[發明專利]一種航空發動機修后排氣溫度裕度預測方法有效
| 申請號： | 201711436066.5 | 申請日： | 2017-12-26 |
| 公開（公告）號： | CN108170945B | 公開（公告）日： | 2021-07-02 |
| 發明（設計）人： | 鐘詩勝;林琳;李臻 | 申請（專利權）人： | 哈爾濱工業大學 |
| 主分類號： | G06F30/15 | 分類號： | G06F30/15;G06F17/18 |
| 代理公司： | 哈爾濱市松花江專利商標事務所 23109 | 代理人： | 岳泉清 |
| 地址： | 150001 黑龍*** | 國省代碼： | 黑龍江;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 航空 發動 機修 后排 溫度 預測 方法 | ||
1.一種航空發動機修后排氣溫度裕度預測方法，其特征在于：所述航空發動機修后排氣溫度裕度預測方法包括以下步驟：
步驟一：利用過程神經網絡的相關技術對送修前性能參數序列進行處理，采用五次多項式擬合的方法對送修前性能參數進行表達，并將五次多項式的6位系數作為送修前性能參數的特征向量，即采用五次多項式擬合對航空發動機送修前性能參數序列進行特征提取，得到s×c維的送修前性能參數特征向量矩陣Ps×c；
其中s為發動機維修案例個數，c為送修前性能參數特征向量矩陣Ps×c的列數；
步驟二：采用堆疊自編碼深度學習網絡對航空發動機單元體維修深度進行特征提取，得到s×d維的單元體維修深度特征向量矩陣Rs×d；
其中所述d為單元體維修深度特征向量矩陣Rs×d的列數；
步驟三：將步驟一得到的送修前性能參數特征向量和步驟二得到的單元體維修深度特征向量進行合并，得到修后性能特征向量As×(c+d)；
步驟四：利用步驟三得到的修后性能特征向量As×(c+d)和每個維修案例對應的修后性能參數序列zs,k為第s個發動機維修案例送修后第k個飛行循環的排氣溫度裕度值，采用BP神經網絡建立航空發動機修后性能預測模型；所述BP神經網絡的結構為單隱層，隱層節點數為h；
步驟五：將步驟四建立的航空發動機修后性能預測模型采用粒子群優化算法進行d和h的優化，得到最優航空發動機修后性能預測模型。
2.根據權利要求1所述的一種航空發動機修后排氣溫度裕度預測方法，其特征在于：所述步驟一中航空發動機送修前性能參數序列具體為所述xs,m為第s個發動機維修案例送修前第m個飛行循環的排氣溫度裕度值。
3.根據權利要求2所述的一種航空發動機修后排氣溫度裕度預測方法，其特征在于：所述步驟二中航空發動機單元體維修深度原始信息矩陣具體為所述ys,n為第s個發動機維修案例第n個單元體維修深度信息表征量。
4.根據權利要求3所述的一種航空發動機修后排氣溫度裕度預測方法，其特征在于：所述步驟三中修后性能特征向量As×(c+d)通過下式得到：
As×(c+d)＝[Ps×c,Rs×d]。
5.根據權利要求4所述的一種航空發動機修后排氣溫度裕度預測方法，其特征在于：所述步驟四中BP神經網絡的輸入層節點數為c+d，輸出層節點數為k。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于哈爾濱工業大學，未經哈爾濱工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711436066.5/1.html，轉載請聲明來源鉆瓜專利網。
