[发明专利]一种基于DBN-Bayes算法的涡轴发动机功率估计方法

说明书

本发明公开了一种基于DBN‑Bayes算法的涡轴发动机功率估计方法，首先基于DBN‑Bayes算法建立涡轴发动机功率Ne预测模型；然后采用k均值聚类算法将涡轴发动机传感器数据进行聚类；通过Bayes方法训练DBN模型输出层拓扑参数；最后进行涡轴发动机功率估计；本发明通过DBN算法对于网络输入数据进行逐层无监督训练，挖掘数据内部深层次之间的联系，并通过Bayes方法求解输出权重，提高了模型的泛化能力；每个子类分别训练DBN‑Bayes网络模型，有效提高了发动机包线内的功率估计精度，以在发动机健康状态以及性能发生衰退时具有较好的估计精度，适用于不同发动机个体，为其发动机直接功率控制系统安全地运行提供保障。

技术领域

本发明涉及涡轴发动机功率控制技术领域，主要涉及一种基于DBN-Bayes算法的涡轴发动机功率估计方法。

背景技术

直升机早期的动力装置是活塞发动机，因为涡轴发动机很小并且易于维修，这大大提高了直升机的空气动力学性能。因此，自20世纪50年以来，直升机的动力装置逐步过渡到涡轴发动机。传统的涡轴发动机控制可以描述为基于传感器的控制，将转速与压力等传感器采集到的信号直接作为控制系统的反馈变量，由于难以在飞行中获得功率、稳定裕度等性能参数，才使用易于测量的转速、压比等作为反馈信号作为控制器输入的误差信号。由于发动机在设计时保留了很大的裕度，因此，这在一定程度上没有发掘出发动机潜在的性能。在涡轴发动机直接控制中，功率估计器相当于一个测量功率的“虚拟传感器”，可以满足现代飞机对于发动机动力控制系统的新的要求。

由于直升机负载的要求，直升机通常需要装配多台涡轴发动机共同驱动，需要发动机控制系统能够通过功率匹配策略实现负载的平均分担。而发动机由于制造误差、安装误差等因素使得各发动机相同的总矩角输出的功率不尽相同。同时随着发动机的飞行循环数的增加，发动机各部件性能会发生不同程度的退化，必然导致发动机性能下降，因此需要建立合适的功率估计器使得多台发动机输出相同的功率，为发动机多发功率匹配控制提供保障。目前功率估计器的建立方法主要是分为两种：基于模型的方法和基于数据驱动的方法。基于模型的方法主要是以构建精确的发动机模型作为基础，然后由于发动机的强非线性结构，很难构建精确的发动机数学模型。基于数据驱动的方法不需要依赖精确的数学模型，而是通过发动机数据建立非线性模型，并获得了越来越广泛的应用。

目前，基于数据驱动的信号估计主要采用人工神经网络、支持向量机和极限学习机等方法，都取得了较好的效果，然而神经网络的参数选取依据仍然缺乏理论的指导，容易陷入局部最优和泛化性不强的问题。近年来，随着深度学习的兴起，在图像识别和语音识别方面取得了巨大成功。其中、DBN算法作为一种无监督学习算法，它作为一种含有多隐含层的神经网络，采用特定的结构和训练算法从原始数据出发通过多层结构自动学习挖掘数据内部深层次的数据特征，相比于浅层神经网络，深层网络通过逐层训练数据得到每层的特征，具有更好的非线性表达能力。

贝叶斯线性回归是使用统计学中贝叶斯推断方法求解的线性回归模型。本发明基于贝叶斯线性回归模型的思想，提出了一种通过Bayes方法求解DBN网络最后一层隐含层到输出层之间的输出权值并将其命名为DBN-Bayes算法。该方法能够通过DBN算法对于网络输入数据进行逐层无监督训练，并通过Bayes方法求解输出权重，通过人为设定的因子增强模型的泛化能力。在此基础上，本发明提出了一种基于DBN-Bayes算法的涡轴发动机功率估计器，仿真结果表明提出的DBN-Bayes方法在发动机健康状态以及性能衰退时具有较好的估计精度，适用于不同发动机个体，为其发动机直接功率控制系统安全地运行提供保障。

发明内容

发明目的：针对上述背景技术中存在的问题，本发明提供了一种基于DBN-Bayes算法的涡轴发动机功率估计方法，针对深度网络由于误差反向传播带来的训练时间过长的问题，基于Bayes线性回归模型的思想，采用Bayes方法求解DBN网络最后一层隐含层到输出层之间的输出权值；利用k均值算法对于发动机训练数据进行聚类，对于每一个子类分别训练DBN-Bayes网络模型。

技术方案：为实现上述目的，本发明采用的技术方案为：