[发明专利]一种基于DBN-Bayes算法的涡轴发动机功率估计方法

权利要求书

1.一种基于DBN-Bayes算法的涡轴发动机功率估计方法，其特征在于，包括以下步骤：

步骤S1、基于DBN-Bayes算法建立涡轴发动机功率Ne预测模型；

步骤S2、采用k均值聚类算法将涡轴发动机传感器数据进行聚类；

步骤S3、通过Bayes方法训练DBN模型输出层拓扑参数；

步骤S4、进行涡轴发动机功率估计。

2.根据权利要求1所述的基于DBN-Bayes算法的涡轴发动机功率估计方法，其特征在于，所述步骤S1中涡轴发动机功率Ne预测模型建立步骤如下：

步骤S1.1、将涡轴传感器参数进行归一化处理，所述涡轴传感器参数包括压气机进口流量W2、压气机出口压力P3、压气机出口温度T3、动力涡轮出口温度T5和燃油量Wf；

步骤S1.2、建立涡轴发动机功率Ne预测模型如下：

其中，t表示当前时刻，f_Ne表示非线性函数，表示DBN-Bayes算法的预测值。

3.根据权利要求1所述的基于DBN-Bayes算法的涡轴发动机功率估计方法，其特征在于，所述步骤S2中采用k均值聚类算法将涡轴发动机传感器数据进行聚类步骤如下：

步骤S2.1、基于涡轴传感器参数：压气机进口流量W2、压气机出口压力P3、压气机出口温度T3、动力涡轮出口温度T5和燃油量Wf构建聚类样本如下：

D＝{x_i,x_i∈Rⁿ,i＝1,2,...,N}

其中i表示聚类样本数，n表示聚类数据的维度；

步骤S2.2、对所述聚类样本D进行聚类，获取C个聚类中心；具体地，

步骤S2.2.1、从聚类样本集合D中随机选取C个样本数据作为初始聚类中心；依据初始聚类中心将聚类样本集合D分类；

步骤S2.2.2、定义准则函数：

其中D(x,y)表示为两个点之间的欧式距离；

步骤S2.2.3、计算样本到每个聚类中心的欧式距离，并将该样本分配到离它最近的中心的类中，构成聚类结果；

步骤S2.2.4、计算聚类后每个类中样本的均值，并作为新的类中心

步骤S2.2.5、重复步骤S2.2.3-2.2.4，直至所有样本分类结束，获取C个聚类中心。