[發明專利]基于擬合靈敏度的航空發動機性能的建模方法及模型應用

有效

• 申請號: 201710127047.8
• 申請日: 2017-03-03
• 公開（公告）號: CN106919759B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 林琳;王芳;鐘詩勝
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F30/17
• 分類號: G06F30/17
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

基于擬合靈敏度的航空發動機性能的廣義近似建模方法及模型應用，本發明涉及航空發動機性能的廣義近似建模方法及模型應用。本發明為了解決現有模型中出現的過擬合和欠擬合的問題。本發明步驟為：一：建立基于擬合靈敏度的航空發動機性能的廣義近似模型；二：對建立的基于擬合靈敏度的航空發動機性能的廣義近似模型的參數求解；步驟二一：設置p的取值；步驟二二：設置抑制過度欠擬合的調整系數ε；步驟二三：設置基于擬合靈敏度的航空發動機性能的廣義近似模型對x_k的整體壓縮系數a和|x_k?y_k|對x_k的壓縮系數b；步驟二四：根據步驟二一至步驟二三設置積分偏移量c₁。本發明用于航空發動機運行、維護及安全工程領域。

技術領域

本發明涉及航空發動機性能的廣義近似建模方法及模型應用。

背景技術

航空發動機性能預測技術在運維和安全工程領域是及其重要的。在2008年1月，澳洲航空公司波音747-400在飛行過程中電力系統故障，并且4個發動機都失效。在美國，通過對7571架從1980年到2001年因機械故障導致失效的運輸飛機進行研究，發現起落架和渦輪發動機是最容易失效的。此外，全球2007年商用飛機的維修費用達到上百億美元，但是其中31％的支出用在發動機維修上。所以航空發動機的性能預測技術對降低飛機失事的概率、減少維修成本有重大意義。

由于航空發動機零件數目多、耦合性大，所以它是一個復雜的非線性裝備。同時，航空發動機的性能參數是由大量的離散非線性數據點組成。所以，高度復雜性給預測技術的發展帶來了困難。

現在，有很多方法可以來預測航空發動機的性能。在多學科設計優化、預測等領域，基于數據驅動的近似建模方法替代了難以獲得的精確物理模型，很多具有隨機和非線性特征的近似模型已經被建立，主要包括響應面模型(RS)，多項式回歸模型，自回歸滑動平均模型(ARMA)，人工神經網絡模型(ANN)，支持向量機(SVM)，隱馬爾科夫模型(HMM)和灰度模型[GM]等。這些近似模型主要應用于多變量的非線性仿真、聚類和預測等領域。在模型學習過程中，雖然近似模型對訓練樣本的過擬合能獲得較小的擬合誤差，但是影響了模型的泛化能力；然而，近似模型對訓練樣本的欠擬合又會降低其學習效果，使近似模型不能逼近物理模型。

針對過擬合的問題，學者們從不同的角度進行了研究。為了衡量模型對訓練樣本的擬合度，Akaike考慮模型的復雜度和擬合精度從熵的概念出發提出AIC準則。AIC值越小，模型的綜合性能越好，很多學者對AIC準則進行了拓展研究。為了降低其對高維訓練樣本所訓練出的模型復雜度，學者們在AIC準則的基礎上提出了BICC準則。同時，規則化目標函數的方法可以抑制過擬合，該方法通過控制模型參數的1范數或者2范數的值獲得使模型簡單化的參數向量。并且，調整算法參數、訓練樣本降維、設計交叉驗證實驗等方法也是抑制過擬合的有效手段。

采用貝葉斯正則化的人工神經網絡對航空發動機的EGT(Exhaust GasTemperature)進行預測的結果如圖12所示。采用交叉驗證的支持向量機對同樣的數據進行預測的結果如圖13所示。同樣，采用灰度模型的預測結果如圖14所示。

綜上所述，正則化ANN和交叉驗證的SVM能獲得較好的預測精度，但預測精度有待提高，同時，GM雖然適用于預測帶噪聲的參數向量，但是預測精度仍有待提高。

發明內容

本發明的目的是為了解決現有模型中出現的過擬合和欠擬合的問題，而提出基于擬合靈敏度的航空發動機性能的廣義近似建模方法。

基于擬合靈敏度的航空發動機性能的廣義近似建模方法包括以下步驟：

步驟一：建立基于擬合靈敏度的航空發動機性能的廣義近似模型為：

公式(8)滿足以下條件：