[发明专利]一种航空发动机过渡态关键性能参数预测方法

摘要

本发明属于航空发动机性能参数预测技术领域，提供了一种航空发动机过渡态关键性能参数预测方法。首先使用某研究所提供的航空发动机过渡态台架试验数据建立训练数据集和测试数据集；基于信息融合的思想，采用参数联合对排气温度进行预测和分析；并利用移动窗口技术进行滚动学习，从而从工程实际应用角度出发，对发动机的低压转子转速、排气温度等参数进行预测。

主权项

1.一种航空发动机过渡态关键性能参数预测方法，其特征在于，步骤如下：第一步，航空发动机性能参数数据预处理(1)航空发动机性能参数数据包括油门杆角度PLA、低压转子转速n₁、高压转子转速n₂、环境压强p₀、高压压气机出口压强p₃₁、油压p_f、压气机出口温度t₁、排气温度EGT、导角角度α₂，共9组参数；(2)数据集成：航空发动机性能参数数据包括多个航发试车过程现场采集数据，将航发试车过程现场采集数据结合起来统一存储，并建立航发性能参数数据仓库；(3)重采样：对于航发性能参数数据进行分析，采用线性重采样法对航发性能参数数据进行重采样处理；(4)归一化：对重采样处理后的航发性能参数数据进行归一化处理，使用最大最小法，其转换形式如下：x＝(x_nor‑x_min)/(x_max‑x_min)式中，x_nor为待归一化数据序列，x_min为数据序列中的最小数，x_max为数据序列中的最大数；(5)数据筛选与清理：对归一化后的航发性能参数数据进行可视化处理，对加速曲线进行聚类和清理；第二步，航空发动机性能参数数据相关性分析本方法在采用灰度关联法进行相关性分析的同时，结合航发机理过程，对低压转子转速的直接影响参数进行分析；灰度关联分析步骤如下：首先选取参考序列记作g₀：g₀＝{g₀(j)|j＝1,2,...p}＝(g₀(1),g₀(2)...,g₀(p))接着选取比较序列，记作g_i：g_i＝{g_i(j)|j＝1,2,...p}＝(g_i(1),g_i(2)...,g_i(p)),i＝1,2...,q分别计算每个评价对象各指标关联系数的均值，以反映各评价比较序列g_i与参考序列g₀的关联关系，并称其为关联度，记为：其中，关联系数ξ_i(j)如下计算：最终选定油门杆角度PLA、油压p_f、导角角度α₂三个参数作为输入量，低压转子转速n₁作为输出量；第三步，构建训练数据库为反映发动机过渡态性能参数的时变特性，采用移动窗口技术构建训练数据库，设有两个数据窗口，输入数据窗口和输出数据窗口，两窗口宽度分别为T_D和T_P；输入数据窗口和输出数据窗口一起以步长T_M的速度向右移动，获取不同时间的动态过程数据片断，从而得到相应的输入‑输出数据向量对；定义对应第k个数据窗口的输入‑输出向量对为{X(T_k),Y(T_k)}，假设选取的性能参数为Para₁、Para₂、…、Para_n，并对参数Para_i进行预测，则：X(T_k)＝[T_k,x(T_k),x(T_k‑1τ),…,x(T_k‑mτ)]x(T_k)＝[Para₁(T_k),…,Para_n(T_k)]m＝T_D/τY(T_k)＝Para_i(T_k+T_P)其中，T_k是是输入数据窗口右端对应的时间，τ是离散化步长，m是输入数据窗口的等分数，输入向量X(T_k)由T_k以及数据窗口闭区间覆盖的(m+1)个采样时刻过程变量的离散值组成，输出向量Y(T_k)为输出数据窗口右端对应时间(T_k+T_P)的待预测变量Para_i的实际值；第四步，构建基于支持向量回归的预测模型主要由两部分构成，首先利用支持向量机对低压转子转速n₁进行滚动学习预测，然后通过群智能算法对支持向量机进行寻优，从而构建预测模型；(1)利用支持向量机SVM对低压转子转速n₁进行滚动学习预测引入“软间隔”概念，允许某些样本不满足约束条件：y_i(ω^Tx_i+b)≥1；采用软间隔支持向量机为：需满足约束条件：y_i(ω^Tx_i+b)≥1‑ξ_iξ_i≥0，i＝1，...，m此时，目标函数凸二次规划寻优的对偶问题约束条件被变换为：SVM选用RBF核函数其中σ为核参数，其大小会影响核函数形状，σ越大，非线性效能越小，对噪声越不敏感；x，x_i为样本；(2)通过群智能算法对支持向量机参数进行寻优对于支持向量机中的C、σ参数，采用粒子群算法对其进行优化；粒子群算法首先在搜索空间中初始化一群粒子，每一个粒子都有可能是极值优化问题的潜在最优解；使用位置、速度和适应度值这三项指标来表示粒子的特征，并通过适应度值来衡量粒子的好坏；假设在d维搜索空间中，由n个粒子组成的种群T＝(T₁，T₂，...，T_n)，其中第i个粒子表示一个d维向量T_i＝(t_i1，t_i2，...，t_id)；设第i个粒子的速度为V_i＝(V_i1，V_i2，...，V_id)^T，其个体极值为P_i＝(P_i1，P_i2，...，P_id)^T，种群的群体极值为P_g＝(P_g1，P_g2，...，P_gd)^T；在每次迭代中，粒子的速度和位置的更新公式表示为：其中，w为惯性权重，s是当前迭代的次数，V_ij是粒子速度，加速度因子c₁，c₂≥0，随机数r₁，r₂∈[0，1]；粒子特征中的适应度值使用交叉验证的分类准确率作为指标；第五步，利用测试集对预测模型进行测试，评价预测效果主要的评价指标包括：(1)平均相对误差MRE和70个批次的总平均相对误差A_MRE平均相对误差公式为则70个批次的总平均相对误差为(2)70个批次中最大的最大相对误差MAX_MAXRE在试车过程中，EGT的前期数值较小，即使预测效果较好，其相对误差仍较大，因此对于最大相对误差的分析分为两部分，一是求全过程的最大相对误差，二是求从第30个时刻开始的最大相对误差；最大相对误差的公式为则50个批次中最大的最大相对误差为MAX_MAXRE1＝max(MAXRE1_j),j＝1,2,…,NMAX_MAXRE2＝max(MAXRE2_j),j＝1,2,…,N(3)均方根误差RMSE与70个批次中总的平均均方根误差A_RMSE均方根误差为则70个批次中总的平均均方根误差为其中，为当前批次j第i个时刻的预测值；x_ij为真实值；N为批次总数，即70；n为当前批次j的时间序列长度。