理模型依赖性不高，最典型的代表是神经网络。由于发动机衰退是长期累积的过程，其性能衰退过程形成时间序列，所以性能衰退状态即可视为时间序列预测方法。其预测可分为单步预测及多步预测，在多步预测中，预测的步数越多，预测结果的可靠性就越低，因为多步预测一般是多次执行单步预测，每一次单步预测的误差和不确定性都会累积到下一步。随着近二十多年来人工智能领域不断的推陈出新，基于数据的神经网路算法为解决非线性复杂的参数预测问题提供了一种新的解决途径。Liu等使用ARMA算法来预测发动机转速，取得了较好的效果。Kiakojoori与Vatani等人使用动态神经网络预测发动机的涡轮温度。

极限学习机(Extreme Learning Machine,ELM)是在单隐层前馈神经网络(Singlehidden-layer Feed-forward Networks,SLFNs)上发展而来，相比于传统的神经网络学习算法，ELM具有学习速度快，泛化能力强，网络结构简单等优点，在预测，诊断，分类和回归中已经有了更为广泛的应用。ELM算法主要是随机生成输入权重和偏置，然后通过最小二乘法来求解输出权重。ELM算法也存在一些缺点，由于ELM的输入层参数都是随机生成，每次测试得到的结果波动性大，从而造成ELM算法的稳定性较差。为了弥补这个缺陷，采用RBM(Restricted Boltzmann Machine)初始化ELM算法的输入层参数，可以在一定程度上降低由随机初始化网络参数带来的算法稳定性差的缺点，但这种算法在面对发动机其他进口大气条件下的数据时，算法的泛化性较差，预测效果不佳。

发明内容