[发明专利]一种基于支持向量机模型的高超声速进气道不起动识别方法

说明书

本发明属于高超声速进气道不起动失稳监测识别技术领域，具体涉及一种基于支持向量机模型的高超声速进气道不起动识别方法。步骤1：采集进气道起动和不起动状态下，最佳压力测点上的压力数据；步骤2：利用步骤1的压力数据训练支持向量机模型；步骤3：基于步骤2训练的支持向量机模型，建立分类准则；步骤4：在获得最佳压力测点上的压力数据后，带入准则中即可判断进气道的工作状态。本发明用以解决高超声速进气道起动/不起动准则建立问题。

技术领域

本发明属于高超声速进气道不起动失稳监测识别技术领域，具体涉及一种基于支持向量机模型的高超声速进气道不起动识别方法。

背景技术

进气道不起动是一种对飞行器有害的现象。不起动发生时，进气道通道中的激波从进气道唇口处被吐出，导致进入发动机的质量流量大幅度下降。在用于高超声速飞行的双模态超燃冲压发动机中，进气道和燃烧室之间使用隔离段以帮助发动机在更大的飞行马赫数范围内工作。在高超声速飞行马赫数下，进入隔离段的气流被通道中建立的激波串压缩至低超声速马赫数。激波串通过改变其在隔离段内的位置对下游压力条件的变化做出调整。进气道/隔离段不起动强烈取决于流道几何形状和存在的干扰类型，例如燃烧驱动的背压增加或由于飞行器机动、高度变化或大气湍流引起的上游压力变化。

由于不起动会对发动机运行产生不利的影响，近年来在导致进气道不起动条件的监测和控制方面开展了大量的研究。一般来说，对于固定几何形状的进气道，进气道为起动状态或不起动状态受到多种因素的影响，如来流马赫数、攻角、来流压力和隔离段出口的压力等。这些影响因素将会构成一个非常复杂的映射关系。由于这些影响因素具有一定的不确定性，确定该映射关系的表达式是非常困难的。这也导致对进气道起动或不起动模态进行分类成为一个难点。同时，进气道的流场结构中存在着大量的三维激波交互与反射现象，导致了压力分布的高复杂性，压力数据的维度较高，对于理解压力数据造成了很大的困难，且压力分布数据中并没有直观、明显的特征来划分进气道的起动与不起动状态。因此，考虑引入特征选择和智能算法的手段来解决进气道的起动、不起动状态分类问题。特征选择的目的是通过去除不相关和冗余的特征，从给定的数据集中找到一个维度更小的原始特征的子集。通过特征选择，可以降低问题的复杂度。使用维度较小的特征可以用来构建体量更小、速度更快、可解释性更强的状态分类器，以提高分类器的分类性能。利用特征选择得到的压力测点位置，使用线性的支持向量机来建立不起动分类准则。

发明内容

本发明提供一种基于支持向量机模型的高超声速进气道不起动识别方法，用以解决高超声速进气道起动/不起动准则建立问题。

本发明通过以下技术方案实现：

一种基于支持向量机模型的高超声速进气道不起动识别方法，所述高超声速进气道不起动识别方法具体包括以下步骤：

步骤1：采集进气道起动和不起动状态下，最佳压力测点上的压力数据；

步骤2：利用步骤1的压力数据训练支持向量机模型；

步骤3：基于步骤2训练的支持向量机模型，建立分类准则；

步骤4：在获得最佳压力测点上的压力数据后，带入准则中即可判断进气道的工作状态。

一种基于支持向量机模型的高超声速进气道不起动识别方法，所述步骤2训练建立的支持向量机模型具体为，随机选取70％的样本作为训练集，利用支持向量机算法研究基于训练样本集的特征选择。利用所有的特征对支持向量机进行训练，得到支持向量机的准确度；再应用支持向量机选择相关的特征子集，最终基于两个位置的压力信号建立高超声速进气道起动和不起动的分类平面。

一种基于支持向量机模型的高超声速进气道不起动识别方法，所述步骤3建立分类准则包括以下步骤：

步骤3.1：选用递归特征消除方法对输入数据集中的全部特征进行特征筛选；

步骤3.2：采用监督学习的方法来估计模型参数，对步骤1的特征进行数量筛选；